搜索
图像分割技术ImageSegmentation1图像分割概述2边缘检测3阈值分割4区域分割5彩色图像分割7.1图像分割概述图像分割的概念图像分割的意义图像分割的基本思路图像分割的基本策略图像分割：是指根据灰度、彩色、纹理等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。什么是图像分割？彩色图像分割为什么进行图像分割在对图像的研究和应用中，人们往往仅对图像中的某些部分或称为目标感兴趣。为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步分析，如进行特征提取和识别等等。图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能。图像图像识别图像预处理图像理解图像分割的作用图像分割图像分割是图像识别和图像理解的前提，图像分割质量的好坏直接影响后续图像处理的效果。例：车牌识别苏E7Y915图像分割的依据对图像的分割主要基于象素的2个性质：不连续性和相似性；“相似性分割”就是将具有同一特性（特性可以是灰度、颜色、纹理等）的像素聚集在一起，形成图像中的不同区域。“非连续性分割”需要先检测图像的局部不连续性，然后将它们连接起来形成边界，这些边界将图像分割成不同的区域。图像分割有两种不同的方法：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，或相似性法；其二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，称为非连续性分割法。图像分割的方法：图像分割的算法分类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，缩小不相干图像的干扰上。图像的大部分信息都存在于图像的边缘中，主要表现为图像局部特征的不连续性，即图像中灰度变化比较剧烈的地方。因此，我们把边缘定义为图像中灰度发生急剧变化的区域边界。边缘特点：沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。图像的边缘是图像最基本也是最重要的特征之一。2边缘检测图像边缘：2.1基本概念图像边缘例例图像灰度剖面一阶导数常见的边缘二阶导数2.2边缘检测方法边缘检测的方法很多，主要有以下几种:1、基于微分算子的边缘检测方法。也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等。2、基于小波变换的边缘检测。3、基于数学形态学的边缘检测。4、基于模糊理论的边缘检测方法5、其它：基于分形几何的边缘检测法、标记松弛匹配法、神经网络法、自组织聚类法、遗传算法、动态规划法、矩不变边缘检测法、最小代价函数法等等。Roberts算子几种常用的边缘检测微分算子yxPPjiG),(，0-110100-1模板Prewitt算子模板几种常用的边缘检测微分算子yxPPjiG),(101101101xP111000111yp，Sobel算子为：Py=(z7+2z8+z9)-(z1+2z2+z3)Px=(z3+2z6+z9)-(z1+2z4+z7)梯度值：yxPPjiG),(101202101xP121000121ypRoberts算子Prewitt算子Sobel算子2/122])()[(yfxf||||yfxf|}||,max{|yfxf-1-1400-100-1-1-18-1-1-1-1-1-1这几种算子都能实现中心定位，但对噪声都比较敏感，尤其是Laplacian算子，它是二阶微分算子，对噪声的放大能力更强于其它的一阶微分算子，不利于边缘分析。实用的策略是应当先对图像去噪声。若先对图像平滑处理，抑制噪声，再求微分，则为Laplacian-Gauss、Canny等算子；若对图像进行局部线形拟合，再用拟合得到的光滑函数的导数代替直接的数值导数，则为Facet模型检测边缘算子。LOG（Laplacian-Gauss）算子(或Marr)将Gaussian滤波器和Laplacian边缘检测结合在一起，形成了LoG(LaplacianofGaussian)算法。即先用高斯函数对图像进行平滑，然后再用拉普拉斯算子进行运算，形成Laplacian-Gauss算法，它使用一个墨西哥草帽函数形式。，2222224222222222)(exp2212)(exp21),(yxyxyxyxyxLOG模板-20-1-10016-1-2-20-1-100-1000-2-1-1000LoG函数的三维曲线、横截面特点：与高斯滤波器进行卷积，既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点，用拉普拉斯算子将边缘点转换成零交叉点，通过零交叉点的检测来实现边缘检测。Canny（坎尼）算子具体步骤：首先用2D高斯滤波模板进行卷积以平滑图像；利用微分算子(如Roberts算子、Prewitt算子和Sobel算子等)，计算梯度的幅值和方向；对梯度幅值进行非极大值抑制。即遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大，那么这个像素值置为0，即不是边缘；使用双阈值算法检测和连接边缘。即使用直方图计算两个阈值，凡是大于高阈值的一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值，那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素，如果有，则该像素就是边缘，否则就不是边缘。，edg0.mVg=edge(f,‘roberts');Vg=edge(f,'sobel');Vg=edge(f,'canny');Vg=edge(f,'log',[],2);几种常用边缘检测matlab函数检测边缘：寻找零交叉点，检测黑色和白色区域之间的过渡点LoG检测结果Canny算子与LOG算子比较（a）原图（b）LOG算子结果（c）Canny算子结果由于噪声的原因，边缘算子得到的边缘往往是孤立的或分段不连续的。且有些是真正的边界象素，有些是噪声点；因此，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，用来归整边缘像素，使之成为有意义的边；目的是将边缘象素连接起来组成区域的封闭边界，使图像中不同区域分开，以便下一步分析。2.3边界跟踪(boundarytracking)边界跟踪的目的：边界跟踪也称边缘点连接，是指从梯度图中一个边界点出发，依次通过对前一个边界点的考察而逐步确定出下一个新的边界点，并将它们连接而逐步检测出边界的方法。边界跟踪是基于梯度的图像分割方法的基础。图像的轮廓（边界）跟踪与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈。边界跟踪基本概念：如何确定边缘像素的相似性？•边缘像素梯度算子的响应强度（梯度值）•边缘像素梯度算子的方向轮廓跟踪的依据：边界象素梯度的相似性确定边缘点的依据轮廓跟踪过程大致可分以下三步：(1)确定轮廓跟踪的起始边界点。根据算法的不同，选择一个或多个边缘点作为搜索的起始边缘点；(2)确定一种合适的搜索策略，在已发现的边界点基础上确定新的边界点；(3)制定出终止搜寻的准则(一般是将形成闭合边界作为终止条件)，在满足终止条件时结束搜寻。轮廓跟踪过程：跟踪处理的分析方法：利用边缘像素梯度的相似性对做过边检测的图象的每个点的特性进行分析分析在一个小的邻域（3×3或5×5）中进行所有相似的点被连接，形成一个享有共同特性象素的边界用比较梯度值的幅度和梯度方向确定两个点是否同属一条边。点(x’,y’)点(x,y)连接处理的分析方法：点(x’,y’)点(x,y)连接算法描述：1）设定A、E的阈值大小，确定邻域的大小2）对图像上每一个像素的邻域点进行分析，判断是否需要连接。3）记录像素连接的情况，给不同的边以不同的标记。4）最后，连接断开的线段，删除孤立线段。假设灰度图像已经完成梯度计算和二值化：(1)发现像素从0开始变为1的像素时记为p0，存储p0的坐标（i,j)值。(2)从像素(i,j-1)开始反时针方向研究8-邻接像素，当第一次出现像素值为1的像素记为p1，也同样存储p1的坐标。(3)同上，反时针方向研究p1的8-邻接像素，把最先发现像素值为1的像素记为p2。(4)当pk=p0而且pk+1=p1时，跟踪结束。边界跟踪方法一：光栅扫描第一步，根据光栅扫描，发现灰度为1的像素p0。第二步，反时针方向研究像素p0的8-邻接像素,由此发现像素p1。反复以上操作，以p0,p1,…,pn的顺序跟踪8-邻接的边界像素。一直到pk=p0时终止搜索。00000010000000000000100101010110001000011010000000000000000101011000001001000001p0p1p2p3p4p5p6p7p8p9p10p11p12p13p14p15p16p17边界跟踪的顺序示意边界跟踪方法二1:2:;3:84:5:46:StepStepPStepPCStepCPCStepCCStepStep给定一幅只有一个目标的图象，先计算其梯度图；从梯度图中选取梯度最大的点作为边界跟踪的第一个起点在的邻域中选梯度最大的点作为第二个边界点；以为中心，根据的位置，在阴影中选下一个边界点；以为中心，根据的位置，重复；直至满足终止条件。PCPCCCCCCCPPPPPP3阈值与图像分割3.1阈值分割原理目标背景阈值分割是用一个或几个阈值将图像的灰度级分为几个部分,认为属于同一个部分的像素是属于同一个物体。阈值的选取是阈值分割方法中的关键技术。阈值分割算法是区域分割算法中具有代表性的一类非常重要的分割算法。以一定的图像模型为依托，通过取阈值后得到的图像，各个区域可以分离开。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。目标背景仅使用一个阈值分割的方法称为单阈值分割方法。如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去，这种用多个阈值分割的方法称为多阈值分割方法。当阈值T取决于空间坐标，阈值就是动态的或自适应的。3.2阈值分割分类多阈值的灰度直方图T2T1单阈值灰度直方图单阈值分割，多阈值分割，自适应阈值分割•单阈值图像分割首先，确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）；其次，将大于等于阈值的像素作为物体或背景，生成一个二值图像。其它,0T),(,1),(yxfyxgyuzhifenge.m例0501001502002500500100015002000T=170T=170(加中值滤波）(a)(b)(c)(d)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；而阈值过小，又会丢失所需的部分。因此，阈值的选取非常重要。不同阈值对阈值化结果的影响原始图像阈值T=91阈值T=130阈值T=43yuzhifenge1.m阈值的选择对于图像分割结果至关重要。仅凭人眼主观上的感觉很难选择到合适的阈值。四种比较经典的阈值选取方法极小值点阈值选取方法最优阈值选取方法迭代阈值选取方法利用灰度统计直方图的直方图凹性分析的阈值选取方法。3.3阈值选取方法通过寻找直方图的极小点确定分割阈值，在确定极小点过程中通常需要对直方图进行平滑。图像的灰度直方图是一种离散分布，其包络曲线则是一条连续的曲线，求其包络曲线h(z)极小值作为阈值。实际图像由于各种因素的影响，其灰度直方图往往存在许多起伏，不经预处理将会产生若干虚假的“谷”。一般先对其进行平滑处理，然后再取包络，这样将在一定程度上消除虚假“谷”对分割阈值的影响。极小值点阈值选取方法极小值点阈值选取方法在具体应用时，多使用高斯函数g(z,σ)