搜索
第五章图像分割与边缘检测第五章图像分割与边缘检测5.1图像分割5.2边缘检测5.3轮廓跟踪与提取5.4图像匹配5.5投影法与差影法5.6应用实例第五章图像分割与边缘检测5.1阀值分割5.1.1概述图像分割是将图像划分成互不相交的小区域的过程，小区域是具有共同属性的像素的连通集合。如不同目标物体所占的区域、背景所占的区域等。图像分割基于像素灰度值的两个性质:边界处灰度的不连续性和区域内灰度的相似性。因此分割算法也分为两类：基于边界的分割和基于区域的分割。第五章图像分割与边缘检测5.1.2常用的分割方法是把灰度分成不同等级，然后用设置灰度门限（阈值）的方法确定区域或物体的边界。阈值化处理就是选择一阈值，将图像进行二值化处理，用于分割及边缘跟踪等。阈值化处理的变换表达式为TyxfTyxfyxg),(255),(0),((5-1)第五章图像分割与边缘检测图5-2阈值变换曲线2550T255gfg第五章图像分割与边缘检测阈值选取对处理结果的影响很大。如图5-3所示,阈值过大，会提取多余的部分；而阈值过小，又会丢失所需的部分。图5-3(a)图像的直方图(如图5-4所示)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，背景分布在较亮的灰度级上形成另一个波峰。用双峰之间的谷底处灰度值作为阈值T进行处理，便可将目标和背景分割开来。第五章图像分割与边缘检测图5-3(a)原始图像；(b)阈值T=91；(c)T=130；(d)T=43(a)(b)(c)(d)(b)(a)(c)(d)第五章图像分割与边缘检测图5-4图5-3(a)所示图像的直方图第五章图像分割与边缘检测1.Otsu判别分析法确定最佳阈值的准则，是使阈值分割后各个像素类的类内方差最小而类间方差最大。即要让类间的差别最大,类内的差别最小。设图像总像素数为N，灰度值为i的像素数为Ni，则从灰度级0到灰度级k(最大为L-1)的像素的出现概率为：kiiNNk0)((5-2)第五章图像分割与边缘检测平均灰度为:kiiNNik0)((5-3)ω(L-1)=1为所有像素出现的概率；μ(L-1)＝μT则为整幅图像的平均灰度。设有M-1个阈值：0≤t1＜t2＜…＜tM-1≤L-1。将图像分割成M个灰度值的类Cj（灰度区间)，则类Cj的发生概率ωj和平均灰度值μj为)()()()()()(111jjjjjjjjtttttt(5-4)(5-5)第五章图像分割与边缘检测由此可求得各类的类间方差为MjTjjMttt121212)(),,,(使σ2值为最大的阈值组(t1,t2，…,tM－1)即为最佳阈值组。若取M为2，即分割成2类，则可用上述方法求出二值化的最佳阈值。(5-6)第五章图像分割与边缘检测2.p参数法确定阈值p参数法适用于事先已知目标面积(像素个数)占全图像面积的百分比的场合。其基本思想是选取一个阀值T,使得目标面积在图像中占的比例为p，背景面积所占比例为1－p。第五章图像分割与边缘检测5.2.1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，即由相似的点组成区域。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的相似性判据。5.2基于区域的分割第五章图像分割与边缘检测区域生长的基本思想是把具有相似性质的像素集合起来构成区域。假定区域数目以及各区域中某个点的位置已知，则从该已知点（称为种子）开始，逐渐将邻域中与种子性质相近的像素合并而形成区域。相似性准则可以是灰度级、彩色、纹理、梯度等。方法是从种子点开始，在各个方向上生长区域，当其邻近点满足准则就并入区域中。重复这一过程，直到没有可接受的邻近点时过程终止。第五章图像分割与边缘检测5.2边缘检测在视觉计算理论中，抽取图像中的边缘、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。可以认为这些特征或边缘点，在一定条件下包含了图像的全部信息。图5-7画出了一幅图像中的边缘点，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。第五章图像分割与边缘检测图5-7图像中的边缘点(线)ACCAC′BDC′C′第五章图像分割与边缘检测（1）A类边缘线。空间曲面上的不连续点，为两个不同曲面或平面的交线，在A类边缘线的两边，图像的灰度值有明显的不同。（2）B类边缘线。B类边缘线是由不同材料或相同材料但不同颜色产生的。由于对光的反射系数不同，使B边缘线的两侧灰度也有明显不同。第五章图像分割与边缘检测（3）C类边缘线。是物体与背景的交界线,由于物体与背景在光照条件与材料反射系数等方面差异很大，因此在C类边缘两侧，图像的灰度也有很大差异。（4）D类边缘线。是由阴影引起的边缘。由于物体表面某一部分被另一物体遮挡，从而引起边缘点两侧灰度值有较大的差异。第五章图像分割与边缘检测5.2.1边缘点是信号“变化剧烈”的地方，是灰度不连续的结果。图像中不同类型的边缘与灰度变化的关系如图5-10所示。对信号的突变（不连续性）我们可以用一阶和二阶导数来反映和描述。换句话说，我们可以利用微分算子来进行边缘检测。实际上常见的边缘检测（如prewitt,sobel）算子都是微分算子。第五章图像分割与边缘检测图5-10（a）边界；（b）线；（c）折线变化；（d）平滑变化(a)(b)(d)(c)第五章图像分割与边缘检测图5-11用Prewitt算子进行边缘检测的结果第五章图像分割与边缘检测5.2.2高斯-拉普拉斯(LOG)算子噪声对边缘检测有较大影响，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，先平滑噪声，再进行边缘检测。常用5×5模板：244424080448*24844080424442第五章图像分割与边缘检测图5-11LOG算子中心点的距离与加权系数的关系Oxy第五章图像分割与边缘检测若将图5-11绕y轴旋转一周，很像一顶墨西哥草帽，所以，LOG又叫墨西哥草帽滤波器。在图像边缘检测中，还有Wallis算子、过零检测（Marr-Hildreth）算子、Priwett算子、Sobel算子、Canny算子、SUSAN（SmallestUnivalueSegmentAssimilatingNucleus）边缘检测等。第五章图像分割与边缘检测边缘检测函数edge的用法:BW=edge(I,operator);%对灰度图像I进行operator类型的边缘检测,结果为BW.其中算子operator可取值为:'sobel','prewitt','roberts','log','canny'等.例如对带噪图像进行LOG边缘检测:A=imread(‘rice.tif’);%读入灰度图像B=imnoise(A,’gaussian’);%加入高斯噪声C=edge(B,‘log’);%进行log边缘检测subplot(1,2,1);imshow(B);%显示带噪图像subplot(1,2,2);imshow(C);%显示log边缘检测结果第五章图像分割与边缘检测尝试:用其它(如sobel)算子进行检测的结果会如何?第五章图像分割与边缘检测5.3轮廓跟踪与提取5.3.1轮廓跟踪在识别图像中的目标时，往往需要对目标边缘作跟踪处理，也叫轮廓跟踪。即通过顺序找出边缘点来跟踪边界。若图像是二值图像或图像中不同区域具有不同的像素值，但每个区域内的像素值是相同的，则可以通过特定的算法完成基于4连通或8连通的轮廓跟踪。第五章图像分割与边缘检测图5-14轮廓跟踪示例第五章图像分割与边缘检测5.3.2轮廓提取二值图像轮廓提取的算法非常简单，就是掏空内部点：如果原图像中有一点为黑，且它的8个邻点都是黑色时，说明该点是内部点，将该点删除（置为白色像素值）。对图像中所有像素点执行该操作便可完成图像轮廓的提取。在此不对其作过多说明。第五章图像分割与边缘检测轮廓提取的MATLAB实现:imcontour(I);%绘制灰度图像I的轮廓图;例:A=imread(‘d:\testpictures\lena_256.tif’);subplot(1,2,1);imshow(A);%显示图像pause;subplot(1,2,2);imcontour(A);%绘制图像的轮廓执行结果如下:第五章图像分割与边缘检测lena图像及其轮廓第五章图像分割与边缘检测5.5投影法与差影法5.5.1投影法是把图像在某一方向（水平和垂直方向）上进行投影。在投影图上便可反映出目标对象的位置、尺寸等信息。图5-17是一幅图像分别在水平方向和垂直方向上的投影。可以看出投影法有点像灰度直方图。为了效果更好，投影法经常和阈值化一起使用。处理前最好先做一次平滑，去除噪声影响，再对阈值化后的二值图像在某个方向上进行投影。第五章图像分割与边缘检测图5-17投影法第五章图像分割与边缘检测图5-18华盛顿纪念碑图第五章图像分割与边缘检测图5-19阈值化后的华盛顿纪念碑第五章图像分割与边缘检测图5-20垂直方向投影第五章图像分割与边缘检测5.5.21.代数运算是指对两幅输入图像进行点对点的四则运算而得到输出图像的运算。如果记输入图像为A(x,y)和B(x,y)，输出图像为C(x,y)，则四种代数运算的表达式如下：C(x,y)＝A(x,y)＋B(x,y);C(x,y)＝A(x,y)－B(x,y)C(x,y)＝A(x,y)×B(x,y);C(x,y)＝A(x,y)／B(x,y)第五章图像分割与边缘检测图像相加用于对同一场景的多幅图像求平均，以便有效地降低加性噪声。一般直接采集的图像品质较好，不需要这样处理，但是对于经过长距离模拟通信方式传送的图像（如太空航天器传回的星际图像）这种处理是不可缺少的。利用求平均法降噪、提高信噪比的方法，只有当噪声可以用独立分布的随机模型描述时才会有效。第五章图像分割与边缘检测图像相减常用于检测变化及运动，又称为图像差分运算。在受控环境下，可以认为背景是固定不变的，可以直接使用差分运算检测变化及运动的物体。这种方法与阈值化处理结合往往是建立机器视觉系统最有效的方法之一。在相对稳定环境下，可以假设背景变化缓慢，且符合一定的分布规律，通过建立背景模型，实施差分方法来检测运动物体。第五章图像分割与边缘检测乘法运算可以用来实现掩模处理，即屏蔽掉图像的某些部分。此外由于时域的卷积和相关运算与频域的乘积运算对应，因此乘法运算有时也作为一种技巧来实现卷积或相关处理。除法运算可用于校正成像设备的非线性影响，在特殊形态图像（如CT图像等）的处理中常有应用。第五章图像分割与边缘检测2.差影法差影法，实际上就是图像的相减运算(又称减影技术)，是指把同一景物在不同时间拍摄的图像或同一景物在不同波段的图像相减。差值图像提供了图像间的差异信息，能用来指导动态监测、运动目标检测和跟踪、图像背景消除及目标识别等。其算法流程图如图5-21所示。第五章图像分割与边缘检测图5-21差影法检测变化目标流程图固定背景图像或背景模型图像或前一幅图像当前图像差影运算及阈值化处理阈值化差影运算结果图像分割、匹配、投影等处理获取目标第五章图像分割与边缘检测差影法常用在监控系统中。在银行金库内，摄像头每隔一小段时间拍摄一幅图像，并与上一幅图像做差影，如果图像差别超过了预先设置的阈值，说明有异常情况发生，这时就应该报警。在利用遥感图像进行动态监测时，用差值图像可以发现森林火灾、洪水泛滥，监测灾情变化；也能用来监测水域的泥沙淤积及污染、地面的植被覆盖情况等。第五章图像分割与边缘检测利用差影技术消除图像背景也有很明显效果。肾动脉造影对诊断肾脏疾病有独特效果。为减少误诊，希望提供血管的清晰图像。通常的造影虽然能够看出血管的形状及分布，但由于肾脏周围其他组织影像的重叠，难以得到理想的血管图像。对此，可摄制出造影前后的两幅图像，相减后就能把其它组织的影像去