数字图像处图像分割.ppt

前言 图像分割是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。 图像分割将图像上的目标区域和所需要的特征提取出来，为更高层次的图像分析打下基础。 正因为其“承上启下”的重要位置，对于图像分割的准确度和精确度要求非常高。 实例 内容框架 图像分割的定义 边缘提取 Hough变换 阈值法分割 K-means聚类 彩色图像分割 彩色纹理图像分割 实例 简单程序实现(matlab) 兴趣阅读 图像分割的定义 根据图像的某些特征(或特征集)的相似性准则，对图像像素进行分组聚类，把图像平面划分为一系列“有意义”的区域，使其后的图像分析、识别、理解等高级处理阶段所要处理的数据量大大减少（这些“有意义”的区域可以用抽象的概念和特征来描述），同时又保留有关图 像结构特征的信息。 Boundaries of Objects Boundaries of Objects from Edges Boundaries of Objects from Edges Boundaries of Objects from Edges Boundaries in Medical Imaging Boundaries in Ultrasound Images Boundaries of Objects 边界提取 边缘的定义 一阶微分算子 二阶微分算子 Canny算子 边缘提取的定义 划分不同区域的分界线； 边缘由连续的边缘点组成； 边缘点：在局部范围内的灰度(彩色RGB值等)产生突变的像素点。 示例 微分算子 边缘点即图像局部灰度突变处 梯度的变化在该点上存在局部最大，所以常用梯度算子（一阶微分算子）来估计图像灰度变化的方向，即边缘的方向。 用阈值运算把边缘点与非边缘点区分开 阈值的选择在丢失边缘点与噪声引起的虚假边缘点之间进行折衷。 一阶微分算子 微分数学定义： 一个连续函数, 在像素 位置处的微分算子是： 梯度的幅度为： 以上定义的梯度算子需要对图像上的每一个像素点进行计算。 由于数字图像是离散的，所以用差分代替微分： 在实际中常用小区域模板卷积运算进行来近似计算。对Gx，Gy各用一个模板，所以需要2个模板组合起来以构成一个梯度算子。 常用微分算子 一阶 Roberts Sobel Prewitt 二阶 Laplacian Marr Canny Roberts算子 罗伯特交叉算子(Roberts cross) 最简单的梯度算子 模板： Roberts算子 (续) 梯度幅值g(x,y) (欧式距离) 用方向差分的均方值来近似计算，适当取门限（阈值）TH，作如下判断：g(x,y)TH ,(x,y)为阶跃状边缘点。F(x,y)={(x,y)|g(x,y)TH}为边缘图像。 缺点：对噪声敏感 Sobel算子 最常用的梯度算子 3×3邻域 模板如下：Gx(左)，Gy(右) Sobel算子（续） 梯度幅值为： 适当取门限TH（阈值），作如下判断：g(x,y)TH,点(x,y)为阶跃状边缘F(x,y)={(x,y)|g(x,y)TH}为边缘图。 Prewitt算子 与Sobel算子类似 3×3邻域 模板定义如下： Gx(左)，Gy(右) Prewitt算子（续） 梯度幅值为： 适当取门限TH，作如下判断：g(x,y)TH,(x,y)为阶跃状边缘点.F(x,y)={(x,y)|g(x,y)TH}为边缘图像。 Sobel Prewitt Roberts比较 Sobel与Prewitt的比较 相似处： 2个3×3模板 在空间域中的实现比较容易 不同处： 模板的加权值不同 结果： Sobel算子效果比较好，可以产生较好的边缘检测效果，且噪声影响也比较小。 当使用较大的邻域时，抗噪声的特性会更好，得出的边缘相对较粗。 拉普拉斯算子(Laplacian) 拉普拉斯(Laplacian)算子是一种二阶导数算子，对一个连续函数f(x,y),它在位置(x,y)的拉普拉斯值定义如下： 3×3邻域 模板定义如下：左图（卷积核），右图（卷积加平滑） Laplacian算子（续） 梯度幅值为： 拉普拉斯算子对噪声比较敏感，所以要配合图像平滑来进行边缘提取，图像平滑通常采用高斯平滑的方法。 一阶微分与二阶微分 一阶微分（梯度）是矢量，包括了强度与方向两部分，所以需要两个模板且存储量较大。 二阶微分算子是一个标量，可以进行x,y两个方向上的微分运算，所以一个模板就够了。但计算出来的梯度只有幅度信息而没有方向信息。 二阶微分的结果有正有负，一般取正或绝对值。 二阶微分算子对噪声相当敏感，产生双象素宽的边缘，不