第五章圖像分析

模式識(shí)別：圖像分割圖像模式識(shí)別：分析圖像中的內(nèi)容。輸入：圖像；輸出：圖像的描述統(tǒng)計(jì)模式識(shí)別的三個(gè)階段：圖像分割：檢測(cè)出各個(gè)物體，并使之相互分離特征抽?。簩?duì)物體進(jìn)行度量，產(chǎn)生特征向量分類估計(jì)：確定物體特征類型。模式識(shí)別示例特征向量：直徑和顏色模式識(shí)別系統(tǒng)設(shè)計(jì)物體檢測(cè)器設(shè)計(jì)：選擇能夠?qū)D像中各個(gè)物體分離開的景物分割算法。特征選擇：確定能夠最好地辨別物體類型的物體性質(zhì)以及如何度量這些性質(zhì)的方法。分類器設(shè)計(jì)：建立分類算法的數(shù)學(xué)基礎(chǔ)并選擇所使用的分類器的結(jié)構(gòu)類型。分類器訓(xùn)練：確定分類器中各種可調(diào)整的參數(shù)（決策界限等）使之適應(yīng)被分類的物體。性能評(píng)估：估計(jì)各種可能的錯(cuò)分類率的預(yù)期值。圖像分割處理

圖像分割：將數(shù)字圖像劃分成互不相交(不重疊)區(qū)域。區(qū)域是像素的連通集。連通：任意兩個(gè)像素之間存在一條完全由這個(gè)集合的元素構(gòu)成的連通路徑。連通路徑是一條可在相鄰像素間移動(dòng)的路徑。連通性準(zhǔn)則：4連通和8連通圖像分割與人類視覺(jué)沒(méi)有對(duì)照關(guān)系。圖像分割可以采用三種不同的原理來(lái)實(shí)現(xiàn)：區(qū)域方法：把各像素劃歸到各個(gè)物體或區(qū)域中。邊界方法：只需確定存在于區(qū)域間的邊界。邊緣方法：則先確邊像素并把它們連接在一起以構(gòu)成所需的邊界。圖像分割：閾值方法閾值方法是一種區(qū)域分割技術(shù)，通過(guò)將圖像分為內(nèi)部點(diǎn)集和外部點(diǎn)集來(lái)對(duì)圖像進(jìn)行分割。它適合于物體與背景有較強(qiáng)對(duì)比的景物。當(dāng)使用閾值規(guī)則進(jìn)行圖像分割時(shí)，所有灰度值大于或等于某閾值的像素都被判屬于物體。所有灰度值小于該閾值的像素被排除在物體之外。如果感興趣的物體在其內(nèi)部具有均勻一致的灰度值并分布在一個(gè)具有另一個(gè)灰度值的均勻背景上，使用閾值方法效果就很好。如果物體同背景的差別在于某些性質(zhì)而不是灰度值（如紋理等），那么，可以首先把那個(gè)性質(zhì)轉(zhuǎn)化為灰度，然后，利用灰度閾值化技術(shù)分割待處理的圖像。圖像分割：閾值方法閾值方法：全局閾值采用閾值確定邊界的最簡(jiǎn)單做法是在整個(gè)圖像中將灰度閾值的值設(shè)置為常數(shù)。如果背景的灰度值在整個(gè)圖像中可合理地看作為恒定，而且所有物體與背景都具有幾乎相同的對(duì)比度，那么，只要選擇了正確的閾值，使用一個(gè)固定的全局閾值一般會(huì)有較好的效果。閾值方法：自適應(yīng)閾值背景的灰度值近似于常數(shù)，全局閾值。背景的灰度值并不是常數(shù)，局部閾值。分割錯(cuò)誤：一個(gè)物體分為多個(gè)物體；多個(gè)物體分為一個(gè)物體。自適應(yīng)閾值選取為物體的內(nèi)部灰度值和局部背景灰度值的近似中間值。全局閾值與自適應(yīng)閾值自適應(yīng)閾值：粘連染色體的數(shù)目從7個(gè)減少到2個(gè)，斷裂染色體的數(shù)目從2個(gè)減少到0個(gè)。自適應(yīng)閾值比全局閾值精度高。閾值方法：最佳閾值除非圖像中的物體有陡峭的邊沿，否則灰度閾值的取值對(duì)所抽取物體的邊界的定位和整體的尺寸有很大的影響。這意味著后續(xù)的尺寸（特別是面積）的測(cè)量對(duì)于灰度閾值的選擇很敏感。由于這個(gè)原因，需要一個(gè)最佳的，或至少是具有一致性的方法確定閾值。

自適應(yīng)最佳閾值自適應(yīng)分割技術(shù)：將圖像劃分成100100的像素塊。在每塊中物體的邊界用各自固定的閾值確定，但各塊間閾值不相同。根據(jù)各個(gè)塊的灰度直方圖，閾值被確定為背景峰值與數(shù)據(jù)峰值的中點(diǎn)。直方圖是單峰的塊則不予考慮?；谔荻鹊膱D像分割方法邊界方法利用邊界具有高梯度值的性質(zhì)直接找出邊界。邊界方法：拉普拉斯邊緣檢測(cè)拉普拉斯算子對(duì)二維函數(shù)運(yùn)算二階導(dǎo)數(shù)標(biāo)量算子▽2f(x,y)=2f(x,y)/x2+2f(x,y)/y2數(shù)字化表示卷積核：0-10-1-1-1-14-1-18-10-10-1-1-1無(wú)噪聲圖像具有陡峭的邊緣，用拉普拉斯算子將它們找出來(lái)。對(duì)經(jīng)拉普拉斯算子濾波后的圖像用零灰度值進(jìn)行二值化會(huì)產(chǎn)生閉合的、連通的輪廓并消除了所有的內(nèi)部。有噪聲圖像，在運(yùn)用拉普拉斯算子之前需要先進(jìn)行低通濾波。邊界方法：梯度圖像二值化如果用適中的閾值對(duì)一幅梯度圖像進(jìn)行二值化，那么，將發(fā)現(xiàn)物體和背景內(nèi)部的低于閾值而大多數(shù)邊緣點(diǎn)高于閾值。這種技術(shù)首先用一個(gè)中偏低的灰度閾值對(duì)梯度圖像進(jìn)行二值化從而檢測(cè)出物體和背景，物體與背景被處于閾值之上的邊界點(diǎn)帶分開。隨著閾值逐漸提高，就引起物體和背景的同時(shí)增長(zhǎng)。當(dāng)它們接觸上而又不至于合并時(shí)，可用接觸點(diǎn)來(lái)定義邊界。邊界方法：邊界跟蹤一個(gè)物體且與背景具有反差的圖像。從一個(gè)梯度幅值圖像著手進(jìn)行處理。灰度級(jí)最高的點(diǎn)（即在原始圖像中梯度值最高的點(diǎn)）必然在邊界上，所以把這一點(diǎn)作為邊界跟蹤過(guò)程的起始點(diǎn)。如果有幾個(gè)點(diǎn)都具有最高灰度級(jí)，可以任一個(gè)。接著，搜索以邊界起始點(diǎn)為中心的33鄰域，找出具有最大灰度級(jí)的鄰域點(diǎn)作為第2個(gè)邊界點(diǎn)。如果有兩個(gè)鄰域點(diǎn)具有相同的最大灰度級(jí)，就任選一個(gè)。從這一點(diǎn)開始，在給定當(dāng)前和前一個(gè)邊界點(diǎn)的條件下尋找下一個(gè)邊界點(diǎn)。一直迭代下去。在一個(gè)無(wú)噪聲的單調(diào)點(diǎn)狀物圖像中，這個(gè)算法將描畫出最大梯度邊界；但是，即使少量的噪聲也可能使跟蹤暫時(shí)或永遠(yuǎn)偏離邊界。邊緣方法：邊緣檢測(cè)和連接

檢測(cè)每個(gè)像素和其直接鄰域的狀態(tài)，以決定該像素是否確實(shí)處于一個(gè)物體的邊界上。具有所需特性的像素被標(biāo)為邊緣點(diǎn)。當(dāng)圖像中各個(gè)像素的灰度級(jí)用來(lái)反映各像素符合邊緣像素要求的程度時(shí)，它也可以用僅表示了邊緣點(diǎn)的位置而沒(méi)有強(qiáng)弱程度的二值圖像來(lái)表示。一幅邊緣圖通常用邊緣點(diǎn)勾畫出各個(gè)物體的輪廓，但很少能形成圖像分割所需要的閉合且連通的邊界。邊緣點(diǎn)連接就是一個(gè)將鄰近的邊緣點(diǎn)連接起來(lái)從而產(chǎn)生一條閉合的連通邊界的過(guò)程。這個(gè)過(guò)程填補(bǔ)了因?yàn)樵肼暫完幱暗挠绊懰a(chǎn)生的間隙。Sobel邊緣算子圖

Sobel邊緣算子有兩個(gè)卷積核。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積。一個(gè)核對(duì)通常的垂直邊緣響應(yīng)最大而另一個(gè)對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。運(yùn)算結(jié)果是一幅邊緣幅度圖像。-1-2-1-101000-202121-101Prewitt邊緣算子

Prewitt邊緣算子有兩個(gè)卷積核。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核做卷積。一個(gè)核對(duì)通常的垂直邊緣響應(yīng)最大而另一個(gè)對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。運(yùn)算結(jié)果是一幅邊緣幅度圖像。-1-1-110-100010-111110-1Kirsch邊沿算子

Kirsch邊沿算子有8個(gè)卷積核。每個(gè)點(diǎn)都用8個(gè)掩模進(jìn)行卷積，每個(gè)掩模對(duì)某個(gè)特定邊緣方向作出最大響應(yīng)。所有8個(gè)方向中的最大值作為邊緣幅度圖像的輸出。最大響應(yīng)掩模的序號(hào)構(gòu)成了對(duì)邊緣方向的編碼。+5+5+5-3+5+5-3-3+5-3-3-3-30-3-30+5-30+5-30+5-3-3-3-3-3-3-3-3+5-3+5+5-3-3-3-3-3-3+5-3-3+5+5-3-30-3+50-3+50-3+50-3+5+5+5+5+5-3+5-3-3-3-3-3邊緣檢測(cè)器性能邊緣檢測(cè)器性能由上述邊緣算子產(chǎn)生的邊緣圖像看來(lái)很相似，其實(shí)差異很大。

Roberts算子是22算子，對(duì)具有陡峭的低噪聲圖像響應(yīng)最好。其它三個(gè)算子，都是33算子，對(duì)灰度漸變和噪聲較多的圖像處理得較好。使用兩個(gè)掩模板組成邊緣檢測(cè)器時(shí)，通常取較大得幅度作為輸出值。這使得它們對(duì)邊緣的走向有些敏感。取它們的平方和的開方可以獲得性能更一致的全方位響應(yīng)。這與真實(shí)的梯度值更接近。區(qū)域增長(zhǎng)首先把一幅圖像分成許多初始的小區(qū)域。這些初始的區(qū)域可能是小的鄰域甚至是單個(gè)像素。在每個(gè)區(qū)域中，定義一個(gè)適當(dāng)?shù)哪芊从澄矬w內(nèi)成員隸屬程度的度量規(guī)則，用于區(qū)分不同物體內(nèi)像素的性質(zhì)，包括平均灰度值，紋理，或顏色信息。賦給每個(gè)區(qū)域一組參數(shù)，對(duì)相鄰區(qū)域的所有邊界進(jìn)行考查。相鄰區(qū)域的平均度量之間的差異是計(jì)算邊界強(qiáng)度的一個(gè)尺度。如果給定邊界兩側(cè)的度量差異明顯，那么這個(gè)邊界很強(qiáng)，反之則弱。強(qiáng)邊界允許繼續(xù)存在，而弱邊界被消除，相鄰區(qū)域被合并。區(qū)域增長(zhǎng)相似性準(zhǔn)則：鄰近點(diǎn)的灰度級(jí)與物體的平均灰度值之差小于2。5586558648

9748

9722832283333333335586558648

9

748972283228333333333模式識(shí)別：物體測(cè)量1.尺寸特征：面積、長(zhǎng)、寬和周長(zhǎng)。2.形狀：由矩形擬合和圓度的度量以及不變矩。3.形狀編碼：鏈碼、邊界極坐標(biāo)函數(shù)、復(fù)坐標(biāo)邊界函數(shù)，和中軸變換。4.紋理：統(tǒng)計(jì)測(cè)量、由共生矩陣計(jì)算出特征值，以及頻譜和結(jié)構(gòu)分析的途徑加以定量測(cè)量。5.曲線擬合、表面擬合6.表面擬合估計(jì)物體的幅度、尺寸和形狀參數(shù)。尺寸測(cè)量選用像素?cái)?shù)量表示空間尺度，從灰度級(jí)計(jì)算光量度。面積和周長(zhǎng)。邊界在測(cè)量同一個(gè)多邊形的周長(zhǎng)和面積時(shí)，必須要解決的問(wèn)題是：邊界像素是全部還是部分地包含在物體中？換句話說(shuō)，物體的實(shí)際的邊界是穿過(guò)了邊界像素的中心還是圍繞了它們的外邊緣？周長(zhǎng)與面積最簡(jiǎn)單的計(jì)算面積方法是統(tǒng)計(jì)邊界內(nèi)部(也包括邊界上)的像素的數(shù)目。周長(zhǎng)就是圍繞所有這些像素的外邊界的長(zhǎng)度。校準(zhǔn)多邊形周長(zhǎng)：測(cè)量物體周長(zhǎng)的方法是將物體邊界定義為以各邊界像素中心為頂點(diǎn)的多邊形。相應(yīng)的周長(zhǎng)就是一系列橫豎方向和對(duì)角線方向像素的間距之和。這個(gè)和可以在用行程編碼表示。一個(gè)物體的周長(zhǎng)可表示為：面積表示：多邊形的面積和周長(zhǎng)三角形面積：化簡(jiǎn)公式：多邊形面積物體主軸的測(cè)量物體的主軸測(cè)量與之有關(guān)的長(zhǎng)度和寬度。當(dāng)物體的邊界已知時(shí)，有如下方法可以確定一個(gè)物體的主軸：(1)物體內(nèi)部點(diǎn)的一條最佳擬合直線。(2)主軸可以從矩的計(jì)算得出。(3)物體的最小外接矩形。形狀分析(矩形度)矩形度：反映一個(gè)物體矩形度的一個(gè)參數(shù)是矩形擬合因子

其中，AO是該物體的面積，而AR是其最小外接矩形(MER)的面積。R反映了一個(gè)物體對(duì)其MER的充滿程度。對(duì)于矩形物體R取得最大值1.0，對(duì)于圓形物體R取值為／4，對(duì)于纖細(xì)的，彎曲的物體取值變小。矩形擬合因子的值限定在0與1之間。長(zhǎng)寬比：它等于MER的寬與長(zhǎng)的比值。這個(gè)特征可以把較纖細(xì)的物體與方形或圓形物體區(qū)分開。形狀分析(圓形度)有一組形狀特征稱為圓形度指標(biāo)，因?yàn)樗鼈冊(cè)趯?duì)圓形形狀計(jì)算時(shí)取最小值。它們的幅度值反映了被測(cè)量邊界的復(fù)雜程度。最常用的圓形度指標(biāo)是即周長(zhǎng)的平方與面積的比。這個(gè)特征對(duì)圓形形狀取最小值4。越復(fù)雜的形狀取值越大。圓形度指標(biāo)C與邊界復(fù)雜性概念有著粗略的聯(lián)系。形狀分析(不變矩)定義具有兩個(gè)變?cè)挠薪绾瘮?shù)f(x,y)的矩集被定義為為了描述形狀，假設(shè)f(x,y)在物體內(nèi)取值1而在其它均為0。這種剪影函數(shù)只反映了物體的形狀而忽略了其內(nèi)部的灰度級(jí)細(xì)節(jié)。每個(gè)特定的形狀具有一個(gè)特定的輪廓和一個(gè)特定的矩集。中心矩規(guī)范化的中心矩對(duì)物體的放大、平移、旋轉(zhuǎn)保持不變。形狀分析(描繪子)用描繪子表示圖像的特征。有些描繪子對(duì)放大、平移、旋轉(zhuǎn)等不敏感。常用的描繪子：傅立葉描繪子矩描繪子拓?fù)涿枥L子紋理分析紋理：一種反映一個(gè)區(qū)域中像素灰度級(jí)的空間分布的屬性。紋理通常用統(tǒng)計(jì)性質(zhì)表征，如灰度級(jí)的標(biāo)準(zhǔn)偏差(用于度量紋理的幅