《數(shù)字圖像處理教程（OPENCV版）》 課件 Ch10 圖像分割

數(shù)字圖像處理教程第10章圖像分割

10.1邊緣檢測(cè)10.1.1邊緣檢測(cè)基礎(chǔ)邊緣是圖像不同區(qū)域的分界處，是圖像分割的重要依據(jù)邊緣表現(xiàn)為局部特征不連續(xù)10.1.1邊緣檢測(cè)基礎(chǔ)邊緣檢測(cè)方法有很多，例如空間域微分算子、擬合曲面檢測(cè)、小波多尺度邊緣檢測(cè)、基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)、基于形變模型等，其中空間域微分算子是經(jīng)典的邊緣檢測(cè)方式灰度值灰度值一階導(dǎo)數(shù)灰度值二階導(dǎo)數(shù)10.1.1邊緣檢測(cè)基礎(chǔ)噪聲對(duì)邊緣檢測(cè)的影響10.1.1邊緣檢測(cè)基礎(chǔ)邊緣檢測(cè)的基本步驟：圖像平滑以抑制噪聲。檢測(cè)邊緣點(diǎn)：進(jìn)行局部檢測(cè)提取出潛在的邊緣點(diǎn)。邊緣定位：將間斷的邊緣連接成有意義的完整邊緣，同時(shí)去除假邊緣10.1.2一階邊緣檢測(cè)算子

10.1.2一階邊緣檢測(cè)算子

10.1.2一階邊緣檢測(cè)算子

10.1.3Marr-Hildreth邊緣檢測(cè)

10.1.3Marr-Hildreth邊緣檢測(cè)

10.1.3Marr-Hildreth邊緣檢測(cè)Marr-Hildreth邊緣檢測(cè)示例10.1.4Canny邊緣檢測(cè)Canny邊緣檢測(cè)的三個(gè)目標(biāo)低錯(cuò)誤率，所有真實(shí)邊緣都應(yīng)被找出，并且應(yīng)該沒(méi)有偽邊緣，邊緣檢測(cè)結(jié)果盡可能與真實(shí)邊緣符合精確定位邊緣點(diǎn)，檢測(cè)出的邊緣點(diǎn)與真實(shí)邊緣點(diǎn)之間的距離應(yīng)盡可能小單個(gè)邊緣點(diǎn)輸出,對(duì)應(yīng)每個(gè)真實(shí)邊緣點(diǎn)，檢測(cè)器應(yīng)只輸出一個(gè)檢測(cè)到的邊緣點(diǎn)10.1.4Canny邊緣檢測(cè)Canny邊緣檢測(cè)步驟：對(duì)圖像進(jìn)行高斯低通濾波，抑制噪聲用一階邊緣檢測(cè)算子求圖像梯度計(jì)算梯度方向和幅值對(duì)梯度幅值圖像采用非極大值抑制用雙閾值處理和連接分析檢測(cè)并連接邊緣10.1.4Canny邊緣檢測(cè)

10.1.4Canny邊緣檢測(cè)

10.1.4Canny邊緣檢測(cè)10.1.5Hough變換由于噪聲、非均勻照明等因素干擾，檢測(cè)到的邊緣間斷、虛假邊緣點(diǎn)或線段Hough變換是一個(gè)重要的檢測(cè)間斷點(diǎn)邊界形狀的方法將圖像從笛卡爾直角坐標(biāo)空間變換到參數(shù)空間，實(shí)現(xiàn)直線或曲線的檢測(cè)與擬合10.1.5Hough變換

10.1.5Hough變換

10.1.5Hough變換

10.1.5Hough變換漸進(jìn)概率Hough變換檢測(cè)直線標(biāo)準(zhǔn)Hough變換能檢測(cè)出直線，但無(wú)法確定直線在圖像中的端點(diǎn)，檢測(cè)到的直線無(wú)限長(zhǎng)。漸進(jìn)概率Hough變換（progressiveprobabilityHoughTransform,PPHT）則可以檢測(cè)出端點(diǎn)10.1.5Hough變換

10.1.5Hough變換

10.2基于閾值的圖像分割10.2.1閾值分割基礎(chǔ)知識(shí)

10.2.1閾值分割基礎(chǔ)知識(shí)閾值分割效果的影響因素直方圖：直方圖二個(gè)相鄰波峰之間的波谷越寬，二個(gè)波峰間隔越遠(yuǎn)，波峰與波谷比值越大，則分割效果越好噪聲光照和反射的均勻性目標(biāo)與背景的相對(duì)尺寸等10.2.1閾值分割基礎(chǔ)知識(shí)非均勻光照對(duì)全局閾值分割的影響10.2.1閾值分割基礎(chǔ)知識(shí)噪聲對(duì)全局閾值分割的影響10.2.1閾值分割基礎(chǔ)知識(shí)為減弱噪聲對(duì)全局閾值分割的影響，通常在分割前要平滑圖像10.2.2全局閾值分割全局閾值分割對(duì)圖像所有像素采用同一閾值進(jìn)行處理，計(jì)算量小，處理速度快。多種方法，最經(jīng)典的是Otsu全局閾值分割法10.2.2全局閾值分割

10.2.2全局閾值分割

10.2.2全局閾值分割

10.2.2全局閾值分割

10.2.2全局閾值分割Otsu全局閾值分割如果圖像有不止二類(lèi)，則可以采用改進(jìn)的多閾值Otsu算法多閾值Otsu算法計(jì)算量大，用得少10.2.2全局閾值分割

10.2.2全局閾值分割

10.2.2全局閾值分割

10.2.3局部閾值根據(jù)圖像位置、局部特點(diǎn)等因素變化的閾值，稱(chēng)為局部閾值基本局部閾值方法圖像分成若干個(gè)子圖像（子圖像可以相互重疊也可不重疊）；對(duì)每個(gè)子圖像分別計(jì)算其直方圖；如果一個(gè)子圖像的直方圖有雙峰，則以雙峰之間的波谷作為該子圖像閾值，轉(zhuǎn)至步驟5，如果子圖像直方圖沒(méi)有雙峰則轉(zhuǎn)至步驟4；對(duì)直方圖沒(méi)有雙峰的當(dāng)前子圖像，根據(jù)與其相鄰的、并且有明確閾值的子圖像閾值，內(nèi)插得到當(dāng)前子圖像的閾值；如果分割的各子圖像互不重疊，則對(duì)每個(gè)子圖像分別用它們?cè)诓襟E3或4的得到的閾值進(jìn)行分割；若子圖像有重疊部分，則在重疊部分用相應(yīng)重疊子圖像閾值的平均值做為分割閾值，無(wú)重疊部分則用所屬子圖像的閾值進(jìn)行分割10.2.3局部閾值可用滑動(dòng)窗進(jìn)行設(shè)置10.3基于區(qū)域的圖像分割10.3基于區(qū)域的圖像分割區(qū)域生長(zhǎng)法區(qū)域分裂合并法10.3.1區(qū)域生長(zhǎng)法按照某種預(yù)定義的相似性準(zhǔn)則，將像素合并成組或?qū)⒆訁^(qū)域合并成更大區(qū)域從圖像中的一組“種子”出發(fā)，若與種子相鄰的像素符合預(yù)定義的相似性準(zhǔn)則，則將它們與種子合并組成更大的區(qū)域相似性：相鄰像素灰度、RGB色彩、紋理特征等10.3.2區(qū)域分裂合并法

10.3.2區(qū)域分裂合并法區(qū)域分裂合并示例10.4基于聚類(lèi)的圖像分割聚類(lèi)(Cluster)是將相似的數(shù)據(jù)分在一組并標(biāo)記為同一類(lèi)的過(guò)程圖像分割可以看做一個(gè)聚類(lèi)問(wèn)題，即將圖像像素分配到各個(gè)聚類(lèi)（又稱(chēng)簇）中，每個(gè)聚類(lèi)的像素具有相同的特征10.4.1Kmeans圖像分割

10.4.1Kmeans圖像分割

10.4.1Kmeans圖像分割

10.4.1Kmeans圖像分割

10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割EM圖像分割算法采用迭代逼近的方法，在逐步逼近最優(yōu)高斯混合模型的同時(shí)對(duì)特征向量進(jìn)行聚類(lèi)算法分為二步：E-step和M-step，每步假設(shè)上述二個(gè)問(wèn)題中一個(gè)問(wèn)題已經(jīng)解決，只專(zhuān)注解決另一個(gè)問(wèn)題。E-step(Expectationstep)假設(shè)每個(gè)聚類(lèi)的高斯分布參數(shù)已知，該步實(shí)現(xiàn)對(duì)各特征向量的軟聚類(lèi)M-step(Maximizationstep)則在已知每個(gè)特征向量屬于哪類(lèi)的條件下，用最大似然估計(jì)求各聚類(lèi)的高斯模型參數(shù)10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割

10.4.2基于高斯混合模型的圖像分割Kmeans分割與基于GMM分割的比較Kmeans聚類(lèi)結(jié)果中同類(lèi)特征向量在特征空間是呈圓形分布，GMM呈橢圓分布當(dāng)各類(lèi)樣本數(shù)量不均衡時(shí)，Kmenas分類(lèi)誤差大10.5基于圖論的圖像分割10.5.1圖論的基本概念有向圖與無(wú)向圖邊流量源點(diǎn)與匯點(diǎn)割10.5.2Graphcut圖像分割

10.5.2Graphcut圖像分割

10.5.2Graphcut圖像分割

10.5.3Grabcut圖像分割Grabcut是對(duì)Graphcut性能的改進(jìn)Graphcut在分割時(shí)用圖像灰度值，而Grabcut則在RGB空間同時(shí)考慮三個(gè)色彩分量分割前只要求手動(dòng)在圖像中選擇一個(gè)區(qū)域，區(qū)域內(nèi)完整包含目標(biāo)即可，矩形外區(qū)域就當(dāng)作背景Grabcut對(duì)目標(biāo)、背景分別進(jìn)行GMM建模10.6形態(tài)學(xué)分水嶺分割10.6.1分水嶺分割分水嶺（watershed）分割是基于拓?fù)涞男螒B(tài)學(xué)分割方法將圖像表示為三維地貌拓?fù)鋱D，像素灰度值用海拔高度表示拓?fù)鋱D中有三類(lèi)點(diǎn)集盆地：拓?fù)鋱D中各區(qū)域海拔最低點(diǎn)，對(duì)應(yīng)圖像各區(qū)域的最小值集合集水盆：如果一滴水落在這類(lèi)點(diǎn)上，則水一定會(huì)滑向一個(gè)確定的盆地，在圖像中對(duì)應(yīng)那些屬于一個(gè)區(qū)域、像素值高于區(qū)域內(nèi)最小值的點(diǎn)集分水嶺：又稱(chēng)分水嶺脊線、脊線，如果一滴水落在這類(lèi)點(diǎn)上，水以相同概率滑向多個(gè)盆地，顯然分水嶺將各區(qū)域分隔，在圖像中對(duì)應(yīng)各區(qū)域分割線、邊緣實(shí)際中通常先計(jì)算圖像的梯度圖，然后對(duì)梯度圖進(jìn)行分水嶺分割10.6.1分水嶺分割10.6.2基于標(biāo)記的分水嶺分割直接分水嶺分割往往會(huì)出現(xiàn)過(guò)渡分割的現(xiàn)象基于標(biāo)記的分水嶺解決過(guò)度分割的問(wèn)題分水嶺分割前需要額外提供一個(gè)標(biāo)記圖像做參考只有標(biāo)記圖像中指定的區(qū)域才能做為盆地，分水嶺分割時(shí)灌水從標(biāo)記處開(kāi)始其它位置只能是集水盆或分水嶺10.6.2基于標(biāo)記的分水嶺分割Vincent-soille算法獲得前景目標(biāo)的標(biāo)記圖像。標(biāo)記圖像是二值圖像。根據(jù)圖像特點(diǎn)找出確定屬于前景目標(biāo)的某些區(qū)域獲得背景標(biāo)記圖像。對(duì)步驟1得到的圖像進(jìn)行距離變換，對(duì)距離變換結(jié)果進(jìn)行分水嶺分割，背景標(biāo)記圖像在分水嶺位置像素為1，其它位置為0。分水嶺在后續(xù)圖像分割時(shí)阻止一個(gè)前景區(qū)域擴(kuò)散到其它前景區(qū)域構(gòu)建標(biāo)記圖像：將前景目標(biāo)的標(biāo)記圖像與背景標(biāo)記圖像“邏輯或”運(yùn)算得到標(biāo)記圖像10.6.2基于標(biāo)記的分水嶺分割Vincent-soille算法（續(xù)1）對(duì)待分割圖像進(jìn)行修改：若步驟3標(biāo)記圖像中像素值不為0，則待分割圖像中將對(duì)應(yīng)位置像素值修改為0，即明確屬于前景目標(biāo)或背景的區(qū)域做為盆地。其它位置像素值加個(gè)大于0的常數(shù)修改后圖像進(jìn)行分水嶺分割10.7運(yùn)動(dòng)目標(biāo)分割10.7.1幀間差法背景在幀間變化不大，二幀中均無(wú)運(yùn)動(dòng)目標(biāo)的區(qū)域幀間差值很小，幀間差值大說(shuō)明有運(yùn)動(dòng)目標(biāo)實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小不能提取出運(yùn)動(dòng)對(duì)象的完整區(qū)域，僅能提取輪廓效果嚴(yán)重依賴(lài)所選取的幀間隔時(shí)間和分割閾值10.7.1幀間差法10.7.2背景差法與背景