第07章_圖像分割

1、第七章第七章圖像分割圖像分割 7.1 7.1 概概 述述u 圖像處理的重要任務(wù):對圖像中的對象進行分析和理解u 在圖像分析中，輸出的結(jié)果是對圖像的描述、分類或其他的某種結(jié)論 。7.1 7.1 概概 述述u圖像分析主要包括以下幾部分內(nèi)容：把圖像分割成不同的區(qū)域，或把不同的目標(biāo)分開（分割）。即把圖像分成互不重疊的區(qū)域并提取出感興趣目標(biāo) ；找出各個區(qū)域的特征（特征提取）；識別圖像中的內(nèi)容，或?qū)D像進行分類（識別與分類）；給出結(jié)論（描述、分類或其他的結(jié)論）。 n典型的圖像分析和理解的系統(tǒng) u 圖像分割的目的圖像分割是指通過某種方法，使得畫面場景被分為“目標(biāo)物”（前景目標(biāo)）及“非目標(biāo)物”（背景）兩類,即

2、將圖像的像素變換為黑、白兩種。因為結(jié)果圖像為二值圖像，所以通常又稱圖像分割為圖像的二值化處理。u 圖像分割的作用 圖像分割是圖像識別和圖像理解的基本前提步驟，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。圖像分割在整個圖像處理過程中的作用 圖像的增強和恢復(fù)可以看作預(yù)處理，其輸入、輸出均是圖像，傳統(tǒng)的圖像處理的內(nèi)容;圖像分割、特征提取及結(jié)構(gòu)分析等稱為圖像識別，其輸入是圖像，輸出是描述或解釋。u 圖像分割的作用u 圖像分割示例u 圖像分割示例 腎小球區(qū)域的提取?u 圖像分割示例 細(xì)菌檢測u 圖像分割示例 印刷缺陷檢測u 圖像分割示例 印刷缺陷檢測檢測結(jié)果檢測結(jié)果局部放大圖局部放大圖 圖像分割的基本

3、策略：分割算法基于灰度值的兩個基本特性：不連續(xù)性和相似性。 第一類性質(zhì)的應(yīng)用途徑是基于灰度的不連續(xù)變化分割圖像，比如圖像的邊緣。第二類性質(zhì)的主要途徑是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域。u 圖像分割的方法 從分割依據(jù)出發(fā) “非連續(xù)性分割”檢測局部不連續(xù)性形成邊界，然后通過邊界將圖像分成不同的區(qū)域。這種基于不連續(xù)性原理的方法常稱為“基于點相關(guān)的分割技術(shù)”u 圖像分割的方法 “相似性分割”就是將具有同一灰度級或紋理的像素聚集在一起，形成圖像中的不同區(qū)域。這種基于相似性原理的方法常稱為“基于區(qū)域相關(guān)的分割技術(shù)” 兩種方法具有互補性，一般在不同的場合需要不同方法，有時也將它們的處理結(jié)果相結(jié)合，以

4、獲得更好的效果。 根據(jù)分割算法本身 閾值法、邊緣檢測法、匹配法等u 圖像分割的方法 分割結(jié)果中同一個子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的； 同一個子區(qū)域內(nèi)的任兩個像素在該子區(qū)域內(nèi)互相連通。圖像分割相似性檢測不連續(xù)性檢測區(qū)域分割閾值分割區(qū)域分裂與合并自適應(yīng)邊界分割邊緣檢測邊緣跟蹤Hough變換圖像分割算法u 新方法： 模糊邊緣檢測方法、圖像模糊聚類分割方法、小波變換的多尺度邊緣檢測方法、BP神經(jīng)網(wǎng)絡(luò)用于邊緣檢測、圖像分割的神經(jīng)網(wǎng)絡(luò)法等等。7.2 7.2 像素的鄰域和連通性像素的鄰域和連通性u 4鄰域 對一個坐標(biāo)為 的像素p，它可以有兩個水平和兩個垂直的近鄰像素。坐標(biāo)分別為： 這四個像素稱為p 的4鄰域。

5、互為4鄰域的像素又稱為4連通的。),(yx) 1,(),1,(), 1(), 1(yxyxyxyx7.2 7.2 像素的鄰域和連通性像素的鄰域和連通性u 8鄰域 取像素p四周的8個點作為相鏈接的鄰域點，除掉p本身外，剩下的8個點就是p的8鄰域?；?鄰域的像素又稱為8連通的 。 u 目標(biāo)和背景的連通性定義必須取不同，否則會引起矛盾。0000001110010100011000000目標(biāo)和背景連通性u 應(yīng)用函數(shù)bwlabel根據(jù)4連通或8連通準(zhǔn)則在二值圖像中判斷目標(biāo)。BW = 1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0

6、 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0; 1 1 1 0 0 0 0 0; %給定的二值圖像矩陣L4 = bwlabel(BW,4) %根據(jù)4連通準(zhǔn)則判定目標(biāo)L8 = bwlabel(BW,8) %根據(jù)8連通準(zhǔn)則判定目標(biāo)根據(jù)4連通準(zhǔn)則，得到的目標(biāo)是3個： L4 = 1 1 1 0 0 0 0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 3 3 0 1 1 1 0 0 0 0 0 根

7、據(jù)8連通準(zhǔn)則，得到目標(biāo)是2個： L8 =1 1 1 0 0 0 0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 2 2 0 1 1 1 0 0 0 0 07.3 7.3 圖像的閾值分割技術(shù)圖像的閾值分割技術(shù) u 灰度閾值分割方法： 若圖像中目標(biāo)和背景具有不同的灰度集合，且兩個灰度集合可用一個灰度級閾值T進行分割，這樣就可以用閾值分割灰度級的方法在圖像中分割出目標(biāo)區(qū)域與背景區(qū)域。u 設(shè)圖像為 ，其灰度集范圍是0,L，在0和L之間選擇一個合適的灰度閾值T進行分

8、割。),(yxfu 灰度閾值分割思路： 根據(jù)圖像中要提取的目標(biāo)物與背景在灰度特性上的差異，確定一個閾值，將圖像二值化，即將目標(biāo)從背景中分離出來。圖像分割方法得到一幅二值圖像：TyxfTyxfyxg),(0),(1),(（a）原圖像 （b）直方圖 （c）已分割的圖像閾值分割 一、全局閾值分割整幅圖象使用同一個閾值做分割處理，是最簡單的圖像分割方法。根據(jù)不同的目標(biāo)，選用最佳的閾值。u 最佳閾值的確定方法：實驗法 需要知道圖像的某些特征直方圖法 適用于目標(biāo)和背景的灰度差較大，直方圖有明顯谷底的情況最小誤差的方法 分割錯誤最小的閾值u 基于灰度直方圖的峰谷方法設(shè)計思想 假設(shè)某圖像的灰度直方圖具有二峰性

9、，則表明這個圖像較亮的區(qū)域和較暗的區(qū)域可以較好地分離。 取二峰間的谷點為閾值點，可以得到好的二值處理的效果。 基于灰度直方圖的峰谷方法示例 基于灰度直方圖的峰谷方示例u 基于灰度直方圖的峰谷閾值方法特點 簡單、有效的閾值方法 局限性：圖像的灰度直方圖必須具有雙峰性二、自適應(yīng)閾值分割當(dāng)照明不均勻、有突發(fā)噪聲或者背景灰度變化比較大的時候，物體和背景的對比度在圖象中不是各處一樣的，這時很難用統(tǒng)一的一個閾值將物體與背景分開，可以根據(jù)圖象的局部特征分別采用不同的閾值進行分割。實際處理時，需按照具體問題將圖象分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖象分割 。與坐標(biāo)相

10、關(guān)的閾值稱為自適應(yīng)閾值的方法或動態(tài)閾值方法。自適應(yīng)閾值分割特點： 算法的時間復(fù)雜度和空間復(fù)雜度比較大； 抗噪聲的能力比較強。7.4 7.4 圖像的邊緣檢測圖像的邊緣檢測 u圖像邊緣是圖像特征的一個重要的屬性。 邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，是圖像局部特征不連續(xù)的表現(xiàn)。圖像邊緣有方向和幅度兩個特征。u基于灰度不連續(xù)性進行的分割方法。u 一階微分：用梯度算子來計算特點：對于亮的邊，邊的變化起點是正的，結(jié)束是負(fù)的。對于暗邊，結(jié)論相反。常數(shù)部分為零。用途：用于檢測圖像中邊的存在u 二階微分：通過拉普拉斯來計算 特點：二階微分在亮的一邊是正的，在暗的一邊是負(fù)的。常數(shù)部分為零。 用途：1

11、）二次導(dǎo)數(shù)的符號，用于確定邊上的像素是在亮的一邊，還是暗的一邊。2）0跨越，確定邊的準(zhǔn)確位置u用差分、梯度、拉普拉斯算子及各種高通濾波處理方法對圖像邊緣進行增強，只要再進行一次門限化的處理，便可以將邊緣增強的方法用于邊緣檢測。 邊緣檢測=圖像增強處理+門限化處理。 其目的不是加強圖像中邊緣信息，而是抽取邊緣輪廓，并用于區(qū)域分割。u 梯度算子梯度算子 圖像中不同區(qū)域其灰度值是不同的，灰度值的不連續(xù)變化導(dǎo)致灰度邊緣的存在，可利用導(dǎo)數(shù)檢測到這種不連續(xù)。 梯度對應(yīng)于一階導(dǎo)數(shù)，相應(yīng)的梯度算子就對應(yīng)于一階導(dǎo)數(shù)算子。 對于一個連續(xù)函數(shù)f (x,y)，其在(x,y)處的梯度: yfxfGGfyxu 梯度算子梯

12、度算子),(, ),(max),(),(),(),(),(),(),() 1,(),(),(), 1(),(),(2122yxfyxfyxfGyxfyxfyxfGyxfyxfyxfGyxfyxfyxfyxfyxfyxfyxyxyxyx1. Roberts算子 (對角方向) 10010110) 1,(), 1(),() 1, 1(),(),(yxfyxfyxfyxfyxfyxfyx2. Sobel算子(先加權(quán)平均，再微分) 101202101121000121)1, 1(), 1(2) 1, 1()1, 1() 1,(2) 1, 1(),()1, 1() 1,(2) 1, 1()1, 1() 1

13、,(2) 1, 1(),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx用Sobel水平方向模板對lena256_256.bmp進行檢測的結(jié)果 采用Sobel豎直方向模板對lena256_256.bmp進行檢測的結(jié)果 3. Prewitt算子 101101101111000111)1, 1(), 1() 1, 1()1, 1() 1,() 1, 1(),()1, 1() 1,() 1, 1()1, 1() 1,() 1, 1(),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx(a) 原圖像 (b) Rober

14、ts算子檢測 (c) Prewitt算子檢測 (d) Sobel算子檢測 u 拉普拉斯算子拉普拉斯算子 Laplacian是二階導(dǎo)數(shù)算子，也是借助模板來實現(xiàn)。 對模板有一些基本要求：模板中心的系數(shù)為正，其余相鄰系數(shù)為負(fù)，且所有的系數(shù)之和為零。 常用的模板有：010141010010151010010141010111181111u 方向算子方向算子利用一組模板對圖像中的同一像素求卷積，然后選取其中最大的值作為邊緣強度，而將與之對應(yīng)的方向作為邊緣方向。優(yōu)點：不僅僅只考慮水平和垂直方向，還可以檢測其他方向上的邊緣。缺點：計算量將大大增加。常用的有8方向Kirsch（33）模板，方向間的夾角為45。

15、 33 Kirsch算子的八方向模板 u CannyCanny邊緣檢測算子邊緣檢測算子 圖像邊緣檢測必須條件：有效抑制噪聲，具有較高的信噪比；盡量精確確定邊緣的位置，使檢測出的邊緣在真正的邊界上。 Canny邊緣檢測：一種具有較好邊緣檢測性能的算子，利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測問題轉(zhuǎn)換為檢測準(zhǔn)側(cè)函數(shù)極大的問題，能在噪聲抑制和邊緣檢測之間取得較好的折中?？己诉吘墮z測算子的指標(biāo)是： 低誤判率，即盡可能少地把邊緣點誤認(rèn)為是非邊緣點； 高定位精度，即準(zhǔn)確地把邊緣點定位在灰度變化最大的像素上； 抑制虛假邊緣。 Canny算子設(shè)計過程：二維高斯函數(shù)為)(21exp21),(2222yxyxG)(

16、)()2exp()2exp(212222yhxhyxkxxG)()()2exp()2exp(212222xhyhxykyyG)2exp()( ),2exp()(222221xkxhxxkxh)2exp()( ),2exp()(222221ykyhyykyh h1(x)=xh2(x), h1(y)=yh2(y), k為常數(shù) 將偏微分方程分別與圖像f(x,y)進行卷積，得到方向微分輸出 ),(* ),(*yxfyGEyxfxGEyx),(),(),(),(),(),(22jiEjiEarctgjijiEjiEjiAxyyxA(i,j)是灰度梯度模值，反映了圖像上點（i,j）處的灰度變化強度， 是梯

17、度方向，反映了該點處的灰度變化最快的方向，即該點的法向矢量（正交于邊緣方向的方向）。),(ji step1:用高斯濾波器平滑圖象； step2:用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向； step3:對梯度幅值進行非極大值抑制； step4:用雙閾值算法檢測和連接邊緣。 step1:高斯平滑函數(shù) 判斷一個像素是否為邊緣點的條件為： 像素(i, j)的邊緣強度大于沿梯度方向的兩個相鄰像素的邊緣強度； 與該像素梯度方向上相鄰兩點的方向差小于45； 以該像素為中心的33鄰域中的邊緣強度的極大值小于某個閾值 。 判斷一個像素是否為邊緣點的條件為： 如果條件（1）、（2）同時滿足，那么在梯度方向上的兩

18、個相鄰像素就從候選邊緣點集合中取消，這樣可以減少運算量。 條件（3）相當(dāng)于用區(qū)域梯度最大值組成的閾值圖像與邊緣點進行匹配，這一過程可以消除虛假的邊緣點。Canny算子的檢測比較優(yōu)越，可以減少小模板檢測中邊緣中斷，有利于得到較完整的邊緣。MATLAB程序： I = imread(blood1.tif); imshow(I); BW5 = edge(I, canny); figure,imshow(BW5,); Canny算子邊緣檢測的結(jié)果圖 u 邊緣跟蹤邊緣跟蹤上述方法僅得到處在邊緣上的像素點。噪聲和不均勻的照明而產(chǎn)生的邊緣間斷的影響，使得經(jīng)過邊緣檢測后得到的邊緣像素點很少能完整地描繪實際的一條

19、邊緣。可以在使用邊緣檢測算法后，緊接著使用連接方法將邊緣像素組合成有意義的邊緣。光柵掃描跟蹤法： 一種簡單的利用局部信息、通過掃描的方式將邊緣點連接起來的方法。 采用電視光柵行掃描順序?qū)τ龅降南袼剡M行分析，從而確定其是否為邊緣。* 由于光柵掃描跟蹤和掃描方向有關(guān)，因此最好沿其他方向再跟蹤一次 。 7.6 7.6 區(qū)域生長區(qū)域生長法法u原理：原理：將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域u分類：分類：單連接區(qū)域增長法混合連接區(qū)域增長法7.6 7.6 區(qū)域生長區(qū)域生長法法u單連接區(qū)域增長法單連接區(qū)域增長法：僅考慮一個像素與另一個相鄰像素的特性是否相似。u步驟：步驟： 對圖像進行掃描，求出不屬于任何區(qū)域

20、的種子像素； 將該像素的灰度值與4或8鄰域內(nèi)任何一個區(qū)域的像素灰度值相比，差值小于設(shè)定的門限，合并為同一區(qū)域； 對于那些新合并的像素，重復(fù)（2）； 反復(fù)（2）（3），直至不能再增長； 返回至（1），重新尋找能成為新區(qū)域出發(fā)點的像素。7.6 7.6 區(qū)域生長區(qū)域生長法法u混合連接區(qū)域增長法混合連接區(qū)域增長法：考慮一個像素與對應(yīng)的像素周圍kk鄰域的特性是否相似。u步驟步驟：單連接區(qū)域增長法類似。u實質(zhì)：把具有相似性質(zhì)的像素連通，構(gòu)成最終的分割區(qū)域。利用圖像的局部空間信息，可有效的客服其他方法存在的圖像分割空間不連續(xù)的缺點。u 在實際應(yīng)用區(qū)域生長法時需要解決三個問題： 選擇一組能正確代表所需區(qū)域的種子像素； 種子像素的選取常可借助具體問題