图像分割基础课件

图像分割基础2图像分割分割将图像细分为互不重叠的区域并提取感兴趣目标的技术令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子区域）R1，R2，…，RN：对所有的i和j，i≠j，有Ri∩Rj=φ；对i=1,2,…,N，有P(Ri)=TRUE；对i≠j,有P(Ri∪Rj)=FALSE；对i=1,2,…,N，Ri是连通的区域。其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集3图像分割图像分割算法一般基于亮度值的两个基本特性：不连续性和相似性检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边常用的方法基于边缘检测、基于阈值分割、基于区域4图像分割效果5图像分割LoG霍夫变换分水岭算法运动分割法Canny算子6点检测计算某像素与周边相邻点之间的差值，并加权叠加（使用如下模板）得到R，如果|R|=T，则称该模板中心位置检测到一个点，由于模板系数和为0，故对均匀区域（灰度级为常数）的响应为07点检测一个黑色像素，表示涡轮叶片上的孔洞8线检测见如下模板，它们分别可对不同方向的线段进行检测，可使用其中之一检测某特定方向的线段9线的检测通过比较典型模板的计算值，确定一条线是在哪个方向上-1-1-1222-1-1-1R1-1-12-12-12-1-1R2-12-1-12-1-12-1R32-1-1-12-1-1-12R410线的检测111555111111555111111555111R1=-6+30=24R2=-14+14=0R3=-14+14=0R4=-14+14=011线检测12边缘检测边缘是一组相连的像素集合，这些像素位于两个区域的边界上边缘的宽度取决于图像中边缘的模糊程度13边缘检测算子一阶微分：用梯度算子来计算特点：对于亮边，边的变化起点是正的，结束是负的。对于暗边，结论相反。常数部分为零用途：用于检测图像中边的存在14边缘检测算子二阶微分：特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零用途：1）二次导数的符号，用于确定边上的像素是在亮的一边，还是暗的一边;2）0跨越，确定边的准确位置边缘检测边缘检测17边缘检测算子基本思想：计算局部微分算子一阶微分截面图边界图像18边缘检测算子几种常用的边缘检测算子梯度算子Roberts算子Prewitt算子Sobel算子Laplacian算子Marr算子19梯度算子函数f(x,y)在(x,y)处的梯度为一个向量：f=[f/x,f/y]计算这个向量的大小为：G=[(f/x)2+(f/y)2]1/2近似为:G|fx|+|fy|或Gmax(|fx|,|fy|)梯度的方向角为：φ(x,y)=tan-1(fy/fx)可用下图所示的模板表示-111-1其它0)Grad(1),(Tx,yyxg20为了检测边缘点，选取适当的阈值T，对梯度图像进行二值化这样形成了一幅边缘二值图像g(x,y)特点：仅计算相邻像素的灰度差，对噪声比较敏感，无法抑止噪声的影响21Roberts算子公式：模板：特点：与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算子略好),1()1,(),()1,1(yxfyxffyxfyxffyx-11fx’1-1fy’22Prewitt算子公式模板：特点：在检测边缘的同时，能抑止噪声的影响0-110-110-11-1-1-1000111)1,1()1,()1,1()1,1()1,()1,1()1,1(),1()1,1()1,1(),1()1,1(yxfyxfyxfyxfyxfyxffyxfyxfyxfyxfyxfyxffyx23Sobel算子公式模板特点：对4邻域采用带权方法计算差分能进一步抑止噪声但检测的边缘较宽-220-110-110000-1-1-2112)1,1()1,(2)1,1()1,1()1,(2)1,1()1,1(),1(2)1,1()1,1(),1(2)1,1(yxfyxfyxfyxfyxfyxffyxfyxfyxfyxfyxfyxffyx24Sobel梯度算子的使用与分析1.直接计算y、x可以检测到边的存在，以及从暗到亮，从亮到暗的变化2.仅计算|x|，产生最强的响应是正交于x轴的边；|y|则是正交于y轴的边。3.由于微分增强了噪音，平滑效果是Sobel算子特别引人注意的特性2526272829拉普拉斯算子定义：二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为：离散形式：模板：可以用多种方式被表示为数字形式。对于一个3x3的区域，经验上被推荐最多的形式是：),(4)1,()1,(),1(),1(),(2yxfyxfyxfyxfyxfyxf22222),(),(),(yyxfxyxfyxf30拉普拉斯算子定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个负数，而且其周围像素的系数为正数，系数之和必为0。11-400100131拉普拉斯算子32拉普拉斯算子拉普拉斯算子的分析：优点：各向同性、线性和位移不变的；对细线和孤立点检测效果较好。缺点：对噪音的敏感，对噪声有双倍加强作用；不能检测出边的方向；常产生双像素的边缘由于梯度算子和Laplace算子都对噪声敏感，因此一般在用它们检测边缘前要先对图像进行平滑。33Marr算子Marr算子是在Laplacian算子的基础上实现的，它得益于对人的视觉机理的研究，有一定的生物学和生理学意义。由于Laplacian算子对噪声比较敏感，为了减少噪声影响，可先对图像进行平滑，然后再用Laplacian算子检测边缘。平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即：2222),(yxeyxh34其中σ是方差。用h(x,y)对图像f(x,y)的平滑可表示为：*代表卷积。令r是离原点的径向距离，即r2=x2+y2。对图像g(x,y)采用Laplacian算子进行边缘检测，可得：这样，利用二阶导数算子过零点的性质，可确定图像中阶跃边缘的位置。称为高斯－拉普拉斯滤波算子，也称为LOG滤波器(LaplacianofGaussian)，或“墨西哥草帽”。),(*),(),(yxfyxhyxg),(*),(*)(),(*),(224222222yxfhyxferyxfyxhgeh2Marr算子35二维LOG函数Marr算子2h-σσ一维LOG函数及其变换函数36由于它的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用检测过零点能提供较可靠的边缘位置。在该算子中，σ的选择很重要，σ小时边缘位置精度高，但边缘细节变化多；σ大时平滑作用大，但细节损失大，边缘点定位精度低。应根据噪声水平和边缘点定位精度要求适当选取σ。Marr算子h237补充由于噪声点（灰度与周围点相差很大的象素点）对边缘检测有一定的影响，所以效果更好的边缘检测器是LOG算子，也就是Laplacian-Gauss算子。它把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。到中心的距离与位置加权系数的关系曲线象墨西哥草帽的剖面，所以LOG算子也叫墨西哥草帽滤波器。385×5的常用LOG算子模板。39(a)原图(b)▽2h结果(c)正值为白，负值为黑(d)过零点利用▽2h检测过零点40例子梯度算子Roberts算子Prewitt算子Sobel算子Kirsch算子原始图像41Laplacian算子Marr算子曲面拟合法4243Canny边缘检测算法：Canny边缘检测算法：1:用高斯滤波器平滑图象；2:用一阶偏导的有限差分来计算梯度的幅值和方向；3:对梯度幅值进行非极大值抑制；4:用双阈值算法检测和连接边缘。Canny边缘检测结果和Marr的检测结果类似，效果略优图像边缘跟踪457.3边缘跟踪出发点由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断。因此典型的边检测算法后面总要跟随着连接过程和其它边界检测过程，用来归整边像素，成为有意义的边。定义将检测的边缘点连接成线就是边缘跟踪从图像中一个边缘点出发，然后根据某种判别准则搜索下一个边缘点以此跟踪出目标边界46步骤确定边界的起始搜索点，起始点的选择很关键，对某些图像，选择不同的起始点会导致不同的结果。确定合适边界判别准则和搜索准则，判别准则用于判断一个点是不是边界点，搜索准则则指导如何搜索下一个边缘点。确定搜索的终止条件。47二值图像的边缘跟踪48灰度图像的边缘跟踪49Hough变换Hough变换可以用于将边缘像素连接起来得到边界曲线优点在于受噪声和曲线间断的影响较小在已知曲线形状的条件下，Hough变换实际上是利用分散的边缘点进行曲线逼近，它也可看成是一种聚类分析技术50原始图像二值化图像细化图像Hough变换得到的直线基于Hough变换的方法517.4阈值分割例子：设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析原始图像阈值图像52如果设置了错误的阈值，结果会很糟糕太小的阈值太大的阈值53全局阈值（GlobalThresholding）全局阈值是指整幅图像使用同一个阈值做分割处理，并产生一个二值图，区分出前景对象和背景。适用于背景和前景对比度大的图像算法实现：选取一个合适的阈值T，逐行扫描图像凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为054基本的全局阈值算法基本的全局阈值T可以按如下计算：1、选择一个初时估计值T（一般为图像的平均灰度值）2、使用T分割图像，产生两组像素：G1包括灰度级大于T的像素，G2包括灰度级小于等于T的像素3、计算G1中像素的平均值并赋值给μ1，计算G2中像素的平均值并赋值给μ24、计算一个新的阈值：5、重复步骤2～4，一直到两次连续的T之间的差小于预先给定的上界T221T55阈值举例1选择直方图中双峰之间的谷底作为全局阈值56阈值举例2通过算法迭代产生全局阈值57单值阈值的问题单值阈值只能对双峰直方图工作得较好对于其它类型的直方图，需要更多的阈值58单值阈值和光照不均匀的光照会使单值阈值方案失效59基本的自适应阈值解决单值阈值无法工作的一个方法是将图像分割为子图像，并分别进行阈值化处理由于每个像素的阈值依赖于其在图像中的位置，因此称为自适应（adaptive）阈值60基本的自适应阈值举例下图是对前面的图像进行自适应阈值后的结果可见图像得到了改善，但是需要对出错的图像进行进一步的细分，从而得到更好的效果