【精选】数字图像处理图像分割和数学形态学.ppt

6.1.4阈值分割法（相似性分割）6.1.4.1阈值分割法简介6.1.4.1阈值分割法简介6.1.4.2阈值选定6.1.4.2阈值选定6.1.4.2阈值选定算法简介：设灰度直方图为RHST(z)0zN-1(1)在0N-1的范围内变化z对于每一个灰度值z在比z小的灰度范围NL内求一系列的RHST(z1’)-RHST(z)（0z1'<z）找出其中的最大值为L；(2)同理在比z大的灰度范围NH内对于每一个灰度值z求一系列的RHST(z2')-RHST(z)（z<z2’N-1）找出其中的最大值为H；(3)当L和H的积为最大时的灰度Z为Zm则所求的阈值为Zm。6.1.4.2阈值选定6.1.4.2阈值选定6.1.4.2阈值选定例：最优阈值的计算为求得使该误差最小的阈值可将E(T)对T求微分并令微分式等于零结果是P1p1(T)=P2p2(T)将这个结果用于高斯密度可得到解一元二次方程的根判别式的系数：6.1.4.2阈值选定6.1.4.2阈值选定6.1.4.2阈值选定6.1.4.2阈值选定具有低梯度值像素的灰度直方图由于目标或背景内部的像素具有较低的梯度值而它们边界上的像素具有较高的梯度值所以这个新直方图中对应内部点的峰应基本不变但因为减少了一些边界点所以谷应比原直方图要深。更一般地可计算一个加权的直方图其中赋给具有低梯度值的像素权重大一些。例如设一个像素点的梯度值为g则在统计直方图时可给它加权1/(1+g)2。这样一来如果像素的梯度值为零则它得到最大的权重“1”如果像素具有很大的梯度值则它得到的权重就变得微乎其微。在这样加权的直方图中峰基本不变而谷变深所以峰谷差距加大。6.1.4.3图像阈值化2可变阈值法（动态阈值处理）对于不均匀光照图像来说不论用哪个阈值都无法兼顾亮区与暗区。最好的办法是用可变阈值在亮区阈值取得高暗区阈值取得低即对每个像素都自适应地选用不同的阈值。阈值的选择可以这样来进行：将图像分成许多小块先对每个小块定一个阈值各小块的阈值可以不同然后进行适当的平滑以便消除块间阈值的突变。至于每小块阈值的确定可以有不同的准则和方法一般应当先区分小块只包含一类（全部是背景点或者全部是物体点）还是包含了两类。如果某一块包含了两类的像素（可以从它的直方图有双峰其直方图方差较大等等迹象来判断）则可以用前面所讲的任一种方法定阈值。如果某小块只包含某一类的像素其直方图较集中呈单峰状仅从该小块的信息难于确定阈值要靠它四周直方图呈双峰小块的阈值通过内插来求得该块的阈值。为了使阈值变化缓慢不出现假轮廓线还可以对阈值进行平滑处理等。6.1.4.3图像阈值化6.1.4.3图像阈值化高S区域6.1.5基于区域的分割(Region-BasedSegmentation相似性分割）6.1.5.1基本概念6.1.5.1基本概念6.1.5.2区域生长(RegionGrowing)6.1.5.2区域生长6.1.5.3区域分裂与合并(RegionSplittingandMerging)6.1.5.3区域分裂与合并6.1.5.3区域分裂与合并6.1.5.4统计检测法（statisticaldetectionmethod）6.1.5.4统计检测法为了检测灰度分布情况的相似性采用下面的方法。这里设h1(z)、h1(z)为相邻的两个区域的灰度直方图从这两个直方图求出累积灰度直方图H1(z)、H2(z)根据6.1.5.4统计检测法6.1.6数学形态学图像处理(MorphologicalImageProcessing)1.背景：数学形态学是一种用于数字图像处理和识别的新理论和新方法。2.应用(1)利用形态学基本运算对图像进行处理从而达到改善图像质量的目的。(2)描述和定义图像的各种几何参数和特征如面积、周长、连通度(连接数)、颗粒度、骨架等。(3)大部分形态运算都定义在两个基本运算的基础上：腐蚀和膨胀。在此基础上常用的形态运算(变换)有：开和闭击中和不击中变换细化和粗化边界和骨架等。6.1.6.2基本概念6.1.6.2基本概念腐蚀与膨胀1腐蚀定义：E=BS={xy|SxyB}结果：使二值图像减小一圈。算法：用33的结构元素扫描图像的每一个像素。用结构元素与其覆盖的二值图像做“与”操作。如果都为1结果图像该像素为1；否则为0。腐蚀