數(shù)字圖像處理第7章 圖像分割技術(shù)

第七章圖像分割技術(shù)7.1

基于閾值選取的圖像分割方法7.2

基于區(qū)域的圖像分割方法7.3

基于邊緣檢測的圖像分割7.4

圖像分割的MATLAB實現(xiàn)圖像分割

把圖像空間按照一定的要求分成一些“有意義”的區(qū)域的技術(shù)叫圖像分割。例如：（1）要確定航空照片中的森林、耕地、城市區(qū)域等，首先需要將這些部分在圖像上分割出來。（2）要辨認文件中的個別文字，也需先將這些文字分選出來。（3）要識別和標定細胞的顯微照片中的染色體，需要用圖像分割技術(shù)。一幅圖像通常是由代表物體的圖案與背景組成，簡稱物體與背景。若想從一幅圖像中“提取”物體，可以設(shè)法用專門的方法標出屬于該物體的點，如把物體上的點標為“1”，而把背景點標為“0”，通過分割以后，可得一幅二值圖像。

圖像分割的意義

是把圖像分成若干個有意義區(qū)域的處理技術(shù)。其從本質(zhì)上說是將各像素進行分類的過程。分類所依據(jù)的特性可以是像素的灰度值、顏色或多譜特性、空間特性和紋理特性等。圖像分割方法分類：大致可以分為基于邊緣檢測的方法和基于區(qū)域生成的方法。

第一類為找出圖像的邊緣信息，首先檢出局部特性的不連續(xù)性，再將它們連成邊界，這些邊界把圖像分成不同的區(qū)域，從而分割出各個區(qū)域，常用邊緣檢測方法有基于邊緣檢測的圖像分割、基于閾值選取的圖像分割；圖像分割方法分類：

第二類為基于區(qū)域生成的方法，是將像素分成不同的區(qū)域，根據(jù)相應(yīng)的區(qū)域特性在圖像中找出與其相似的部分并進行處理，常用的方法有區(qū)域生長、分裂-合并分割方法。以上這兩類方法互為對偶，相輔相成，有時還要將它們結(jié)合起來，以得到更好的分割效果。7.1閾值選取的圖像分割方法7.1.1

灰度閾值分割7.1.2

直方圖閾值7.1.3

最大熵閾值7.1.4

二維直方圖閾值7.1.5

局部閾值法若圖像中目標和背景具有不同的灰度集合：目標灰度集合與背景灰度集合，且兩個灰度集合可用一個灰度級閾值T進行分割。這樣就可以用閾值分割灰度級的方法在圖像中分割出目標區(qū)域與背景區(qū)域，這種方法稱為灰度閾值分割方法。T的選擇原則1.B1應(yīng)盡可能包含與背景相關(guān)的灰度級，而B2則應(yīng)包含物體的所有灰度級。2.當(dāng)掃描這幅圖像時，從B1到B2之間的灰度變化就指示出有邊界存在。常用的幾種二值化方法1令二值化圖像為：2令二值化圖像為：3令二值化圖像為：4令二值化圖像為：常用的兩種半閾值化方法12不同閾值對閾值化結(jié)果的影響(a)原始圖像；(b)閾值T=91；(c)閾值T=130；(d)閾值T=43(a)(b)(c)(d)直方圖閾值的雙峰法

當(dāng)灰度圖像中畫面比較簡單且對象物的灰度分布比較有規(guī)律，背景和對象物在圖像的灰度直方圖上各自形成一個波峰，由于每兩個波峰間形成一個低谷，因而選擇雙峰間低谷處所對應(yīng)的灰度值為閾值，可將兩個區(qū)域分離。我們把這種通過選取直方圖閾值來分割目標和背景的方法稱為直方圖閾值雙峰法。

細胞原灰度圖像圖像直方圖T=140時閾值分割后的圖像原灰度圖像圖像直方圖T=130時閾值分割后的圖像動態(tài)閾值法在有些情況下，整幅圖像用一個固定的閾值來分割，可能得不到好的分割效果。此時可以利用取動態(tài)門限值的方法分割圖像。取動態(tài)門限值是先將圖像分成若干塊，對每一塊按其局部直方圖由上述方法選擇門限值。

最大熵閾值

圖像閾值最大熵分割方法是應(yīng)用信息論中熵的概念對圖像閾值化，使選擇的閾值t分割圖像目標區(qū)域、背景區(qū)域兩部分灰度統(tǒng)計的信息量為最大，所采用的一種圖像閾值分割方法。對數(shù)字圖像閾值分割的圖像灰度直方圖如圖，其中，灰度級低于t的像素點構(gòu)成目標區(qū)域O，灰度級高于t的像素構(gòu)成背景區(qū)域B，由此得到目標區(qū)域O的概率分布和背景區(qū)域B的概率分布分別是目標區(qū)域O的概率灰度分布：

背景區(qū)域B的概率灰度分布：

7.2基于區(qū)域的圖像分割方法7.2.1

區(qū)域生長法7.2.2

分裂-合并7.2.1區(qū)域生長法

分割的目的是把一幅圖像劃分成一些區(qū)域，對于這個問題的最直接的方法是把一幅圖像分成滿足某種判據(jù)的區(qū)域。要劃分成區(qū)域，要確定一個區(qū)域與其它區(qū)域相區(qū)別的特征，還要產(chǎn)生有意義分割的相似性判據(jù)。

分割區(qū)域的一種方法叫區(qū)域生成或區(qū)域生長?？梢詮臐M足區(qū)域特征的一點開始，加上與已知點相似的鄰點形成一個區(qū)域。這個相似性準則可以是灰度級、彩色值、結(jié)構(gòu)、梯度或其它特征。相似性的測度可以由所確定的閾值來判定。所以，此方法是從滿足檢測準則的點開始，在各個方向上生長區(qū)域。當(dāng)其鄰近點滿足檢測準則，就并入?yún)^(qū)域中。不斷重復(fù)這一過程，直到?jīng)]有可接受的鄰近點為止。區(qū)域生長法時需要由以下3個步驟來實現(xiàn)

（1）確定選擇一組能正確代表所需區(qū)域的起始點種子像素。

（2）確定在生長過程中將相鄰像素包括進來的（相似性判別生長）準則。

（3）確定區(qū)域生長過程停止的條件或規(guī)則。當(dāng)然，區(qū)域生長分割方法針對不同的實際應(yīng)用，需要根據(jù)具體圖像的具體特征來確定種子像素和生長及停止準則。1．灰度差判別式相似性的判別值可以選取像素與鄰域像素間的灰度差，也可以選取微區(qū)域與相鄰微區(qū)域間的灰度差?；叶炔钆袆e式為

當(dāng)C<T，說明基本單元(i,j)與(m,n)相似，(i,j)應(yīng)與(m,n)合并，計算合并后微區(qū)域的平均灰度值；當(dāng)C≥T，說明兩者不相似，f(i,j)保持不變，仍為不屬于任何區(qū)域的基本單元。（a）輸入圖像（b）第一次區(qū)域生長（c）第二次區(qū)域生長（d）結(jié)束并重新開始區(qū)域生長的簡單圖示

（a）給定原圖像（b）處理過程（c）處理過程

（d）處理過程（e）處理過程（f）處理過程（g）處理結(jié)果7.2.2分裂-合并1.樹結(jié)構(gòu)2.圖像四叉樹結(jié)構(gòu)3.金字塔數(shù)據(jù)結(jié)構(gòu)圖7.2.5圖像金字塔分裂-合并基本數(shù)據(jù)結(jié)構(gòu)【例7.2.3】分裂-合并算法的例子。設(shè)有8×8圖像的0層、1層、2層、3層如圖7.2.6所示，3層為樹葉，其中的數(shù)值為灰度值以及各層的小區(qū)域平均灰度值。根的灰度值表示圖像的平均亮度。7.3

基于邊緣檢測的圖像分割

數(shù)字圖像的邊緣檢測是圖像分割、目標區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，也是圖像識別中提取圖像特征的一個重要屬性。在進行圖像理解和分析時，第一步往往就是邊緣檢測，由于邊緣廣泛存在于目標與目標、物體與背景、區(qū)域與區(qū)域（含不同色彩）之間，它是圖像分割所依賴的重要特征。目前它已成為機器視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。邊緣邊緣是指周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。常見的邊緣點有三種：第一種是階梯形邊緣，即從一個灰度到比它高好多的另一個灰度。

第二種是屋頂形邊緣，它的灰度是慢慢增加到一定程度然后慢慢減少。

第三種是線性邊緣，它的灰度從一個級別跳到另一個灰度級別之后然后回來。邊緣檢測Sobel算子

它是對數(shù)字圖像f(x,y)的每一個像素，考查其相鄰點像素灰度的加權(quán)差.2.Roberts算子圖像f(x,y)的梯度定義為3.LOG算子噪聲點對邊緣檢測有較大的影響，效果更好的邊緣檢測器是高斯-拉普拉斯(LOG)算子。它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來，先平滑掉噪聲，再進行邊緣檢測，所以效果更好。拉普拉斯高斯算法是一種二階邊緣檢測方法。它通過尋找圖像灰度值中二階微分中