9-圖像分割教學(xué)課件

機(jī)器視覺(jué)及應(yīng)用第九章圖像分割主要內(nèi)容基于灰度值的閾值分割全局閾值分割局部閾值分割區(qū)域生長(zhǎng)分割算法分水嶺分割算法圖像分割圖像分割的目的圖像分割的基本思路圖像分割的策略1、圖像分割是指通過(guò)某種方法，使得圖像中的目標(biāo)物被分為不同的類別，以便進(jìn)一步的分析。是圖像處理中重要的基礎(chǔ)環(huán)節(jié)，一般也比較困難。2、圖像分割準(zhǔn)確的分割影響決定其他部分分析的準(zhǔn)確程度。3、至今仍沒(méi)有一個(gè)判斷分割是否完全正確的準(zhǔn)則，也沒(méi)有一種標(biāo)準(zhǔn)的方法能夠解決所有的分割問(wèn)題。分割的好壞必須從分割的效果來(lái)判斷。圖像分割1、把圖像分解成構(gòu)成它的部件和對(duì)象；2、有選擇性地定位感興趣對(duì)象在圖像中的位置和范圍。圖像分割圖像分割的目的1、從簡(jiǎn)到難，逐級(jí)分割控制背景環(huán)境，降低分割難度2、注意力集中在感興趣的對(duì)象，縮小不相干圖像成分的干擾。提取輪廓車牌定位車牌識(shí)別圖像分割圖像分割的基本思路1、把像素按灰度劃分到各個(gè)物體對(duì)應(yīng)的區(qū)域中去；3、

確定存在于區(qū)域間的邊界；2、

先確定邊緣像素點(diǎn)，然后將它們連接起來(lái)構(gòu)成所需的邊界；區(qū)域：像素的連通集連通準(zhǔn)則：

4-連通

8-連通圖像分割圖像分割的基本策略1、閾值分割法是一種基于灰度值的圖像分割技術(shù)，原理是把圖像象素點(diǎn)分為若干類。圖像閾值化分割是一種傳統(tǒng)的最常用的圖像分割方法。2、閾值分割法實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能較穩(wěn)定。3、閾值分割特別適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像。它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡(jiǎn)化了分析和處理步驟，因此在很多情況下，是進(jìn)行圖像分析、特征提取與模式識(shí)別之前的必要的圖像預(yù)處理過(guò)程。閾值分割4、按照閾值的選擇方式，可以分為全局閾值分割、局部閾值分割兩種方法5、全局閾值分割方法依據(jù)整副圖像來(lái)選擇一個(gè)或多個(gè)閾值對(duì)圖像進(jìn)行分割。局部閾值分割依據(jù)圖像每個(gè)局部區(qū)域選擇閾值對(duì)圖像進(jìn)行分割。6、常用全局閾值分割方法：固定閾值分割、OTSU算法、基于直方圖選擇閾值的方法。7、常用局部閾值分割方法：動(dòng)態(tài)閾值分割、Sauvola算法閾值分割1、最簡(jiǎn)單的閾值分割算法，計(jì)算簡(jiǎn)單，速度快。2、適用條件：亮度均一的目標(biāo)放在另一種亮度的背景上。比如，白紙上的文字，顯微鏡下的生物醫(yī)學(xué)樣本等。是兩類問(wèn)題，區(qū)分物體（前景）與背景。不能適用于復(fù)雜景物的正確分割，比如自然場(chǎng)景。全局閾值分割固定閾值分割方法3、設(shè)原始圖像f(x,y)，在f(x,y)中找出一個(gè)固定的灰度值，作為閾值t，則分割后的圖像g(x,y)，可由下式表示：全局閾值分割固定閾值分割方法g(x,y)=1f(x,y)≥t0f(x,y)<tg(x,y)=1f(x,y)≤t0f(x,y)>t或4、可以將閾值設(shè)置為一個(gè)灰度范圍[t1,t2]，凡是灰度在范圍內(nèi)的象素都變?yōu)?，否則皆變?yōu)?，即全局閾值分割固定閾值分割方法g(x,y)=1t1≤f(x,y)≤t20其它5、某種特殊情況下，高于閾值t的象素保持原灰度級(jí)，其它象素都變?yōu)?，稱為半閾值法，分割后的圖像可表示為：g(x,y)=f(x,y)f(x,y)≥t0其它7、閾值的選取是閾值分割的關(guān)鍵，如果過(guò)高，則過(guò)多的目標(biāo)點(diǎn)被誤歸為背景；如果閾值過(guò)低，則會(huì)出現(xiàn)相反的情況。全局閾值分割固定閾值分割方法6、閾值分割圖像的通用表示：g(x,y)=ZEf(x,y)∈ZZB

其它閾值1、OTSU是日本學(xué)者,該方法又名大津法，最大類間方差法。2、根據(jù)圖像灰度值，將圖像分為背景和前景，兩者之間方差越大，說(shuō)明構(gòu)成圖像的兩部分差別越大，當(dāng)部分前景中有背景或背景中有前景時(shí)，導(dǎo)致兩者的方差變小，因此，類間方差最大意味著錯(cuò)分概率最小。全局閾值分割OTSU閾值分割方法3、算法過(guò)程（1）將圖像f(x,y)的前景和背景分割閾值設(shè)為T。（2）設(shè)前景像素點(diǎn)占整個(gè)圖像的比例為w0,其平均灰度為U0，（3）設(shè)背景像素點(diǎn)占整個(gè)圖像的比例為w1,其平均灰度為U1（4）圖像平均灰度μ，類間方差S設(shè)圖像大小M×N，灰度值小于T的個(gè)數(shù)為N0，大于T的為N1，則它們之間存在以下關(guān)系：全局閾值分割OTSU閾值分割方法前景比例:背景比例像素點(diǎn)總數(shù)前景和背景概率之和平均灰度值類間方差由此可以得到：全局閾值分割OTSU閾值分割方法按照,遍歷0~255個(gè)灰度級(jí)，求出使其最大的灰度值

就是要尋找的閾值。全局閾值分割OTSU閾值分割方法4、該算法的理論依據(jù)：假定圖像包含兩類像素（前景像素和背景像素），直方圖為雙峰直方圖。5、優(yōu)點(diǎn)：算法簡(jiǎn)單，當(dāng)目標(biāo)與背景的面積相差不大時(shí)，能夠有效地對(duì)圖像進(jìn)行分割。

缺點(diǎn)：當(dāng)圖像中的目標(biāo)與背景的面積相差很大時(shí)，表現(xiàn)為直方圖沒(méi)有明顯的雙峰，或者兩個(gè)峰的大小相差很大，分割效果不佳，或者目標(biāo)與背景的灰度有較大的重疊時(shí)也不能準(zhǔn)確的將目標(biāo)與背景分開(kāi)。全局閾值分割基于直方圖的閾值分割1、OTSU作為全局自適應(yīng)閾值分割算法，其適應(yīng)范圍有限。

2、圖像中的直方圖是灰度分布的概率，直方圖上的波谷代表了不同灰度的邊界，通過(guò)直方圖計(jì)算，將位于直方圖波谷位置的灰度值作為閾值，對(duì)圖像進(jìn)行全局閾值分割。全局閾值分割基于直方圖的閾值分割全局閾值分割基于直方圖的閾值分割例全局閾值分割示例read_image(Image,'E:/示例/pellets.png')threshold(Image,Regions,115,204)binary_threshold(Image,Region2,'max_separability','light',UsedThreshold)auto_threshold(Image,Regions3,2)gray_histo(Image,Image,AbsoluteHisto,RelativeHisto)histo_to_thresh(AbsoluteHisto,2,MinThresh,MaxThresh)threshold(Image,Region4,MinThresh,MaxThresh)

全局閾值分割基于直方圖的閾值分割原圖固定閾值OTSU自動(dòng)從直方圖分割先計(jì)算直方圖閾值，再閾值分割局部閾值分割1、圖像受到光照不均的影響，如果采用全局閾值，分割圖像效果不好。2、根據(jù)圖像中每個(gè)局部區(qū)域，設(shè)定不同的閾值，對(duì)圖像進(jìn)行分割。3、常用局部閾值分割算法：動(dòng)態(tài)閾值分割、Sauvola算法局部閾值分割1、在圖像的局部感興趣區(qū)域，物體通常比背景更亮或者更暗。2、采用均值濾波、高斯濾波等方法，對(duì)圖像進(jìn)行平滑處理，可以計(jì)算當(dāng)前像素鄰域內(nèi)的灰度均值。3、將濾波結(jié)果作為背景灰度值進(jìn)行估計(jì)，將圖像與局部背景進(jìn)行比較，得到閾值分割結(jié)果。動(dòng)態(tài)閾值分割局部閾值分割4、為了避免圖像與局部背景比較之后的值過(guò)小，一般再添加一個(gè)偏移量。動(dòng)態(tài)閾值分割f(x,y)——原圖g(x,y)——濾波結(jié)果圖b——偏移量局部閾值分割5、動(dòng)態(tài)閾值算法簡(jiǎn)單，運(yùn)算速度快，能適應(yīng)不同光照的影響。6、平滑濾波器的大小對(duì)結(jié)果影響比較大，一般濾波器尺寸越大，越能代表局部背景。動(dòng)態(tài)閾值分割局部閾值分割1、Sauvola算法以當(dāng)前像素點(diǎn)為中心，根據(jù)當(dāng)前像素點(diǎn)鄰域內(nèi)的灰度均值與標(biāo)準(zhǔn)偏差來(lái)動(dòng)態(tài)計(jì)算該像素點(diǎn)的閾值。Sauvola算法2、當(dāng)前像素點(diǎn)的坐標(biāo)為(x,y)，以該點(diǎn)為中心的領(lǐng)域?yàn)閞*r，f(x,y)表示(x,y)處的灰度值，Sauvola算法的步驟如下：局部閾值分割（1）計(jì)算r×r鄰域內(nèi)的灰度均值和標(biāo)準(zhǔn)偏差Sauvola算法局部閾值分割（2）計(jì)算像素點(diǎn)的閾值Sauvola算法R是標(biāo)準(zhǔn)偏差的假定最大值，對(duì)于Byte數(shù)據(jù)類型的圖像，R=128。K是修正系數(shù)，用Sauvola方法進(jìn)行圖像分割時(shí)，選擇的處理模板窗口大小的選擇很關(guān)鍵，選擇的空間太小，則噪聲抑制的效果不理想，目標(biāo)主體不夠突出，選擇的空間太大，則目標(biāo)的細(xì)節(jié)會(huì)被去除而丟失信息局部閾值分割例局部閾值示例read_image(Image,'E:/示例/pellets.png')mean_image(Image,ImageMean,19,19)dyn_threshold(Image,ImageMean,RegionDynThresh,5,'light')local_threshold(ImageMean,Region,'adapted_std_deviation','light','mask_size',51)Sauvola算法局部閾值分割Sauvola算法原圖動(dòng)態(tài)閾值Sauvola算法閾值分割1、基于灰度的閾值分割算法有很多，以上介紹的是主流的閾值分割算法，還有很多根據(jù)以上算法進(jìn)行改進(jìn)的算法。2、每種算法適應(yīng)的圖像不一樣，在實(shí)際使用中，需要根據(jù)圖像的特點(diǎn)，選擇不同的閾分割算法。1、基本思想：將具有相似性質(zhì)的象素集合起來(lái)構(gòu)成區(qū)域。2、算法實(shí)現(xiàn)步驟：

（1）根據(jù)圖像的不同應(yīng)用選擇一個(gè)或一組種子，它或者是最亮或最暗的點(diǎn)，或者是位于點(diǎn)簇中心的點(diǎn);

（2）選擇一個(gè)描述符（條件）；

（3）從該種子開(kāi)始向外擴(kuò)張，首先把種子像素加入結(jié)果集合，然后不斷將與集合中各個(gè)像素連通、且滿足描述符的像素加入集合

（4）上一過(guò)程進(jìn)行到不再有滿足條件的新結(jié)點(diǎn)加入集合為止。區(qū)域生長(zhǎng)分割算法區(qū)域生長(zhǎng)分割算法區(qū)域生長(zhǎng)算法取決于初始種子點(diǎn)的選取、生長(zhǎng)準(zhǔn)則、終止條件。生長(zhǎng)準(zhǔn)則包括灰度值的差值、彩色圖像的顏色、梯度特征、該點(diǎn)周圍的區(qū)域特征等。種子點(diǎn)的選取包括人工交互，自動(dòng)提取物體內(nèi)部點(diǎn)或者利用其它算法找到的特征點(diǎn)等。區(qū)域生長(zhǎng)分割算法取門限T=1區(qū)域生長(zhǎng)分割算法例區(qū)域生長(zhǎng)法示例read_image(Image1,'E:/示例/pellets.png')regiongrowing(Image1,Regions2,3,3,10,100)select_shape(Regions2,SelectedRegions,'area','and',0,62645.6)分水嶺算法1、根據(jù)分水嶺的構(gòu)成來(lái)來(lái)考慮圖像的分割。該算法是一種基于拓?fù)淅碚摰姆指罘椒ā?、把圖像中的每個(gè)像素點(diǎn)表示為海拔高度，每一個(gè)局部極小值及其影響區(qū)域成為集水盆，集水盆的邊界形成分水嶺。3、通過(guò)模擬浸入過(guò)程，在每個(gè)局部極小值表面，慢慢向外擴(kuò)展，在兩個(gè)集水盆匯合處形成分水嶺。分水嶺算法4、分水嶺計(jì)算過(guò)程：（1）排序過(guò)程，將每個(gè)像素值的灰度級(jí)進(jìn)行從低到高排序；（2）淹沒(méi)過(guò)程，從低到高實(shí)現(xiàn)淹沒(méi)過(guò)程，對(duì)每個(gè)局部極小值在h階高度的影響域采用先進(jìn)先出結(jié)構(gòu)進(jìn)行判斷和標(biāo)注。5、分水嶺表示的是輸入圖像的極大值點(diǎn)。為了得到圖像的邊緣信息，通常把梯度圖像作為輸入6、圖像中的噪聲以及表面細(xì)微變化會(huì)產(chǎn)生過(guò)度分割的現(xiàn)象。分水嶺算法例：區(qū)域生長(zhǎng)和分水嶺算法示例read_image(Image1,'E:/示例/pellets.png')regiongrowing(Image1,Regions2,3,3,10,100)select_shape(Regions2,SelectedRegions,'area','and',0,62645.6)gauss_filter(Image1,ImageGauss,9)watersheds(ImageGauss,Basins,Watersheds)watersheds_threshold(ImageGauss,Basins1,10)sobel_dir(ImageGauss,EdgeAmplitude,EdgeDirection,'sum_abs',3)watersheds(EdgeAm