第7章圖像分割與描述

第七章圖像分割與描述C7Imagesegmentationanddescription車(chē)牌識(shí)別

要辨認(rèn)車(chē)牌中的文字，需先將這些文字分選出來(lái)，跟字庫(kù)進(jìn)行比對(duì)。然后與數(shù)據(jù)庫(kù)車(chē)輛信息進(jìn)行對(duì)比，確定車(chē)主信息。圖像分割概述軍事目標(biāo)識(shí)別圖像分割概述圖像分析系統(tǒng)的構(gòu)成知識(shí)庫(kù)表示與描述預(yù)處理分割低級(jí)處理高級(jí)處理中級(jí)處理識(shí)別與解釋結(jié)果圖像獲取問(wèn)題圖像分割概述圖像分析

所謂圖像分析，就是根據(jù)圖像中的目標(biāo)的描述數(shù)據(jù)對(duì)其作定性或定量分析，分析的基礎(chǔ)是目標(biāo)區(qū)域的特征。圖像描述

用一組數(shù)量或符號(hào)來(lái)表征圖像中被描述的目標(biāo)的基本特征。圖像分割概述圖像分析手段之一——圖像分割把圖像分解成構(gòu)成它的部件和對(duì)象的過(guò)程。有選擇性地定位感興趣對(duì)象在圖像中的位置和范圍。

總之，把圖像空間按照一定的要求分成一些“有意義”的區(qū)域的技術(shù)叫圖像分割(Segmentation)。圖像分割概述主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介人可以?xún)H滿足于邊緣提供的信息一、邊緣檢測(cè)(Edgedetection)1、圖像（物體）的邊緣一、邊緣檢測(cè)(Edgedetection)1、圖像（物體）的邊緣一、邊緣檢測(cè)(Edgedetection)圖像的邊緣是圖像的最基本特征。所謂邊緣是指其周?chē)袼鼗叶扔须A躍變化或屋頂變化的那些像素的集合。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。因此它是圖像分割所依賴(lài)的重要特征。1、圖像(物體)的邊緣一、邊緣檢測(cè)(Edgedetection)邊緣的類(lèi)型：

階躍邊緣(Stepedge)

屋頂邊緣(Roofedge)

脈沖邊緣(Pulseedge)1、圖像(物體)的邊緣階躍邊緣(StepEdge)實(shí)際圖一、邊緣檢測(cè)(Edgedetection)1、圖像(物體)的邊緣屋頂邊緣(Roofedge)一、邊緣檢測(cè)(Edgedetection)實(shí)際圖1、圖像(物體)的邊緣脈沖邊緣(Pulseedge)一、邊緣檢測(cè)(Edgedetection)實(shí)際圖1、圖像(物體)的邊緣一、邊緣檢測(cè)(Edgedetection)2、基于微分算子的邊緣檢測(cè)——原理由于微分算子具有突出灰度變化的作用，對(duì)圖像進(jìn)行微分運(yùn)算。在圖像邊緣處其灰度變化較大，故該處微分計(jì)算值較高，可將這些微分值作為相應(yīng)點(diǎn)的邊緣強(qiáng)度。通過(guò)閾值判別來(lái)提取邊緣點(diǎn)，即如果微分值大于閾值，則為邊緣點(diǎn)。一、邊緣檢測(cè)(Edgedetection)2、基于微分算子的邊緣檢測(cè)差分形式：微分算子的幾種變形：(1)(2)(3)一、邊緣檢測(cè)(Edgedetection)2、基于微分算子的邊緣檢測(cè)一、邊緣檢測(cè)(Edgedetection)2、基于微分算子的邊緣檢測(cè)Roberts算子Prewitt算子Sobel算子Laplacian算子LoG算子Canny算子幾種常用的邊緣檢測(cè)算子一、邊緣檢測(cè)(Edgedetection)(1)Roberts算子X(jué)方向Y方向(2)Prewitt算子一、邊緣檢測(cè)(Edgedetection)X方向Y方向加權(quán)平均：對(duì)靠近中心(x,y)的點(diǎn)權(quán)值為對(duì)角線方向鄰點(diǎn)的權(quán)值的2倍。一、邊緣檢測(cè)(Edgedetection)(3)Sobel算子X(jué)方向Y方向一、邊緣檢測(cè)(Edgedetection)(4)拉普拉斯(Laplacian)算子二維函數(shù)f(x,y)的拉普拉斯算子是一個(gè)二階的微分,定義為：

一、邊緣檢測(cè)(Edgedetection)(4)拉普拉斯(Laplacian)算子掩模表示:一、邊緣檢測(cè)(Edgedetection)(4)拉普拉斯(Laplacian)算子

是一個(gè)二階導(dǎo)數(shù)算子，它將在邊緣處產(chǎn)生一個(gè)陡峭的零交叉；檢測(cè)一個(gè)像素是在邊的亮的一邊還是暗的一邊；利用零跨越(交叉)，確定邊的位置。圖10.10(a)由一條理想垂直邊緣分開(kāi)的兩個(gè)恒定灰值區(qū)域；(b)邊緣附近的細(xì)節(jié)，顯示了一個(gè)水平灰度刨面及其一階導(dǎo)數(shù)和二階導(dǎo)數(shù)一、邊緣檢測(cè)(Edgedetection)(4)拉普拉斯(Laplacian)算子應(yīng)用：拉普拉斯算子不直接用于邊的檢測(cè)，通常只起輔助的角色，其零交叉點(diǎn)可用于定位粗邊緣的中心。缺點(diǎn)：對(duì)噪音的敏感；會(huì)產(chǎn)生雙邊效果；不能檢測(cè)出邊的方向。圖10.11第一列：被均值為零、標(biāo)準(zhǔn)差分別為0.0,0.1,1.0和10.0個(gè)灰度級(jí)的隨機(jī)高斯噪聲污染的斜坡邊緣的圖像和灰度剖面；第二列：一階導(dǎo)數(shù)圖像和灰度剖面線；第三列：二階導(dǎo)數(shù)圖像和和灰度剖面線。基本特征：平滑濾波器是Gaussian濾波器。采用Laplacian算子計(jì)算二階導(dǎo)數(shù)。邊緣檢測(cè)判據(jù)是二階導(dǎo)數(shù)零交叉點(diǎn)并對(duì)應(yīng)一階導(dǎo)數(shù)的較大峰值。使用線性?xún)?nèi)插方法在子像素分辨率水平上估計(jì)邊緣的位置。（Marr&Hildreth）LoG=LaplacianofGaussian高斯濾波+拉普拉斯邊緣檢測(cè)一、邊緣檢測(cè)(Edgedetection)(5)LoG邊緣檢測(cè)算法Whereistheedge?EffectsofnoiseLaplacianofGaussianWhereistheedge?

Lookforpeaksin

Solution:smoothfirstDerivativetheoremofconvolution因?yàn)椋篖aplacianofGaussianoperatorWhereistheedge?Zero-crossingsofbottomgraphLaplacianofGaussian考慮：LaplacianofGaussian（墨西哥草帽）GaussianderivativeofGaussianLaplacianofGaussian其中：LaplacianofGaussian

案例7.3.1編程實(shí)現(xiàn)二維LoG算子圖像與圖像的邊緣提取。

圖7.3.4

拉普拉斯高斯算子（LOG）與邊緣提取一、邊緣檢測(cè)(Edgedetection)(6)Canny邊緣檢測(cè)算法

Canny

邊緣檢測(cè)算子是JohnF.Canny于1986年開(kāi)發(fā)出來(lái)的一個(gè)多級(jí)邊緣檢測(cè)算法。更為重要的是,他創(chuàng)立了邊緣檢測(cè)計(jì)算理論（Computationaltheoryofedgedetection）解釋這項(xiàng)技術(shù)如何工作。

Canny,J.,AComputationalApproachToEdgeDetection,IEEETrans.PatternAnalysisandMachineIntelligence,8:679-714,1986.

Cannyhomepage:/~jfc/

一、邊緣檢測(cè)(Edgedetection)(6)Canny邊緣檢測(cè)算法

Canny把邊緣檢測(cè)問(wèn)題轉(zhuǎn)化為檢測(cè)單位函數(shù)極大值問(wèn)題。

Canny認(rèn)為，一個(gè)好的邊緣檢測(cè)算子應(yīng)具有三個(gè)指標(biāo)：

(A)低失誤概率。所有邊緣都應(yīng)被找到，并且應(yīng)該沒(méi)有偽響應(yīng)。

(B)高位置精度。已定位邊緣必須盡可能接近真實(shí)邊緣。

(C)對(duì)每個(gè)邊緣有唯一的響應(yīng)。對(duì)于真實(shí)的邊緣點(diǎn)，檢測(cè)器僅應(yīng)返回一個(gè)點(diǎn)。算法步驟：①用高斯濾波器平滑圖像。一、邊緣檢測(cè)(Edgedetection)為什么用高斯濾波器？平滑去噪和邊緣檢測(cè)是一對(duì)矛盾，應(yīng)用高斯函數(shù)的一階導(dǎo)數(shù)，在二者之間獲得最佳的平衡。(6)Canny邊緣檢測(cè)算法②用一階偏導(dǎo)有限差分計(jì)算梯度幅值和方向。一、邊緣檢測(cè)(Edgedetection)差分：幅值：方向：(6)Canny邊緣檢測(cè)算法③對(duì)梯度幅值進(jìn)行非極大值抑制(Non-MaximumSuppression)。一、邊緣檢測(cè)(Edgedetection)(6)Canny邊緣檢測(cè)算法①哪個(gè)點(diǎn)值是最大的?②下一個(gè)點(diǎn)在哪里？x’和x’’為沿著垂直于某個(gè)角度方向的x的鄰域像素。一、邊緣檢測(cè)(Edgedetection)③對(duì)梯度幅值進(jìn)行非極大值抑制(Non-MaximumSuppression)。一、邊緣檢測(cè)(Edgedetection)③對(duì)梯度幅值進(jìn)行非極大值抑制(Non-MaximumSuppression)。量化：

取高低兩個(gè)閾值作用于幅值圖|△D|，得到兩個(gè)邊緣圖：高閾值和低閾值邊緣圖。連接高閾值邊緣圖，出現(xiàn)斷點(diǎn)時(shí)，在低閾值邊緣圖中的8鄰點(diǎn)域搜尋邊緣點(diǎn)。為什么要這樣處理?

*閾值太低假邊緣;*閾值太高部分輪廊丟失.*選用兩個(gè)閾值:更有效的閾值方案。

④用雙閾值算法檢測(cè)和連接邊緣(HysteresisThresholding)。

一、邊緣檢測(cè)(Edgedetection)幅值ThTl一、邊緣檢測(cè)(Edgedetection)Canny邊緣檢測(cè)算例Canny邊緣檢測(cè)算例一、邊緣檢測(cè)(Edgedetection)Canny邊緣檢測(cè)算例一、邊緣檢測(cè)(Edgedetection)非最大值抑制Non-MaximumSuppression一、邊緣檢測(cè)(Edgedetection)Canny邊緣檢測(cè)算例雙閾值HysteresisThresholdingBW=edge(I,'sobel')BW=edge(I,'sobel',thresh)BW=edge(I,'sobel',thresh,direction)[BW,thresh]=edge(I,'sobel',...)BW=edge(I,'prewitt')BW=edge(I,'prewitt',thresh)BW=edge(I,'prewitt',thresh,direction)[BW,thresh]=edge(I,'prewitt',...)BW=edge(I,'roberts')BW=edge(I,'roberts',thresh)[BW,thresh]=edge(I,'roberts',...)BW=edge(I,'log')BW=edge(I,'log',thresh)BW=edge(I,'log',thresh,sigma)[BW,threshold]=edge(I,'log',...)BW=edge(I,'zerocross',thresh,h)[BW,thresh]=edge(I,'zerocross',...)BW=edge(I,'canny')BW=edge(I,'canny',thresh)BW=edge(I,'canny',thresh,sigma)[BW,threshold]=edge(I,'canny',...)圖像邊緣檢測(cè)MATLAB算例I=imread('circuit.tif');imshow(I);BW1=edge(I,'prewitt');BW2=edge(I,'canny');figure,imshow(BW1);figure,imshow(BW2)圖像邊緣檢測(cè)MATLAB算例圖像邊緣檢測(cè)MATLAB算例圖像邊緣檢測(cè)算例原圖PrewittSobleCanny圖像邊緣檢測(cè)算例圖像邊緣檢測(cè)算例SobelCanny復(fù)雜背景下的邊緣檢測(cè)實(shí)例復(fù)雜背景下的邊緣檢測(cè)實(shí)例復(fù)雜背景下的邊緣檢測(cè)實(shí)例Sobel復(fù)雜背景下的邊緣檢測(cè)實(shí)例Canny案例7.4.3

用edge函數(shù)實(shí)現(xiàn)提取圖像邊緣案例分析

圖7.3.5采用各種邊緣檢測(cè)算子得到的邊緣圖像效果

對(duì)圖像加入椒鹽噪聲后邊緣檢測(cè)圖像效果

主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介Hough變換問(wèn)題的提出在找出邊界點(diǎn)集之后，需要連接，形成完整的邊界圖形描述。Hough變換于1962年由PaulHough提出,并在美國(guó)作為專(zhuān)利被發(fā)表。它所實(shí)現(xiàn)的是一種從圖像空間到參數(shù)空間的映射關(guān)系。二、Hough變換圖像及其參數(shù)空間二、Hough變換ImageSpaceParameterSpace圖像空間的一條直線對(duì)應(yīng)參數(shù)空間的一個(gè)點(diǎn)圖像及其參數(shù)空間二、Hough變換ImageSpaceParameterSpace一條直線的多個(gè)點(diǎn)對(duì)應(yīng)參數(shù)空間多條直線相交于一個(gè)點(diǎn)二、Hough變換極坐標(biāo)下的Hough變換由于垂直直線斜率p為無(wú)窮大，一般改用極坐標(biāo)形式：其中：參數(shù)平面為-

，對(duì)應(yīng)不是直線而是正弦曲線。二、Hough變換ABCyxA

CBθρρθyxθρ直角坐標(biāo)系(x,y)的一條直線對(duì)應(yīng)極坐標(biāo)系(θ,ρ)的一個(gè)點(diǎn)；反之亦然。(a)圖像空間—五個(gè)點(diǎn)；(b)Hough變換后的參數(shù)空間二、Hough變換圖像空間Hough空間二、Hough變換圖像空間Hough空間二、Hough變換圖像空間Hough空間二、Hough變換OriginalEdgedetectionFoundlinesParameterspace二、Hough變換Hough變換應(yīng)用—ADI獲獎(jiǎng)項(xiàng)目二、Hough變換2、Hough變換的擴(kuò)展Hough變換不只對(duì)直線，也可以用于圓：

（x–c1）2+(y-c2)2=c32

這時(shí)需要三個(gè)參數(shù)的參數(shù)空間。3、Hough變換用于檢測(cè)直線見(jiàn)P228主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介1、圖像區(qū)域分割的基本策略三、圖像的區(qū)域分割基于灰度值的兩個(gè)基本特性：(1)不連續(xù)性——區(qū)域之間；(2)相似性——區(qū)域內(nèi)部。三、圖像的區(qū)域分割

(1)、像素灰度值的不連續(xù)性先找到點(diǎn)、線(寬度為1)、邊(不定寬度);

再確定區(qū)域(2)圖像灰度值的相似性通過(guò)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(duì)象的邊三、圖像的區(qū)域分割不連續(xù)性

邊界分割法相似性

閾值分割法

面向區(qū)域的分割數(shù)學(xué)形態(tài)學(xué)分割三、圖像的區(qū)域分割2、閾值分割法三、圖像的區(qū)域分割閾值(Threshold)，也叫門(mén)限。閾值化(Thresholding),即按給定閾值進(jìn)行圖像的二值化處理。閾值分割法可分為以下幾種：

簡(jiǎn)單閾值分割法;

多閾值分割法;迭代閾值分割法；

最大類(lèi)間方差法;

最佳閾值法。(1)簡(jiǎn)單閾值分割

許多情況，圖像是由具有不同灰度級(jí)的兩類(lèi)區(qū)域組成。如文字與紙張、地物與云層（航空照片）。其特點(diǎn):直方圖具有兩個(gè)峰，分別與兩個(gè)灰度級(jí)范圍相對(duì)應(yīng)。故可選擇一個(gè)門(mén)限(閾值)，將兩個(gè)峰分開(kāi)。三、圖像的區(qū)域分割T閾值Ｔ三、圖像的區(qū)域分割指紋圖像分割結(jié)果閾值Ｔ三、圖像的區(qū)域分割血細(xì)胞圖像分割結(jié)果圖像閾值處理中噪聲的影響光照和反射的作用(1)簡(jiǎn)單閾值分割三、圖像的區(qū)域分割缺點(diǎn)：

這種方法會(huì)受到噪音的干擾，最小值不是預(yù)期的閾值，而偏離期望的值。可做以下改進(jìn)：

①取兩個(gè)峰值之間某個(gè)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，可排除噪音的干擾。

②對(duì)直方圖進(jìn)行平滑處理。改進(jìn)措施：通過(guò)直方圖得到閾值例如：兩個(gè)波峰的中間位置T三、圖像的區(qū)域分割(2)多閾值分割

雙峰法可以推廣到不同灰度均值的含有多目標(biāo)的圖像中。假設(shè)一幅圖像包含兩個(gè)以上的不同類(lèi)型的區(qū)域，可以使用幾個(gè)門(mén)限來(lái)分割圖象。如白血球圖像，直方圖上有細(xì)胞核、細(xì)胞質(zhì)、背景三個(gè)峰，可使用2個(gè)門(mén)限來(lái)分割圖像。即三、圖像的區(qū)域分割A(yù)BC閾值Ｔ1閾值Ｔ2三、圖像的區(qū)域分割①為閾值T選擇一個(gè)初始估計(jì)值（建議取最大灰度值和最小灰度值的中間值）。②使用T分割圖像。這會(huì)產(chǎn)生兩組像素：灰度值≥T的所有像素組成的G1，灰度值<T的所有像素值組成的G2。③計(jì)算G1和G2范圍的像素的平均灰度值1和2。④計(jì)算一個(gè)新的閾值：⑤重復(fù)步驟2到4，直到連續(xù)迭代中T值間的差小于預(yù)先指定的參數(shù)T為止。三、圖像的區(qū)域分割(3)迭代閾值法圖像分割迭代閾值法圖像分割實(shí)例三、圖像的區(qū)域分割(4)最大類(lèi)間方差

——Otsu灰度圖像閾值算法最大類(lèi)間方差法是由日本學(xué)者大津于1979年提出的,是一種自適應(yīng)的閾值確定的方法,又叫大津法,簡(jiǎn)稱(chēng)OTSU。它是按圖像的灰度特性,將圖像分成背景和目標(biāo)兩部分。

T=graythresh(f)%MATLAB工具箱中提供的基于最大類(lèi)間方差的函數(shù)調(diào)用語(yǔ)句，T是返回的閾值。圖像有L階灰度，ni是灰度為i的像素?cái)?shù)，圖像總像素?cái)?shù)N=n1+n2+…+nL。灰度為i的像素概率：pi=ni/N類(lèi)間方差：三、圖像的區(qū)域分割(4)最大類(lèi)間方差灰度圖像閾值:三、圖像的區(qū)域分割不需要認(rèn)為設(shè)定其他參數(shù)，是一種自動(dòng)選擇閾值的方法。無(wú)論圖像有無(wú)明顯的雙峰，該方法都可以得到較好的分割結(jié)果。①兩峰間谷底值；②計(jì)算T(最小錯(cuò)誤法)：

P1(x)，P2(x)為兩峰出現(xiàn)概率密度函數(shù)，且成正態(tài)分布，1，2為均值，1，2為標(biāo)準(zhǔn)差，當(dāng)1=2=時(shí)：

P1，P2——背景和物體出現(xiàn)的先驗(yàn)概率。

三、圖像的區(qū)域分割(5)最佳閾值分割案例7.1.2直方圖閾值雙峰法的圖像分割程序與效果%直方圖雙峰法閾值分割圖像程序clearI=imread('細(xì)胞.png')%讀入灰度圖像并顯示imshow(I);figure;imhist(I);%顯示灰度圖像直方圖

Inew=im2bw(I,140/255);%圖像二值化，根據(jù)140/255%確定的閾值，劃分目標(biāo)與背景figure;imshow(Inew);%顯示分割后的二值圖像圖7.1.11選取不同閾值圖像分割的效果基本思想將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域；串行區(qū)域法。步驟對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)。將種子像素周?chē)徲蛑信c種子像素有相同或相似性質(zhì)的像素合并到種子像素所在的區(qū)域內(nèi)。把新加入的像素作為新的種子繼續(xù)上面的過(guò)程，直到?jīng)]有滿足條件的像素加入?yún)^(qū)域。三、圖像的區(qū)域分割3、區(qū)域增長(zhǎng)法（a）給出像素值為‘1’和‘5’的種子（b）T=3，恰好分成兩個(gè)區(qū)域（c）T=1，有些像素?zé)o法判斷（d）T=6，整個(gè)圖被分成一個(gè)區(qū)域三、圖像的區(qū)域分割3、區(qū)域增長(zhǎng)法關(guān)鍵問(wèn)題選擇或確定一組能正確代表所需區(qū)域的種子像素具體問(wèn)題具體分析先驗(yàn)知識(shí)（如：紅外圖像中檢測(cè)目標(biāo)時(shí)，選最亮的像素作為種子）無(wú)先驗(yàn)知識(shí)（可根據(jù)直方圖選取灰度中像素個(gè)數(shù)多的像素作為種子）確定在生長(zhǎng)過(guò)程中能將相鄰像素合并的準(zhǔn)則具體問(wèn)題相關(guān)（目標(biāo)和背景的像素分布特點(diǎn)）圖像數(shù)據(jù)種類(lèi)（單色、灰度還是彩色）像素間的連通性和鄰近性制定讓生長(zhǎng)過(guò)程停止的條件或規(guī)則一般是沒(méi)有滿足生長(zhǎng)的像素應(yīng)考慮圖像的局部性質(zhì)（灰度、紋理和彩色）目標(biāo)的全局性質(zhì)（尺寸、形狀等）三、圖像的區(qū)域分割生長(zhǎng)準(zhǔn)則和過(guò)程區(qū)域生長(zhǎng)的關(guān)鍵是選擇合適的生長(zhǎng)或相似準(zhǔn)則。(1)基于區(qū)域灰度差(2)基于區(qū)域灰度分布統(tǒng)計(jì)性質(zhì)(3)基于區(qū)域形狀三、圖像的區(qū)域分割3、區(qū)域增長(zhǎng)法三、圖像的區(qū)域分割(1)基于區(qū)域灰度差

基本方法：

種子像素的灰度值與鄰域像素的差。改進(jìn)：

先合并具有相同灰度的像素，然后求出所有鄰接區(qū)域間的平均灰度差，并合并最小灰度差的鄰接區(qū)域，重復(fù)上述步驟直到?jīng)]有區(qū)域合并。區(qū)域O均勻測(cè)度度量：上式可解釋為：在區(qū)域O中，各像素灰度值與均勻值的差不超過(guò)某閾值K，則其均勻測(cè)度度量為真。平均灰度的均勻測(cè)度度量可以作為區(qū)域增長(zhǎng)的相似性檢測(cè)準(zhǔn)則。設(shè)某一圖像區(qū)域O，其中像素?cái)?shù)為N，均值表示為三、圖像的區(qū)域分割案例7.2.1

一個(gè)簡(jiǎn)單的區(qū)域生長(zhǎng)的例子

如下圖示，其準(zhǔn)則是鄰近點(diǎn)的灰度級(jí)與物體的平均灰度級(jí)的差小于2。圖7.2.2

區(qū)域生長(zhǎng)的簡(jiǎn)單圖示三、圖像的區(qū)域分割(2)基于區(qū)域灰度分布統(tǒng)計(jì)性質(zhì)基本方法：以灰度分布相似性作為生長(zhǎng)準(zhǔn)則來(lái)決定區(qū)域的合并步驟：①把圖像分成互不重疊的小區(qū)域。②比較鄰接區(qū)域的累積灰度直方圖，根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并。③重復(fù)②，直到滿足終止條件?；叶确植枷嗨菩缘膬煞N檢測(cè)方法：①

Kolmogorov-Smirnov檢測(cè)②

Smoothed-Difference檢測(cè)三、圖像的區(qū)域分割上式，h1,h2分別是相鄰兩子塊的累積灰度直方圖。

三、圖像的區(qū)域分割合并的是兩鄰接區(qū)域的共同邊界中對(duì)比度較低部分占整個(gè)區(qū)域邊界份額較大的區(qū)域。(3)基于區(qū)域形狀基本方法：利用對(duì)目標(biāo)形狀的檢測(cè)結(jié)果來(lái)決定區(qū)域的合并。主要步驟：①把圖像分割成灰度固定的區(qū)域，設(shè)兩鄰接區(qū)域的周長(zhǎng)分別是p1和p2，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長(zhǎng)度設(shè)為L(zhǎng),滿足下列條件則合并。三、圖像的區(qū)域分割②把圖像分割灰度固定的區(qū)域，設(shè)兩鄰接區(qū)域的共同邊界長(zhǎng)度為B，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長(zhǎng)度設(shè)為L(zhǎng),滿足下列條件則合并。合并的是兩鄰接區(qū)域的共同邊界中對(duì)比度較低部分比較多的區(qū)域。

案例7.2.2

下面舉例說(shuō)明用灰度差判別準(zhǔn)則的合并法形成區(qū)域的過(guò)程。設(shè)例中閾值T=2，基本單元為像素，在3×3的微區(qū)域中與像素相鄰的像素?cái)?shù)有8個(gè)，灰度差判別準(zhǔn)則的區(qū)域合并圖7.2.4

灰度差判別準(zhǔn)則的區(qū)域合并

利用圖像數(shù)據(jù)的金字塔或四又樹(shù)數(shù)據(jù)結(jié)構(gòu)的層次概念,將圖像劃分成一組任意不相交的初始區(qū)域，即可以從圖像的這種金字塔或四叉樹(shù)數(shù)據(jù)結(jié)構(gòu)的任一中間層開(kāi)始、根據(jù)給定的均勻性檢測(cè)準(zhǔn)則進(jìn)行分裂和合并這些區(qū)域，逐步改善區(qū)域劃分的性能，直到最后將圖像分成數(shù)量最少的均勻區(qū)域?yàn)橹?。三、圖像的區(qū)域分割4、分裂-合并區(qū)域法基本步驟如下：

(1)確定均勻性測(cè)試準(zhǔn)則P；

(2)對(duì)任一區(qū)域Ri，如果P(Ri)=false，將其分裂成四等份。

(3)對(duì)相鄰的2個(gè)區(qū)域Ri和Rj,如果P(Ri

Rj)=true,就將它們合并。

(4)如果進(jìn)一步的分裂或合并都不可能了，則結(jié)束，否則執(zhí)行(2)。三、圖像的區(qū)域分割4、分裂-合并區(qū)域法四叉樹(shù)示例：分裂分裂合并合并三、圖像的區(qū)域分割四叉樹(shù)分解案例分析

案例7.2.3

調(diào)用qtdecomp函數(shù)實(shí)現(xiàn)對(duì)圖像的四叉樹(shù)分解。

圖7.2.6用qtdecomp函數(shù)實(shí)現(xiàn)四叉樹(shù)分解案例7.2.4分裂-合并算法的例子。設(shè)有8×8圖像的0層、1層、2層、3層如圖7.2.6所示，3層為樹(shù)葉，其中的數(shù)值為灰度值以及各層的小區(qū)域平均灰度值。根的灰度值表示圖像的平均亮度。三、圖像的區(qū)域分割5、數(shù)學(xué)形態(tài)學(xué)圖像分割腐蝕與膨脹開(kāi)-閉運(yùn)算變體分水嶺法(Watershedalgorithm

)6.分割中運(yùn)動(dòng)的應(yīng)用圖10.60構(gòu)造一幅靜止參考圖像:(a)和(b)序列中的兩幀圖像；(c)從圖(a)中減去向東運(yùn)動(dòng)的汽車(chē)并使用圖(b)中對(duì)應(yīng)的區(qū)域恢復(fù)背景后的結(jié)果主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介四、水平集理論1、LevelSet方法簡(jiǎn)介L(zhǎng)evelSet方法是由Sethian和Osher于1988年提出，最近十幾年得到廣泛的推廣與應(yīng)用。水平集方法作為一類(lèi)曲線演化模型正成為該領(lǐng)域最流行的方法,研究成果越來(lái)越多。Osher&Sethian，‘Frontspropogatingwithcurvature-dependentspeed:AlgorithmsbasedonHamilton-Jacobiformulations’,JournalofComputationalPhysics79,12-49,1988。/LevelSet.html

曲線切方向的變形僅僅改變參數(shù),不改變形狀。四、水平集理論四、水平集理論2、曲線演化與水平集函數(shù)四、水平集理論2、曲線演化與水平集函數(shù)水平集函數(shù)閉合曲線拓?fù)浣Y(jié)構(gòu)變化四、水平集理論3、水平集的基本控制方程該方程是水平集函數(shù)的基本控制方程，是曲線演化方程的歐氏表達(dá)，是一種Hamilton-Jacobi類(lèi)型的偏微分方程。也可以解釋為水平集函數(shù)及相應(yīng)的水平集在法向力F的推動(dòng)下的演化方程。

F也稱(chēng)為演化速度函數(shù)。水平集函數(shù)曲率K的計(jì)算公式為：四、水平集理論4、水平集用于圖像處理的一般性算法(1)設(shè)定水平集函數(shù)的初態(tài)；

(2)確定動(dòng)力F的形式；

(3)按基本方程推演水平集函數(shù)的各狀態(tài)；

(4)對(duì)于每一水平集函數(shù)的狀態(tài)求解零水平集。四、水平集理論5、Mumford-Shah模型的水平集方法Mumford-Shah模型是一種建立在圖像全局信息基礎(chǔ)上的優(yōu)秀模型，其能量函數(shù)包含了圖像的區(qū)域和邊界，通過(guò)極小化能量函數(shù)可以一次性獲得圖像的邊界和分片光滑的近似圖像，能量函數(shù)表達(dá)式為：四、水平集理論6、C-V模型C-V模型是Chan和Vese提出的一種基于簡(jiǎn)化Mumford-Shah模型的水平集方法。模型的演化方式以圖像全局信息為基礎(chǔ)，曲線的運(yùn)動(dòng)或停止不再依賴(lài)于圖像的局部信息。文獻(xiàn)來(lái)源：ChanTF,VeseLA.Activecontourswithoutedges.IEEETransactionsonImageProcessing,2001,10(2):266-277.四、水平集理論C-V模型下的曲線演化過(guò)程主要內(nèi)容圖像邊緣檢測(cè)Hough變換圖像的區(qū)域分割水平集理論圖像特征及分析目標(biāo)檢測(cè)方法簡(jiǎn)介圖像特征分類(lèi)五、圖像特征及分析1、二值圖象的幾何特征及描述

面積

設(shè)圖像已經(jīng)被分割，目標(biāo)區(qū)域的像素的值為1，背景區(qū)域的像素為0，則目標(biāo)區(qū)域的面積為：五、圖像特征及分析表示法設(shè)計(jì)

鏈碼

多邊形逼近外形特征邊界分段區(qū)域骨架五、圖像特征及分析鏈碼定義：(1)鏈碼是一種邊界的編碼表示法。

(2)用邊界的方向作為編碼依據(jù)。為簡(jiǎn)化邊界的描述,一般描述的是邊界點(diǎn)集。0123014672354-鏈碼8-鏈碼五、圖像特征及分析鏈碼舉例：4-鏈碼：0000333333222222111100110123五、圖像特征及分析鏈碼循環(huán)首差鏈碼：用相鄰鏈碼的差代替鏈碼例如：4-鏈碼10103322循環(huán)首差為： 33133030循環(huán)首差：1-2=-1(3) 3-0=3

0-1=-1(3) 3-3=0

1-0=1 2-3=-1(3) 0-1=-1(3) 2-2=0差分的方向可以是逆時(shí)針，亦可以是順時(shí)針。五、圖像特征及分析鏈碼：11002122244454466667鏈碼：77660700022232244445差分：01061700600710600076差分：01061700600710600076鏈碼差分的旋轉(zhuǎn)不變性為起始點(diǎn),

則可定義邊界長(zhǎng)度為：

常見(jiàn)的等效的表示方法有三種：

(1)區(qū)域與背景的交界線的長(zhǎng)度，采用歐氏距離。(2)區(qū)域邊界8鏈碼長(zhǎng)度；若邊界的鏈碼表示為：五、圖像特征及分析周長(zhǎng)(3)邊界所占面積：即周長(zhǎng)用區(qū)域的邊界點(diǎn)數(shù)之和表示。所謂邊界點(diǎn)是指滿足如下性質(zhì)的點(diǎn):在其4鄰域內(nèi)既有區(qū)域內(nèi)的像素,又有區(qū)域外的像素。五、圖像特征及分析例8.2.1圖8.2.6中所示的區(qū)域，陰影部分為目標(biāo)區(qū)域，其余部分為背景區(qū)域，請(qǐng)采用上述三種計(jì)算周長(zhǎng)的方法分別求出區(qū)域的周長(zhǎng)。圖8.2.6區(qū)域周長(zhǎng)示例

采用上述三種計(jì)算周長(zhǎng)的方法求得邊界的周長(zhǎng)分別是：

（1）隙碼表示，周長(zhǎng)為26；

（2）鏈碼表示，周長(zhǎng)為；

（3）面積表示，周長(zhǎng)為12。位置

區(qū)域的質(zhì)心：(對(duì)二值化圖像，叫做“形心”)。xyabcdxcyc五、圖像特征及分析矩形度

區(qū)域面積A與包圍它的最小矩形面積之比：

圓形度

區(qū)域面積A與包圍它的最小圓面積之比：

其中，P為周長(zhǎng)五、圖像特征及分析投影設(shè)為f(x,y)在方向上的投影，它是一個(gè)向量。五、圖像特征及分析圖像特征的描述有以下三種形式：

1.表示法設(shè)計(jì)

2.邊界描述子

3.關(guān)系描述子五、圖像特征及分析特征表示與描述簡(jiǎn)單描述子形狀數(shù)傅立葉描述子矩量五、圖像特征及分析邊界描述子關(guān)系描述子

階梯關(guān)系編碼骨架關(guān)系編碼方向關(guān)系編碼內(nèi)角關(guān)系編碼樹(shù)結(jié)構(gòu)關(guān)系編碼五、圖像特征及分析五、圖像特征及分析2、角點(diǎn)(corner,featurepoint,interestingpoint)

實(shí)際圖Weshouldeasilyrecognizethepointbylookingthroughasmallwindow.Shiftingawindowinany

directionshouldgivealargechangeinintensity.五、圖像特征及分析角點(diǎn)檢測(cè)算法有：

Moravec算子

Harris算子

Susan算子

SIFT檢測(cè)法“flat”region:

nochangeinalldirections“edge”:

nochangealongtheedgedirection“corner”:

significantchangeinalldirections五、圖像特征及分析

(1)

Moravec(1977)角點(diǎn)檢測(cè)Changeofintensityfortheshift[u,v]:IntensityShiftedintensityWindowfunctionorw(x,y)=Gaussian1inwindow,0outside

(2)Harris(1988)角點(diǎn)檢測(cè)五、圖像特征及分析如果u,v值很小，即窗口移動(dòng)位移小，則：HarriscornerdetectorForsmallshifts[u,v]wehaveabilinearapproximation:whereMisa22matrixcomputedfromimagederivatives:HarrisDetector:MathematicsIntensitychangeinshiftingwindow:eigenvalueanalysis1,2–eigenvaluesofMdirectionoftheslowestchangedirectionofthefastestchange(max)-1/2(min)-1/2Ellipsee(u,v)HarrisDetector:Mathematics12“Corner”

1and2arelarge,

1~2;

Eincreasesinalldirections1and2aresmall;

Eisalmostconstantinalldirections“Edge”

1>>2“Edge”

2>>1“Flat”regionClassificationofimagepointsusingeigenvaluesofM:HarrisDetector:MathematicsMeasureofcornerresponse:k–empiricalconstant,k=0.04-0.06HarrisDetector:Mathematics12“Corner”“Edge”“Edge”“Flat”

RdependsonlyoneigenvaluesofM

Rislargeforacorner

Risnegativewithlargemagnitudeforanedge|R|issmallforaflatregionR>0R<0R<0|R|smallHarrisDetector:Mathematics算法步驟：FindpointswithlargecornerresponsefunctionR(R>threshold);TakethepointsoflocalmaximaofR.HarrisDetector:MathematicsHarrisDetector:WorkflowComputecornerresponseRFindpointswithlargecornerresponse:R>thresholdTakeonlythepointsoflocalmaximaofR五、圖像特征及分析Harris角點(diǎn)檢測(cè)實(shí)例Harris角點(diǎn)檢測(cè)實(shí)例五、圖像特征及分析(3)SUSAN角點(diǎn)檢測(cè)五、圖像特征及分析最小吸收核同值區(qū)（SmallUnivalueSegmentAssimilatingNucles，簡(jiǎn)稱(chēng)SUSAN）原則，最早由Smith和Brady（1995）提出。它可用于邊緣檢測(cè)（一維特征）、角點(diǎn)或拐點(diǎn)檢測(cè)（二維特征）以及噪聲衰減。

模板的核模板的邊界暗區(qū)域亮區(qū)域eabcd(4)SIFT方法五、圖像特征及分析SIFT(ScaleInvarianceFeatureTransform)方法從圖像中提取出的特征點(diǎn)可以用于一個(gè)物體或場(chǎng)景不同視角下的可靠匹配，提取出的特征點(diǎn)對(duì)圖像尺度和旋轉(zhuǎn)保持不變，對(duì)光線變化、噪聲、仿射變化都具有魯棒性。候選特征點(diǎn)過(guò)濾低對(duì)比度的特征點(diǎn)過(guò)濾邊緣處特征點(diǎn)穩(wěn)定特征點(diǎn)3、紋理(Texture)特征五、圖像特征及分析

紋理分析在計(jì)算機(jī)視覺(jué)、模式識(shí)別以及數(shù)字圖像處理中起著重要的作用。但對(duì)于紋理的定義，至今國(guó)際上尚無(wú)一個(gè)公認(rèn)的標(biāo)準(zhǔn)說(shuō)法。3、紋理(Texture)特征五、圖像特征及分析通常所指的圖像紋理，意指圖像像素灰度或顏色的某種變化，而且這種變化是空間統(tǒng)計(jì)相關(guān)的。圖像或物體的紋理或紋理特征反映了圖像或物體本身的屬性，因此有助于將兩種不同的物體區(qū)別開(kāi)來(lái)。紋理分析方法：多個(gè)紋理區(qū)域的圖象灰度共生矩陣(基于灰度統(tǒng)計(jì)的分析法)分形分析(基于模型的分析)Markov(或Gibbs)隨機(jī)場(chǎng)(基于模型的分析)Gabor(或小波變換)紋理分析(基于信號(hào)處理)(1)、灰度共生矩陣五、圖像特征及分析灰度共生矩陣(greylevelco-occurrencematrixs，GLCM，Haralick,1979)對(duì)于具有G個(gè)灰度級(jí)的圖像，受位移矢量d=(dx,dy)控制的灰度級(jí)共生矩陣Pd是一個(gè)的GXG矩陣，矩陣行列表示各個(gè)灰度級(jí)，矩陣元素反映兩種灰度在相距一定距離的位置上同時(shí)出現(xiàn)的次數(shù)。(1)、灰度共生矩陣五、圖像特征及分析左邊為一幅5×5的圖象，具有三個(gè)灰度級(jí)，右邊為灰度級(jí)同現(xiàn)矩陣，位移矢量d=(1,1)。(1)、灰度共生矩陣五、圖像特征及分析若d=(1,0),Pd

=?五