計算機(jī)圖像處理-第七章

第七章

圖像分割與描述本章對應(yīng)著教材的第七、八章部分內(nèi)容7.1概述前面介紹的圖像處理著重強(qiáng)調(diào)在圖像之間進(jìn)行變換以改善圖像的視覺效果；圖像分析則主要是對圖像中感興趣的目標(biāo)進(jìn)行檢測和測量，以獲得它們的客觀信息從而建立對圖像的描述；圖像理解的重點是在圖像分析的基礎(chǔ)上，進(jìn)一步研究圖像中各目標(biāo)的性質(zhì)和它們之間的相互聯(lián)系，并得出對原始客觀場景的解釋，從而指導(dǎo)和規(guī)劃行動。7.1概述圖像分析的概念對圖像中感興趣的目標(biāo)進(jìn)行檢測和測量，以獲得它們的客觀信息，從而建立對圖像的描述圖像分析系統(tǒng)的基本構(gòu)成預(yù)處理圖像分割特征提取對象識別光電變換數(shù)字化圖像輸入圖像增強(qiáng)圖像恢復(fù)圖像編碼預(yù)處理幅度分割邊緣檢測區(qū)域分割圖像分割特征提取結(jié)構(gòu)分析描述解釋圖像處理圖像分析圖像分析系統(tǒng)7.1概述圖像分析的步驟把圖像分割成不同的區(qū)域或把不同的對象分開找出分開的各區(qū)域的特征識別圖像中要找的對象或?qū)D像進(jìn)行分類對不同區(qū)域進(jìn)行描述或?qū)ふ页霾煌瑓^(qū)域的相互聯(lián)系，進(jìn)而找出相似結(jié)構(gòu)或?qū)⑾嚓P(guān)區(qū)域連成一個有意義的結(jié)構(gòu)7.1概述圖像分割的概念把圖像分成互不重疊的區(qū)域并提取感興趣目標(biāo)的技術(shù)圖像分割的定義:令集合R代表整個圖像區(qū)域，對R的分割可看作將R分成N個滿足以下五個條件的非空子集（子區(qū)域）R1，R2，…，RN：；對所有的i和j，i≠j，有Ri∩Rj=φ；對i=1,2,…,N，有P(Ri)=TRUE；對i≠j,有P(Ri∪Rj)=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,φ代表空集。7.1概述圖像分割的基本策略分割算法基于灰度值的兩個基本特性：不連續(xù)性和相似性檢測圖像像素灰度級的不連續(xù)性，找到點、線（寬度為1）、邊（不定寬度）。先找邊，后確定區(qū)域。7.1概述圖像分割的基本策略檢測圖像像素的灰度值的相似性，通過選擇閾值，找到灰度值相似的區(qū)域，區(qū)域的外輪廓就是對象的邊7.1概述圖像分割的方法基于邊緣的分割方法先提取區(qū)域邊界，再確定邊界限定的區(qū)域。區(qū)域分割確定每個像素的歸屬區(qū)域，從而形成一個區(qū)域圖。區(qū)域生長將屬性接近的連通像素聚集成區(qū)域分裂－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。7.2邊緣檢測法邊緣是指圖像中像素灰度有階躍變化或屋頂狀變化的那些像素的集合。邊緣意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，它存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、基元與基元之間。圖像邊緣有方向和幅度兩個特征，沿邊緣走向的像素變化比較平緩，而垂直于邊緣走向的像素變化劇烈。邊緣粗略分為階躍狀和屋頂狀兩種。階躍狀邊緣位于兩邊的像素灰度值有明顯不同的地方屋頂狀邊緣位于灰度值從增加到減少的轉(zhuǎn)折處利用邊緣灰度變化的一階或二階導(dǎo)數(shù)特點，可以將邊緣點檢測出來。階躍狀屋頂狀兩種邊緣和邊緣點近旁圖像灰度方向的導(dǎo)數(shù)變化規(guī)律回顧幾種常用的邊緣檢測算子1.梯度算子對階躍狀邊緣，在邊緣點處一階導(dǎo)數(shù)有極值，因此可計算每個像元處的梯度來檢測邊緣點。有關(guān)梯度的簡化計算式常用的有：grad(x，y)=((fx′)2+(fy′)2)1/2grad(x，y)=max(|fx′|，|fy′|)grad(x，y)=|fx’|+|fy′|（差分）梯度可以用下圖的模板表示:-11-11為檢測邊緣點，選取適當(dāng)?shù)拈T限t，對梯度圖像進(jìn)行二值化，則有:當(dāng)grad(x，y)≥t時，令grad(x，y)=1，則為階躍狀邊緣點。否則grad(x，y)=0。這樣形成一幅邊緣二值圖像。梯度算子僅用最近鄰像素的灰度計算，對噪聲敏感，無法抑制噪聲的影響。2.Roberts、Prewitt和Sobel

算子Roberts梯度算子Roberts算子去噪作用仍然小，但效果較梯度算子好。

-101-101-101-1-1-1000111-101-202-101-1-2-1000121Prewitt算子Sobel算子Prewitt算子從加大模板大小出發(fā)來計算差分算子，從而提高邊緣檢測能力，抑制噪聲的影響。

Sobel算子在Prewitt的基礎(chǔ)上，對4-鄰域采用帶權(quán)的方法計算差分，能進(jìn)一步抑制噪聲的影響。

-11-110101-41010對于階躍狀邊緣，其二階導(dǎo)數(shù)在邊緣點出現(xiàn)零交叉，即邊緣點兩旁二階導(dǎo)數(shù)取異號。據(jù)此，對數(shù)字圖像的每個像素計算關(guān)于x軸和y軸的二階偏導(dǎo)數(shù)之和▽2f(x,y)▽2f(x,y)=f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)所對應(yīng)的模板為：3.Laplace

算子它是一個與方向無關(guān)的各向同性（旋轉(zhuǎn)軸對稱）邊緣檢測算子。其特點是：各向同性、線性和位移不變的；對細(xì)線和孤立點檢測效果好。但邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對噪聲有雙倍加強(qiáng)作用。由于梯度算子和Laplace算子都對噪聲敏感，因此一般在用它們檢測邊緣前要先對圖像進(jìn)行平滑。另外，還有Kirsch、馬爾(Marr-Hildreth)等一些邊緣檢測算子。0000000100000000010000100001000000000100000000010000110001100011000110001100000000100001000121001410012100010001210000000010000110011

10011100111000110模板匹配法模板是為了檢測某些區(qū)域特征而設(shè)計的陣列，設(shè)有一個3*3的模板窗口W，其元素Wij的位置如圖a所示，一幅圖像F的各元素f（m，n）的位置如圖b所示。模板匹配的過程是求乘積的過程。W-1，-1W-1，0W-1，1W0，-1W0，0W0，1W1，-1W1，0W1，1（b）f(m-1,n-1)f(m-1,n)f(m-1,n+1)f(m-1,n)f(m,n)f(m,n+1)f(m-1,n+1)f(m+1,n)f(m+1,n+1)（a）點模板一般用于背景強(qiáng)度恒定、目標(biāo)圖像灰度相同或基本相同的圖像（如二值圖像）。點模板在檢測圖像區(qū)域時，通常是拖動模板在圖像移動，橫向移動間隔取1個像素，縱向移動間隔取1個掃描行。在每一個位置上，將模板元素分別與對應(yīng)的圖像灰度級相乘并求和（當(dāng)小于零時，可作兩種處理，一取絕對值，二是作零對待）

-1-1

-1-18-1-1-1

-1

點模板

111111111111111114111111111444441111111444444111111144444111111144441111111114411111111111111111

（a）初始灰度分布g(m,n)=0時，說明模板位于均衡背景或目標(biāo)區(qū)域內(nèi)部；g(m,n)！=0時，說明當(dāng)前窗口內(nèi)就有背景又有目標(biāo)；當(dāng)模板中心正好是目標(biāo)或背景的交界處時，g(m,n)值最大；當(dāng)模板離開目標(biāo)和背景交界處時，g(m,n)制減??；線模板線模板如下如所示：

-1-1

-1

-1

-12-12-12-1-1222-12-1-12-1-12-1-1-1

-12-1-1

-12-1-1

-12W1W2W3W4線模板能夠有效地檢出線型類圖像結(jié)構(gòu)利用線模板對圖像作線檢測的過程是：對某一給定的窗口，分別計算模板W1、W2、W3、W4的匹配輸出，窗口輸出為其四個值中最大者。例：1111111211112111121111111例：1111111121112111211111111例：1111111111122211111111111幾種算子的檢測結(jié)果對比原圖Robert算子進(jìn)行邊緣檢測

Sobel算子進(jìn)行邊緣檢測拉普拉斯算子進(jìn)行邊緣檢測直方圖閾值分割法：1）作圖像的灰度直方圖。2）若直方圖有明顯的雙峰狀，則取兩峰之間的谷底所對應(yīng)的灰度值為閾值。3）然后根據(jù)如下公式，得到分割圖像。t為閾值例：利用直方圖選取邊界閾值

t7.3邊緣跟蹤邊緣跟蹤是通過順序找出邊緣點來跟蹤目標(biāo)的邊界的，并可將檢測到的邊緣點連接成線。這種方法一般首先所采用“探測準(zhǔn)則”找出第一個邊界點；然后采用“跟蹤準(zhǔn)則”找出所有邊界點。如常用的基于4連通或8連通區(qū)域的輪廓跟蹤。示例：7.4Hough變換Hough變換常用來檢測圖像中是否存在某一特定形狀（直線、圓、曲線等）的物體。Hough變換的核心思想是建立一種圖像空間和參數(shù)空間的對偶關(guān)系。例如尋找圓，若圓方程為(x-a)2+(y-b)2=R2，則參數(shù)空間是由a、b、R組成的。7.6區(qū)域增長法一幅圖像中屬于同一區(qū)域的像元應(yīng)具有相同或相似的屬性，不同區(qū)域的像元屬性不同。區(qū)域增長是把圖像分割成特征相同的若干區(qū)域。以圖像中的某個位置已知的像素點開始，加上與已知點相似的鄰近點形成一個區(qū)域。比較相鄰小區(qū)域特征的相似性（相似性準(zhǔn)則可以是灰度級、彩色、組織、梯度或其他特性），若它們足夠相似（相似性的測度可以由所確定的閾值來判定），則作為同一區(qū)域合并。以此方式將特征相似的小區(qū)域不斷合并，直到?jīng)]有可接受的鄰近點時為止，最后形成特征不同的各區(qū)域。進(jìn)行區(qū)域增長首先要解決三個問題：

①確定區(qū)域的數(shù)目；②選擇有意義的特征；③確定相似性判據(jù)。區(qū)域增長根據(jù)所用的鄰域方式和相似性判據(jù)的不同，產(chǎn)生各種不同的區(qū)域擴(kuò)張法。在此介紹：單一型（像元與像元）和質(zhì)心型（像元與區(qū)域）兩種方法。2.質(zhì)心型增長法與簡單區(qū)域增長不同，它是比較單個像元的特征與其相鄰區(qū)域的特征，若相似則將像元歸并到區(qū)域中。質(zhì)心型鏈接操作步驟類似簡單區(qū)域擴(kuò)張法，唯一不同的是在上述（2）的操作中，改為比較已存在區(qū)域的像元灰度平均值與該區(qū)域鄰接的像元灰度值。若差值小于閾值，則合并。這種方法的缺點是區(qū)域增長的結(jié)果與起始像元有關(guān)，起始位置不同則分割結(jié)果有差異。下圖給出一個簡單的例子。此例的相似性準(zhǔn)則是鄰近點的灰度級與物體的平均灰度級的差小于2。圖中被接受的點和起始點均用下劃線標(biāo)出。其中（a）圖是輸入圖像；（b）圖是第一步接受的鄰近點；（c）圖是第二步接受的鄰近點；（d）圖是從6開始生成的結(jié)果。7.7圖像描述圖像分割的技術(shù)目的是將圖像分成有意義的區(qū)域，為了達(dá)到圖像分析的目的，還要對這些有意義的區(qū)域進(jìn)行特征提取與描述。圖像描述：用一組數(shù)量或符號來表征圖像中被描述目標(biāo)的基本特征。區(qū)域邊界的方向鏈碼描述：邊界的方向鏈碼表示既便于有關(guān)形狀特征的提取，又節(jié)省存儲空間。從鏈碼可以提取一系列的幾何形狀特征。如周長、面積、某方向的寬度、矩、形心、兩點之間的距離等。另外，利用二值圖像的四叉樹表示邊界，可以提取如歐拉數(shù)、區(qū)域面積、矩、形心、周長等區(qū)域的形狀特征。二值圖像的幾何特征1.距離：對于集合S中的兩個元素p和q，當(dāng)函數(shù)D(p,q)滿足下式的條件時，把D(p,q)叫做p和q的距離，也稱為距離函數(shù)。計算點（i,j）和（h,k）間距離常用的方法有：歐幾里德距離de[(i,j),(h,k)]=((i-h)2+(j-k)2)1/24-鄰域點距離d4[(i,j),(h,k)]=|i-h|+|j-k|8-鄰域距離