第7章图像分割技术2.ppt

1,第七章 图像分割,2,图像分割,图像,图像识别,图像 预处理,图像理解,图7.1图像分割在整个图像处理过程中的作用,图像分割,作用,图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。,3,分割出来的各区域对某种性质例如灰度，纹理而言具有相似性，区域内部是连通的且没有过多小孔； 区域边界是明确的； 相邻区域对分割所依据的性质有明显的差异。,图像分割,特征,图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。,4, 第1类性质的应用途径是基于亮度的不连续变化分割图像,比如图像的边缘. 第2类的主要应用途径是依据事先制定的准则将图像分割为相似的区域.门限(阈值)处理、区域生长、区域分离和聚合都是这类方法的实例。,图像分割,特征,图像分割算法一般是基于亮度值的两个基本特性之一: 不连续性和相似性.,5,7.3 门限处理(阈值分割),特点： 直观性 易于实现 封闭而连通的边界（不交叠区域）,6,基本原理,以一定的图像模型为依托。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。 内部像素灰度分布高度相关。 之间灰度值存在较大差异。,7,基本原理,上图(a)为一幅图像的灰度级直方图,其由亮的对象和暗的背景组成. 对象和背景的灰度级形成两个不同的模式. 选择一个门限值T, 可以将这些模式分开. (b)包含3个模式.,(a)单一门限 (b)多门限进行分割的灰度级直方图,8,基本原理,原始图像f(x,y) 灰度阈值T 阈值运算得二值图像g(x,y),对象点,背景点,9,基本原理, 阈值选择直接影响分割效果，通常可以通过对灰度直方图 的分析来确定它的值。,如果图像中有多个灰度值不同的区域，可以选择一系列的阈值以将每个像素分到合适的类别中去 。,10,阈值选择,利用灰度直方图求双峰或多峰 选择两峰之间的谷底作为阈值,11,人工阈值,人工选择法是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选出合适的阈值。也可以在人工选出阈值后，根据分割效果，不断的交互操作，从而选择出最佳的阈值。,12,T=155的二值化图像 T=210的二值化图像,原始图像,图像直方图,人工阈值,13,自动阈值,迭代法,在无人介入的情况下自动选取阈值是大部分应用的基本要求,自动阈值法通常使用灰度直方图来分析图像中灰度值的分布,结合特定的应用领域知识来选取合适的阈值.,14,自动阈值,迭代法,基本思想：开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。,15,自动阈值,迭代法,(1) 选择图像灰度的中值作为初始阈值Ti=T0。 (2) 利用阈值Ti把图像分割成两部分区域，R1和R2，并计算其灰度均值,(3) 计算新的阈值Ti+1,(4) 重复步骤2、3，直到Ti+1和Ti的值差别小于某个给定值,迭代式阈值选择的基本步骤如下:,适用于背景和对象在图像中占据的面积相近的情况.,16,自动阈值,迭代法,原始图像,迭代阈值二值化图象,图7.3 迭代式阈值二值化图像,17,自动阈值,迭代法,(a) 原图 (b) 图像的直方图 (c) 通过用迭代估计的门限对图像进行分割的结果,18,自动阈值,分水岭算法,阴影、光照不均、各处对比度不同、突发噪声和背景灰度变化等，固定的全局阈值分割，效果不好。 解决方法：利用与坐标相关的一组阈值对图像进行分割变化阈值法、自适应阈值法。,19,自动阈值,分水岭算法,分水岭算法(watershed)是一种借鉴了形态学理论的分割方法，它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度值。高灰度值对应着山峰，低灰度值处对应着山谷。,20,自动阈值,分水岭算法,(a)原始图像 (b)图像对应的拓扑地形图 图7.5 图像对应的拓扑表面图,21,自动阈值,分水岭算法,三类点：属于局部性最小值的点；当一滴水放在某点的位置上时，水一定会下落到一个单一的最小值点；当水处在某个点的位置时，水会等概率地流向不止一个这样的最小值点。 对于一个特定的区域最小值，满足条件的点的集合称为这个最小值的“汇水盆地”或“分水岭”。满足条件的点的集合组成地形表面的峰线，称为“分水线”或“分割线”。,22,自动阈值,分水岭算法,将这种想法应用于图像分割，就是要在灰度图像中找出分水线。 基本思想：假设在每个区域最小值的位置上打一个洞，让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇水盆地中的水将要汇合在一起时，修建大坝阻止水汇合。这些大坝的边界对应于分水岭的分割线。,23,自动阈值,分水岭算法,分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法,图7.6 分水岭形成示意图,分水岭对应于原始图像中的边缘,24,自动阈值,分水岭算法,分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点,由于梯度图中可能有较多的局部极小点,因此可能会导致过分割.,25,自动阈值,分水岭算法,L=watershed(f),MATLAB函数,图7.7 不准确标记分水岭算法导致过分割,原始图像,分水岭,分割结果,局部极小值,26,自动阈值,改进的分水岭算法,图7.8 准确标记的分水岭算法分割过程,原始图像,原图像的距离变换,标记外部约束,标记内部约束,由标记内外部约束重构的梯度图,分割结果,27,实际应用,木材材积检测,分水岭算法,28,实际应用,木材材积检测,迭代法,