图像分割基于阈值和区域的分割ppt课件.ppt

第九章图像分割一、概论图像分割：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。
目的：通过对分割结果的描述，可以理解图像中包含的信息。
图像分割是将像素分类的过程（聚类），分类的依据可建立在：
像素间的相似性：如相同的灰度值、相同的颜色等
非连续性：边界、边缘
传统的图像分割技术：
基于像素灰度值的分割技术
基于区域的分割技术
基于边界的分割技术图像的描述，包括边界和区域的描述
图像分割和集合定义的描述
令集合R代表整个图像区域，对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1，R2，….，RN：
(1)

(2)对所有的i和j，，有
(3)对i=1,2,…,n，有P(Ri)=TRUE
(4)对，有
(5)对i=1,2,…,n，Ri是连通的区域应用领域图像分割技术分类二、阈值分割法
多阈值分割图像
确定一系列分割阈值最古老的分割技术，计算简单。
特别适用于目标与背景有较强对比的景物
图像中组成感兴趣对象的灰度值是均匀的，并且和背景的灰度值不一样
不适合于由许多不同纹理组成一块块区域的图像
关键：怎样选择阈值。1.阈值选取依据2.全局阈值确定最佳全局阈值的常用方法：
P-tile-thresholding（P片）
直方图分析法(极小值点阈值选取)
最小误差自动门限法
类别方差门限法
最佳熵自动门限法
迭代法(1)P-tile-thresholding（P片）法(a)Grayscaletext(b)Histogram直方图分析法（极小值点阈值选取）图9.2由直方图确定阈值进行分割（1）图9.3由直方图确定阈值进行分割（2）(3)基于最小误差的最佳阈值选取(原理)zt为分割阈值,则总的错误概率E(zt)为

最佳阈值就是使E(zt)为最小值时的zt。故有：
（9-1）
设p1(z)和p2(z)为正态分布函数,其灰度均值分别为μ1和μ2,对灰度均值的标准偏差分别为σ1和σ2,则有将上两式代入（9-1），两边求对数则有

这种方法不适用于直方图中双峰值差别很大，或双峰间的谷宽广而平坦的情况，以及单峰直方图的情况。(4)最大类间方差法——大津方法具体算法背景部分比例：

背景部分点数：

目标均值：

背景均值：

总均值：(9-1)图像最佳阈值g

(9-2)

右边括号内实际上就是类间方差值。

方差是灰度分布离散性的一种度量，方差值越大，说明构成图像的和两部分差别越大。
当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
使类间方差最大的分割意味着错分概率最小，——大津方法的真正含义。(5)迭代法数学描述 (9-3)

ibackground和iobject分别是循环第i次得到的背景灰度值和对象灰度值。
(9-3)式也可写为
(9-4)

L为灰度级的个数，hi是灰度值为k的像素点的个数。
迭代一直进行到Ti+1=Ti时结束。
结束时的Ti为阈值。迭代法的初始阈值选取策略原始图像图9.7血液及其阈值迭代分割结果
(a)血液标准检测图像
(b)采用策略2，经5次阈值迭代后，用收敛后的稳定输出值97作为最终的分割阈值的分割结果3.自适应阈值自适应阈值方法的基本步骤原图大津法结果自适应大津法结果4.动态阈值（分水岭阈值算法）(1)基本概念原始图阈值分割分水岭叠加轮廓

图9.10分水岭阈值法分割图像实例三、基于区域的分割法1.什么是区域2.区域生长法生长示例特征相似性是构成与合并区域的基本准则。
相邻性是指所取的邻域方式。
将灰度相关的值作为区域生长准则，区域生长可分为：
单一型(像素与像素)
质心型(像素与区域)
混合型(区域与区域)
单一型区域生长法原理
以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；
然后以合并的像素为生长点，重复以上的操作，
最终形成具有相似特征的像素的最大连通集合。以像素灰度为特征进行简单区域生长的步骤：
对图像进行光栅扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。
把这个像素灰度同其周围(4-邻域或8-邻域)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。
从新合并的像素开始，反复进行②的操作。
反复进行②、③的操作，直到区域不能再合并为止。
返回①操作，寻找能作为新区域出发点的像素。优缺点：
这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，如图9.23(a)，两个区域会合并起来。
解决方法：
在步骤②中不是比较相邻像素灰度，而是比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。3.聚类分割：红外图像分割与目标提取4.区域分割与合并(2)四叉树分解法（3）区域合并(4)基本的分裂合并