數(shù)字圖像處理(岡薩雷斯)課件10-圖像分割

《數(shù)字圖像處理(岡薩雷斯)課件10-圖像分割》由會員分享，可在線閱讀，更多相關(guān)《數(shù)字圖像處理(岡薩雷斯)課件10-圖像分割（139頁珍藏版）》請在裝配圖網(wǎng)上搜索。

1、數(shù)字圖像處理（10） 任何問題? 圖像分割 ?概述 ?間斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 圖像分割 圖像分割 圖像分割 ?分割的目的：將圖像劃分為不同區(qū)域 ?三大類方法 /根據(jù)區(qū)域間灰度不連續(xù)搜尋區(qū)域之間的邊 界，在間斷檢測、邊緣連接和邊界檢測介紹 /以像素性質(zhì)的分布進行閾值處理，在閾值處 理介紹 /直接搜尋區(qū)域進行分割，在基于區(qū)域的分割 中介紹 ?概述 /在對圖像的研究和應(yīng)用中，人們往往僅對圖 像中的某些部分感興趣，這些部分一般稱為目 標(biāo)或前景 “為了辨識和分析目標(biāo)，需

2、要將有關(guān)區(qū)域分離 提取出來，在此基礎(chǔ)上對目標(biāo)進一步利用，如 進行特征提取和測量 “圖像分割就是指把圖像分成各具特性的區(qū)域 并提取出感興趣目標(biāo)的技術(shù)和過程 ?概述（續(xù)） “特性可以是灰度、顏色、紋理等，目標(biāo)可以 對應(yīng)單個區(qū)域，也可以對應(yīng)多個區(qū)域 “圖像分割算法是基于亮度值的不連續(xù)性和相 似性 ＞不連續(xù)性是基于亮度的不連續(xù)變化分割圖像，女口 圖像的邊緣 ＞根據(jù)制定的準(zhǔn)則將圖像分割為相似的區(qū)域，如閾 值處理、區(qū)域生長、區(qū)域分離和聚合 圖像分割舉例 J E

3、 ERL1 Image MDL MML PR=0.781 PFU0.670 PR=0.800 #253036 PR=0.710 PFU0.607 #249061 PFU0.865 PR=0.758 PR=0.763 PFU0.897 PFU0.897 PR=0.951 PR=0.953 Row 1: Image Row 2: RPCL

4、Row 3: CAC Row 4: ERL #3096 pr=0.521 pr=0.740 pr=0.375 #219090 pr=0.480 pr=0.565 pr=0.401 pr=0.861 pr=0.850 pr=0.789 pr=0.613 pr=0.822 pr=0.890 pr=0.820 pr=0.914 基于邊緣生長的圖像分割算法結(jié)果 ?參考文獻：林通，“基于內(nèi)容的視頻索引與檢索方法的研究二 北京大學(xué)數(shù)學(xué)科學(xué)學(xué)院，博士論文，2001。 (c) (d) 基于邊緣生長的圖像分割算法結(jié)果

5、 (a) (b) (c) (d) (e) (f) 2 閤4 L -— 圖4.10:川回視頻幀圖象的分和結(jié)果。 踐4.11: Fo^num他換幀圈公「勺??；. 1二,來 圖像分割 ?概述 ?間

6、斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 圖像分割 ?間斷檢測 “點檢測 “線檢測 /邊緣檢測 ?尋找間斷的一般方法：模板檢測 旳 他 呵 嗎 叫 殛 曬 R =(0\Z\ + 力2乙2 + …+ Q9Z9 9 二工昭 Z = 1 間斷檢測 ?點檢測 使用如圖所示的模板，如果|7?|>T ,則在模 板中心位置檢測到一個點 其中，T是閾值，R是模板計算值 -1 -1 -1 -1 -1 -1 -1 -1 /基本思想：如果一個孤立點與它周圍的點不

7、同，則可以使用上述模板進行檢測。 /注意：如果模板響應(yīng)為0,則表示在灰度級 為常數(shù)的區(qū)域 點檢測例子 圖a 圖b 圖c 孔中嵌有一個黑點 應(yīng)用檢測模板的結(jié)果使用圖b中像素最高值的90% 結(jié)論：孤立點可以通過檢測模板并設(shè)置閾值進行 檢測 間斷檢測 ?線檢測 4個線檢測模板 FIGURE 10.3 Line masks. Horizontal +45。 Vertical -45 /第一個模板對水平線有最大響應(yīng) /第二個模板對45。方向線有最大響應(yīng) “第三個模板對垂直線有最大響應(yīng) /第四個模板對-45。方向線有最大響應(yīng) 間斷檢測 ?線檢測 /用R

8、p R2, R3和R4分別代表水平、45。、垂直和 -45。方向線的模板響應(yīng)，在圖像中心的點，如 果|用＞和知 則此點被認(rèn)為與在模板i方向上的線更相關(guān) /例:如果陶〉|心|，上2,3,4 則該點與水平線有更大的關(guān)聯(lián) /在灰度恒定的區(qū)域，上述4個模板的響應(yīng)為 線檢測例子 二值電路接線模板， 討戈方向為-45啲線條 使用?45。模 板，得到結(jié) 果的絕對值 FIGURE 104 Illustration of line detection. (a) Binary xvire bond mask ? (b) Absolute value of resul

9、t after processing with -45 line detector. (c) Result of thresholding image (b)? 使用閾值方法，閾 值等于圖像中最大 值得到的結(jié)果，一 些孤立點使用點模 板檢測刪除，或用 形態(tài)學(xué)腐蝕法刪除 間斷檢測 ?邊緣檢測 “什么是邊緣？ 一組相連的像素集合，這些像素位于兩個區(qū) 域的邊界上 “ 一階導(dǎo)數(shù)和二階導(dǎo)數(shù)在識別圖像邊緣中的

10、應(yīng) 用 數(shù)字邊緣模型 理想數(shù)字邊緣模型 Model of an ideal digital edge Gray-level profile of a horizontal line through the image 斜坡的產(chǎn)生是由光學(xué)系統(tǒng)、 的邊緣模糊造成的 斜坡數(shù)字邊緣模型 Model of a ramp digital edge Gray-level profile of a horizonlal line through the image a b FIGURE 10.5 (a) Model of an idea

11、l digital edge. (b) Model of a" ramp edge. 1 he slope of the ramp is proportional to the degree of blurring in the edge. 取樣和圖像采集系統(tǒng)的不完善帶來 間斷檢測 a b FIGURE 10.6 (a) Two regions separated by a vertical edge? (b) Detail near the ed^e. showing a gray-level profile.and the first and second deriv

12、atives of the profile ? 在邊緣斜面上, 其它區(qū)域為零 J邊緣 一階導(dǎo)數(shù)為正, 在邊緣與黑色交界處，二階導(dǎo)數(shù)為正 在邊緣與亮色交界處，二階導(dǎo)數(shù)為負(fù) 沿著斜坡和灰度為常數(shù)的區(qū)域為零 Gray-level profil Second derivative 間斷檢測 ?結(jié)論 / 一階導(dǎo)數(shù)可用于檢測圖像中的一個點是否在 邊緣上 /二階導(dǎo)數(shù)可以判斷一個邊緣像素是在

13、邊緣亮 的一邊還是暗的一邊 / 一條連接二階導(dǎo)數(shù)正值和負(fù)值的虛構(gòu)直線將 在邊緣中點附近穿過零點 / 一階導(dǎo)數(shù)使用梯度算子，二階導(dǎo)數(shù)使用拉普 拉斯算子 邊緣檢測 ?梯度算子 /圖像f（x，y）在位置（x，y）的梯度定義為下歹!J 向量 生 dx Gy 邊緣檢測 邊緣檢測 V/ = mag（VF）= +G（p arctan a 5 Gx ? Roberts交叉梯度算子 Vf -|Gx| + |Gy| =Z9 - z5| + Z8 ZJ Z2 Z3 ZJ z5 Z

14、6 Z9 Z7 z8 z “梯度計算由兩個模板組成，第一個求 得梯度的第一項，第二個求得梯度的 第二項，然后隸和，得到梯厘。 邊緣檢測 /兩個模板稱為Roberts 交叉梯度算子 -1 0 0 1 0 -1 1 0 邊緣檢測 邊緣檢測 ? Prewitt梯度算子 3x3的梯度模板 Vf |Gx| + |Gy =(z7 +z8 (Z3 +Z6 Z9) Z9) (Z] + z2 + z3) + (Z1 + z4 + z7) -10 1 -10 1 -10 1

15、 Z2 Z3 ZJ Z5 Z6 z8 3 邊緣檢測 邊緣檢測 邊緣檢測 -1 -2 -1 -10 1 0 0 0 -2 0 2 12 1 ■ -10 1 ^z2 2z4 zi Z2 Z3 Z4 Z5 Z6 z7 z8 % + z3) + Z7) + ? Sob"梯度算子——3x3的梯度模板 權(quán)值2用于通過增加中心點的重要性而實現(xiàn)

16、某種 程度的平滑效果 Vf q |Gx| + |Gy| =I (z7 +2z8 + z9) -(Z] + (z3 +2z6 + z9) -(Z] + 邊緣檢測 ?結(jié)論 / Prewitt和Sobel算子是計算數(shù)字梯度時最常 用的算子 / Prewitt模板比Sobel模板簡單，但Sobel模 板能夠有效抑制噪聲 邊緣檢測原圖像  |GX|, x方向上的梯度分量, 水平細(xì)節(jié)非常清楚 處理辦法：對圖像進行平滑處理 a b c d FIGURE 10J0 (a) Original image, (b) G」、 component of

17、 the gradient in the x-direction ? (C) |Gy|? component in the y-direction. (d) Gradient image. |G」+ |GV|. |G、,|, y方向上的梯度分量，梯度圖像|GJ+|GJ,水平和 處理辦法：對圖像進行平滑處理 處理辦法：對圖像進行平滑處理 垂直細(xì)節(jié)非常清楚  垂直細(xì)節(jié)都非常清楚 處理辦法：對圖像進行平滑處理 處理辦法：對圖像進行平滑處理 問題：磚墻等圖像細(xì)節(jié)對邊緣提取不必要 處理辦法：對圖像進行平滑處理 邊緣檢

18、測 原圖像經(jīng)過5X5的均值濾lGxb x方向上的梯度分量， 波器進行平滑處理 突出水平細(xì)節(jié) a b c d FIGURE 10.11 Same sequence as in Fig. 10.10, but with the original image smoothed with a 5 X 5 averaging filter. |GV|, y方向上的梯度分量，梯度圖像|G」+|GJ,突出水平和 突出垂直細(xì)節(jié) 垂直細(xì)節(jié) 邊緣檢測 Sobel45。模板的檢測結(jié)果 Sobel-45。模板的檢測結(jié)果 a b FIGURE 10.12 Diagonal edge detecti

19、on. (a) Result of using the mask in Rg. 10.9(c). (b) Result of using the mask in Rg. 10.9(d). The input in both cases was Fig. 10.11(a). 拉普拉斯算子 ?圖像函數(shù)的拉普拉斯變換定義為 FIGURE 10>13 Laplacian masks used to implement Eqs. (10.1-14) and (10.1-15), respectively. 0 -1 0 -1 4 -1 0 -1 0 -1

20、 -1 -1 -1 8 -1 -1 -1 -1 拉普拉斯算子 ?拉普豆斯算子總結(jié) /缺點： ＞拉普拉斯算子對噪聲具有敏感性 ＞拉普拉斯算子的幅值產(chǎn)生雙邊緣 ＞拉普拉斯算子不能檢測邊緣的方向 /優(yōu)點： ＞可以利用零交叉的性質(zhì)進行邊緣定位 ＞可以確定一個像素是在邊緣暗的一邊還是亮的 一邊 拉普拉斯算子 ?拉普拉斯算子與平滑過程一起利用零交 叉找到邊緣 治)=”/ f2 =X2 +y2 b是標(biāo)準(zhǔn)差 2 2 "I 5(”匚千而 上式稱為高斯型的拉普拉斯算子LoG 三維曲線 圖像：白色是正值區(qū)域，黑色是負(fù)值區(qū)域, 灰色是零值區(qū)

21、域 a b 5 橫截面 FIGURE 10.14 Laplacian of a Gaussian (LoG). (a) 3-D plot. (b) Image (black is negative gray is the zero plane? and white is positive). (c) Cross section showing zero crossings. (cl) 5x5 mask approximation to the shape of (a). 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2

22、-1 0 -1 -2 -1 0 0 0 -1 0 0 近似的5X5模板：一個正的 中心項，周圍是一個相鄰的 負(fù)值區(qū)域，并被一個零值的 外部區(qū)域包圍。系數(shù)的總和 為零 ?高斯型拉普拉斯算子總結(jié) /高斯型函數(shù)的目的是對圖像進行平滑 處理 /拉普拉斯算子的目的是提供一幅用零 交叉確定邊緣位置的圖像 /平滑處理減少了噪聲的影響 例：通過零交叉檢測邊緣 原圖 Sobel算子檢測結(jié)果 空間高斯型平滑函數(shù) 一 1 -1 -1 -1 8 -1 -1 -1 -1 拉普拉斯算子模板 LoG檢測結(jié)果 檢測邊緣：尋找零交 叉點，檢測

23、黑色和白 色區(qū)域之間的過渡點 域為白色，所有負(fù)值區(qū)域為黑色 域為白色，所有負(fù)值區(qū)域為黑色 對LoG圖像設(shè)置閾値的結(jié)果，所有正值區(qū) 域為白色，所有負(fù)值區(qū)域為黑色 圖像分割 ?結(jié)論（對比二階拉普拉斯算子和一階 Sobel梯度算子） /缺點 ＞邊緣由許多閉合環(huán)的零交叉點決定 ＞零交叉點的計算比較復(fù)雜 /優(yōu)點 零交叉點圖像中的邊緣比梯度邊緣細(xì) ＞抑制噪聲的能力和反干擾性能 /結(jié)論：梯度算子具有更多的應(yīng)用 ?概述 ?間斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 圖像分割 ?

24、邊緣連接和邊界檢測 /為什么需要邊緣連接? /局部處理 /整體處理之霍夫變換 圖像分割 ?為什么需要邊緣連接？ /由于噪聲、照明等產(chǎn)生邊緣間斷，使得一組 像素難以完整形成邊緣 /因此，在邊緣檢測算法后，使用連接過程將 間斷的邊緣像素組合成完整邊緣 圖像分割 ?局部處理 /分析圖像中每個邊緣點（X, y）的一個鄰域內(nèi) 的像素，根據(jù)某種準(zhǔn)則將相似點進行連接，由 滿足該準(zhǔn)則的像素連接形成邊緣 “如何確定邊緣像素的相似性 ＞邊緣像素梯度算子的響應(yīng)強度 ＞邊緣像素梯度算子的方向 圖像分割 ?邊緣像素梯度算子的響應(yīng)強度 如果附(3)-W(兀。，溝

25、匕疋 貝Ij (x, y)鄰域內(nèi)坐標(biāo)為(x0, y0)的邊緣像素，在幅 度上相似于(x,y)的像素 9 Gx ?邊緣像素梯度算子的方向 如果 鳳兀歹)一 a(xo，溝］ < 人 Q(x,歹)=arcta 則(x,y)鄰域內(nèi)坐標(biāo)為(x%的邊緣像素,在角度 上相似手(x,y)的像素 邊緣局部處理例子 原始圖像：檢測車牌牌照 a b c d FIGURE 10.16 (a) Input image. (b) Gv component of the gradient. (c) Gx component of the gradient. (d) Result o

26、f edge linking. (Courtesy of Perce pt ics Corporation.) Sobel算子的分量 邊緣連接的結(jié)果 Sobel算子的G、,分量 ■■I j美國牌照的長寬 pi比例是2:1 邊緣連接的結(jié)果 通過Hough變換進行整體處理 ? Hough變換 /問題的提出 / Hough變換的基本思想 /算法實現(xiàn) / Hough變換的擴展 邊緣連接的結(jié)果 通過Hough變換進行整體處理

27、 b b A Hough變換問題的提出 /在找出邊界點集之后，需要連接，形 成完整的邊界圖形描述  通過Hough變換進行整體處理 ? Hough變換的基本思想 /對于邊界上的n個點的點集，找出共線 的點集和直線方程。 /對于任意兩點的直線方程：y = ax + b,構(gòu)造一個參數(shù)a, b的平面，從而有 如下結(jié)論： b 通過Hough變換進行整體處理 ? Hough變換的基本思想 / xy平面上的任意一條直線y二ax + b ,對應(yīng)在參數(shù)ab平面上都有一個點 a o b /過xy平面一個點(x,y)的所有直線，構(gòu)

28、 成參數(shù)此平面上的一條直線 b 1 b y b， 通過Hough變換進行整體處理 ? Hough變換的基本思想 /如果點(X], yj與點(x2, y2)共線，那么這兩點 在參數(shù)ab平面上的直線將有一個交點，具有相 a9 /在參數(shù)ab平面上相交直線最多的點，對應(yīng)的 xy平面上的直線就是我們的解 b 通過Hough變換進行整體處理 ? Hough變換的基本思想  通過Hough變換進行整體處理 ? Hough變換算法實現(xiàn) /由于垂直直線a為無窮大，我們改用極坐標(biāo) 形式： xcos 0 + ysinO 二 p “參數(shù)平面為e,p ,對應(yīng)不是

29、直線而是正弦曲 線 /使用交點累加器，或交點統(tǒng)計直方圖，找出 相交線段最多的參數(shù)空間的點 /然后找出該點對應(yīng)的xy平面的直線線段 b 通過Hough變換進行整體處理 ? Hough變換的擴展 / Hough變換不只對直線，也可以用于 圓： (X _ C]) 2 + (y - c2)2 二 C32 /這時需要三個參數(shù)的參數(shù)空間 圖像分割 ?概述 ?間斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 圖像分割 ?閾值處理 /基礎(chǔ) /基本全局閾值 /基本自適應(yīng)閾值 /

30、最佳全局和自適應(yīng)閾值 /通過邊界特性選擇閾值 /基于不同變量的閾值 閾值處理 基礎(chǔ) a b FIGURE 10.26/(a) Gray-level histograms that can be partitioned by (a) a single thresh- okl and (b) Multiple threshold/. 暗的背景：f(x,y)WT 亮的對象：f(x

31、,y) > T 暗的背景：f(x,y)WTl 亮的一個對象：T] T2 閾值處理 ?基礎(chǔ) /閾值處理操作 T詡兀曲訕/(◎)] f(x, y)是點(X, y)的灰度級,p (x, V)表示該點 的局部性質(zhì)，如以(x,y)為中心的鄰域的平均 灰度級 丁閾值處理后的圖像g (x, y)定義為 (\ J1 /(^ y)>T 曲)%血)紋 閾值處理

32、 ?基礎(chǔ) / 、_卩 /(^y)>T SX，y [O /(x,y)

33、 niaxinnim and mini mu m gray levels. 圖像分割 ?計算基本全局閾值算法 1. 選擇一個T的初始估計值 2. 用T分割圖像，生成兩組像素：G］由所有灰度值大 于T的像素組成，而G?由所有灰度值小于或等于T的 像素組成 3. 對區(qū)域G］和G?中的所有像素計算平均灰度值卩1和卩2 4. 計算新的閾值T = +心） 5. 重復(fù)步驟2到4,直到逐次迭代所得的T值之差小于 事先定義的參數(shù)Io 利用基本全局閾值算法的例子 原圖 T0=0, 3次迭代得到 值為125.4 a b 原圖的直方圖 基本全局閾值算法 處理的結(jié)果 最后確定T=1

34、25 FIGURE 10.29 (a) Original image?(b) Image histogram ? (c) Result of segmentation with the llireshold eslimaled by iteration. (Original courtesy of Ihe National Institute of Standards and rIechnolugy.) 波谷作為閾值 圖像分割 ?基本自適應(yīng)閾值 /單一全局閾值存在的問題 ＞不均勻亮度圖像無法有效分割 /方法 ＞將圖像進一步細(xì)分為子圖像，并對不同的子圖 像使用不同的閾

35、值處理 ＞解決的關(guān)鍵問題：如何將圖像進行細(xì)分和如何為 得到的子圖像估計閾值 ＞自適應(yīng)閾值：取決于像素在子圖像中的位置 基本自適應(yīng)閾值舉例 原圖 a b c d FIGURE 10.30 (a) Original image?[b) Result of global thresholding (c) Image subdivided into individual su bi mages (d) Result of adaptive thresholding. 分割為子圖像：4等分后 再4等分 一個全局閾值處理后的結(jié)果: 人工設(shè)置直方圖的波谷為閾值

36、 自適應(yīng)閾值處理的結(jié)果 圖像分割 ?最佳全局和自適應(yīng)閾值 /假設(shè)一幅圖像僅包含兩個主要的灰度級區(qū)域。令Z 表示灰度級值，則兩個灰度區(qū)域的直方圖可以看作它 們概率密度函數(shù)(PDF)的估計p (z) / p(z)是兩個密度的和或混合。一個是圖像中亮區(qū)域 的密度，另一個是暗區(qū)域的密度 /如果p(z)已知或假設(shè)，則它能夠確定一個最佳閾值 (具有最低的誤差)將圖像分割為兩個可區(qū)分的區(qū)域 最佳全局和自適應(yīng)閾值 FIGURE 10.32 Gray-level probability density functions ?r o

37、f two regions in an image? /假設(shè)2個PDF中較大的一個對應(yīng)背景的灰度級，較小的 一個描述了圖像中對象的灰度級，則混合PDF是 P（z） = Pi（z）+%2（z） P］是屬于對象像素的概率，卩2是屬于背景像素的概率, 假設(shè)圖像只包括對象和背景，則 片+b=l 最佳全局和自適應(yīng)閾值 /在區(qū)間［a，b］內(nèi)取值的隨機變量的概率是它的概率密度 函數(shù)從a到b的積分，即在這兩個上下限之間PDF曲線圍住 的面積，因此，將一個背景點當(dāng)作對象點進行分類時，錯 誤發(fā)生的概率為： “ 這是在曲線P2(z)下方位于閾值左邊區(qū)域的面積 /將一個對象點當(dāng)作背景點

38、進行分類錯誤發(fā)生的概率為 這是在曲線Pi(z)下方位于閾值右邊區(qū)域的面積 /出錯率的整體概率是 E(7j = &d(7j+M2 ⑴ /為了找到出錯最少的閾值，使用萊布尼茲法則 把E(T)對T求微分并令結(jié)果等于0,得到 /上式解出T,即為最佳閾值 /如果P1=P2^貝!J最佳閾值位于曲線Pi(z)和P2(z) 的交點處1 最佳全局和自適應(yīng)閾值 /高斯密度可以用兩個參數(shù)均值和方差描述 （z-“I ）2 + (Z-“2『 2巾2 /出錯最少的閾值T的解 AT 2 + BT + C = 0 A = crl - er2 B = 2（〃icr孑-//2^12

39、） C =只応-必応+ 2打（7孑111&2戶1 /6戶2） 最佳全局和自適應(yīng)閾值 /如果P]=P2,最佳閾值是均值的平均數(shù) /如果方差相等；=分二分，則得到單一的閾值 2 （門\ 八“】+ “2+ b亙 2 “1-“2 J 圖像分割 ?通過邊界特性選擇閾值 /基本思想： A如果直方圖的各個波峰很高、很窄、對 稱，且被很深的波谷分開時，有利于選擇 閾值 A為了改善直方圖的波峰形狀，我們只把區(qū)

40、 域邊緣的像素繪入直方圖，而不考慮區(qū)域 中間的像素 A用微分算子，處理圖像，使圖像只剩下邊 界中心兩邊的值 圖像分割 ?通過邊界特性選擇閾值 /這種方法有以下優(yōu)點： 1） 在前景和背景所占區(qū)域面積差別很大時， 不會造成一個灰度級的波峰過高，而另一 個過低 2） 邊緣上的點在區(qū)域內(nèi)還是區(qū)域外的概率是 相等的，因此可以增加波峰的對稱性 3） 基于梯度和拉普拉斯算子選擇的像素，可 以增加波峰的高度 圖像分割 ?通過邊界特性選擇閾值 /算法的實現(xiàn)： 1） 對圖像進行梯度計算，得到梯度圖像。 2） 得到梯度值最大的那一部分（比如10%） 的像素直方圖 3） 通過直方圖的谷底，

41、得到閾值T /如果用拉普拉斯算子，不通過直方圖，直接 得到閾值，方法是使用拉普拉斯算子過濾圖 像，將0跨越點對應(yīng)的灰度值為閾值T 圖像分割 ;基于不同變量的閾值 /在某些情況下，傳感器可以產(chǎn)生不止一個在圖像中 描述每一個像素的可利用的變量，因此，允許進行多 譜段閾值處理 /例如一幅有3個變量的圖像（RGB分量），每個像素有 16種可能的灰度級，構(gòu)成16X16X16種灰度級（網(wǎng) 格，立方體） /閾值處理就是在三維空間內(nèi)尋找點的聚簇的過程。 如在直方圖中找到有效點簇K,可以對RGB分量值接近 某一個簇的像素賦予一個任意值（如白色的值），對其 它像素賦予另一個值（如黑色的值） /

42、彩色圖像處理中的色調(diào)和飽和度易于圖像分割 基于不同變量閾值的處理 彩色照片的單色圖像 對應(yīng)于臉部色調(diào)的一 個簇進行閾值處理得到 對應(yīng)于紅色軸的一個簇 進行閾值處理得到，紅色的 圍巾和花出現(xiàn)在分割結(jié)果中 a h c FIGURE 10.39 (a) Original color image shown as a monochrome picture, (b) Seomenlation of pixels with colors clos

43、e to facial tones, (c) Segmerdation of red components. /原彩色圖是由16位RGB圖像組成的 /圍巾是鮮紅色，頭發(fā)和臉部的顏色很淺 圖像分割 ?概述 ?間斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 圖像分割 ?基于區(qū)域的分割 /基本公式 /區(qū)域生長 /區(qū)域分離與合并 圖像分割 圖像分割 圖像分割 圖像分割 ?基本概念 /目標(biāo)：將區(qū)域R劃分為若干個子區(qū)域 Ri，R2,…,Rn,這些子區(qū)域滿足5個條

44、件： 1）完備性: n i=l 2） 連通性：每個叫都是一個連通區(qū)域 3） 獨立性：對于任意iHj, RjClRj二 ① 圖像分割 ?基本概念 4） 單一性：每個區(qū)域內(nèi)的灰度級相 等， P （出）=TRUE, i = 1,2, ...,n 5） 互斥性：任兩個區(qū)域的灰度級不 等，P （RjURj） = FALSE, iHj ?區(qū)域增長的算法實現(xiàn)： 1） 根據(jù)圖像的不同應(yīng)用選擇一個或一組種 子，它或者是最殼或最暗的點，或者是位 于點簇中心的點 2） 選擇一個描述符（條件） 3） 從該種子開始向外擴張，首先把種子像素 加入結(jié)果集合，然后不斷將與集

45、合中各個 像素連通、且滿足描述符的像素加入集合 4） 上一過程進行到不再有滿足條件的新結(jié)點 加入集合為止 圖像分割 圖像分割 ?通過像素集合的區(qū)域增長 /算法實現(xiàn)： 區(qū)域A 種子像素 區(qū)域B 種子像素 圖像分割 ?區(qū)域分裂與合并 /算法實現(xiàn)： 1）對圖像中灰度級不同的區(qū)域，均分為四 個子區(qū)域 ?區(qū)域分裂與合并 /算法實現(xiàn)： 2） 如果相鄰的子區(qū)域所有像素的灰度 級相同，則將其合

46、并 3） 反復(fù)進行上兩步操作，直至不再有 新的分裂與合并為止 圖像分割 ?區(qū)域分裂與合并 /算法實現(xiàn)： ?區(qū)域分裂與合并 /算法實現(xiàn)：實際應(yīng)用中還可作以下 修改： P(Ri)的定義為： 1) 區(qū)域內(nèi)多于80%的像素滿足不等式 Zj-叫〈二2 o 尹 其中：Zj是區(qū)域Ri中第j個點的灰度級， 叫是該區(qū)域的平均灰度級， 。i是區(qū)域的灰度級的標(biāo)準(zhǔn)方差。 當(dāng)P(Rj)二TRUE時，將區(qū)域內(nèi)所有像素的灰度 級置為叫 ?概述 ?間斷檢測 ?邊緣連接和邊界檢測 ?閾值處理 ?基于區(qū)域的分割 ?分割中運動的應(yīng)用 分割中運動的應(yīng)用 ?空間技術(shù) /

47、使用兩幀圖像f（X，y，5）和f （x，y，tj）相減的辦法， 形成差值圖像 [i o |/(x,y,rz)-/(x,y,rJ>T 其它 /在動態(tài)圖像處理過程中，dij中值為1的像素被認(rèn)為 是對象運動的結(jié)果 /考慮圖像幀序列f（X，y, tl）, f （x，y，⑵，…， f （x，y, tn）,并令f （x，y, tl）為基本圖像，一幅累積差異 圖像（ADI）由基準(zhǔn)圖像和圖像序列的后續(xù)圖像對比得到 分割中運動的應(yīng)用 ?空間技術(shù)(續(xù)) /令R(x,y)表示基準(zhǔn)圖像，絕對ADI,正ADI和負(fù)ADI 定義如下： 嚴(yán)—i(x,y)+i hi(x’y) \R(x.y)-f[x.y.k]>T 其它 [恥,y)-f(x,y,k^>T 其它 [恥,y)-f(x,y,k^<-T 其它  分割中運動的應(yīng)用 ?空間技術(shù)舉例 向東南方向運動的矩形目標(biāo)的ADI 絕對ADI 正ADI 負(fù)ADI a b c FIGURE 10.49 ADIs of a rectangular object moving in a southeasterly direction, (a) Absolute ADI. (b) Positive ADI. (c) Negative ADI.