第七章圖像分割技術(shù)

1、1數(shù)字圖像處理張?chǎng)螐場(chǎng)蔚?頁第3頁第4頁n圖像分割是把圖像分解成構(gòu)成的部件和對(duì)象的過程圖像分割是把圖像分解成構(gòu)成的部件和對(duì)象的過程n把焦點(diǎn)放在增強(qiáng)感興趣對(duì)象把焦點(diǎn)放在增強(qiáng)感興趣對(duì)象 汽車牌照汽車牌照n排除不相干圖像成分：排除不相干圖像成分：非矩形區(qū)域非矩形區(qū)域第5頁櫻桃、蘋果、檸檬、葡萄第6頁第7頁主要內(nèi)容：主要內(nèi)容：n分割定義和方法分類分割定義和方法分類n邊緣檢測(cè)邊緣檢測(cè)n輪廓跟蹤輪廓跟蹤n哈夫變換哈夫變換n閾值分割閾值分割n區(qū)域生長區(qū)域生長第8頁n地位地位圖圖像像第9頁n圖像分割定義圖像分割定義 按照一定的規(guī)則將一幅圖像分成各具特性的區(qū)域，并提取按照一定的規(guī)則將一幅圖像分成各具特性的區(qū)域，

2、并提取出感興趣目標(biāo)的技術(shù)和過程出感興趣目標(biāo)的技術(shù)和過程 其它名稱：其它名稱： 目標(biāo)輪廓技術(shù)（目標(biāo)輪廓技術(shù)（object delineation ） 目標(biāo)檢測(cè)（目標(biāo)檢測(cè)（target detection） 閾值化技術(shù)（閾值化技術(shù)（thresholding） 圖像處理到圖像分析的關(guān)鍵步驟圖像處理到圖像分析的關(guān)鍵步驟7.1 分割定義和方法分類分割定義和方法分類第11頁n形式化定義形式化定義 令集合令集合R代表整個(gè)圖像區(qū)域，對(duì)代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將的分割可看作將R分成分成若干個(gè)滿足以下條件的非空子集（子區(qū)域）若干個(gè)滿足以下條件的非空子集（子區(qū)域） R1， R2， R3， Rn:是連通的區(qū)

3、域?qū)τ袑?duì)有對(duì)有和對(duì)所有的ijiijiniiRniRRPjiRPniRRjijiRR,.,2 , 1)5(false)(,)4(true)(,.,2 , 1)3(,)2() 1 (1第12頁n分類分類連續(xù)性與處理策略連續(xù)性與處理策略n連續(xù)性：連續(xù)性：n不連續(xù)性：邊界不連續(xù)性：邊界n相似性：區(qū)域相似性：區(qū)域n處理策略：處理策略：早期處理結(jié)果是否影響后面的處理早期處理結(jié)果是否影響后面的處理n并行：不并行：不n串行：結(jié)果被其后的處理利用串行：結(jié)果被其后的處理利用n四種方法四種方法n并行邊界；串行邊界；串行區(qū)域；并行區(qū)域并行邊界；串行邊界；串行區(qū)域；并行區(qū)域第13頁n問題問題不同種類的圖像、不同的應(yīng)用要

4、求所要求提取的區(qū)域是不相不同種類的圖像、不同的應(yīng)用要求所要求提取的區(qū)域是不相同的。分割方法也不同，同的。分割方法也不同，目前沒有普遍適用的最優(yōu)方法目前沒有普遍適用的最優(yōu)方法。人的視覺系統(tǒng)對(duì)圖像分割是相當(dāng)有效的，但十分復(fù)雜，且分人的視覺系統(tǒng)對(duì)圖像分割是相當(dāng)有效的，但十分復(fù)雜，且分割方法原理和模型都未搞清楚。這是一個(gè)很值得研究的問題割方法原理和模型都未搞清楚。這是一個(gè)很值得研究的問題。n研究層次研究層次圖像分割算法圖像分割算法圖像分割算法的評(píng)價(jià)和比較圖像分割算法的評(píng)價(jià)和比較對(duì)分割算法的評(píng)價(jià)方法和評(píng)價(jià)準(zhǔn)則的系統(tǒng)研究對(duì)分割算法的評(píng)價(jià)方法和評(píng)價(jià)準(zhǔn)則的系統(tǒng)研究第14頁7.2 邊緣檢測(cè)邊緣檢測(cè)第15頁n1、

5、概述、概述物體的物體的邊緣邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，從本質(zhì)上說，邊緣意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)，從本質(zhì)上說，邊緣意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始。域的開始。圖像邊緣信息在圖像分析和人的視覺中都是十分重要的圖像邊緣信息在圖像分析和人的視覺中都是十分重要的，是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。，是圖像識(shí)別中提取圖像特征的一個(gè)重要屬性。7.2 邊緣檢測(cè)邊緣檢測(cè)w 邊緣檢測(cè)原理邊緣檢測(cè)原理 邊緣是灰度值不連續(xù)的結(jié)果利用求導(dǎo)數(shù)檢測(cè)不連續(xù)一般常用一階和二階導(dǎo)數(shù)3種邊緣剖面： 階梯狀； 脈沖狀； 屋頂狀 邊緣檢測(cè) （1）基礎(chǔ)）基礎(chǔ) A、兩

6、種邊緣模型、兩種邊緣模型 B、一階導(dǎo)數(shù)和二階導(dǎo)數(shù)、一階導(dǎo)數(shù)和二階導(dǎo)數(shù) 特點(diǎn)1、一階導(dǎo)數(shù)：在斜坡上，導(dǎo)數(shù)值、一階導(dǎo)數(shù)：在斜坡上，導(dǎo)數(shù)值 為正，在平坦區(qū)為零。為正，在平坦區(qū)為零。2、二階導(dǎo)數(shù)：在躍變點(diǎn)，一正一、二階導(dǎo)數(shù)：在躍變點(diǎn)，一正一 負(fù)，其他部分為零。（過零點(diǎn)）負(fù)，其他部分為零。（過零點(diǎn)）第19頁 階梯狀（ 階躍型）階躍型） 脈沖狀（凸緣型脈沖狀（凸緣型 ）房頂型）房頂型n邊緣導(dǎo)數(shù)邊緣導(dǎo)數(shù)在數(shù)字圖像中應(yīng)用在數(shù)字圖像中應(yīng)用差分差分代替導(dǎo)數(shù)運(yùn)算。代替導(dǎo)數(shù)運(yùn)算。第20頁n導(dǎo)數(shù)導(dǎo)數(shù) 二維連續(xù)函數(shù)二維連續(xù)函數(shù)f(x, y) 偏導(dǎo)數(shù)偏導(dǎo)數(shù) 圖像：二維離散函數(shù)圖像：二維離散函數(shù)f(x, y) 導(dǎo)數(shù)轉(zhuǎn)換為微分

7、導(dǎo)數(shù)轉(zhuǎn)換為微分yyxffxyxffyx/ ),(/ ),() 1,(),(),(), 1(),(),(yxfyxfyxfyxfyxfyxfyx第21頁n例例254254254254011253253255255000254254253254111255255255255100), 1(),(),(yxfyxffyxGx00025410020255000112530000025410注意：原圖像第注意：原圖像第1 1列像素?zé)o微分列像素?zé)o微分),(yxG),(yxf第22頁n微分方法微分方法縱向微分運(yùn)算縱向微分運(yùn)算 相減的結(jié)果反映了原圖像灰度變化率的大小相減的結(jié)果反映了原圖像灰度變化率的大小 x

8、f( x, y) = f( x, y) - f (x-1, y) 原圖像中像素灰度值不變的區(qū)域，相減的結(jié)果為原圖像中像素灰度值不變的區(qū)域，相減的結(jié)果為0 原圖像中像素灰度值變化劇烈的區(qū)域，相減的結(jié)果值較大原圖像中像素灰度值變化劇烈的區(qū)域，相減的結(jié)果值較大 如果用相減的值的絕對(duì)值作為灰度值，則變化小的像素為黑，反之為如果用相減的值的絕對(duì)值作為灰度值，則變化小的像素為黑，反之為白。白。 圖像垂直邊緣得到增強(qiáng)圖像垂直邊緣得到增強(qiáng) 模板（卷積核）模板（卷積核）000011000第23頁n微分方法微分方法n橫向微分運(yùn)算橫向微分運(yùn)算 相減的結(jié)果反映了原圖像亮度變化率的大小相減的結(jié)果反映了原圖像亮度變化率的

9、大小 y f( x, y) = f( x, y) - f (x, y-1) 圖像水平邊緣得到增強(qiáng)圖像水平邊緣得到增強(qiáng) 模板（卷積核）模板（卷積核）000010010第24頁n微分方法微分方法(3)雙向一次微分運(yùn)算雙向一次微分運(yùn)算 22), 1(),() 1,(),(),(yxfyxfyxfyxfyxg模板（卷積核）模板（卷積核）000011000000010010第25頁n例例 (a)原圖原圖 (b) (c) (d) |,|yxfx |,|yxfy |,|,|yxfyxfyx 第26頁n實(shí)例實(shí)例f(x,y)縱向縱向雙向雙向橫向橫向第27頁n2、梯度算子、梯度算子梯度是圖像處理中最為常用的一階微

10、分方法。梯度是圖像處理中最為常用的一階微分方法。圖像函數(shù)圖像函數(shù) 在點(diǎn)在點(diǎn) 的梯度幅值為的梯度幅值為其方向?yàn)槠浞较驗(yàn)?2 yfxf yxf, yx,xfyfarctg ( , )xyfGxf x yfGy對(duì)對(duì)Gx和和Gy各用各用1個(gè)個(gè)模板，需要模板，需要2個(gè)模板個(gè)模板組合起來構(gòu)成一個(gè)梯組合起來構(gòu)成一個(gè)梯度算子。度算子。第28頁n梯度梯度 f( x, y)的梯度定義為的梯度定義為 離散圖像離散圖像P7322),(),(),(yyxfxyxfyxfG221,(),(), 1(),(),(yxfyxfyxfyxfyxfG) 1,(),(), 1(),(),(yxfyxfyxfyxfyxfG或或) 1

11、,(),(, ), 1(),(max),(yxfyxfyxfyxfyxfG或或第29頁第30頁n銳化方法銳化方法（1）直接利用像素梯度值作為處理后的灰度值）直接利用像素梯度值作為處理后的灰度值 均勻區(qū)域灰度值減小，和微分效果相似均勻區(qū)域灰度值減小，和微分效果相似（2）輔以閾值）輔以閾值其它TyxfGyxfyxfGyxG),(),(100),(),(第31頁n銳化方法銳化方法（3）賦邊緣點(diǎn)特定的灰度級(jí)）賦邊緣點(diǎn)特定的灰度級(jí) 將邊緣的灰度值統(tǒng)一化，可以使邊緣更加清晰明顯。將邊緣的灰度值統(tǒng)一化，可以使邊緣更加清晰明顯。該方法基本上不破壞圖像的背景，又可以根據(jù)需要增強(qiáng)該方法基本上不破壞圖像的背景，又可

12、以根據(jù)需要增強(qiáng)邊緣。邊緣。其它TyxfGyxfLyxGa),(),(),(第32頁n銳化方法銳化方法（4）由梯度二值化圖像）由梯度二值化圖像其它TyxfGLLyxGba),(),(可以令可以令La=0，Lb=255第33頁常用梯度算子常用梯度算子 Roberts Prewitt Sobel 高斯拉普拉斯算子高斯拉普拉斯算子第34頁（1）Roberts算子算子 方法：計(jì)算對(duì)角方向相鄰的兩個(gè)像素灰度之差。方法：計(jì)算對(duì)角方向相鄰的兩個(gè)像素灰度之差。 特點(diǎn)：邊緣定位準(zhǔn)，但對(duì)噪聲敏感。特點(diǎn)：邊緣定位準(zhǔn)，但對(duì)噪聲敏感。) 1,(), 1() 1, 1(),(),(yxfyxfyxfyxfyxG100101

13、10第35頁111000-1-1-1-101-101-101第36頁3）Sobel梯度算子梯度算子 -1 1 -2 2 -1 1 1 2 1 -1 -2 1第37頁用用Sobel梯度算子作用于圖像中所得的結(jié)果（設(shè)范數(shù)為梯度算子作用于圖像中所得的結(jié)果（設(shè)范數(shù)為1）p213111231213第38頁l 3、拉普拉斯（、拉普拉斯（ Laplacian ）算子）算子二階微分算子二階微分算子表示表示 22222,yyxfxyxfyxf 0 -1 0 -1 4 -1 0-1 0 -1 -1 -1 -1 8 -1 -1 -1 -1改進(jìn)改進(jìn)第39頁例：比較例：比較Roberts算子算子Sobel算子算子高斯高

14、斯- -拉普拉普拉斯算子拉斯算子第40頁原 始 圖 像濾 波 后 圖 像原 始 圖 像濾 波 后 圖 像原 始 圖 像濾 波 后 圖 像原 始 圖 像濾 波 后 圖 像第41頁nP190 圖圖7.2.3n 圖圖7.2.4第42頁nMatLab函數(shù)函數(shù) J=edge(I, type)Type取取roberts、sobel、log等等 例子：例子： I=imread(rice.tif); J1=edge(I,roberts); J2=edge(I,sobel); J3=edge(I,log); subplot(2,2,1),imshow(I); subplot(2,2,2),imshow(J1);

15、 subplot(2,2,3),imshow(J2); subplot(2,2,4),imshow(J3);第43頁 canny法法*比較新的邊緣檢測(cè)算子，具有良好的邊緣檢測(cè)性比較新的邊緣檢測(cè)算子，具有良好的邊緣檢測(cè)性能能如如 I=imread(rice.tif); J4=edge(I, canny); imshow(J4);第44頁n問題：問題：在較大噪聲的場(chǎng)合，由于微分運(yùn)算會(huì)起到放大噪聲的作在較大噪聲的場(chǎng)合，由于微分運(yùn)算會(huì)起到放大噪聲的作用，因此，用，因此，梯度算子和拉普拉斯算子對(duì)噪聲比較敏感梯度算子和拉普拉斯算子對(duì)噪聲比較敏感。n二種改進(jìn)的方法二種改進(jìn)的方法（1 1）對(duì)圖像先進(jìn)行適當(dāng)?shù)钠?/p>

16、滑、以抑制噪聲，然后再進(jìn)行求微對(duì)圖像先進(jìn)行適當(dāng)?shù)钠交?、以抑制噪聲，然后再進(jìn)行求微分分（2 2）先對(duì)圖像進(jìn)行局部線性擬合，然后再用擬合所得的光滑函）先對(duì)圖像進(jìn)行局部線性擬合，然后再用擬合所得的光滑函數(shù)的導(dǎo)數(shù)來替代直接的數(shù)值導(dǎo)數(shù)，如曲面擬合方法數(shù)的導(dǎo)數(shù)來替代直接的數(shù)值導(dǎo)數(shù)，如曲面擬合方法 C、噪聲對(duì)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的影響、噪聲對(duì)一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的影響噪聲對(duì)一階和二階導(dǎo)數(shù)噪聲對(duì)一階和二階導(dǎo)數(shù)都有影響，尤其對(duì)二階都有影響，尤其對(duì)二階導(dǎo)數(shù)影響較大，因此，導(dǎo)數(shù)影響較大，因此，在檢測(cè)邊緣前應(yīng)該考慮在檢測(cè)邊緣前應(yīng)該考慮平滑處理。平滑處理。第46頁算子比較算子比較 演示效果演示效果n例題講解例題講解n設(shè)一幅

17、設(shè)一幅7x7大小的二值圖像大小的二值圖像中心處有一個(gè)值為中心處有一個(gè)值為0的的3x3大大小的正方形區(qū)域，其余區(qū)域小的正方形區(qū)域，其余區(qū)域的值為的值為1。n1）使用）使用Sobel算子計(jì)算這幅算子計(jì)算這幅圖的梯度。圖的梯度。n2）使用）使用Laplacian算子計(jì)算算子計(jì)算梯度。梯度。1111111111111111000111100011110001111111111111111第48頁012045001145020454005466006656546545-1-3-1000131-101-303-1017.3 輪廓跟蹤輪廓跟蹤輪廓跟蹤：邊界跟蹤(boundary tracking) 由于噪聲

18、的原因，由于噪聲的原因，邊緣算子得到的邊緣往往是孤立的或分段不連續(xù)的。且有些是真正的邊界像素，有些是噪聲點(diǎn) ； 因此，邊檢測(cè)算法后面總要跟隨著連接過程和其它因此，邊檢測(cè)算法后面總要跟隨著連接過程和其它邊界檢測(cè)過程，用來歸整邊邊界檢測(cè)過程，用來歸整邊緣像素，使之成為有意義像素，使之成為有意義的邊；的邊； 目的是將邊緣象素連接起來組成區(qū)域的封閉邊界，目的是將邊緣象素連接起來組成區(qū)域的封閉邊界，使圖像中不同區(qū)域分開，以便下一步分析。使圖像中不同區(qū)域分開，以便下一步分析。輪廓跟蹤的目的：輪廓跟蹤也稱邊緣點(diǎn)連接，是指從梯度圖中一個(gè)邊界點(diǎn)出發(fā)，依次通過對(duì)前一個(gè)邊界點(diǎn)的考察而逐步確定出下一個(gè)新的邊界點(diǎn)，并將

19、它們連接而逐步檢測(cè)出邊界的方法。 輪廓跟蹤是基于梯度的圖像分割方法的基礎(chǔ)。 圖像的輪廓（邊界）跟蹤與邊緣檢測(cè)是密切相關(guān)的，因?yàn)檩喞檶?shí)質(zhì)上就是沿著圖像的外部邊緣“走”一圈。 輪廓跟蹤基本概念： 如何確定邊緣像素的相似性？如何確定邊緣像素的相似性？ 邊緣像素梯度算子的響應(yīng)強(qiáng)度（梯度值邊緣像素梯度算子的響應(yīng)強(qiáng)度（梯度值） 邊緣像素梯度算子的方向邊緣像素梯度算子的方向輪廓跟蹤的依據(jù)：邊界象素梯度的相似性 確定邊緣點(diǎn)的依據(jù) 輪廓跟蹤過程大致可分以下三步：輪廓跟蹤過程大致可分以下三步：(1) 確定輪廓跟蹤的起始邊界點(diǎn)。根據(jù)算法的不同，確定輪廓跟蹤的起始邊界點(diǎn)。根據(jù)算法的不同，選擇一個(gè)或多個(gè)邊緣點(diǎn)作為搜

20、索的起始邊緣點(diǎn)；選擇一個(gè)或多個(gè)邊緣點(diǎn)作為搜索的起始邊緣點(diǎn)；(2) 確定一種合適的搜索策略，在已發(fā)現(xiàn)的邊界點(diǎn)基確定一種合適的搜索策略，在已發(fā)現(xiàn)的邊界點(diǎn)基礎(chǔ)上確定新的邊界點(diǎn)；礎(chǔ)上確定新的邊界點(diǎn)；(3) 制定出終止搜尋的準(zhǔn)則制定出終止搜尋的準(zhǔn)則(一般是將形成閉合邊界一般是將形成閉合邊界作為終止條件作為終止條件)，在滿足終止條件時(shí)結(jié)束搜尋。，在滿足終止條件時(shí)結(jié)束搜尋。輪廓跟蹤過程： 輪廓跟蹤方法一1:2:;3:84:5:46:StepStepPStepPCStepCPCStepCCStepStep給定一幅只有一個(gè)目標(biāo)的圖象，先計(jì)算其梯度圖；從梯度圖中選取梯度最大的點(diǎn)作為邊界跟蹤的第一個(gè)起點(diǎn)在 的鄰域中

21、選梯度最大的點(diǎn)作為第二個(gè)邊界點(diǎn) ；以 為中心，根據(jù) 的位置，在陰影中選下一個(gè)邊界點(diǎn)；以為中心，根據(jù) 的位置，重復(fù)；直至滿足終止條件。P PC CP PC CC CC CC CC CC CC CP PP PP PP PP PP P第一步，根據(jù)光柵掃描，發(fā)現(xiàn)灰度為1的像素p0。 第二步，反時(shí)針方向研究像素p0的8-鄰接像素,由此發(fā)現(xiàn)像素p1。 反復(fù)以上操作，以p0, p1, pn的順序跟蹤8-鄰接的邊界像素。一直到pk= p0時(shí)終止搜索。00000010000000000000100101010110001000011010000000000000000101011000001001000001

22、p0p1p2p3p4p5p6p7p8p9p10p11p12p13p14p15p16p17輪廓跟蹤算法二第55頁7.4 哈夫變換哈夫變換第56頁Hough 變換變換 Hough變換問題的提出問題的提出 在找出邊界點(diǎn)集之后，需要連接，形成完整的在找出邊界點(diǎn)集之后，需要連接，形成完整的邊界圖形描述。邊界圖形描述。第58頁 在在xy平面內(nèi)的一條直線可以表示為：平面內(nèi)的一條直線可以表示為： 將將p、q作為變量，作為變量，pq平面內(nèi)直線可以表示為：平面內(nèi)直線可以表示為： 如果點(diǎn)如果點(diǎn)(x1,y1)與點(diǎn)與點(diǎn)(x2,y2)共線，那么這兩點(diǎn)在參數(shù)共線，那么這兩點(diǎn)在參數(shù)pq平面上的直線將有一個(gè)交點(diǎn)平面上的直線將有

23、一個(gè)交點(diǎn) 在參數(shù)在參數(shù)pq平面上相交直線最多的點(diǎn)，對(duì)應(yīng)的平面上相交直線最多的點(diǎn)，對(duì)應(yīng)的xy平面平面上的直線就是我們的解上的直線就是我們的解 這種從線到點(diǎn)的變換就是這種從線到點(diǎn)的變換就是Hough變換變換pqppqqqpxyypxqy yx x(x1,y1)(x2,y2)第59頁nHough變換的基本思想變換的基本思想pq qA A圖像空間中共線的點(diǎn)對(duì)應(yīng)在參數(shù)空間里相交的線。在參數(shù)空間中相交于同一個(gè)圖像空間中共線的點(diǎn)對(duì)應(yīng)在參數(shù)空間里相交的線。在參數(shù)空間中相交于同一個(gè)點(diǎn)的所有直線在圖像空間里都有共線的點(diǎn)與之對(duì)應(yīng)。（點(diǎn)線對(duì)偶性）點(diǎn)的所有直線在圖像空間里都有共線的點(diǎn)與之對(duì)應(yīng)。（點(diǎn)線對(duì)偶性）哈夫變換根據(jù)

24、這些關(guān)系把在圖像空間中的檢測(cè)問題轉(zhuǎn)換到參數(shù)空間里，哈夫變換根據(jù)這些關(guān)系把在圖像空間中的檢測(cè)問題轉(zhuǎn)換到參數(shù)空間里，通過在參數(shù)空間里進(jìn)行簡單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)。通過在參數(shù)空間里進(jìn)行簡單的累加統(tǒng)計(jì)完成檢測(cè)任務(wù)。7.4 哈夫變換w 點(diǎn)-線對(duì)偶性第61頁原圖Hough變換進(jìn)行邊緣檢測(cè)7.4 哈夫變換w 計(jì)算步驟(1)對(duì)參數(shù)空間中參數(shù)對(duì)參數(shù)空間中參數(shù)p和和q的可能取值范圍的可能取值范圍進(jìn)行量化，根據(jù)量化結(jié)果構(gòu)造一個(gè)累加數(shù)組進(jìn)行量化，根據(jù)量化結(jié)果構(gòu)造一個(gè)累加數(shù)組A(pmin: pmax , qmin: qmax)，并初始化為零，并初始化為零(2)對(duì)每個(gè)對(duì)每個(gè)XY空間中的給定點(diǎn)讓空間中的給定點(diǎn)讓p取遍所有

25、可取遍所有可能值，計(jì)算出能值，計(jì)算出q，根據(jù)，根據(jù)p和和q的值累加的值累加A：A(p, q) = A(p, q) + 1(3)根據(jù)累加后根據(jù)累加后A中最大值所對(duì)應(yīng)的中最大值所對(duì)應(yīng)的p和和q，定，定出出XY中的一條直線，中的一條直線，A中的最大值代表了在此直線上中的最大值代表了在此直線上給定點(diǎn)的數(shù)目，滿足直線方程的點(diǎn)就是共線的給定點(diǎn)的數(shù)目，滿足直線方程的點(diǎn)就是共線的 7.4 哈夫變換w 檢測(cè)圓周（3）實(shí)例）實(shí)例第66頁7.5 閾值分割閾值分割 第67頁1 , , 0 , f x yTg x yf x yT如果如果第68頁 利用圖像中要提取的目標(biāo)物與其背景在利用圖像中要提取的目標(biāo)物與其背景在灰度特

26、性上的差灰度特性上的差異異，把圖像視為具有不同灰度級(jí)的兩類區(qū)域，把圖像視為具有不同灰度級(jí)的兩類區(qū)域( (目標(biāo)和背景目標(biāo)和背景) )的的組合，選取一個(gè)合適的閾值以確定圖像中每一個(gè)像素點(diǎn)應(yīng)組合，選取一個(gè)合適的閾值以確定圖像中每一個(gè)像素點(diǎn)應(yīng)該屬于目標(biāo)還是背景區(qū)域從而產(chǎn)生相應(yīng)的二值圖像。該屬于目標(biāo)還是背景區(qū)域從而產(chǎn)生相應(yīng)的二值圖像。 要從復(fù)雜的景物中分辨出目標(biāo)，并將其形狀完整地提取要從復(fù)雜的景物中分辨出目標(biāo)，并將其形狀完整地提取出來，出來，閾值的選取是閾值分割技術(shù)的關(guān)鍵閾值的選取是閾值分割技術(shù)的關(guān)鍵。如果閾值選取過。如果閾值選取過高，則過多的目標(biāo)點(diǎn)被誤認(rèn)為背景；閾值選得過低，則會(huì)出高，則過多的目標(biāo)點(diǎn)被

27、誤認(rèn)為背景；閾值選得過低，則會(huì)出現(xiàn)相反的情況。至今還未能找到一種對(duì)所有圖像都能有效分現(xiàn)相反的情況。至今還未能找到一種對(duì)所有圖像都能有效分割的閾值選取方法。割的閾值選取方法。第69頁 60年代中期，年代中期，Prewitt提出了直方提出了直方圖雙峰法，即如果圖雙峰法，即如果灰度級(jí)直方圖呈灰度級(jí)直方圖呈明顯的雙峰狀，則選取兩峰之間的明顯的雙峰狀，則選取兩峰之間的谷底所對(duì)應(yīng)的灰度級(jí)作為閾值。谷底所對(duì)應(yīng)的灰度級(jí)作為閾值。 hzTz ( )0P198 例例7.5.1第70頁例例第71頁n設(shè)想電腦玩家手中的撲克牌，我們需要對(duì)其進(jìn)行視覺上的分析設(shè)想電腦玩家手中的撲克牌，我們需要對(duì)其進(jìn)行視覺上的分析原始圖像閾

28、值圖像第72頁n如果你設(shè)置了錯(cuò)誤的閾值，結(jié)果是很糟糕的如果你設(shè)置了錯(cuò)誤的閾值，結(jié)果是很糟糕的太小的閾值太大的閾值第73頁第74頁取雙峰之間的最低峪取雙峰之間的最低峪第75頁第76頁n不均勻的光照會(huì)使單值閾值方案失效不均勻的光照會(huì)使單值閾值方案失效第77頁n閾值的選取閾值的選取1、極小值點(diǎn)閾值、極小值點(diǎn)閾值2、最優(yōu)閾值、最優(yōu)閾值3、迭代閾值、迭代閾值第78頁1、極小值點(diǎn)閾值、極小值點(diǎn)閾值( )( ) 22h zh z00zz和h（z）代表直方圖）代表直方圖第79頁n2、最優(yōu)閾值、最優(yōu)閾值最優(yōu)閾值最優(yōu)閾值:是指使圖像中目標(biāo)物和背景分割錯(cuò)誤最小的閾值。是指使圖像中目標(biāo)物和背景分割錯(cuò)誤最小的閾值。第8

29、0頁n假設(shè)圖像中只有背景和目標(biāo)兩種模式，先驗(yàn)概率分假設(shè)圖像中只有背景和目標(biāo)兩種模式，先驗(yàn)概率分別是別是p1(z)和和p2(z),均值為均值為u1和和u2。n設(shè)背景的像素點(diǎn)數(shù)占圖像總像素的百分比為設(shè)背景的像素點(diǎn)數(shù)占圖像總像素的百分比為P1,目標(biāo)目標(biāo)像素點(diǎn)占像素點(diǎn)占P2=1-P1,n混合概率密度為：混合概率密度為：nP(z)=P1p1+P2p2第81頁n當(dāng)選定閾值當(dāng)選定閾值T時(shí)，目標(biāo)像素點(diǎn)錯(cuò)劃為背景像素點(diǎn)的概率為：時(shí)，目標(biāo)像素點(diǎn)錯(cuò)劃為背景像素點(diǎn)的概率為：TdzzpTE)()(21n把背景像素點(diǎn)錯(cuò)劃為目標(biāo)像素點(diǎn)的概率為：把背景像素點(diǎn)錯(cuò)劃為目標(biāo)像素點(diǎn)的概率為：TdzzpTE)()(12n總錯(cuò)誤概率為：

30、總錯(cuò)誤概率為：)()()(2112TEPTEPTEn最優(yōu)閾值就是使總錯(cuò)誤概率最小的閾值。最優(yōu)閾值就是使總錯(cuò)誤概率最小的閾值。第82頁n求導(dǎo)，并令其等于零，得解求導(dǎo)，并令其等于零，得解)()()(2112TEPTEPTE)()(2211TpPTpP222221212)(222)(1121,e21zzepp）（最優(yōu)閾值1221221PPln2optimalT第83頁n3、迭代閾值、迭代閾值n首先選取圖像灰度范圍中的中值作為初始閾值首先選取圖像灰度范圍中的中值作為初始閾值T0（設(shè)共有（設(shè)共有L個(gè)灰度），然后按下式進(jìn)行迭代：個(gè)灰度），然后按下式進(jìn)行迭代：111100121LTkkLTkkTkkTkki

31、iiiihkhhkhThk是灰度值為是灰度值為k的像素個(gè)數(shù)，迭代一直進(jìn)行到的像素個(gè)數(shù)，迭代一直進(jìn)行到Ti+1=Ti結(jié)束。結(jié)束。第85頁n基于灰度值的閾值分割方法具有計(jì)算簡單、實(shí)現(xiàn)容基于灰度值的閾值分割方法具有計(jì)算簡單、實(shí)現(xiàn)容易的特點(diǎn)，對(duì)目標(biāo)和背景對(duì)比度反差較大的圖像進(jìn)易的特點(diǎn)，對(duì)目標(biāo)和背景對(duì)比度反差較大的圖像進(jìn)行分割比較有效。行分割比較有效。n如果場(chǎng)景中不同部分具有不同的照明，那么即使圖如果場(chǎng)景中不同部分具有不同的照明，那么即使圖像中僅包含一個(gè)目標(biāo)，也無法用一個(gè)閾值來分割圖像中僅包含一個(gè)目標(biāo)，也無法用一個(gè)閾值來分割圖像。像。n閾值的確定主要依賴于灰度直方圖，而很少考慮圖閾值的確定主要依賴于灰度

32、直方圖，而很少考慮圖像中像素的空間位置關(guān)系，因此當(dāng)背景復(fù)雜，特別像中像素的空間位置關(guān)系，因此當(dāng)背景復(fù)雜，特別在同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)，容易喪在同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)，容易喪失部分邊界信息，造成分割的不完整。失部分邊界信息，造成分割的不完整。n在含有強(qiáng)噪聲干擾時(shí)，不能取得令人滿意的分割效在含有強(qiáng)噪聲干擾時(shí)，不能取得令人滿意的分割效果。果。第86頁第87頁第88頁知識(shí)回顧：知識(shí)回顧：n分割定義和方法分類分割定義和方法分類n邊緣檢測(cè)邊緣檢測(cè)n輪廓跟蹤輪廓跟蹤n哈夫變換哈夫變換n閾值分割閾值分割n區(qū)域生長區(qū)域生長第89頁7.9 區(qū)域生長區(qū)域生長 第90頁第91頁n基本思想基本思

33、想 將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域?qū)⒕哂邢嗨菩再|(zhì)的像素集合起來構(gòu)成區(qū)域 串行區(qū)域法串行區(qū)域法n步驟步驟 對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn)對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn) 將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素合并到種子像素所在的區(qū)域內(nèi)素合并到種子像素所在的區(qū)域內(nèi) 把新加入的像素作為新的種子繼續(xù)上面的過程，直到?jīng)]有把新加入的像素作為新的種子繼續(xù)上面的過程，直到?jīng)]有滿足條件的像素加入?yún)^(qū)域滿足條件的像素加入?yún)^(qū)域7.9 區(qū)域生長w 區(qū)域生長w 一種從單個(gè)像素出發(fā)，逐漸合并以形成所需分一種從單個(gè)像素出發(fā)，逐漸合并以形成所需分割區(qū)域的基于區(qū)域的串行分割技術(shù)割區(qū)域的基于區(qū)域的串行分割技術(shù)需解決三個(gè)問題：需解決三個(gè)問題： (1)選擇或確定一組能正確代表所需區(qū)域的種子像選擇或確定一組能正確代表所需區(qū)域的種子像素素(2)確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)確定在生長過程中能將相鄰像素包括進(jìn)來的準(zhǔn)則則(3)制定讓生長過程停止的條件或規(guī)則制定讓生長過程停止的條件或規(guī)則第93頁n例例7.9.1 判斷準(zhǔn)則像素與種子像素灰度差的絕對(duì)值小于閾值判斷準(zhǔn)則像素與種子像素灰度差的絕對(duì)值小于閾值T（a）給出像素值為給出像素值為1 1和和5 5的種子的種子（b）T=3，恰好分成兩個(gè)