图象分割与边缘检测.ppt

第五章图像分割与边缘检测5.1图像分割图5-14连通和8连通4连通指的是从区域上一点出发，可通过4个方向，即上、下、左、右移动的组合，在不越出区域的前提下，到达区域内的任意像素；8连通方法指的是从区域上一点出发，可通过左、右、上、下、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。
图像分割有三种不同的途径：其一是将各像素划归到相应物体或区域的像素聚类方法,即区域法；其二是通过直接确定区域间的边界来实现分割的边界方法；其三是首先检测边缘像素，再将边缘像素连接起来构成边界形成分割。在图像分割技术中，最常用的是利用阈值化处理进行的图像分割。5.1.2灰度阈值法分割
常用的图像分割方法是把图像灰度分成不同的等级，然后用设置灰度门限（阈值）的方法确定有意义的区域或分割物体的边界。常用的阈值化处理就是图像的二值化处理，即选择一阈值，将图像转换为黑白二值图像，用于图像分割及边缘跟踪等预处理。
图像阈值化处理的变换函数表达式为图5-2阈值变换曲线在图像的阈值化处理过程中，选用不同的阈值其处理结果差异很大。如图5-3所示,阈值过大，会提取多余的部分；而阈值过小，又会丢失所需的部分（注意：当前背景为黑色，对象为白色时刚好相反）。因此，阈值的选取非常重要。
图5-3(a)原始图像的直方图如图5-4所示。分析该直方图可知，该直方图具有双峰特性，图像中的目标（细胞）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。此时，用其双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来。图5-3不同阈值对阈值化结果的影响
(a)原始图像；(b)阈值T=91；(c)阈值T=130；(d)阈值T=43图5-4图5-3(a)所示图像的直方图1.判别分析法确定最佳阈值
判别分析法确定最佳阈值的准则，是使进行阈值处理后分离的像素类之间的类间方差最大。判别分析法只需计算直方图的0阶矩和1阶矩，是图像阈值化处理中常用的自动确定阈值的方法。
设图像总像素数为N，灰度值为i的像素数为Ni，则至灰度级K的灰度分布的0阶矩及1阶矩分别定义为
0阶矩：1阶矩：由此可得各类的类间方差为2.p尾法确定阈值
p尾法仅适用于事先已知目标所占全图像百分比的场合。若一幅图像由亮背景和黑目标组成，已知目标占图像的(100－p)%面积，则使得至少(100－p)%的像素阈值化后匹配为目标的最高灰度，将选作用于二值化处理的阈值。5.1.3区域生长
分割的目的是把一幅图像划分成一些区域，最直接的方法就是把一幅图像分成满足某种判据的区域，也就是说，把点组成区域。为了实现分组，首先要确定区域的数目，其次要确定一个区域与其他区域相区别的特征，最后还要产生有意义分割的相似性判据。分割区域的一种方法叫区域生长或区域生成。假定区域的数目以及在每个区域中单个点的位置已知，则从一个已知点开始，加上与已知点相似的邻近点形成一个区域。相似性准则可以是灰度级、彩色、组织、梯度或其他特性，相似性的测度可以由所确定的阈值来判定。方法是从满足检测准则的点开始，在各个方向上生长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时生成过程终止。图5-5给出一个简单的例子。此例的相似性准则是邻近点的灰度级与物体的平均灰度级的差小于2。图中被接受的点和起始点均用下划线标出，其中（a）图是输入图像；（b）图是第一步接受的邻近点；（c）图是第二步接受的邻近点；（d）图是从6开始生成的结果。图5-5区域生长示例当生成任意物体时，接收准则可以结构为基础，而不是以灰度级或对比度为基础。为了把候选的小群点包含在物体中，可以检测这些小群点，而不是检测单个点，如果它们的结构与物体的结构足够相似时就接受它们。5.1.4区域聚合
区域聚合可直接用于图像分割，它要求聚合中的各个点必须在平面上相邻接而且特性相似。区域聚合的步骤是首先检查图像的测度集，以确定在测度空间中聚合的位置和数目，然后把这些聚合的定义用于图像，以得到区域聚合。区域聚合技术可以说明如下。
首先，在图片上定义某个等价关系。例如，最简单的等价关系可定义为p(i,j)＝p(k,l)。也就是说，如果p(i,j)＝p(k,l)，就说明p(i,j)与p(k,l)等价。任何在点的格子上的等价关系又可划分为等价类。例如，p(i,j)的取值范围为0到63，就可以产生64个等价类的模板。如果关系满足，它的值等于1，否则为0。模板的图像是两两不相交的，那么64个模板就会充满整个格子。这些等价的类又可进一步分为最大连接的子集（连接分量）。连接性可以用点(i,j)的邻点来定义，如4连通邻点、8连通邻点等等。假如R是属于格子的子集，在R中存在一个点序列，第一个点