数字图像处理与分析-8图像分割.ppt

《数字图像处理与分析-8图像分割.ppt》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第8章图像分割图像分割（Imagesegmentation）是一种重要的图像技术，有着广泛的应用。比如：在线产品检测，文档图像处理，遥感和生物医学图像分析等。在对这些图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些区域被称为前景或目标----具有独特性质的区域。定义：把图像分成各具特性的区域并提取出感兴趣目标的技术和过程----将图像细分为子区域或对象。图像分割算法一般是基于象素值的下述两个特性之一：不连续性和相似性。不连续性：指区域之间象素值差别比较大，在边界上具有某种不连续性。-----基于边界的分割方法相似性：指区

2、域内部象素值之间具备一定的相似性。----基于区域的分割方法利用区域之间的不连续性分割涉及如下三个问题：间断检测------检测点，线和边缘边缘组装------组合成边界门限处理------在边缘检测时，需要定义区分不同区域的特征，那么特征值的分界点就是一个门限。8.1间断检测间断检测技术包括点检测，线检测和边界检测三种。寻找间断最一般的方法是模板检测。计算模板所包围区域的灰度级与模板系数的乘积之和。图像中任意点的模板响应公式(3×3模板)：其中是与模板系数相联系的象素的灰度级。R是相对于模板中心位置的象素的响应。图10.13*3

3、模板8.1.1点检测使用右图所示的模板，如果(10.1.2)则认为在模板中心的位置检测到一个点。T是非负门限。孤立点：该点的灰度级与其背景的差异相当大，并且它所在的位置是一个均匀的或者近似均匀的区域。基本思想：如果一个孤立点与它周围的点很不相同，则很容易被上述模板检测到。在灰度级为常数的区域，模板响应R为0。例题：8.1图像中孤立点的检测图10.2(b)显示了一个带有通孔的喷气发动机涡轮叶片，通孔位于图像的右上象限。在孔中只带有一个黑色像素。图10.2(c)是将点检测模板应用于X射线图像后得到的结果。图10.2(d)显示了当T取图

4、10.2(c)中像素最高绝对值的90%时，应用式(10.1.2)所得的结果。（a）(b)（c）(d)图10.28.1.2线检测线模板：第一个模板对水平方向的线条（单象素宽）有更强的响应。第二个模板对于45度方向线有最佳响应。第三个模板对垂直线有最佳响应。第四个模板对于-45度线有最佳响应。每个模板系数相加总和为0，保证了在灰度级恒定的区域，模板响应为0。图10.3线模板将该点与分别与四个模板卷积，那么该点与

5、R

6、值最大的那个模板关联的线更相关。应用：特定方向上的线检测。使用与该方向有关的模板，并设置该模板的输出门限。那么整幅图像与

7、模板卷积之后，留下的点就是点就是响应最强的点。如何判断一个点与哪条线更相关？例题：8.2特定方向上的线检测图10.4(a)显示了一幅电路连接线模板的二值图像。假设要找到一个像素宽度的并且方向为-450的线条。使用图10.3的最后一个模板，图10.4(b)显示了得到的结果的绝对值。图10.4(c)显示了使用门限等于图像中最大值后得到的结果。(c)(a)可以看到，（1）图中水平和垂直的部分都被去掉了，并且在(b)中所有原图中接近-450的部分产生了最强响应。（2）加了门限之后，在(c）中有孤立点，可以使用点检测模板检测，然后删除，或者

8、使用下一章的形态学腐蚀法删除。8.1.3边缘检测---最为普遍的检测方法由于两个具有不同灰度值的相邻区域之间总存在灰度边缘，而灰度边缘是灰度值不连续（或突变）的结果，这样这种不连续常常可以利用求导数来检测到。一般常用一阶和二阶导数来检测边缘。边缘建模：图10.5(a)理想的数字边缘模型，斜坡数字边缘模型。斜坡部分与边缘的模糊程度成比例。（a）（b）灰度剖面图灰度级剖面图的一阶二阶导数（a）（b）图10.6（a）由一条垂直边缘分开的两个不同区域，（b）边界附近的细节，显示了一个灰度级剖面图和一阶与二阶导数的剖面图当沿着剖面线从左到右

9、经过时，在进入和离开斜面的变化点，一阶导数为正。在灰度级不变的区域一阶导为零。在边缘与黑色一边相关的跃变点二阶导数为正，在边缘与亮色一边相关的跃变点二阶导为负。沿着斜坡和灰度为常数的区域为零。结论：一阶导数可以用于检测图像中的一个点是否是边缘点；二阶导数的符号可以用于判断一个边缘像素是在边缘亮的一边还是暗的一边。例题：8.3在有噪声的边缘附近的一阶和二阶导数性质图10.7中第一列的图像分割显示了分割左右黑白区域的4个斜坡边缘的特写图。分别被均值为0且σ=0.0,0.1,1.0,10.0的随机高斯噪声污染。第二列是一阶导数图像和灰度

10、级剖面线。第三列为二阶导数图像和灰度级剖面线。图10.7这个例子很好的说明了导数对于噪声的敏感性。那么为了对于有意义的边缘点进行分类，必须使得与这个点相联系的灰度级变换比在这一点的背景上的变换更为有效才行。即所作的变换应该更有利于区分边缘点。比如，