數(shù)字圖像處理實戰(zhàn)-PPT第6章 圖像分割

第6章圖像分割目標對象本身過于復(fù)雜，其各個部分本身的差異較大或與圖像其余部分相似，難以通過單一的分割處理得到完整的對象。原始圖像中存在干擾因素，如不均勻的環(huán)境照明或較大差異的物體表面反射率所引起的圖像亮度變化，使得沒有適用于整個圖像的統(tǒng)一的分割標準。圖像分割的概念圖像分割將圖像分成若干互不相交的連通區(qū)域，每個區(qū)域內(nèi)部滿足灰度、紋理、顏色等特征之一或特征組上的某種相似性準則，而不同區(qū)域之間的差異盡可能大。圖像分割存在如下兩種困難圖像分割算法一般基于像素取值的不連續(xù)性或相似性，這樣就產(chǎn)生了兩大類方法。以邊緣檢測為代表的方法基于像素取值的不連續(xù)性，根據(jù)圖像中不同區(qū)域的邊界處像素取值的突變來分割圖像。以閾值分割為代表的方法則基于同一區(qū)域內(nèi)部的像素在某些特征上的相似性來將圖像劃分為更小的區(qū)域。圖像分割的方法1基于邊緣檢測的圖像分割目錄使用閾值分割圖像2區(qū)域生長算法3結(jié)合空間域與色彩域的圖像分割46.1.1閾值分割方法的基本原理閾值分割基于像素在某個特征（如灰度）上的不連續(xù)性來分割圖像，特別適用于目標和背景占據(jù)不同灰度級范圍的圖像。若該圖像由一個高亮目標和一個暗淡背景組成，則該圖像的灰度直方圖呈現(xiàn)明顯的雙峰分布，兩個峰值分別對應(yīng)背景和目標。閾值分割方法選取位于兩個峰值之間的谷值作為閾值，圖像中灰度值的像素點被標記為為目標，否則被標記為背景。閾值分割輸出的是根據(jù)像素灰度值和閾值進行比較而得到的包含邏輯值“真”和“假”（分別代表目標和背景）的二值圖像。6.1使用閾值分割圖像6.1.2基于全局閾值的大津法大津法也稱最大類間方差法。對一幅灰度圖像，記表示用于分割目標和背景的閾值，如果像素灰度小于則將該像素標記為0，如像素灰度大于則將該像素標記為1，如此將所有像素分為兩大類。類間方差定義為其中和分別是被閾值分開的兩個類的像素數(shù)占總像素數(shù)的比率，、分別是這兩個類的像素灰度值的平均值。最大類間方差法就是設(shè)定閾值為使類間方差取最大值的的方法，該閾值化處理可以使得所分離的兩類像素在灰度分布上有最大的差異。OpenCV中有可直接調(diào)用的圖像閾值化函數(shù)threshold，可以通過參數(shù)指定使用大津法計算閾值。6.1使用閾值分割圖像6.1.2基于全局閾值的大津法圖（c）是圖（a）使用大津法進行閾值分割的結(jié)果6.1使用閾值分割圖像6.1.3 局部閾值分割法當(dāng)目標和背景大小比例懸殊、光照不均勻或灰度差異較大時，全局閾值分割方法的分割效果不理想全局閾值化得到的分割結(jié)果（圖（b））在高亮區(qū)域和陰暗區(qū)域丟失了非常多的局部細節(jié)局部自適應(yīng)閾值化的結(jié)果（圖（c））保留了原圖（圖（a））中的更多細節(jié)信息。局部自適應(yīng)閾值分割方法根據(jù)當(dāng)前像素的某個鄰域中像素的灰度信息來確定一個局部閾值。常用的局部自適應(yīng)閾值算法有基于局部鄰域塊的均值和局部鄰域塊的高斯加權(quán)方法。Python的OpenCV中提供了函數(shù)adaptiveThreshold用于實現(xiàn)圖像的局部自適應(yīng)閾值分割。6.1使用閾值分割圖像6.1.4 使用閾值分割方法處理巖石樣本圖像目標：根據(jù)巖石樣本分別在白光和熒光下拍攝的兩幅圖像，自動計算巖石樣本圖像中石油成分的面積占比。思路：從白光圖像中分割巖石樣本區(qū)域并計算面積。石油成分在熒光燈照射下會發(fā)出綠色或黃色的光，從熒光圖像中分割巖石樣本中石油成分區(qū)域并計算面積。計算上述兩個面積的比值困難：白光圖像中巖石樣本區(qū)域和周邊污跡區(qū)域的灰度無法區(qū)分，分割結(jié)果不理想（下圖）。6.1使用閾值分割圖像6.1.4 使用閾值分割方法處理巖石樣本圖像活動輪廓模型用一條封閉的連續(xù)曲線表示目標的邊緣，并定義一個與曲線的形狀和曲線內(nèi)所包含的區(qū)域性質(zhì)有關(guān)的能量函數(shù)。將圖像分割的問題轉(zhuǎn)化為從初始曲線出發(fā)，不斷改變曲線形狀，以使所定義的能量函數(shù)最小化的一個數(shù)值優(yōu)化問題。在理想情況下，能量函數(shù)最小化時的曲線會逼近感興趣目標的輪廓。Skimage庫的active_contour函數(shù)實現(xiàn)活動輪廓模型，需嘗試不同參數(shù)的分割效果。6.1使用閾值分割圖像6.1.4 使用閾值分割方法處理巖石樣本圖像石油成分的分割將熒光圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間便于分析石油成分的顏色特征。在H分量圖像中觀察經(jīng)過石油成分的掃描線上的H分量的分布特征，可以發(fā)現(xiàn)石油成分的H分量穩(wěn)定在50以下，而巖石部分的H分量分布在60到110之間。設(shè)定H分量圖像的閾值，從中分割出石油成分，如下圖所示。6.1使用閾值分割圖像1基于邊緣檢測的圖像分割目錄使用閾值分割圖像2區(qū)域生長算法3結(jié)合空間域與色彩域的圖像分割46.2.1邊緣檢測圖像不同區(qū)域的邊界上像素的灰度通常會有較大的變化，邊緣檢測就是根據(jù)灰度的突變來找到圖像中區(qū)域之間邊界的方法。灰度變化的強度通常使用梯度來衡量。圖像中某個點的梯度和梯度幅值分別定義為邊緣檢測通常的步驟如下：（1）為降低噪聲對計算梯度的影響，在邊緣檢測前對圖像進行平滑去噪處理。（2）選取合適的方法計算圖像的梯度或二階偏導(dǎo)數(shù)。（3）求出圖像梯度幅值的取局部極大值點或二階偏導(dǎo)數(shù)的過零點作為邊緣檢測的結(jié)果。6.2基于邊緣檢測的圖像分割

6.2基于邊緣檢測的圖像分割1.基于差分模板的邊緣檢測算子Prewwit算子的計算公式和掩模如下Sobel算子的計算公式和掩模如下這三個邊緣檢測算子都通過使用兩個掩模分別近似計算圖像在x和y方向上的一階偏導(dǎo)數(shù)而得到圖像的梯度向量，圖像的邊緣對應(yīng)圖像梯度的局部極大值點。6.2基于邊緣檢測的圖像分割1.基于差分模板的邊緣檢測算子Laplace算子使用一個掩模來計算圖像在x和y

方向上的二階導(dǎo)數(shù)之和，圖像的邊緣對應(yīng)二階導(dǎo)數(shù)的過零點。Laplace算子的計算公式和掩模如下Skimage圖像處理庫提供了Sobel算子、Prewwit算子和Robert算子對應(yīng)的filters.sobel函數(shù)、filters.prewwit函數(shù)和filters.roberts函數(shù)。6.2基于邊緣檢測的圖像分割2.LoG算子前述4個算子本質(zhì)上都是進行數(shù)值差分，而差分運算受圖像噪聲的影響很大。LoG算子（LaplaceofGauss）為了解決該問題，首先對圖像采用高斯濾波進行降噪處理，再采用Laplace算子進行邊緣檢測。LoG函數(shù)定義為：LoG算子首先使用LoG核與輸入圖像進行卷積：然后尋找卷積結(jié)果的過零點來確定圖像的邊緣點。LoG算子可以通過先對圖像進行高斯平滑再運行Laplace算子的方式來實現(xiàn)。OpenCV中提供函數(shù)Laplacian和GaussianBlur分別用于實現(xiàn)Laplace算子和高斯平滑。6.2基于邊緣檢測的圖像分割3.Canny算子基于差分模板的邊緣檢測算子和LoG算子只解決了圖像梯度或二階導(dǎo)數(shù)之和的計算問題，產(chǎn)生的都是表示圖像局部梯度幅值大小的灰度圖像而不是二值化的邊緣圖像。Canny算子完整地集成了邊緣檢測的全部過程，可以直接得到高質(zhì)量的單像素寬度的二值邊緣圖像，它的流程如下。（1）使用高斯濾波器平滑輸入圖像。（2）對平滑后的圖像計算梯度圖像和角度圖像。（3）對梯度圖像進行非極大值抑制，使用雙閾值處理和連通性分析來檢測和連接邊緣。6.2基于邊緣檢測的圖像分割4.邊緣檢測算子的效果對比對比上述算子的邊緣檢測效果，只有Canny算子的輸出結(jié)果，是在梯度圖像的基礎(chǔ)上進行非極大值抑制得到的單像素寬度的二值化邊緣圖像。6.2基于邊緣檢測的圖像分割6.2.2 使用Hough變換檢測直線思想：計算圖像中每一條可能的直線上的目標點的數(shù)量，點數(shù)最多的若干條直線就是圖像中的顯著直線。

如圖(a)所示的圖像中的點（xi,yi），經(jīng)過該點的直線可用極坐標形式表示為方程，有無窮組θ

和ρ

滿足方程。對給定分辨率的具體圖像，θ

和ρ的取值是有限的，對它們按照適當(dāng)?shù)拈g隔進行離散化處理，可以得到如圖(b)所示的參數(shù)矩陣。參數(shù)矩陣中的每個元素對應(yīng)著θ和ρ的一種組合，對應(yīng)圖像平面內(nèi)的一條直線。Hough變換遍歷二值圖像中的每一個目標像素點，從

方程中解出參數(shù)θ和ρ的所有可能的取值組合，在參數(shù)

矩陣對應(yīng)的單元中進行累加。遍歷完整個圖像后，參數(shù)矩陣的每個單元格中的累加

值就是經(jīng)過該單元參數(shù)組合對應(yīng)的直線上的點的數(shù)量。通常返回累加值最大的幾個單元格對應(yīng)的直線作為直線檢測的輸出結(jié)果。6.2基于邊緣檢測的圖像分割

6.2.3基于Hough變換的QR碼分割如左圖所示的QR碼中含有三個經(jīng)過特別設(shè)計的方形位置探測圖形，中圖顯示的是通過算法從圖像中檢測出的處于對角位置的兩個位置探測圖形的最外層輪廓。為了從左圖中分割出QR碼，需要找到中圖中兩個位置探測圖形的8條邊。對中圖使用Hough變換進行直線檢測，提取參數(shù)矩陣中累加值最大的8個單元所對應(yīng)的直線并延長，他們相交所構(gòu)成的最大的四邊形，就是QR碼的區(qū)域，如右圖所示。6.2基于邊緣檢測的圖像分割1基于邊緣檢測的圖像分割目錄使用閾值分割圖像2區(qū)域生長算法3結(jié)合空間域與色彩域的圖像分割46.3.1區(qū)域生長算法的流程區(qū)域生長算法根據(jù)一組預(yù)先定義好的生長準則，將像素或子區(qū)域擴展為更大的區(qū)域。通常從一個選取好的種子點集合開始，將與種子點相鄰且在灰度、紋理或顏色等屬性上滿足一定條件的像素點添加到區(qū)域中，一直到區(qū)域無法再生長為止?；?連通鄰域的基本區(qū)域生長算法流程如下（1） 對給定的輸入圖像，選取初始種子點，記種子點構(gòu)成的連通區(qū)域為S。（2） 遍歷S的8鄰域像素，判斷它們否滿足相似性準則，將符合條件的像素加入S所在的連通區(qū)域。（3） 重復(fù)第2步，直到連通域S無法再增長為止。種子點通常根據(jù)先驗知識設(shè)計算法或者通過人機交互的方式來選取。區(qū)域生長算法得到的分割結(jié)果能夠保持和初始種子區(qū)域的聯(lián)通關(guān)系，避免了閾值方法可能會得到數(shù)量眾多但不連通的分割結(jié)果。6.3 區(qū)域生長算法6.4.2使用區(qū)域生長算法分割愛心上圖的藍色背景中有紅色的月亮和心形，目標是分割出其中的愛心圖形。月亮的顏色與愛心的顏色較為接近，但是相互不連通。使用閾值分割將同時從背景中分割出月亮和心形。選擇圖像中央的像素點作為區(qū)域生長的初始種子點。區(qū)域生長算法從種子點出發(fā)，吸納與種子點是8連通并且與種子的灰度差小于一個閾值的像素。區(qū)域生長的結(jié)果不包含月亮。6.3 區(qū)域生長算法1基于邊緣檢測的圖像分割目錄使用閾值分割圖像2區(qū)域生長算法3結(jié)合空間域與色彩域的圖像分割46.4.1SLIC算法SLIC算法本質(zhì)上是在像素的3維色彩分量和2維的空間位置分量

x、y共5個維度上對圖像進行聚類。由于在聚類中考慮了像素的空間位置，該算法會產(chǎn)生“過分割”的效果，即圖像被分割為形狀大小相近、內(nèi)部像素較為相似的眾多小區(qū)域（超像素）。將圖像的基本元素從像素轉(zhuǎn)換為超像素后，一方面減少了圖像分析的運算開銷，另一方面也方便后續(xù)在更高層特征描述下對圖像進行進一步的處理。從右圖可以看到，SLIC將圖像分割為大小相近的不規(guī)則多邊形。在有明顯邊界的地方，所得的超像素的邊緣與圖中目標的邊緣能夠很好地貼合。6.4結(jié)合空間域與色彩域的圖像分割算法6.4.2 快速位移圖像分割算法快速移位圖像分割算法也是一種結(jié)合色彩域和空間域的圖像分割算法，它在進行模式搜索時具有可控制模態(tài)選擇和平衡“過分割”與“欠分割”的特點。相比SLIC算法，快速位移圖像分割算法會聚合一定范圍內(nèi)的相似像素點，避免圖像的“過分割”，可得到較理想的“同質(zhì)”連通區(qū)域?qū)ο蟆ython的skimage中提供了quickshift函數(shù)來實現(xiàn)快速唯一圖像分割算