数字图像处理图像分割和数学形态学学习教案.pptx

会计学阈值(yùzhí)分割法简介阈值(yùzhí)选定阈值(yùzhí)选定阈值(yùzhí)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(qízhōng)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(qízhōng)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。阈值(yùzhí)选定阈值(yùzhí)选定阈值(yùzhí)选定例：最优阈值(yùzhí)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(mìdù)，可得到解一元二次方程的根判别式的系数：阈值(yùzhí)选定阈值(yùzhí)选定阈值(yùzhí)选定阈值(yùzhí)选定具有低梯度值像素的灰度直方图
由于(yóuyú)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。图像(túxiànɡ)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(xiànɡsù)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(xiànɡsù)（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(xiànɡsù)，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。图像(túxiànɡ)阈值化图像(túxiànɡ)阈值化基于区域(qūyù)的分割(Region-BasedSegmentation,相似性分割）基本概念基本概念区域(qūyù)生长(RegionGrowing)区域(qūyù)生长区域分裂(fēnliè)与合并(RegionSplittingandMerging)区域分裂(fēnliè)与合并区域(qūyù)分裂与合并统计(tǒngjì)检测法（statisticaldetectionmethod）统计(tǒngjì)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(qūyù)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)，根据统计(tǒngjì)检测法数学(shùxué)形态学图像处理(MorphologicalImageProcessing)1.背景：
数学形态学是一种(yīzhǒnɡ)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。基本概念基本概念腐蚀(fǔshí)与膨胀1腐蚀
定义：E=BS={x,y|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(fùgài)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(fǔshí) 2膨胀
定义：E=BS={x,y|Sxy∩B≠Ф}
结果：使二值图像(túxiànɡ)扩大一圈。
算法：
用33的结构元素，扫描图像(túxiànɡ)的每一个