數(shù)字圖像處理PPT 第9章 圖像檢測(cè)與分割(1-3節(jié))

1DigitalImageProcessing

數(shù)字圖像處理2第九章圖像分割39.1概述4圖像分析的概念對(duì)圖像中感興趣的目標(biāo)進(jìn)行檢測(cè)和測(cè)量，以獲得它們的客觀信息，從而建立對(duì)圖像的描述圖像分析系統(tǒng)的基本構(gòu)成預(yù)處理圖像分割特征提取對(duì)象識(shí)別5圖像輸入光電變換數(shù)字化圖像增強(qiáng)圖像恢復(fù)圖像編碼預(yù)處理閾值分割邊緣檢測(cè)區(qū)域分割圖像分割特征提取圖像識(shí)別圖像分析理解描述解釋圖像處理過程6圖像分析的步驟把圖像分割成不同的區(qū)域或把不同的對(duì)象分開找出分開的各區(qū)域的特征識(shí)別圖像中要找的對(duì)象或?qū)D像進(jìn)行分類對(duì)不同區(qū)域進(jìn)行描述或?qū)ふ页霾煌瑓^(qū)域的相互聯(lián)系，進(jìn)而找出相似結(jié)構(gòu)或?qū)⑾嚓P(guān)區(qū)域連成一個(gè)有意義的結(jié)構(gòu)7圖像分割圖像圖像識(shí)別圖像預(yù)處理圖像理解圖9.1圖像分割在整個(gè)圖像處理過程中的作用

圖像分割作用8

分割出來的各區(qū)域?qū)δ撤N性質(zhì)例如灰度，紋理而言具有相似性，區(qū)域內(nèi)部是連通的的且沒有過多小孔。

區(qū)域邊界是明確的

相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異圖像分割特征圖像分割的概念把圖像分成互不重疊的區(qū)域并提取感興趣目標(biāo)的技術(shù)9圖像分割圖像分割的定義:令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域）R1，R2，…，RN：∪

Ri=

R

；對(duì)所有的i和j，i≠j，有Ri∩Rj=φ；對(duì)i=1,2,…,N，有P(Ri)=TRUE；對(duì)i≠j,有P(Ri∪Rj)=FALSE。其中P(Ri)是對(duì)所有在集合Ri中元素的邏輯謂詞,φ代表空集。10

邊緣檢測(cè)

邊緣跟蹤

閾值分割

區(qū)域分割

運(yùn)動(dòng)分割圖像分割本章要點(diǎn)119.2邊緣檢測(cè)12邊緣邊緣的定義：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邊緣的分類階躍狀屋頂狀13邊緣階躍狀屋頂狀邊緣邊緣邊緣點(diǎn)的幾種情況：(1)空間曲面上的不連續(xù)點(diǎn)。(兩個(gè)不同曲面或平面的交線)

(2)物體與背景的分界線。(3)不同材料組成的邊緣線。

(4)陰影引起的邊緣。邊緣基本思想：計(jì)算局部微分算子一階微分截面圖邊界圖像邊緣一階微分：用梯度算子來計(jì)算特點(diǎn)：對(duì)于亮的邊，邊的變化起點(diǎn)是正的，結(jié)束是負(fù)的。對(duì)于暗邊，結(jié)論相反。常數(shù)部分為零。用途：用于檢測(cè)圖像中邊的存在二階微分：通過拉普拉斯來計(jì)算18梯度算子梯度算子是一階導(dǎo)數(shù)算子

幅值

方向角

19梯度算子

數(shù)字圖像處理中用差分代替微分

近似計(jì)算梯度算子幾種常用的邊緣檢測(cè)算子梯度算子Roberts算子Prewitt算子Sobel算子Kirsch算子（方向算子）Laplacian算子Canny算子21梯度算子Roberts算子22梯度算子Sobel算子23梯度算子Prewitt算子24梯度算子原圖Prewitt算子Sobel算子Roberts算子25梯度算子為了檢測(cè)邊緣點(diǎn)，選取適當(dāng)?shù)拈撝礣，對(duì)梯度圖像進(jìn)行二值化，則有：這樣形成了一幅邊緣二值圖像g(x,y)特點(diǎn)：僅計(jì)算相鄰像素的灰度差，對(duì)噪聲比較敏感，無法抑止噪聲的影響。26拉普拉斯算子差分微分二階導(dǎo)數(shù)算子27拉普拉斯算子

圖9.5兩種常用的拉普拉斯算子模板28拉普拉斯算子

29Canny算子

好的檢測(cè)結(jié)果：對(duì)邊緣的錯(cuò)誤檢測(cè)率要盡可能低，在檢測(cè)出圖像真實(shí)的邊緣的同時(shí)要避免檢測(cè)出現(xiàn)虛假的邊緣。

好的邊緣定位精度：標(biāo)記出的邊緣位置要和圖像上真正邊緣的位置盡量接近。

對(duì)同一邊緣要有低的響應(yīng)次數(shù)：有的算子會(huì)對(duì)一個(gè)邊緣回產(chǎn)生多個(gè)響應(yīng)。也就是說圖像上本來只有一個(gè)邊緣點(diǎn)的，可是檢測(cè)出來就會(huì)出現(xiàn)多個(gè)邊緣點(diǎn)。

克服噪聲的影響基本思想30Canny算子

算法步驟

用高斯濾波器平滑圖像

計(jì)算濾波后圖像梯度的幅值和方向

對(duì)梯度幅值應(yīng)用非極大值抑制，其過程為找處圖像梯度中的局部極大值點(diǎn)，把其它非局部極大值點(diǎn)置零以得到得到細(xì)化的邊緣

用雙閾值算法檢測(cè)和連接邊緣，使用兩個(gè)閾值T1和T2(T1>T2)，T1用來找到每條線段，T2用來在這些線段的兩個(gè)方向上延伸尋找邊緣的斷裂處，并連接這些邊緣。31Canny算子

實(shí)例

32算子比較

Roberts算子：Roberts算子利用局部差分算子尋找邊緣，邊緣定位精度較高，但容易丟失一部分邊緣，同時(shí)由于圖像沒經(jīng)過平滑處理，因此不具備能抑制噪聲能力。該算子對(duì)具有陡峭邊緣且含噪聲少的圖像效果較好。

Sobel算子和Prewitt算子：都是對(duì)圖像先做加權(quán)平滑處理，然后再做微分運(yùn)算，所不同的是平滑部分的權(quán)值有些差異，因此對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度。33算子比較

Laplacian算子：是不依賴于邊緣方向的二階微分算子算子，對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確，該算子對(duì)噪聲非常敏感，它使噪聲成分得到加強(qiáng)，這兩個(gè)特性使得該算子容易丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣，同時(shí)抗噪聲能力比較差。34算子比較

LOG算子：該算子首先用高斯函數(shù)對(duì)圖像作平滑濾波處理，然后才使用Laplacian算子檢測(cè)邊緣，因此克服了Laplacian算子抗噪聲能力比較差的缺點(diǎn)，但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣也平滑掉了，造成這些尖銳邊緣無法檢被測(cè)到。應(yīng)用LOG算子，高斯函數(shù)中方差參數(shù)的選擇很關(guān)鍵，對(duì)圖像邊緣檢測(cè)效果有很大的影響。高斯濾波器為低通濾波器，越大，通頻帶越窄，對(duì)較高頻率的噪聲的抑制作用越大，避免了虛假邊緣的檢出，同時(shí)信號(hào)的邊緣也被平滑了，造成某些邊緣點(diǎn)的丟失。反之，越小，通頻帶越寬，可以檢測(cè)到的圖像更高頻率的細(xì)節(jié)，但對(duì)噪聲的抑制能力相對(duì)下降，容易出現(xiàn)虛假邊緣。因此，應(yīng)用LOG算子，為取得更佳的效果，對(duì)于不同圖像應(yīng)選擇不同參數(shù)。35算子比較

Canny算子：Canny算子雖然是基于最優(yōu)化思想推導(dǎo)出的邊緣檢測(cè)算子，實(shí)際效果并不一定最優(yōu)，原因在于理論和實(shí)際有許多不一致的地方。該算子同樣采用高斯函數(shù)對(duì)圖像作平滑處理，因此具有較強(qiáng)的抑制噪聲能力，同樣該算子也會(huì)將一些高頻邊緣平滑掉，造成邊緣丟失。Canny算子其后所采用用雙閾值算法檢測(cè)和連接邊緣，采用的多尺度檢測(cè)和方向性搜索較LOG算子要好。36算子比較

(b)

Robert算子邊緣檢測(cè)(c)

Sobel算子邊緣檢測(cè)(d)Prewitt算子邊緣檢測(cè)(e)Laplacian算子邊緣檢測(cè)(f)Kirsch算子邊緣檢測(cè)(a)

(b)

(c)

(d)

(e)

(f)

算子比較

梯度算子Roberts算子Prewitt算子Kirsch算子原始圖像Laplacian算子389.3邊緣跟蹤39邊緣跟蹤出發(fā)點(diǎn)由于噪音的原因，邊界的特征很少能夠被完