第五章圖像分析

模式識別：圖像分割圖像模式識別：分析圖像中的內容。輸入：圖像；輸出：圖像的描述統(tǒng)計模式識別的三個階段：圖像分割：檢測出各個物體，并使之相互分離特征抽?。簩ξ矬w進行度量，產生特征向量分類估計：確定物體特征類型。模式識別示例特征向量：直徑和顏色模式識別系統(tǒng)設計物體檢測器設計：選擇能夠將圖像中各個物體分離開的景物分割算法。特征選擇：確定能夠最好地辨別物體類型的物體性質以及如何度量這些性質的方法。分類器設計：建立分類算法的數(shù)學基礎并選擇所使用的分類器的結構類型。分類器訓練：確定分類器中各種可調整的參數(shù)（決策界限等）使之適應被分類的物體。性能評估：估計各種可能的錯分類率的預期值。圖像分割處理

圖像分割：將數(shù)字圖像劃分成互不相交(不重疊)區(qū)域。區(qū)域是像素的連通集。連通：任意兩個像素之間存在一條完全由這個集合的元素構成的連通路徑。連通路徑是一條可在相鄰像素間移動的路徑。連通性準則：4連通和8連通圖像分割與人類視覺沒有對照關系。圖像分割可以采用三種不同的原理來實現(xiàn)：區(qū)域方法：把各像素劃歸到各個物體或區(qū)域中。邊界方法：只需確定存在于區(qū)域間的邊界。邊緣方法：則先確邊像素并把它們連接在一起以構成所需的邊界。圖像分割：閾值方法閾值方法是一種區(qū)域分割技術，通過將圖像分為內部點集和外部點集來對圖像進行分割。它適合于物體與背景有較強對比的景物。當使用閾值規(guī)則進行圖像分割時，所有灰度值大于或等于某閾值的像素都被判屬于物體。所有灰度值小于該閾值的像素被排除在物體之外。如果感興趣的物體在其內部具有均勻一致的灰度值并分布在一個具有另一個灰度值的均勻背景上，使用閾值方法效果就很好。如果物體同背景的差別在于某些性質而不是灰度值（如紋理等），那么，可以首先把那個性質轉化為灰度，然后，利用灰度閾值化技術分割待處理的圖像。圖像分割：閾值方法閾值方法：全局閾值采用閾值確定邊界的最簡單做法是在整個圖像中將灰度閾值的值設置為常數(shù)。如果背景的灰度值在整個圖像中可合理地看作為恒定，而且所有物體與背景都具有幾乎相同的對比度，那么，只要選擇了正確的閾值，使用一個固定的全局閾值一般會有較好的效果。閾值方法：自適應閾值背景的灰度值近似于常數(shù)，全局閾值。背景的灰度值并不是常數(shù)，局部閾值。分割錯誤：一個物體分為多個物體；多個物體分為一個物體。自適應閾值選取為物體的內部灰度值和局部背景灰度值的近似中間值。全局閾值與自適應閾值自適應閾值：粘連染色體的數(shù)目從7個減少到2個，斷裂染色體的數(shù)目從2個減少到0個。自適應閾值比全局閾值精度高。閾值方法：最佳閾值除非圖像中的物體有陡峭的邊沿，否則灰度閾值的取值對所抽取物體的邊界的定位和整體的尺寸有很大的影響。這意味著后續(xù)的尺寸（特別是面積）的測量對于灰度閾值的選擇很敏感。由于這個原因，需要一個最佳的，或至少是具有一致性的方法確定閾值。

自適應最佳閾值自適應分割技術：將圖像劃分成100100的像素塊。在每塊中物體的邊界用各自固定的閾值確定，但各塊間閾值不相同。根據(jù)各個塊的灰度直方圖，閾值被確定為背景峰值與數(shù)據(jù)峰值的中點。直方圖是單峰的塊則不予考慮?；谔荻鹊膱D像分割方法邊界方法利用邊界具有高梯度值的性質直接找出邊界。邊界方法：拉普拉斯邊緣檢測拉普拉斯算子對二維函數(shù)運算二階導數(shù)標量算子▽2f(x,y)=2f(x,y)/x2+2f(x,y)/y2數(shù)字化表示卷積核：0-10-1-1-1-14-1-18-10-10-1-1-1無噪聲圖像具有陡峭的邊緣，用拉普拉斯算子將它們找出來。對經(jīng)拉普拉斯算子濾波后的圖像用零灰度值進行二值化會產生閉合的、連通的輪廓并消除了所有的內部。有噪聲圖像，在運用拉普拉斯算子之前需要先進行低通濾波。邊界方法：梯度圖像二值化如果用適中的閾值對一幅梯度圖像進行二值化，那么，將發(fā)現(xiàn)物體和背景內部的低于閾值而大多數(shù)邊緣點高于閾值。這種技術首先用一個中偏低的灰度閾值對梯度圖像進行二值化從而檢測出物體和背景，物體與背景被處于閾值之上的邊界點帶分開。隨著閾值逐漸提高，就引起物體和背景的同時增長。當它們接觸上而又不至于合并時，可用接觸點來定義邊界。邊界方法：邊界跟蹤一個物體且與背景具有反差的圖像。從一個梯度幅值圖像著手進行處理?；叶燃壸罡叩狞c（即在原始圖像中梯度值最高的點）必然在邊界上，所以把這一點作為邊界跟蹤過程的起始點。如果有幾個點都具有最高灰度級，可以任一個。接著，搜索以邊界起始點為中心的33鄰域，找出具有最大灰度級的鄰域點作為第2個邊界點。如果有兩個鄰域點具有相同的最大灰度級，就任選一個。從這一點開始，在給定當前和前一個邊界點的條件下尋找下一個邊界點。一直迭代下去。在一個無噪聲的單調點狀物圖像中，這個算法將描畫出最大梯度邊界；但是，即使少量的噪聲也可能使跟蹤暫時或永遠偏離邊界。邊緣方法：邊緣檢測和連接

檢測每個像素和其直接鄰域的狀態(tài)，以決定該像素是否確實處于一個物體的邊界上。具有所需特性的像素被標為邊緣點。當圖像中各個像素的灰度級用來反映各像素符合邊緣像素要求的程度時，它也可以用僅表示了邊緣點的位置而沒有強弱程度的二值圖像來表示。一幅邊緣圖通常用邊緣點勾畫出各個物體的輪廓，但很少能形成圖像分割所需要的閉合且連通的邊界。邊緣點連接就是一個將鄰近的邊緣點連接起來從而產生一條閉合的連通邊界的過程。這個過程填補了因為噪聲和陰影的影響所產生的間隙。Sobel邊緣算子圖

Sobel邊緣算子有兩個卷積核。圖像中的每個點都用這兩個核做卷積。一個核對通常的垂直邊緣響應最大而另一個對水平邊緣響應最大。兩個卷積的最大值作為該點的輸出值。運算結果是一幅邊緣幅度圖像。-1-2-1-101000-202121-101Prewitt邊緣算子

Prewitt邊緣算子有兩個卷積核。圖像中的每個點都用這兩個核做卷積。一個核對通常的垂直邊緣響應最大而另一個對水平邊緣響應最大。兩個卷積的最大值作為該點的輸出值。運算結果是一幅邊緣幅度圖像。-1-1-110-100010-111110-1Kirsch邊沿算子

Kirsch邊沿算子有8個卷積核。每個點都用8個掩模進行卷積，每個掩模對某個特定邊緣方向作出最大響應。所有8個方向中的最大值作為邊緣幅度圖像的輸出。最大響應掩模的序號構成了對邊緣方向的編碼。+5+5+5-3+5+5-3-3+5-3-3-3-30-3-30+5-30+5-30+5-3-3-3-3-3-3-3-3+5-3+5+5-3-3-3-3-3-3+5-3-3+5+5-3-30-3+50-3+50-3+50-3+5+5+5+5+5-3+5-3-3-3-3-3邊緣檢測器性能邊緣檢測器性能由上述邊緣算子產生的邊緣圖像看來很相似，其實差異很大。

Roberts算子是22算子，對具有陡峭的低噪聲圖像響應最好。其它三個算子，都是33算子，對灰度漸變和噪聲較多的圖像處理得較好。使用兩個掩模板組成邊緣檢測器時，通常取較大得幅度作為輸出值。這使得它們對邊緣的走向有些敏感。取它們的平方和的開方可以獲得性能更一致的全方位響應。這與真實的梯度值更接近。區(qū)域增長首先把一幅圖像分成許多初始的小區(qū)域。這些初始的區(qū)域可能是小的鄰域甚至是單個像素。在每個區(qū)域中，定義一個適當?shù)哪芊从澄矬w內成員隸屬程度的度量規(guī)則，用于區(qū)分不同物體內像素的性質，包括平均灰度值，紋理，或顏色信息。賦給每個區(qū)域一組參數(shù)，對相鄰區(qū)域的所有邊界進行考查。相鄰區(qū)域的平均度量之間的差異是計算邊界強度的一個尺度。如果給定邊界兩側的度量差異明顯，那么這個邊界很強，反之則弱。強邊界允許繼續(xù)存在，而弱邊界被消除，相鄰區(qū)域被合并。區(qū)域增長相似性準則：鄰近點的灰度級與物體的平均灰度值之差小于2。5586558648

9748

9722832283333333335586558648

9

748972283228333333333模式識別：物體測量1.尺寸特征：面積、長、寬和周長。2.形狀：由矩形擬合和圓度的度量以及不變矩。3.形狀編碼：鏈碼、邊界極坐標函數(shù)、復坐標邊界函數(shù)，和中軸變換。4.紋理：統(tǒng)計測量、由共生矩陣計算出特征值，以及頻譜和結構分析的途徑加以定量測量。5.曲線擬合、表面擬合6.表面擬合估計物體的幅度、尺寸和形狀參數(shù)。尺寸測量選用像素數(shù)量表示空間尺度，從灰度級計算光量度。面積和周長。邊界在測量同一個多邊形的周長和面積時，必須要解決的問題是：邊界像素是全部還是部分地包含在物體中？換句話說，物體的實際的邊界是穿過了邊界像素的中心還是圍繞了它們的外邊緣？周長與面積最簡單的計算面積方法是統(tǒng)計邊界內部(也包括邊界上)的像素的數(shù)目。周長就是圍繞所有這些像素的外邊界的長度。校準多邊形周長：測量物體周長的方法是將物體邊界定義為以各邊界像素中心為頂點的多邊形。相應的周長就是一系列橫豎方向和對角線方向像素的間距之和。這個和可以在用行程編碼表示。一個物體的周長可表示為：面積表示：多邊形的面積和周長三角形面積：化簡公式：多邊形面積物體主軸的測量物體的主軸測量與之有關的長度和寬度。當物體的邊界已知時，有如下方法可以確定一個物體的主軸：(1)物體內部點的一條最佳擬合直線。(2)主軸可以從矩的計算得出。(3)物體的最小外接矩形。形狀分析(矩形度)矩形度：反映一個物體矩形度的一個參數(shù)是矩形擬合因子

其中，AO是該物體的面積，而AR是其最小外接矩形(MER)的面積。R反映了一個物體對其MER的充滿程度。對于矩形物體R取得最大值1.0，對于圓形物體R取值為／4，對于纖細的，彎曲的物體取值變小。矩形擬合因子的值限定在0與1之間。長寬比：它等于MER的寬與長的比值。這個特征可以把較纖細的物體與方形或圓形物體區(qū)分開。形狀分析(圓形度)有一組形狀特征稱為圓形度指標，因為它們在對圓形形狀計算時取最小值。它們的幅度值反映了被測量邊界的復雜程度。最常用的圓形度指標是即周長的平方與面積的比。這個特征對圓形形狀取最小值4。越復雜的形狀取值越大。圓形度指標C與邊界復雜性概念有著粗略的聯(lián)系。形狀分析(不變矩)定義具有兩個變元的有界函數(shù)f(x,y)的矩集被定義為為了描述形狀，假設f(x,y)在物體內取值1而在其它均為0。這種剪影函數(shù)只反映了物體的形狀而忽略了其內部的灰度級細節(jié)。每個特定的形狀具有一個特定的輪廓和一個特定的矩集。中心矩規(guī)范化的中心矩對物體的放大、平移、旋轉保持不變。形狀分析(描繪子)用描繪子表示圖像的特征。有些描繪子對放大、平移、旋轉等不敏感。常用的描繪子：傅立葉描繪子矩描繪子拓撲描繪子紋理分析紋理：一種反映一個區(qū)域中像素灰度級的空間分布的屬性。紋理通常用統(tǒng)計性質表征，如灰度級的標準偏差(用于度量紋理的幅