模式识别图像分割.pptVIP

?? 模式识别：图像分割 1.? 引言 2.? 阈值与图像分割 3. 边缘检测与图像分割 4. Hough变换 5. 区域增长 引言 统计模式识别 模式识别的一个例子 图像分割是将图像划分为若干互不相交的小区域的过程。 图像分割就是指把图像分成互不重叠的区域并提取出感兴趣目标的技术和过程。图像分割是由图像处理进到图像分析的关健步骤。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。 图像分割的基本策略： 分割算法是基于灰度值的两个基本特性：不连续性和相似性。 第一类性质的应用途径是基于灰度的不连续变化分割图像，比如图像的边缘。第二类的主要途径是依据事先制定的准则将图像分割为相似的区域。 阈值与图像分割 阈值是在分割时作为区分物体与背景像素的门限，大于或等于阈值的像素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 阈值与图像分割 全局阈值是指整幅图像使用同一个阈值做分割处理。适用于背景和前景有明显对比的图像。 阈值与图像分割 自适应阈值根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。 阈值与图像分割 最佳阈值对于给定的图像，可以通过分析直方图的方法确定最佳的阈值。 边缘检测与图像分割 边缘检测首先检出图像局部特性的不连续性，然后再将这些不连续的边缘像素连接成完整的边界。边缘的特性是沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。所以，从这个意义上说，检测边缘的算法就是检出符合边缘特性的边缘像素的数学算子，目前，边缘检测场采用边缘算子法和模板匹配法等。 边缘检测与图像分割 边缘检测与图像分割 梯度与图像分割 一阶微分：用梯度算子来计算 当物体与背景有明显对比度时，物体的边界处于图像梯度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。 这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。 边缘检测与图像分割 几种常用的边缘检测算子： 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Kirsch算子 Laplacian算子 Marr算子 边缘检测与图像分割 边界提取与轮廓跟踪 为了获得图像的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge, LoG。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。 边界提取与轮廓跟踪 Hough变换 对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。 Hough变换 Hough的定义： 如图 (a)，在直角坐标系中有一条直线l，原点到该直线的垂直距离为ρ，垂线与x轴的夹角为θ，则这条直线是唯一的，且其直线方程为： ρ=xcosθ+ysinθ Hough变换 Hough变换 Hough变换 Hough变换 Hough变换 区域增长 简单区域扩张法 简单区域扩张法 简单区域扩张法 * 前面介绍的图像增强和恢复是对整幅图像的质量进行改善，是输入输出均为图像的处理方法，而图像分析则是更详细地研究并描述组成一幅图像的各个不同部分的特征及其相互关系，是输入为图像而输出为从这些图像中提取出来的属性的处理方法。 图像分析的结果不是一幅完美的图像，而是用数字、文字、符号、几何图形或其组合表示图像的内容和特征，对图像景物的详尽描述和解释。 典型的图像分析和理解系统如下图。 在该系统中，图像的增强和恢复可以看作预处理，其输入、输出均是图像，它是传统的图像处理的内容。而图像分割、特征提取及结构分析等称为图像识别，其输入是图像，输出是描述或解释。 统计模式识别认为图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式之一。 在给定一幅含有多个物体的数字图像的条件下，模式识别过程由三个主要阶段组成： 图像分割：在该阶段检测出各个物体，并把它们的图像和其余景物分离。 特征提取：在该阶段中对物体进行度量。一个度量是指一个物体某个可度量的度量值，而特征是一个或多