第四章 圖像分割第一、二部分

圖像分割課程內(nèi)容圖像分割概述邊界提取閾值選擇與閾值化處理邊緣連接和邊界檢測圖像分割圖像分割的目標是根據(jù)圖像中的物體將圖像的像素分類，并提取感興趣目標圖像分割是圖像識別和圖像理解的基本前提步驟圖像圖像預(yù)處理圖像識別圖像理解圖像分割圖像分割舉例圖像分割舉例圖像分割是把圖像分解成構(gòu)成的部件和對象的過程把焦點放在增強感興趣對象汽車牌照排除不相干圖像成分：非矩形區(qū)域圖像分割的策略圖像分割的基本策略是基于灰度值的兩個基本特性：區(qū)域之間的不連續(xù)性先找到點、線（寬度為1）、邊（不定寬度）再確定區(qū)域區(qū)域內(nèi)部的相似性通過選擇閾值，找到灰度值相似的區(qū)域區(qū)域的外輪廓就是對象的邊點檢測用空域的高通濾波器來檢測

孤立點：R=(-1*8*8+128*8)/9=106可以設(shè)置閾值T=64若R=0，則說明檢測點與周圍點像素值相同若R>T，則說

明檢測點與周

圍點像素值非

常的不同，為

孤立點88881288888圖像-1-1-1-18-1-1-1-1模板點檢測汽輪機葉片對應(yīng)的X光圖像點檢測的結(jié)果改變閾值的結(jié)果線檢測通過比較典型模板的計算值，確定一個點是否在某個方向的線上也可以設(shè)計其它模板：模板系數(shù)之和為0感興趣的方向系數(shù)值較大-1-1-1222-1-1-1水平模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12-45度模板線檢測用4種模板分別計算R水平=-6+30=24R45度=-14+14=0R垂直=-14+14=0R135度=-14+14=0從這些值中尋找絕對值最大值，確定當前點更加接近于該模板所對應(yīng)的直線111555111111555111111555111線檢測二值電路接線模板，尋找方向為-45°的線條使用-45°模板，得到結(jié)果的絕對值使用閾值方法，閾值等于圖像中最大值得到的結(jié)果，一些孤立點使用點模板檢測刪除，或用形態(tài)學腐蝕法刪除邊緣檢測（1）基礎(chǔ)

A、兩種邊緣模型B、一階導數(shù)和二階導數(shù)特點1、一階導數(shù)：在斜坡上，導數(shù)值為正，在平坦區(qū)為零。2、二階導數(shù)：在躍變點，一正一負，其他部分為零。（過零點）

C、噪聲對一階導數(shù)和二階導數(shù)的影響噪聲對一階和二階導數(shù)都有影響，尤其對二階導數(shù)影響較大，因此，在檢測邊緣前應(yīng)該考慮平滑處理。常用的邊緣檢測器給定圖像中的一個3*3區(qū)域，使用下面的邊緣檢測濾波器進行檢測，它們都使用一階導數(shù)邊緣檢測舉例原始圖像Gx方向分量Gy方向分量組合得到邊緣圖像邊緣檢測問題邊緣檢測中經(jīng)常碰到的問題是：圖像中存在太多的細節(jié)。比如，前面例子中的磚墻圖像受到噪聲的干擾，不能準確的檢測邊緣解決的一個方法是在邊緣檢測之前對圖像進行平滑平滑后的邊緣檢測舉例平滑后圖像Gx方向分量Gy方向分量組合得到邊緣圖像導數(shù)&噪聲基于微分的邊緣檢測器，其基本依據(jù)是圖像的邊緣對應(yīng)了一階導數(shù)的極大值，而二階導數(shù)則過零點。但是，假如圖像受到噪聲的影響：噪聲的幅值往往很小，但頻率往往很高，比如設(shè)：那么一階導數(shù)和二階導數(shù)分別為：可見，即使噪聲的幅值很小，但當頻率很大時，噪聲的一階和二階導數(shù)的幅值也會很大Laplacian邊緣檢測我們曾經(jīng)碰到過基于2階導數(shù)的Laplacian濾波器Laplacian由于對噪聲太敏感，因此一般不單獨使用通常和平滑Gaussian濾波器進行結(jié)合來進行邊緣檢測高斯拉普拉斯（LOG）三維曲線俯視圖曲線近似的模板高斯拉普拉斯舉例零交叉求邊緣原圖Sobel梯度(用于對比)空間高斯型平滑函數(shù)拉普拉斯算子模板LOG對LOG設(shè)置門限零交點LOG總結(jié)高斯型函數(shù)的目的是對圖像進行平滑處理拉普拉斯算子的目的是提供一幅用零交叉確定邊緣位置的圖像閾值（Thresholding）圖像分割的經(jīng)典方法是基于灰度閾值的分割方法簡單的單值閾值在數(shù)學上可以描述為：常用的方法是求解灰度直方圖

中的雙峰或者多峰，并以兩峰之

間的谷底作為閾值T閾值舉例設(shè)想一副撲克牌，我們需要對其進行視覺上的分析原始圖像閾值圖像但是小心……如果設(shè)置了錯誤的閾值，結(jié)果是很糟糕的太小的閾值太大的閾值全局閾值（GlobalThresholding）全局閾值是指整幅圖像使用同一個閾值做分割處理，并產(chǎn)生一個二值圖，區(qū)分出前景對象和背景。適用于背景和前景對比度大的圖像算法實現(xiàn)：選取一個合適的閾值T，逐行掃描圖像凡灰度級大于T的，顏色置為255；凡灰度級小于T的，顏色置為0基本的全局閾值算法基本的全局閾值T可以按如下計算：1、選擇一個初時估計值T（一般為圖像的平均灰度值）2、使用T分割圖像，產(chǎn)生兩組像素：G1包括灰度級大于T的像素，G2包括灰度級小于等于T的像素3、計算G1中像素的平均值并賦值給μ1，計算G2中像素的平均值并賦值給μ24、計算一個新的閾值：

5、重復步驟2～4，一直到兩次連續(xù)的T之間的差小于預(yù)先給定的上界T∞閾值舉例1選擇直方圖中雙峰之間的谷底作為全局閾值閾值舉例2通過算法迭代產(chǎn)生全局閾值單值閾值的問題單值閾值只能對雙峰直方圖工作得較好對于其它類型的直方圖，需要更多的閾值單值閾值和光照不均勻的光照會使單值閾值方案失效基本的自適應(yīng)閾值解決單值閾值無法工作的一個方法是將圖像分割為子圖像，并分別進行閾值化處理由于每個像素的閾值依賴于其在圖像中的位置，因此稱為自適應(yīng)（adaptive）閾值基本的自適應(yīng)閾值舉例不均勻亮度等成像因素會造成單一全局門限無法有效分割。另一種改進措施是將圖像進一步細分為子圖像，并對不同的子圖像使用不同的門限進行分割。對圖像進行更精確的分割邊緣連接和邊界檢測為什么需要邊緣連接？整體處理之霍夫變換為什么需要邊緣連接？由于噪聲、照明等產(chǎn)生邊緣間斷，使得一組像素難以完整形成邊緣因此，在邊緣檢測算法后，使用連接過程將間斷的邊緣像素組合成完整邊緣Hough變換Hough(霍夫)變換可以用于將邊緣像素連接起來得到邊界曲線，它的主要優(yōu)點在于受噪聲和曲線間斷的影響較小Hough變換Hough變換的基本思想：在xy平面內(nèi)的一條直線可以表示為：將a、b作為變量，ab平面內(nèi)直線可以表示為如果點(x1,y1)與點(x2,y2)共線，那么這兩點在參數(shù)ab平面上的直線將有一個交點在參數(shù)ab平面上相交直線最多的點，對應(yīng)的xy平面上的直線就是我們的解這種從線到點的變換就是Hough變換aba′b′yx(x1,y1)(x2,y2)Hough變換得到點A（a,b）是我們的解，(a,b)對應(yīng)到圖像坐標系xy中所求直線的斜率和截距abAHough變換由于垂直直線的斜率a為無窮大，因此計算量會非常大，我們改用極坐標形式：參數(shù)平面為,對應(yīng)不是直線而是正弦曲線找出相交線段最多的參數(shù)空間的點，再根據(jù)該點求出對應(yīng)的xy平面的直線段Hough變換Hough變換算法思想：將,空間量化成許多小格。根據(jù)圖像內(nèi)的每個(x0,y0)點代入

的量化值，算出各個，所得值（經(jīng)量化）落在某個小格內(nèi)，便使該小格的計數(shù)累加器加1，當全部(x,y)點變換后，對小格進行檢驗，有大的計數(shù)值的小格對應(yīng)于共線點，其(,

)值作為直線的擬合參數(shù)。Hough變換算法特點：對ρ、θ量化過粗，直線參數(shù)就不精確，過細則計算量增加。因此，對ρ、θ量化要兼顧參數(shù)量化精度和計算量。Hough變換檢測直線的抗噪性能強，能將斷開的邊緣連接起來。此外Hough變換也可用來檢測曲線，比如圓、橢圓等10.4基于區(qū)域的分割1區(qū)域分割的集合描述

將區(qū)域R劃分為若干個子區(qū)域R1,R2,…,Rn，這些子區(qū)域滿足5個條件：1)完備性：2)連通性：每個Ri都是一個連通區(qū)域3)獨立性：對于任意i≠j，Ri∩Rj=Ф4)單一性：每個區(qū)域內(nèi)，

P（Ri）=TRUE，i=1,2,…,n5)互斥性：任意相鄰的兩個區(qū)域，

P（Ri∪Rj）=FALSE，i≠j基于區(qū)域的分割方法是利用圖像的空間性質(zhì)，基于相似性準則建立的一種圖像分割方法，其基本思想是將圖像中滿足某種相似性準則的像元集合起來構(gòu)成區(qū)域。典型的區(qū)域分割法有區(qū)域增長法和區(qū)域分裂、合并法。10.4.1區(qū)域生長法：從一個像元（種子點）開始，在各個方向上（4鄰域或8鄰域）向外擴展以生成區(qū)域，當某一鄰接像元滿足相似性指標時就將其作為同一區(qū)域合并，在新的區(qū)域重復上面的過程，直到不能合并為止。在實際應(yīng)用中要解決的三個問題：（1）確定圖像分割區(qū)域的數(shù)目及每一區(qū)域的種子像元，種子像元的選擇一般根據(jù)具體問題和專家經(jīng)驗確定；（2）選擇有意義的特征，如灰度級，顏色特定范圍；（3）確定相似性度量準則，可以選灰度級為度量準則（如平均灰度值），也可以選圖像的結(jié)構(gòu)、紋理等非灰度級準則。常用的有三種區(qū)域擴張法：單一型（像素與像素）；質(zhì)心型（像素與區(qū)域）；混合型（區(qū)域與區(qū)域）單一型增長：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；再以合并的像素為生長點，繼續(xù)重復以上操作，最終形成具有相似特征的像素的最大連通集合。特點：方法簡單，但如果區(qū)域之間的邊緣灰度變化很平緩或邊緣交于一點時，兩個區(qū)域會合并起來。質(zhì)心型增長：它是比較單個像素的特征與其相鄰區(qū)域的特征，若相似則將像素合并到區(qū)域中。特點：區(qū)域增長的結(jié)果與起始像素有關(guān)，起始位置不同則分割結(jié)果有差異。例：用質(zhì)心型區(qū)域增長法分割，相似性準則是待檢測點灰度與已檢測出的區(qū)域的灰度平均值比較，接受條件是灰度差小于或等于1。

圖a為原始圖，9為第1個檢測點，圖d中6為第1個檢測點?；旌闲驮鲩L把圖像分割成小區(qū)域，比較相鄰的小區(qū)域的相似性，相似則合并。常用的有兩種方法:1.不依賴于起始點的方法.2.假設(shè)檢驗法.不依賴于起始點的方法：（1）設(shè)灰度差的閾值為0。用簡單區(qū)域擴張法把具有相同灰度的像素合并到同一區(qū)域，得到圖像的初始分割圖像；（2）從分割圖像一個小區(qū)域開始，求出相鄰區(qū)域間的灰度差，將差值最小的相鄰區(qū)域合并；（3）反復（2）的操作，把區(qū)域依次合并。注意：在適當?shù)碾A段應(yīng)停止合并，如設(shè)定差值閾值，否則整幅圖像經(jīng)區(qū)域擴張會成為一個區(qū)域。假設(shè)檢驗法：根據(jù)區(qū)域內(nèi)的灰度分布的相似性進行區(qū)域合并。（1）把圖像分割成互不交迭的、大小為n×n的小區(qū)域，（2）比較相鄰區(qū)域的灰度直方圖相似性，相似則合并。相似標準可選以下兩種：（3）反復（2）的操作，直到區(qū)域不能合并為止。

說明：

n的取值：

在實際應(yīng)用中n的取值一般取5~10，n太大會遺漏小的目標，n太小，則檢測標準可靠性下降，導致分割質(zhì)量差。檢測標準：檢測標準（b）的要求比（a）的嚴格，采用標準（b）比（a）會帶來更好的結(jié)果。特點：該方法不僅能分割灰度相同的區(qū)域，也能分割紋理性的圖像。2區(qū)域生長算法實現(xiàn)：1）根據(jù)圖像的不同應(yīng)用選擇一個或一組種子，它或者是最亮或最暗的點，或者是位于點簇中心的點。2）選擇一個相似性準則。（灰度級、彩色、紋理、梯度等特性相似）3）從該種子開始向外擴張，不斷將與集合中各個像素連通、且滿足相似性準則的像素加入集合。4）上一過程進行到不再有滿足條件的新結(jié)點加入集合為止。（終止準則）種子選擇準則：最亮的點。相似性準則：新加入像素值與已生長的區(qū)域的平均值小于

2，且為4連通。終止準則：沒有像素加入。區(qū)域生長例子：原圖種子點圖

生長后的二值圖邊緣提取平滑后的圖像區(qū)域生長法分割舉例：10.4.2區(qū)域分裂法區(qū)域分裂法是從圖像的最大區(qū)域或整幅圖像開始，不斷分裂得到各個區(qū)域。該方法適用于區(qū)域的特性差異比較大，即不滿足一致性準則情況下。方法：1）確定分裂準則（一致性準則），可以采用灰度值度量等；2）確定分裂方法，使得分裂后的子區(qū)域特性盡可能都滿足一致性準則。最簡單的方法是把區(qū)域分割成固定數(shù)量的等尺度區(qū)域，通常采用四叉樹圖像分裂法。四叉樹法：先把整幅圖像分成四個不重疊區(qū)域，如果不滿足分割條件，將再次分成四個不重疊區(qū)域，直到滿足準則條件。10.4.3區(qū)域合并法把