模式識別圖像分割

1、 模式識別：圖像分割1.引言引言2.閾值與圖像分割閾值與圖像分割3.邊緣檢測與圖像分割邊緣檢測與圖像分割4.Hough變換變換5.區(qū)域增長區(qū)域增長引言前面介紹的圖像增強和恢復(fù)是對整幅圖像的質(zhì)量進行改善，是輸入輸出均為圖像的處理方法，而圖像分析則是更詳細地研究并描述組成一幅圖像的各個不同部分的特征及其相互關(guān)系，是輸入為圖像而輸出為從這些圖像中提取出來的屬性的處理方法。圖像分析的結(jié)果不是一幅完美的圖像，而是用數(shù)字、文字、符號、幾何圖形或其組合表示圖像的內(nèi)容和特征，對圖像景物的詳盡描述和解釋。典型的圖像分析和理解系統(tǒng)如下圖。在該系統(tǒng)中，圖像的增強和恢復(fù)可以看作預(yù)處理，其輸入、輸出均是圖像，它是傳統(tǒng)的

2、圖像處理的內(nèi)容。而圖像分割、特征提取及結(jié)構(gòu)分析等稱為圖像識別，其輸入是圖像，輸出是描述或解釋。統(tǒng)計模式識別統(tǒng)計模式識別認為圖像可能包含一個或多個物體，并且每個物體屬于若干事先定義的類型、范疇或模式之一。在給定一幅含有多個物體的數(shù)字圖像的條件下，模式識別過程由三個主要階段組成：特征提取分類圖象分割xx.x12N物體圖像輸入圖像特征向量物體類型特征提取分類圖像分割xx.x12N物體圖像輸入圖像特征向量物體類型圖像分割：在該階段檢測出各個物體，并把它們的圖像和其余景物分離。特征提取：在該階段中對物體進行度量。一個度量是指一個物體某個可度量的度量值，而特征是一個或多個度量的函數(shù)。通過計算可以對物體的一

3、些重要特性進行定量化表示。特征提取過程產(chǎn)生了一組特征，把它們組合在一起形成了特征向量。分類：以特征向量為依據(jù)，輸出一種決策，確定每個物體應(yīng)該歸屬的類別。模式識別的一個例子櫻桃、蘋果、檸檬、葡萄在傳送帶上方安裝一個數(shù)字攝像機并在計算機里實現(xiàn)分類決策。我們測量每個水果的兩個特點：直徑和顏色。計算機程序處理每幅數(shù)字化圖像并且計算水果的直徑和一個表示顏色的參數(shù)。使用彩色攝像機，程序計算每個物體在紅、綠、藍通道的亮度。于是得到一個特征（例如紅-綠亮度比），對黃色水果取小值，紅色水果取大值，這個參數(shù)成為“紅色程度”。+紅色程度直徑櫻桃檸檬蘋果葡萄0決策分界線右圖是由直徑和紅色程度這兩個參數(shù)定義的二為特征空

4、間以及4種水果中每一中的期望聚類。通過特征空間中確定合適的決策分界線，把空間劃分若干區(qū)域，每個區(qū)域代表一個類。這樣就建立了一個分類原則。 圖像分割是將圖像劃分為若干互不相交的小區(qū)域的過程。 圖像分割就是指把圖像分成互不重疊的區(qū)域并提取出感興趣目標的技術(shù)和過程。圖像分割是由圖像處理進到圖像分析的關(guān)健步驟。一方面，它是目標表達的基礎(chǔ)，對特征測量有重要的影響。另一方面，因為圖像分割及其基于分割的目標表達、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。 圖像分割的基本策略： 分割算法是基于灰度值的兩個基本特性：不連續(xù)性和相似性。第一類性質(zhì)的應(yīng)用途徑是基于灰

5、度的不連續(xù)變化分割圖像，比如圖像的邊緣。第二類的主要途徑是依據(jù)事先制定的準則將圖像分割為相似的區(qū)域。 圖像分割有三種不同的途徑，其一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法即區(qū)域法，其二是通過直接確定區(qū)域間的邊界來實現(xiàn)分割的邊界方法，其三是首先檢測邊緣像素再將邊緣像素連接起來構(gòu)成邊界形成分割。閾值與圖像分割 閾值是在分割時作為區(qū)分物體與背景像素的門限，大于或等于閾值的像素屬于物體，而其它屬于背景。這種方法對于在物體與背景之間存在明顯差別（對比）的景物分割十分有效。實際上，在任何實際應(yīng)用的圖像處理系統(tǒng)中，都要用到閾值化技術(shù)。為了有效地分割物體與背景，人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局

6、閾值、自適應(yīng)閾值、最佳閾值等等。 全局閾值是指整幅圖像使用同一個閾值做分割處理。適用于背景和前景有明顯對比的圖像。閾值與圖像分割 自適應(yīng)閾值根據(jù)圖像的局部特征分別采用不同的閾值進行分割。實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。閾值與圖像分割 最佳閾值對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值。閾值與圖像分割邊緣檢測與圖像分割 邊緣檢測首先檢出圖像局部特性的不連續(xù)性，然后再將這些不連續(xù)的邊緣像素連接成完整的邊界。邊緣的特性是沿邊緣走向的像素變化平緩，而垂直于邊緣方向的像素變化劇烈。所以，從這個意義上說，

7、檢測邊緣的算法就是檢出符合邊緣特性的邊緣像素的數(shù)學(xué)算子，目前，邊緣檢測場采用邊緣算子法和模板匹配法等。邊緣檢測與圖像分割術(shù)語定義術(shù)語定義邊緣的定義： 指圖像中像素灰度有階躍變化或屋頂變化的那些像素的集合。 一段邊緣是兩個具有相對不同灰度值特性的區(qū)域的邊界線邊緣的分類： 階躍狀 屋頂狀輪廓：輪廓：邊緣列表或一條表示邊緣列表的擬合曲線邊緣連接：邊緣連接：從無序邊緣表形成有序邊緣表的過程邊緣跟蹤：邊緣跟蹤：一個用來確定輪廊的圖像搜索過程邊緣檢測與圖像分割兩種常見的邊緣一階導(dǎo)數(shù)和二階導(dǎo)數(shù)示意圖兩種常見的邊緣一階導(dǎo)數(shù)和二階導(dǎo)數(shù)示意圖(a)階躍函數(shù)階躍函數(shù)(b)屋頂函數(shù)屋頂函數(shù)梯度與圖像分割 一階微分：用

8、梯度算子來計算 當物體與背景有明顯對比度時，物體的邊界處于圖像梯度最高的點上，通過跟蹤圖像中具有最高梯度的點的方式獲得物體的邊界，可以實現(xiàn)圖像分割。 這種方法容易受到噪聲的影響而偏離物體邊界，通常需要在跟蹤前對梯度圖像進行平滑等處理，再采用邊界搜索跟蹤算法來實現(xiàn)。 二階微分：用拉普拉斯算子來計算邊緣檢測與圖像分割幾種常用的邊緣檢測算子： 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Kirsch算子 Laplacian算子 Marr算子邊緣檢測與圖像分割邊界提取與輪廓跟蹤 為了獲得圖像的邊緣人們提出了多種邊緣檢測方法，如Sobel, Canny edge, LoG。在邊緣圖

9、像的基礎(chǔ)上，需要通過平滑、形態(tài)學(xué)等處理去除噪聲點、毛刺、空洞等不需要的部分，再通過細化、邊緣連接和跟蹤等方法獲得物體的輪廓邊界。 將檢測的邊緣點連接成線就是邊緣跟蹤。線是圖像分析中一個基本而重要的內(nèi)容，它是圖像的一種中層符號描述，它使圖像的表述更簡潔，并可用來完成一定圖像的識別任務(wù)。將邊緣點連成線的方法很多，但都不完善，基本上是按一定的規(guī)則來進行，且需要知識的引導(dǎo)，對跟蹤的效果往往要人工編輯。 由邊緣形成線特征包括兩個過程：提取可構(gòu)成線特征的邊緣；將邊緣連成線。連接邊緣的方法很多，主要有光柵掃描跟蹤和全向跟蹤法 邊界提取與輪廓跟蹤Hough變換 對于圖像中某些符合參數(shù)模型的主導(dǎo)特征，如直線、圓

10、、橢圓等，可以通過對其參數(shù)進行聚類的方法，抽取相應(yīng)的特征。Hough變換 Hough的定義：如圖 (a)，在直角坐標系中有一條直線l，原點到該直線的垂直距離為，垂線與x軸的夾角為，則這條直線是唯一的，且其直線方程為： =xcos+ysin而這條直線用極坐標表示則為一點（、）?？梢?，直角坐標系中的一條直線對應(yīng)極坐標系中的一點，這種線到點的變換就是Hough變換變換。 Hough變換在直角坐標系中過任一點（x0,y0）的直線系，如圖(b)，滿足=x0cos+y0sin =(x02+y02)1/2sin(+) 其中=tg-1(y0/x0)Hough變換而這些直線在極坐標系中所對應(yīng)的點（、）構(gòu)成圖(c

11、)中的一條正弦曲線。反之，在極坐標系中位于這條正弦曲線上的點，對應(yīng)直角坐標系中過點(x0,y0)的一條直線，如圖 (d)所示。 Hough變換設(shè)平面上有若干點，過每點的直線系分別對應(yīng)于極坐標上的一條正弦曲線。若這些正弦曲線有共同的交點（，），如圖(e),則這些點共線，且對應(yīng)的直線方程為 =xcos+ysin 這就是Hough變換檢測直線的原理。 Hough變換原圖Hough變換進行邊緣檢測Hough變換圖像灰度閾值分割技術(shù)都沒有考慮到圖像像素空間的連通性。區(qū)域增長是把圖像分割成特征相同的若干小區(qū)域，比較相鄰小區(qū)域特征的相似性，若它們足夠相似，則作為同一區(qū)域合并，以此方式將特征相似的小區(qū)域不斷合

12、并，直到不能合并為止，最后形成特征不同的各區(qū)域。這種分割方式也稱區(qū)域擴張法。區(qū)域內(nèi)像素的相似性度量可以包括平均灰度值、紋理、顏色等信息。區(qū)域增長進行區(qū)域增長首先要解決三個問題：確定區(qū)域的數(shù)目；選擇有意義的特征；確定相似性準則。 簡單區(qū)域擴張法以圖像的某個像素為生長點，比較相鄰像素的特征，將特征相似的相鄰像素合并為同一區(qū)域；以合并的像素為生長點，繼續(xù)重復(fù)以上的操作，最終形成具有相似特征的像素的最大連通集合。這種方法稱簡單（單一型）區(qū)域擴張法。下面給出以像素灰度為特征進行簡單區(qū)域增長的步驟。1）對圖像進行光柵掃描，求出不屬于任何區(qū)域的像素。當尋找不到這樣的像素時結(jié)束操作。2）把這個像素灰度同其周圍（4-鄰域或8-鄰域）不屬于其他區(qū)域的像素進行比較，若灰度差值小于閾值，則合并到同一區(qū)域。并對合