第7章圖像分割

1、第七章第七章圖像分割圖像分割 知識要點(diǎn) 圖像分割的目的、定義和分類 像素間的關(guān)系：鄰域和連通性 閾值分割法：全局閾值分割和局部閾值分割 邊緣檢測：梯度算子、拉普拉斯算子、拉普拉斯-高斯算子、方向算子、canning算子 區(qū)域檢測法 圖像分割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。 通常圖像分割的實(shí)現(xiàn)方法是，將圖像分為“黑”、“白”兩類，這兩類分別代表了兩個(gè)不同的對象。 因?yàn)榻Y(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。7.1 圖像分割概述 圖像分割是由圖像處理進(jìn)入圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺技術(shù)。這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)

2、的測量將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能。 圖像分割是比較困難的事情，原因是畫面中的場景通常是復(fù)雜的，要找出兩個(gè)模式特征的差異，并且可以對該差異進(jìn)行數(shù)學(xué)描述都是比較難的。圖像分析系統(tǒng)的基本構(gòu)成如下圖：知識庫知識庫表示與描述表示與描述預(yù)處理預(yù)處理分割分割低級處理高級處理中級處理識別識別與與解釋解釋結(jié)果圖像獲取圖像獲取問題在該系統(tǒng)中，圖像的增強(qiáng)和恢復(fù)可以看作預(yù)處理，其輸入、輸出均是圖像，它是傳統(tǒng)的圖像處理的內(nèi)容。而圖像分割、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。圖7.1 結(jié)構(gòu)圖圖像分割的目的 把圖像分解成構(gòu)成它的部件和對象； 有選擇性地定

3、位感興趣對象在圖像中的位置和范圍。 從簡到難，逐級分割 控制背景環(huán)境，降低分割難度 注意力集中在感興趣的對象，縮小不相干圖像成分的干擾。圖像分割的基本思路提取輪廓車牌定位車牌識別圖像分割的定義 令集合R代表整個(gè)圖像區(qū)域，對R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域）R1，R2，RN： ；對所有的i和j，ij，有RiRj =；對i = 1,2,N，有P(Ri) = TRUE；對ij,有P(RiRj) = FALSE；對i =1,2,N，Ri是連通的區(qū)域。 其中P(Ri)是對所有在集合Ri中元素的邏輯謂詞,代表空集。RRNii1圖像分割的分類圖像分割的分類 將圖像中有意義的特征或

4、需要應(yīng)用的特征提取出將圖像中有意義的特征或需要應(yīng)用的特征提取出來來 1）按幅度不同來分割各個(gè)區(qū)域：幅度分割）按幅度不同來分割各個(gè)區(qū)域：幅度分割 2）按邊緣不同來劃分各個(gè)區(qū)域：邊緣檢測）按邊緣不同來劃分各個(gè)區(qū)域：邊緣檢測 3）按形狀不同來分割各個(gè)區(qū)域：區(qū)域分割）按形狀不同來分割各個(gè)區(qū)域：區(qū)域分割 根據(jù)應(yīng)用目的的不同，分為粗分割和細(xì)分割。 根據(jù)分割對象的屬性，分為灰度圖像分割和彩色圖像分割。 根據(jù)分割對象的狀態(tài)，分為靜態(tài)圖像分割和動(dòng)態(tài)圖像分割。 根據(jù)分割對象的應(yīng)用領(lǐng)域，分為遙感圖像分割，交通圖像分割，醫(yī)學(xué)圖像分割，工業(yè)圖像分割，軍事圖像分割等。圖像分割的方法1) 基于邊緣的分割方法:先提取區(qū)域邊界

5、，再確定邊界限定的區(qū)域。2) 區(qū)域分割:確定每個(gè)像素的歸屬區(qū)域，從而形成一個(gè)區(qū)域圖。3) 區(qū)域生長:將屬性接近的連通像素聚集成區(qū)域。4) 分裂合并分割:綜合利用前兩種方法，既存在圖像的劃分，又有圖像的合并。圖像分割的依據(jù)和分類圖像分割算法分類 根據(jù)分割方法的不同，通常有兩種分類方法： 1、根據(jù)圖像的兩種特性進(jìn)行分割：一種是根據(jù)各個(gè)像素點(diǎn)的灰度不連續(xù)性進(jìn)行分割；一種是根據(jù)同一區(qū)域具有相似的灰度進(jìn)行分割；l 分割結(jié)果中同一個(gè)子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的l同一個(gè)子區(qū)域內(nèi)的任兩個(gè)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

6、變換圖7.2 圖像分割算法圖像分割的基本策略： 把像素按灰度劃分到各個(gè)物體對應(yīng)的 區(qū)域中去； 確定存在于區(qū)域間的邊界； 先確定邊緣像素點(diǎn)，然后將它們連接起來 構(gòu)成所需的邊界；區(qū)域：像素的連通集連通準(zhǔn)則： 4-連通 8-連通7 7.2 .2 圖像的閾值分割技術(shù)圖像的閾值分割技術(shù) n 灰度閾值分割方法。n若圖像中目標(biāo)和背景具有不同的灰度集合，且兩個(gè)灰度集合可用一個(gè)灰度級閾值T進(jìn)行分割。n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。n 設(shè)圖像為 ，其灰度集范圍是0,L，在0和L之間選擇一個(gè)合適的灰度閾值T。),(yxfn 圖像分割方法可由下式描述： 這樣得到的是一幅二值圖像。n

7、 圖7.3給出了利用閾值分割圖像的實(shí)例。n（a）是原圖n（b）是對應(yīng)的直方圖n（c）是選擇分割閾值為110的結(jié)果圖。 TyxfTyxfyxg),(0),(1),(（7.1） （a）原圖像 （b）直方圖 （c）已分割的圖像圖7.3 閾值分割 如圖7.4所示，7.4不同閾值對圖像分割的影響 7 7.2.1 .2.1 全局閾值分割全局閾值分割l全局閾值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。l1 1實(shí)驗(yàn)法實(shí)驗(yàn)法l需要知道圖像的某些特征l2 2直方圖法直方圖法l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。l3 3最小誤差的方法最小誤差的方法l1 1實(shí)驗(yàn)法實(shí)驗(yàn)法l 如果分割之前

8、就知道圖像的一些特征，那么閾值確定就比較簡單，只要用不同的閾值進(jìn)行測試，即可檢查該閾值是否適合圖像的已知特征。l 這種方法需要知道圖像的某些特征，但有時(shí)這些特征是不可預(yù)知的。l2 2直方圖法直方圖法l 先做出圖像的灰度直方圖，若直方圖成雙峰且有明顯的谷底，則可以將谷底對應(yīng)的灰度值作為閾值T,然后根據(jù)閾值進(jìn)行分割，就可以將目標(biāo)從圖像中分割出來。l 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。 3 3最小誤差的方法最小誤差的方法7.2.2局部閾值分割7 7.2.3 .2.3 自適應(yīng)閾值的選取自適應(yīng)閾值的選取l 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(shí)候，可以對圖像進(jìn)行分塊處理，

9、對每一塊分別選定一個(gè)閾值進(jìn)行分割，這種與坐標(biāo)相關(guān)的閾值稱為自適應(yīng)閾值的方法。l這類算法的時(shí)間復(fù)雜度和空間復(fù)雜度比較大，但是抗噪聲的能力比較強(qiáng) 。l 任何一種分割方法都有其局限性。l實(shí)際的算法只能根據(jù)實(shí)際情況選擇方法和閾值。 l這類算法的時(shí)間復(fù)雜度和空間復(fù)雜度比較大，但是抗噪聲的能力比較強(qiáng) 。l對采用全局閾值不容易分割的圖像有較好的效果。l這種方法的關(guān)鍵問題是如何將圖像進(jìn)行劃分和如何為得到的子圖像估計(jì)閾值。l 任何一種分割方法都有其局限性。l實(shí)際的算法只能根據(jù)實(shí)際情況選擇方法和閾值。 7 7.3 .3 圖像的邊緣檢測圖像的邊緣檢測一、概念及思想l 在灰度漸變的圖像中無法區(qū)別其灰度變化的邊界，但如

10、果邊界灰度有突變，則可以區(qū)分兩個(gè)灰度不同的區(qū)域，這是基于灰度不連續(xù)性進(jìn)行的分割方法。l 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(jìn)行增強(qiáng)，只要再進(jìn)行一次門限化的處理，便可以將邊緣增強(qiáng)的方法用于邊緣檢測。l 邊緣檢測要按照圖像的內(nèi)容和應(yīng)用的要求進(jìn)行，可以先對圖像做預(yù)處理，使邊緣突出，然后選擇合適的閾值進(jìn)行分割。二、圖像的邊緣檢測二、圖像的邊緣檢測-算子法算子法 l 基于灰度不連續(xù)性進(jìn)行的分割方法。l 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(jìn)行增強(qiáng)，只要再進(jìn)行一次門限化的處理，便可以將邊緣增強(qiáng)的方法用于邊緣檢測。7.3.1 梯度算子l 梯度對應(yīng)于一階導(dǎo)數(shù)，相應(yīng)

11、的梯度算子就對應(yīng)于一階導(dǎo)數(shù)算子。 l 對于一個(gè)連續(xù)函數(shù)f (x,y)，其在(x,y)處的梯度:l 常采用小型模板，然后利用卷積運(yùn)算來近似，Gx和Gy各自使用一個(gè)模板。l 1. Roberts算子 yfxfGGfyx（7.2） 100101102. Prewitt算子3. Sobel算子 u通過算子檢測后，還需作二值處理從而找到邊界點(diǎn)。u圖7.5給出了利用這三個(gè)算子進(jìn)行邊緣檢測的不同效果。u這三種模板中，Sobel算子的檢測效果最好。 101101101111000111101202101121000121(a) 原圖像 (b) Roberts算子檢測 (c) Prewitt算子檢測 (d) S

12、obel算子檢測 I = imread(blood1.tif); imshow(I); BW1 = edge(I,roberts); %進(jìn)行Roberts算子邊緣檢測，門限值采用默認(rèn)值 BW2 = edge(I,prewitt); %進(jìn)行Prewitt算子邊緣檢測，門限值采用默認(rèn)值 BW3 = edge(I,sobel); %進(jìn)行Sobel算子邊緣檢測，門限值采用默認(rèn)值 figure,imshow(BW1,); figure,imshow(BW2,); figure,imshow(BW3,); 7.3.2 拉普拉斯算子l Laplacian是二階導(dǎo)數(shù)算子，也是借助模板來實(shí)現(xiàn)的。l 對模板有一些

13、基本要求：l 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。l 常用的模板有： 圖7.6所示是應(yīng)用Laplacian算子，對圖7.5(a)進(jìn)行邊緣檢測的結(jié)果。010141010010151010實(shí)現(xiàn)的MATLAB程序： I = imread(blood1.tif); imshow(I); BW4 = edge(I,log); figure,imshow(BW4,); 圖7.6 Laplacian算子邊緣檢測的結(jié)果圖7 7.3.3 .3.3 方向算子方向算子l 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(qiáng)度，而將與之對應(yīng)的方向作為邊緣方向。l 相對于梯度算子

14、的優(yōu)點(diǎn)：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。l 但計(jì)算量將大大增加。l 常用的有8方向Kirsch（33）模板，如圖7.7所示，方向間的夾角為45。 圖7.7 33 Kirsch算子的八方向模板 7 7.3.4 Canny.3.4 Canny邊緣檢測算子邊緣檢測算子l Canny的主要工作：推導(dǎo)了最優(yōu)邊緣檢測算子。l考核邊緣檢測算子的指標(biāo)是：l低誤判率，即盡可能少地把邊緣點(diǎn)誤認(rèn)為是非邊緣點(diǎn)；l高定位精度，即準(zhǔn)確地把邊緣點(diǎn)定位在灰度變化最大的像素上；l抑制虛假邊緣。 l判斷一個(gè)像素是否為邊緣點(diǎn)的條件為：（1）像素(i, j)的邊緣強(qiáng)度大于沿梯度方向的兩個(gè)相鄰像素的邊緣強(qiáng)度；（

15、2）與該像素梯度方向上相鄰兩點(diǎn)的方向差小于45；（3）以該像素為中心的33鄰域中的邊緣強(qiáng)度的極大值小于某個(gè)閾值 。l 圖7.8所示是應(yīng)用Canny算子，對圖7.5(a)進(jìn)行邊緣檢測的結(jié)果。l 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。l MATLAB程序： I = imread(blood1.tif); imshow(I); BW5 = edge(I, canny); figure,imshow(BW5,); 圖7.8 Canny算子邊緣檢測的結(jié)果圖 圖7.9 五種邊緣檢測算子邊緣點(diǎn)檢測實(shí)例 I = imread(blood1.tif); imshow

16、(I); BW1 = edge(I,roberts); %進(jìn)行Roberts算子邊緣檢測，門限值采用默認(rèn)值 BW2 = edge(I,prewitt); %進(jìn)行Prewitt算子邊緣檢測，門限值采用默認(rèn)值 BW3 = edge(I,sobel); %進(jìn)行Sobel算子邊緣檢測，門限值采用默認(rèn)值 figure,imshow(BW1,); figure,imshow(BW2,); figure,imshow(BW3,); Robert算子：定位精度高，但也易丟失部分邊緣，抗噪聲能力差，適用于低噪聲、陡峭邊緣的場合。 Prewitt算子、Sobel算子：首先對圖像做平滑處理，因此有一定的抑制噪聲的能

17、力，但不能排除檢測結(jié)果中的虛假邊緣，易出現(xiàn)多像素寬度。7 7.3.5 .3.5 邊緣跟蹤邊緣跟蹤l上述方法僅得到處在邊緣上的像素點(diǎn)。l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(diǎn)很少能完整地描繪實(shí)際的一條邊緣。l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。7 7.4 .4 區(qū)域生長法區(qū)域生長法（region growing)-region growing)-串行串行區(qū)域分割算法區(qū)域分割算法7 7.4.1 .4.1 原理和步驟原理和步驟l將具有相似性質(zhì)（如灰度級，紋理，顏色）的像素集合起來構(gòu)成區(qū)域。l先對每個(gè)需要分割的區(qū)域找一個(gè)種子像

18、素作為生長的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中。l將這些新像素當(dāng)做新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來。這樣一個(gè)區(qū)域就長成了。在實(shí)際應(yīng)用區(qū)域生長法時(shí)需要解決三個(gè)問題： 選擇一組能正確代表所需區(qū)域的種子像素；n種子像素的選取?？山柚唧w問題的特點(diǎn)進(jìn)行。 確定在生長過程中將相鄰像素包括進(jìn)來的準(zhǔn)則；n生長準(zhǔn)則的選取不僅依賴于具體問題本身，也和所用圖像數(shù)據(jù)的種類有關(guān)。 制定讓生長過程停止的條件或規(guī)則。n一般生長過程在進(jìn)行到再?zèng)]有滿足生長準(zhǔn)則需要的像素時(shí)停止。 465225650255077401574015 51 15551

19、1555115551155511555115552255512555117751157511(a)原圖像 (b)T=3的生長結(jié)果 (c) T=1的生長結(jié)果圖7.10 區(qū)域生長采用判斷準(zhǔn)則：如果所考慮的像素與種子像素的灰度值差的絕對值小于某個(gè)門限值，則將該像素包括進(jìn)種子像素所在的區(qū)域。7 7.4.2 .4.2 生長準(zhǔn)則和過程生長準(zhǔn)則和過程l區(qū)域生長的一個(gè)關(guān)鍵：l選擇適合的生長準(zhǔn)則，大部分區(qū)域生長準(zhǔn)則使用圖像的局部性質(zhì)。l生長準(zhǔn)則可根據(jù)不同的原則制定，而使用不同的生長準(zhǔn)則會(huì)影響區(qū)域生長的過程。1.基于區(qū)域灰度差l區(qū)域生長方法將圖像以像素為基本單位來進(jìn)行操作。（1）對圖像進(jìn)行逐行掃描，找出尚沒有歸屬

20、的像素；（2）以該像素為中心檢查它的鄰域像素，即將鄰域中的像素逐個(gè)與它比較，如果灰度差小于預(yù)先確定的閾值，就將它們合并；（3）以新合并的像素為中心，返回到步驟2，檢查新像素的鄰域，直到區(qū)域不能進(jìn)一步擴(kuò)張；（4）返回到步驟1，繼續(xù)掃描，直到不能發(fā)現(xiàn)沒有歸屬的像素，則結(jié)束整個(gè)生長過程。2. 基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)l 考慮以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并：（1）把圖像分成互不重疊的小區(qū)域；（2）比較鄰接區(qū)域的灰度直方圖，根據(jù)灰度分布的相似特性進(jìn)行區(qū)域合并；（3）設(shè)定終止準(zhǔn)則，通過反復(fù)進(jìn)行步驟2中的操作將各個(gè)區(qū)域依次合并，直到終止準(zhǔn)則滿足。 圖像分割方法的比較： 邊緣檢測的優(yōu)缺點(diǎn)：邊緣

21、檢測利用不同區(qū)域間像素灰度不連續(xù)性的特點(diǎn)，因?yàn)椴煌瑘D像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。通過求微分算子來檢測邊緣處的像素的灰度不連續(xù)值進(jìn)行邊緣檢測。 邊緣跟蹤是先檢測到邊緣再串行連接成閉合邊界的方法，此方法很容易受起始點(diǎn)的影響。 邊緣檢測的難點(diǎn)在于邊緣檢測是抗噪性和檢測精度之間的矛盾。若提高檢測精度，則噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓；若提高抗噪性，則會(huì)產(chǎn)生輪廓漏檢會(huì)或位置偏差。 區(qū)域分割的優(yōu)缺點(diǎn)： 利用某種相似性質(zhì)的像素連通，構(gòu)成最后的分割區(qū)域，利用圖像的局部空間信息，有效克服邊緣檢測存在圖像分割空間不連續(xù)的缺點(diǎn)。 基于區(qū)域的分割會(huì)造成圖像的過度分割，單純的邊緣檢測方法有時(shí) 不能提供較好的區(qū)域結(jié)構(gòu)，為此將兩種方法結(jié)合使用。 7 7.4.3 .4.3 基于區(qū)域的分割基于區(qū)域的分割1 區(qū)域分割的集合描述區(qū)域分割的集合描述 將區(qū)域R劃分為若干個(gè)子區(qū)域R1,R2,Rn，這些子區(qū)域滿足5個(gè)條件：1)完備性：2)連通性：每個(gè)Ri都是一個(gè)連通區(qū)域3)獨(dú)立性：對于任意ij，RiRj= niiRR14)單一性：每個(gè)區(qū)域內(nèi)的灰度級相等，P（Ri）= TRUE，i = 1,2,n5)互斥性：任兩個(gè)區(qū)域的灰度級不等，P（