生物電子與影像技術(shù)第七章 圖像分割課件

1、生物電子與影像技術(shù)哈爾濱工業(yè)大學(xué)（威海）控制科學(xué)與工程系第七章 圖像分割 7.1 邊界分割法 7.2 邊緣連接分割法 7.3 閾值分割法 7.4 區(qū)域分割法 7.5 彩色圖像分割 第七章 圖像分割 7.1 邊界分割法 7.2 邊緣連接分割法 7.3 閾值分割法 7.4 區(qū)域分割法 7.5 彩色圖像分割 7.1 邊界分割法1 圖像分割 Image Segmentation圖像分割基本概念輸入圖像，輸出是分析分割的目的是把圖像空間分成一些有意義的區(qū)域分割建立在相似性和非連續(xù)性上例子：確定航空照片中的森林、耕地、城市區(qū)域辨認(rèn)文件中的個別文字識別和標(biāo)定細(xì)胞顯微照片中的染色體7.1 邊界分割法1 圖像分

2、割 Image Segmentation圖像分割基本概念分割的結(jié)果：一般是二值圖像若想從一幅圖像中“提取”物體，可以設(shè)法用專門的方法標(biāo)出屬于該物體的點，如把物體上的點標(biāo)為“1”，而把背景點標(biāo)為“0”應(yīng)用 機(jī)器閱讀理解 遙感圖像自動識別 在線產(chǎn)品檢測 醫(yī)學(xué)圖像測量7.1 邊界分割法1 圖像分割 Image Segmentation圖像分割基本概念分割基本思路從簡到難，逐級分割控制背景環(huán)境，降低分割難度把焦點放在增強(qiáng)感興趣對象，縮小不相干圖像成分的干擾上7.1 邊界分割法1 圖像分割 Image Segmentation圖像分割分類基于邊緣檢測的方法找出圖像的邊緣信息，首先檢出局部特性的不連續(xù)性，

3、再將它們連成邊界，這些邊界把圖像分成不同的區(qū)域，從而分割出各個區(qū)域基于邊緣檢測的圖像分割、基于閾值選取的圖像分割基于區(qū)域生成的方法像素分成不同的區(qū)域，根據(jù)相應(yīng)的區(qū)域特性在圖像中找出與其相似的部分并進(jìn)行處理區(qū)域生長、分裂-合并法7.1 邊界分割法2 點的檢測用空域的高通濾波器來檢測孤立點88881288888圖像-1-1-1-18-1-1-1-1模板R = (-1 * 8 * 8 + 128 * 8) / 9 = (120 * 8) / 9 = 960 / 9 = 106設(shè) ：閾值：T = 64 R T7.1 邊界分割法2 點的檢測算法設(shè)定閾值 T，如T = 32、64、128等,并計算高通濾波

4、值R如果R值等于0，說明當(dāng)前檢測點與的灰度值與周圍點的相同當(dāng)R的值足夠大時，說明該點的值與周圍的點非常不同，是孤立點。通過閾值T來判斷 |R| T 檢測到一個孤立點7.1 邊界分割法2 線的檢測用4種模板分別計算R水平 = -6 + 30 = 24R45度 = -14 + 14 = 0R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0111555111111555111111555111例：圖像7.1 邊界分割法2 線的檢測算法依次計算4個方向的典型檢測模板，得到Ri i=1,2,3,4如 |Ri| |Rj| 對于所有的j = i，那么這個點被稱為在方向上更接近模板

5、i 所代表的線設(shè)計任意方向的檢測模板可能大于3*3模板系數(shù)和為0感興趣方向的系數(shù)大7.1 邊界分割法3 邊緣的檢測邊界的定義 兩個具有相對不同灰度值特性的區(qū)域的邊界線適用于： 假定問題中的區(qū)域是非常類似的，兩個區(qū)域之間的過渡，僅僅根據(jù)灰度的不連續(xù)性便可確定不適用于： 當(dāng)假定不成立時，閾值分割技術(shù)一般來說比邊緣檢測更加實用7.1 邊界分割法3 邊緣的檢測計算局部微分算子 截面圖邊界圖像7.1 邊界分割法3 邊緣的檢測一階微分：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7.1 邊界分割法3 邊緣的檢測Sobel梯

6、度算子具有平滑效果，由于微分增強(qiáng)了噪聲拉普拉斯算子缺點：對噪聲敏感；會產(chǎn)生雙邊效果；不能檢測出邊的方向應(yīng)用：拉普拉斯算子不直接用于邊的檢測，通常只起輔助的角色；第七章 圖像分割 7.1 邊界分割法 7.2 邊緣連接分割法 7.3 閾值分割法 7.4 區(qū)域分割法 7.5 彩色圖像分割 7.2 邊緣連接分割法1 邊緣連接邊檢測的后處理由于噪聲的原因，邊界的特征很少能夠被完整地描述，在亮度不一致的地方會中斷典型的邊檢測算法后面總要跟隨著連接過程和其它邊界檢測過程，用來歸整邊像素，成為有意義的邊連接處理的時機(jī)和目的時機(jī)：對做過邊界檢測的圖像進(jìn)行目的：連接間斷的邊7.2 邊緣連接分割法1 邊緣連接連接處

7、理的原理對做過邊檢測的圖像的每個點(x,y)的特性進(jìn)行分析分析在一個小的鄰域（3x3或5x5）中進(jìn)行所有相似的點被連接，形成一個享有共同特性像素的邊界 用比較梯度算子的響應(yīng)強(qiáng)度和梯度方向確定兩個點是否同屬一條邊7.2 邊緣連接分割法1 邊緣連接比較梯度對于點(x, y)，判斷其是否與鄰域內(nèi)的點相似，T 是一個非負(fù)的閾值 |f (x, y) f (x, y)| T比較梯度向量的方向角對于點(x, y)，判斷其是否與鄰域內(nèi)點的方向角相似， A是一個角度閾值 | (x, y) (x, y)| A當(dāng)梯度值和方向角都相似，則點(x, y)與邊點界(x, y)是連接的7.2 邊緣連接分割法1 邊緣連接局部

8、連接算法設(shè)定A、T的閾值大小，確定鄰域的大小對圖像上每一個像素的鄰域點進(jìn)行分析，判斷是否需要連接記錄像素連接的情況， 給不同的邊以不同的標(biāo)記最后，刪除孤立線段， 連接斷開的線段7.2 邊緣連接分割法2 邊緣擬合思想：若邊緣點很稀疏，則需要用某個解析函數(shù)如分段線性或高階樣條曲線來擬合邊緣方法：常根據(jù)圖像一小塊區(qū)域來建立擬合模型常用方法有：（1）迭代端點擬合的分段線性方法（2）灰度階躍邊緣模型（3）灰度漸變邊緣模型7.2 邊緣連接分割法2 邊緣擬合 邊緣提取方法原圖7.2 邊緣連接分割法2 邊緣擬合迭代端點擬合（iterative endpoint fitting）7.2 邊緣連接分割法邊緣擬合灰

9、度階躍邊緣模型7.2 邊緣連接分割法2 邊緣擬合灰度漸變邊緣模型7.2 邊緣連接分割法3 Hough變換目的：檢測圖像中某些給定形狀的曲線并用參數(shù)方程描繪，較少受曲線中斷點的影響思想：對圖像進(jìn)行坐標(biāo)變換，使之在另一個坐標(biāo)空間的特定位置出現(xiàn)峰值原理：點-線的對偶性（duality）7.2 邊緣連接分割法3 Hough變換方法對于邊界上的n個點的點集，找出共線的點集和直線方程對于任意兩點的直線方程：y = ax + b，構(gòu)造一個參數(shù)a，b的平面xy平面上的任意一條直線y = ax + b ，對應(yīng)在參數(shù)ab平面上都有一個點過xy平面一個點(x,y)的所有直線，構(gòu)成參數(shù)ab平面上的一條直線7.2 邊緣

10、連接分割法3 Hough變換方法如果點(x1, y1)與點(x2, y2)共線，則這兩點在參數(shù)ab平面上的直線將有一個交點在參數(shù)ab平面上相交直線最多的點，對應(yīng)的xy平面上的直線就是我們的解7.2 邊緣連接分割法3 Hough變換算法實現(xiàn)用極坐標(biāo)形式：xcos+ysin =參數(shù)平面為, ,對應(yīng)不是直線而是正弦曲線使用交點累加器，或交點統(tǒng)計直方圖，找出相交線段最多的參數(shù)空間的點最后找出該點對應(yīng)的xy平面的直線線段7.2 邊緣連接分割法3 Hough變換算法實現(xiàn)RGB = imread(gantrycrane.png);I = rgb2gray(RGB); % convert to intensi

11、tyBW = edge(I,canny);figuresubplot(2,2,1),imshow(RGB)subplot(2,2,2),imshow(BW)H,T,R = hough(BW);subplot(2,2,3), imshow(H,XData,T,YData,R, InitialMagnification,fit)xlabel(theta), ylabel(rho);axis on, axis normal, hold on;P = houghpeaks(H,5,threshold,ceil(0.3*max(H(:);x = T(P(:,2); y = R(P(:,1);plot(x

12、,y,s,color,white);% Find lines and plot themlines = houghlines(BW,T,R,P,FillGap,20,MinLength,7);subplot(2,2,4), imshow(I), hold onmax_len = 0;for k = 1:length(lines) xy = lines(k).point1; lines(k).point2; plot(xy(:,1),xy(:,2),LineWidth,2,Color,yellow);end第七章 圖像分割 7.1 邊界分割法 7.2 邊緣連接分割法 7.3 閾值分割法 7.4

13、區(qū)域分割法 7.5 彩色圖像分割 7.3 閾值分割法1 基礎(chǔ)思想：確定一個合適的閾值T（閾值選定的好壞是此方法成敗的關(guān)鍵）將大于等于閾值的像素作為物體或背景，生成一個二值圖像 If f(x,y) T set 1 else set 0在四鄰域中有背景的像素，是邊界像素7.3 閾值分割法1 基礎(chǔ)全局閾值與局部閾值可看做一種涉及測試下列形式函數(shù)T的操作 T = T x, y, p(x,y), f(x,y) 如果T取決于f(x,y)時，就稱為全局閾值 如果T取決于f(x,y)和p(x,y），就稱為局部閾值7.3 閾值分割法1 基礎(chǔ)特點適用于物體與背景有較強(qiáng)對比的情況，重要的是背景或物體的灰度比較單一這

14、種方法總可以得到封閉且連通區(qū)域的邊界7.3 閾值分割法2 直方圖閾值法7.3 閾值分割法2 直方圖閾值法基本思想邊界上的點的灰度值出現(xiàn)次數(shù)較少7.3 閾值分割法2 直方圖閾值法取值的方法 取直方圖谷底(最小值)的灰度值為閾值T缺點 會受到噪聲的干擾，最小值不是預(yù)期的閾值，而偏離期望的值7.3 閾值分割法2 直方圖閾值法改進(jìn) 取兩個峰值之間某個固定位置，如中間位置上。由于峰值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除噪聲的干擾7.3 閾值分割法3 亮度的作用圖像是由反射率分量和亮度分量的乘積組成7.3 閾值分割法3 亮度的作用解決非均勻照明問題把照明投射至一固定的白色反射面，產(chǎn)

15、生1幅影像得到正則化影像 (此影像為剩余反射分量)決定 r(x,y) 所需的單一臨界值 k則對于 h(x,y) 的臨界值為 T/k7.3 閾值分割法4 全局閾值分割用前述方法獲得閾值T，并產(chǎn)生一個二值圖，區(qū)分出前景對象和背景規(guī)定一個閾值T，逐行掃描圖像凡灰度級大于T的，置為1；凡灰度級小于T的，置為0適用場合：圖像亮度是可以控制的情況，例如用于工業(yè)檢測系統(tǒng)中7.3 閾值分割法4 自適應(yīng)閾值問題 不均勻亮度的成像導(dǎo)致用直方圖得到單一全局閾值分割法無效解決： 將圖像進(jìn)一步細(xì)分為子圖像，并對不同的子圖像使用不同的閾值進(jìn)行分割7.3 閾值分割法5 最佳全局和自適應(yīng)閾值一種產(chǎn)生最小平均分割誤差的估計方法

16、假設(shè)一幅圖像僅包含兩個主要的灰度級區(qū)域7.3 閾值分割法二值圖像7.3 閾值分割法6 閾值選擇最佳閾值 假設(shè)一幅圖像是由背景和物體組成。其中，物體像素的灰度級具有正態(tài)概率密度 ，其均值為 ，方差為 ； 而背景像素的灰度級也具有正態(tài)概率密度 ，其均值為 ，方 差為 物體占圖像總面積的比為 ，背景占 總面積的比為 7.3 閾值分割法6 閾值選擇最佳閾值圖像總的灰度級概率密度為假設(shè)對圖像設(shè)置一閾值 T , 把小于T的全部點稱為目標(biāo)物體點，而把大于等于T的所有點稱為背景點7.3 閾值分割法6 閾值選擇最佳閾值把背景錯歸為物體點的概率為 ，把物體點錯歸為背景點的概率為 ，則有 7.3 閾值分割法6 閾值

17、選擇最佳閾值總的錯分概率為要求最小閾值，可將上式求微分，并令其結(jié)果為0，則得到 7.3 閾值分割法6 閾值選擇最佳閾值7.3 閾值分割法6 閾值選擇最佳閾值如果 ， ，那么即為最佳閾值 7.3 閾值分割法6 閾值選擇最佳閾值對于復(fù)雜圖像，在許多情況下對整幅圖像用單一閾值不能給出良好的分割結(jié)果；如果已知在圖像上的位置函數(shù)描述不均勻照射，就可以設(shè)法利用灰度級校正技術(shù)進(jìn)行校正，然后采用單一閾值來分割；把圖像分成小塊，并對每一塊設(shè)置局部閾值。如果某塊圖像只含物體或只含背景，那么對這塊圖像就找不到閾值，由附近的像塊求得的局部閾值進(jìn)行計算得到7.3 閾值分割法閾值求取方法的分類（1）分割過程是否需要人工干

18、預(yù)：交互/自動（2）閾值的作用范圍：全局/局部（3）閾值與灰度分布的關(guān)系： 基于灰度分布的一階統(tǒng)計 基于灰度分布的二階統(tǒng)計（4）算法的處理策略：迭代/非迭代（5）算法是否需要分割估計：有監(jiān)督/無監(jiān)督7.3 閾值分割法7 分水嶺算法Watershed算法是一種特殊的自適應(yīng)閾值迭代算法目的：將兩個物體目標(biāo)從背景中提取出來并互相分開7.3 閾值分割法7 分水嶺算法Step1:在一個低灰度級閾值上進(jìn)行二值化，將目標(biāo)正確地分離出，但邊界偏向內(nèi)部Step2:每次將閾值增加一個灰度級，物體的邊界隨之向外擴(kuò)展Step3:重復(fù)Step2，直至兩個物體的邊界相互接觸。此時可確定物體的邊界7 分水嶺算法7.3 閾值

19、分割法第七章 圖像分割 7.1 邊界分割法 7.2 邊緣連接分割法 7.3 閾值分割法 7.4 區(qū)域分割法 7.5 彩色圖像分割 7.4 區(qū)域分割法區(qū)域增長基本思想把一幅圖像分成滿足某種判據(jù)的區(qū)域，也就是說，把點組成區(qū)域確定區(qū)域的數(shù)目要確定一個區(qū)域與其他區(qū)域相區(qū)別的特征確定一個產(chǎn)生有意義分割的相似性判據(jù)從一個已知點開始，加上與已知點相似的鄰近點形成一個區(qū)域相似性準(zhǔn)則可以是灰度級、彩色、組織、梯度或其他特性7.4 區(qū)域分割法區(qū)域增長相似性測度方法相似性的測度可以由所確定的閾值來判定從滿足檢測準(zhǔn)則的點開始，在各個方向上生長區(qū)域。當(dāng)其鄰近點滿足檢測準(zhǔn)則就并入小塊區(qū)域中，當(dāng)新的點被合并后再用新的區(qū)域重復(fù)這一過程，直到?jīng)]有可接受的鄰近點時，生成過程終止7.4 區(qū)域分割法區(qū)域增長相似性測度方法相似性準(zhǔn)則是鄰近點的灰度級與物體的平均灰度級的差小于TT=27.4 區(qū)域分割法區(qū)域增長相似性測度方法當(dāng)生成任意物體時，接受準(zhǔn)則可以結(jié)構(gòu)為基礎(chǔ)，而不是以灰度級或?qū)Ρ榷葹榛A(chǔ)為了把候選的小群點包含在物體中，可以檢測這些小群點，而不是檢測單個點，如果它們的結(jié)構(gòu)與物體的結(jié)構(gòu)充分并且足夠相似時就接受它們還可以使用界線檢測對生成建立“勢壘”，如果在“勢壘”的近鄰點和物體之間有