第九章清华大学数字图像处理课件

第九章图像分割与边缘检测第九章图像分割与边缘检测1.图像分割2.边缘检测3.边缘检测算子第九章图像分割与边缘检测1.图像分割1）先通过看图理解图像分割的概念–将图像分解成构成它的部件和对象–有选择地定位感兴趣对象在图像中的位置和范围第九章图像分割与边缘检测•图像分割的基本思路–从简到难，逐级分割–控制背景环境，降低分割难度–把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上第九章图像分割与边缘检测2）概述数字信号处理按其技术特征可以分为三层结构:图像处理;图像分析;图像理解与识别;第九章图像分割与边缘检测无论是图像处理、分析、理解与识别，其基础工作一般都建立在图像分割的基础上；将图像中有意义的特征或者应用所需要的特征信息提取出来；图像分割的最终结果是将图像分解成一些具有某种特征的单元，称为图像的基元；相对于整幅图像来说，这种图像基元更容易被快速处理。第九章图像分割与边缘检测图像特征•图像特征是指图像中可用作标志的属性，它可以分为统计特征和视觉特征两类。•图像的统计特征是指一些人为定义的特征，通过变换才能得到，如图像的直方图、矩、频谱等；•图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的亮度、纹理或轮廓等。第九章图像分割与边缘检测•图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础；•不同种类的图像，不同的应用要求所需要提取的特征不相同，特征提取方法也就不同；•不存在一种所谓普遍适用的最优方法。第九章图像分割与边缘检测图像的边缘•图像的边缘对人类的视觉系统具有重要的意义，它是人类判别物体的重要依据，是图像的最基本特征。•所谓边缘(又称为边沿)，是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。•边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。因此，它是图像分割所依赖的重要特征。第九章图像分割与边缘检测图像分割是将图像划分成若干个互不相交的小区域的过程，小区域是某种意义下具有共同属性的像素的连通集合。•如不同目标物体所占的图像区域、前景所占的图像区域等；•连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径；•对于离散图像而言，连通有4连通和8连通之分，如图9-1所示。3）图像分割的基本原理第九章图像分割与边缘检测图9-14连通和8连通(a)(b)第九章图像分割与边缘检测4连通指的是从区域上一点出发，可通过4个方向，即上、下、左、右移动的组合，在不越出区域的前提下，到达区域内的任意像素；8连通方法指的是从区域上一点出发，可通过左、右、上、下、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。第九章图像分割与边缘检测图像分割有三种不同的途径：其一是将各像素划归到相应物体或区域的像素聚类方法,即区域法；其二是通过直接确定区域间的边界来实现分割的边界方法；其三是首先检测边缘像素，再将边缘像素连接起来构成边界形成分割。在图像分割技术中，最常用的是利用阈值化处理进行的图像分割。第九章图像分割与边缘检测4）灰度阈值法分割常用的图像分割方法是把图像灰度分成不同的等级，然后用设置灰度门限（阈值）的方法确定有意义的区域或分割物体的边界。常用的阈值化处理就是图像的二值化处理，即选择一阈值，将图像转换为黑白二值图像，用于图像分割及边缘跟踪等预处理。图像阈值化处理的变换函数表达式为TyxfTyxfyxg),(255),(0),((9-1)第九章图像分割与边缘检测图9-2阈值变换曲线2550T255gf第九章图像分割与边缘检测图9-3(a)原始图像的直方图如图9-4所示。该直方图具有双峰特性，图像中的目标（细胞）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。以双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来。第九章图像分割与边缘检测图9-3(a)原始图像；(b)阈值T=91；(c)阈值T=130；(d)阈值T=43(a)(b)(c)(d)第九章图像分割与边缘检测图9-4直方图第九章图像分割与边缘检测在图像的阈值化处理过程中，选用不同的阈值其处理结果差异很大；阈值过大，会提取多余的部分；阈值过小，又会丢失所需的部分；因此，阈值的选取非常重要。第九章图像分割与边缘检测5）区域生长分割的目的是把一幅图像划分成一些区域，最直接的方法就是把一幅图像分成满足某种判据的区域，即将点组成区域。为了实现分组，首先要确定区域的数目，其次要确定一个区域与其他区域相区别的特征，最后还要产生有意义分割的相似性判据。第九章图像分割与边缘检测分割区域的一种方法叫区域生长或区域生成。假定区域的数目以及在每个区域中单个点的位置已知，则从一个已知点开始，加上与已知点相似的邻近点形成一个区域。相似性准则可以是灰度级、彩色、组织、梯度或其他特性，相似性的测度可以由所确定的阈值来判定。从满足检测准则的点开始，在各个方向上生长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时生成过程终止。第九章图像分割与边缘检测图9-5给出一个简单的例子。此例的相似性准则是邻近点的灰度级与物体的平均灰度级的差小于2。图中被接受的点和起始点均用下划线标出，其中：（a）图是输入图像；（b）图是第一步接受的邻近点；（c）图是第二步接受的邻近点；（d）图是从6开始生成的结果。第九章图像分割与边缘检测图9-5区域生长示例从满足检测准则的点开始(或者已知点)在各个方向上生长出区域。例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。起始：区域生长的过程3333382279846855第二步33333822798468553333382279846855第三步第九章图像分割与边缘检测2.边缘检测在视觉计算理论框架中，抽取二维图像上的边缘、角点、纹理等基本特征，是整个系统框架中的第一步。这些特征所组成的图称为基元图。在不同“尺度”意义下的边缘点，在一定条件下包含了原图像的全部信息。图9-7是一幅图像中典型的边缘点，仅仅根据这些边缘点，就能识别出三维物体，可见边缘点确实包含了图像中的大量信息。第九章图像分割与边缘检测物体边缘的作用图9-7物体边缘的作用第九章图像分割与边缘检测边缘的类型•尽管边缘在数字图像处理和分析中具有重要作用，但是到目前为止，还没有关于边缘的被广泛接受和认可的精确的数学定义。•一方面是因为图像的内容非常复杂，很难用纯数学的方法进行描述，另一方面则是因为人类对本身感知目标边界的高层视觉机理的认识在还处于善之中。第九章图像分割与边缘检测•目前，具有对边缘的描述性定义，即两个具有不同灰度的均匀图像区域的边界，即边界反映局部的灰度变化。•局部边缘是图像中局部灰度级以简单（即单调）的方式作极快变换的小区域。这种局部变化可用一定窗口运算的边缘检测算子来检测。第九章图像分割与边缘检测边缘的描述包含以下几个方面(1)边缘法线方向——在某点灰度变化最剧烈的方向，与边缘方向垂直；(2)边缘方向——与边缘法线方向垂直，是目标边界的切线方向；(3)边缘强度——沿边缘法线方向图像局部的变化强度的量度。第九章图像分割与边缘检测•一般认为沿边缘方向的灰度变化比较平缓，而边缘法线方向的灰度变化比较剧烈。图像上的边缘点可能对应不同的物理意义。•如图9-8所示，图像上的边缘点包括以下几种情况：第九章图像分割与边缘检测图9-8图像中的边缘点ACCAC′BDC′C′第九章图像分割与边缘检测边缘点的几种情况：(1)空间曲面上的不连续点。如标为A的边缘线，这些边缘线为两个不同曲面或平面的交线，该点处物体表面的法线方向不连续，在A类边缘线的两边，图像的灰度值有明显的不同。(2)物体与背景的分界线。图中标注为B的边缘线是物体与背景的分界线，如图中圆柱上有两条B类边缘线，这类边缘线一般称为外轮廓线。(3)不同材料组成的边缘线。图中标注为C的边缘线是由不同材料或相同材料不同颜色所产生的。(4)阴影引起的边缘。图中标注为D的边缘线是阴影引起的边缘。由于物体表面某一部分被另一物体遮挡，使它得不到光源的照射或照射不充分，从而引起边缘点两侧灰度值有较大的差异。第九章图像分割与边缘检测典型边缘信号第九章图像分割与边缘检测（a）边界；（b）线；（c）折线变化；（d）缓慢的平滑变化(a)(b)(d)(c)第九章图像分割与边缘检测•罗伯特边缘算子•索贝尔（Sobel）边缘算子•普瑞维特（Prewitt）边缘检测算子•拉普拉斯边缘检测算子•凯西（Kirsch）边缘检测算子•高斯-拉普拉斯(LOG)算子3.边缘检测算子第九章图像分割与边缘检测1.罗伯特边缘算子•罗伯特（Robert）边缘检测算子是一种利用局部差分方法寻找边缘的算子，Robert梯度算子所采用的是对角方向相邻两像素值之差，算子形式如下：)1,(),1(),()1,1(),(),(yxfyxfyxfyxfyxfyxfyx第九章图像分割与边缘检测Robert算子边缘检测结果第九章图像分割与边缘检测2.索贝尔边缘算子•索贝尔（Sobel）边缘算子所采用的算法是先进行加权平均，然后进行微分运算，算子的计算方法如下：)]1,1(),1(2)1,1([)]1,1(),1(2)1,1([),()]1,1()1,(2)1,1([)]1,1()1,(2)1,1([),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx第九章图像分割与边缘检测Sobel算子边缘检测结果第九章图像分割与边缘检测3.普瑞维特边缘算子•普瑞维特（Prewitt）边缘检测算子是一种利用局部差分平均方法寻找边缘的算子，它体现了3对像素点像素值之差的平均概念，算子形式如下：)]1,1(),1()1,1([)]1,1(),1()1,1([),()]1,1()1,()1,1([)]1,1()1,()1,1([),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx第九章图像分割与边缘检测Prewitt算子边缘检测结果第九章图像分割与边缘检测4.拉普拉斯边缘算子•拉普拉斯边缘检测算子与前述三个一阶导数算子不同，拉普拉斯算子是一个二阶导数算子，其算子的形式如下：),(8)1,1()1,()1,1(),1(),1()1,1()1,()1,1(),(),(4)1,()1,(),1(),1(),(22yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxf第九章图像分割与边缘检测Laplacian算子边缘检测结果第九章图像分割与边缘检测5.凯西边缘算子•凯西（Kirsch）边缘检测算子需要求出f(x，y)8个方向的平均差分的最大值，计算8个方向模板，该算子可以检测出边缘的方向性信息，并能较好地抑制边缘检测的噪声。第九章图像分割与边缘检测Kirsch算子边缘检测结果第九章图像分割与边缘检测6.高斯-拉普拉斯(LOG)算子噪声点对边缘检测有较大的影响，效果更好的边缘检测器是高斯-拉普拉斯(LOG)算子。它把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先平滑掉噪声，再进行边缘检测，所以效果更好。LOG算子（9×9模板）：244424080448*24844080424442第九章图像分割与边缘检测本章重点•图像分割的基本概念•区域生成的概念•边缘检测的概念和方法•边缘检测算子