数字图像处理8 图像分割new课件

§7.1图像分割引言§7.2边缘检测§7.3边缘跟踪§7.4Hough变换检测直线§7.5区域分割§7.6区域增长第七章图像分割§7.1图像分割引言引言图像分析的概念图像分析系统的基本构成图像分割的概念图像分割的基本思路图像分割的基本策略一.图像处理：着重强调在图像之间进行变换以改善图像的视觉效果。二.图像分析的概念：主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立对图像的描述，即从图像中提取信息的技术。预处理图像分割特征提取对象识别§7.1图像分割引言图像分析系统的基本构成三.图像理解：重点是在图像分析的基础上，进一步研究图像中各目标的性质和它们之间的相互联系，并得出对原始客观场景的解释，从而指导和规划行动。四.区域：是指相互连通的、有一致属性的像素的集合。它是一个方便的、很好的图像中层描述符号，是对图像模型化和进行高层理解的基础。为了辨识和分析目标，需要将它们分离提取出来，在此基础上才有可能对目标进一步分析。§7.1图像分割引言五.图像分割的概念就是指把图像分解成构成它的区域并提取出感兴趣目标在图像中的位置和范围的技术和过程。图像分割是由图像处理到图像分析的关键步骤：1.是目标表达的基础，对特征测量有重要的影响。2.将原始图像转化为更抽象更紧凑的形式。§7.1图像分割引言实例:2.3.§7.1图像分割引言从简到难，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。六.图像分割的基本思路§7.1图像分割引言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。§7.1图像分割引言对图象特征空间做分类的方法八.分割算法的大致分类（共五类）§7.1图像分割引言基于区域的方法（区域生长等）§7.1图像分割引言§7.2边界分割法(边缘检测)边缘:是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合。边缘性质:边缘能勾划出目标物体轮廓，使观察者一目了然，包含了丰实的信息(如方向、形状等)，是图像识别中抽取的重要属性。边缘分类:阶跃状和屋顶状两种。阶跃状边缘位于两边的像素灰度值有明显不同的地方；屋顶状边缘位于灰度值从增加到减少的转折处。阶跃状和屋顶状边缘其邻近灰度方向导数变化情况§7.2边界分割法(边缘检测)边缘灰度变化曲线曲线一阶导数曲线二阶导数-1-1-1222-1-1-1-1-12-12-12-1-1-12-1-12-1-12-12-1-1-12-1-1-12111555111111555111111555111R1=-6+30=24R2=-14+14=0R3=-14+14=0R4=-14+14=0§7.2边界分割法(边缘检测)边的检测基本思想：计算局部微分算子一阶微分二阶微分截面图边界图像§7.2边界分割法(边缘检测)一．梯度算子对阶跃状边缘，在边缘点处一阶导数有极值，因此可计算每个像素处的梯度来检测边缘点。1.梯度的定义式及其简化计算:函数f(x,y)在(x,y)处的梯度为一个向量：计算这个向量的大小为：近似为：或：§7.2边界分割法(边缘检测)梯度的方向角为：离散形式: 模板 个人简介word模板免费下载关于员工迟到处罚通告模板康奈尔office模板下载康奈尔 笔记本 模板 下载软件方案模板免费下载 表示:-11-111-211-21二阶差分一阶差分§7.2边界分割法(边缘检测)梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。2.检测边缘点：1)计算梯度图像；2)选取适当的阈值T，对梯度图像进行二值化；当f(x，y)≥T时，令f(x，y)＝l，则为阶跃状边缘点。否则f(x，y)＝0，形成一幅边缘二值图像。§7.2边界分割法(边缘检测)3.梯度算子特点：一阶微分：用梯度算子来计算特点：对于亮的边，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二阶微分：通过拉普拉斯来计算特点：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§7.2边界分割法(边缘检测)3.Roberts梯度计算:按或：计算Roberts梯度4.Roberts梯度算子特点：Roberts算子进行边缘检测的同时去噪作用仍然小，但效果较梯度算子好。§7.2边界分割法(边缘检测)三．Prewitt和Sobel算子1.Prewitt算子1)算子思想:在检测边缘的同时减少噪声的影响，Prewitt从加大边缘检测算子的模板大小出发，由2×2扩大到3×3来计算差分算子。2)Prewitt算子对应的模板:3)Prewitt算子特点:Prewitt算子检测边缘点的同时能抑制噪声的影响。-101-101-101-1-1-1000111§7.2边界分割法(边缘检测)四.方向算子1.算法思想：利用一组模板分别计算在不同方向上的差分值，取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。2.Kirsch（3×3）八方向模板:各方向间的夹角为45°。§7.2边界分割法(边缘检测)-533-503-533333-503-5-53333303-5-5-533330-53-5-533-530-533-53-5-530-5333-5-5-5303333-5-53-5033333×3Kirsch算子的八方向模板如果取最大值的绝对值为边缘强度，并用考虑最大值符号的方法来确定相应的边缘方向，则考虑到各模板的对称性只要有前四个模板即可。§7.2边界分割法(边缘检测)算子梯度计算：设图像f,模板为Wk(k=1,2,…,8),则边缘强度在(x,y)处为(以·表示点乘):E(x,y)=Max{W1·f,W2·f…W8·f}=Wi·f方向为i模板方向。下例中几种梯度算子检测出的边缘二值图表明3X3的算子比2X2的算子边缘检测能力强，且抗噪性能好。§7.2边界分割法(边缘检测)例：几种梯度算子检测出的边缘二值图原始的摄影师图梯度算子Roberts3×3Prewitt3×3Sobel3×3Kirsch§7.2边界分割法(边缘检测)五.Laplace算子1.Laplace算子:二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为：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：§7.2边界分割法(边缘检测)2.Laplace算子对应的模板：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正数，而且其周围像素的系数为负数，系数之和必为0。-1-1400-100-1§7.2边界分割法(边缘检测)3.Laplace算子特点分析：优点：各向同性，对细线和孤立点检测效果好。缺点：对噪音敏感，会产生双像素的边缘，不能检测出边的方向。应用：拉普拉斯算子不直接用于边的检测，通常只起第二位的角色。检测一个像素是在边的亮的一边还是暗的一边；利用零跨越，确定边的位置。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。§7.2边界分割法(边缘检测)六.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。常用的LOG算子是5×5的模板：§7.2边界分割法(边缘检测)图：LOG算子中心点的距离与位置加权系数的关系在图像边缘检测中，还有Wallis算子、过零点检测（Marr-Hildreth算子）、Canny边缘检测方法、SUSAN（SmallestUnivalueSegmentAssimilatingNucleus）边缘检测等。若将图绕y轴作旋转一周后，LOG算子很像一顶墨西哥草帽，所以，LOG又叫墨西哥草帽滤波器。§7.2边界分割法(边缘检测)七．马尔算子（选学）1.问题:在原始图像上进行边缘检测，由于噪声的影响，可能把噪声当边缘点检测出来了，而真正的边缘又没被检测出来。2.马尔算子(Marr-Hildreth)思想:马尔算子是在拉普拉斯算子的基础上实现的，由于拉普拉斯算子对噪声比较敏感，为了减少噪声影响，可先对待检测图进行平滑然后再用拉普拉斯算子检测边缘。§7.2边界分割法(边缘检测)3.平滑函数：由于在成像时，一个给定像素所对应的场景点，它的周围点对该点的光强呈正态分布，所以平滑函数应反映不同远近的周围点对给定像素具有不同的平滑作用，呈正态分布的平滑函数可如下定义：§7.2边界分割法(边缘检测)用h(x，y)对图像f(x，y)的平滑可表示为：g(x,y)=h(x,y)*f(x,y)*--卷积令r是离原点的径向距离，即r2=x2+y2，对图像g(x,y)采用拉普拉斯算子进行边缘检测，可得:利用二阶导数算子过零点的性质，可确定图像中阶跃状边缘的位置。§7.2边界分割法(边缘检测)▽2h--高斯—拉普拉斯滤波算子，它是一个轴对称函数，各向同性，它的一个轴截面如图.此函数的传递函数轴截面如图,也称为“墨西哥草帽”。▽2h的剖面和对应的转移函数§7.2边界分割法(边缘检测)这个函数在处有过零点,在|r|<σ时为正,在|r|>σ时为负。另外可以证明这个算子定义域内的平均值为零，因此将它与图像卷积并不会改变图像的整体动态范围。但由于它相当光滑，因此将它与图像卷积会模糊图像，并且其模糊程度是正比于σ的。正因为▽2h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▽2h检测过零点能提供较可靠的边缘位置。在该算子中，的选择很重要，小时位置精度高但边缘细节变化多。应注意马尔算子用于噪声较大的区域会产生高密度的过零点。马尔算子用到的卷积模板一般较大(典型半径为8～32个像素)，不过这些模板可以分解为一维卷积来快速计算。数学上已证明，马尔算子是按零交叉检测阶跃边缘的最佳算子。但在实际图像中，高斯滤波的零交叉点不一定全部是边缘点，还需要进一步对其真伪进行检验。§7.2边界分割法(边缘检测)(a)、(b)分别是用Laplace算子和Marr算子检测出的边缘二值化图像§7.2边界分割法(边缘检测)八．曲面拟合法1.问题解决基于差分检测图像边缘算子对噪声的敏感,检测一些噪声比较严重的图像边缘.2.原理用平面或高阶曲面来拟合图像中某一小区域的灰度表面，求这个拟合平面或曲面的外法线方向的微分或二阶微分检测边缘，可减少噪声影响。§7.2边界分割法(边缘检测)3.四点拟合灰度表面法p=ax+by+c来拟合空间四邻像素的灰度f(x,y),f(x,y+1),f(x+1,y),f(x+1,y+1)a和b对应的模板如下：a为两行像素平均值的差分，b为两列像素平均值的差分。其过程是求平均后再求差分，因而对噪声有抑制作用。§7.2边界分割法(边缘检测)Laplace算子Marr算子曲面拟合法§7.2边界分割法(边缘检测)边缘连接法局部处理法Hough变换§7.3边缘跟踪(边缘连接)定义：将检测的边缘点连接成线就是边缘跟踪。过程：①提取可构成线特征的边缘；②将边缘连成线。意义：线是图像分析中一个基本而重要的内容，它是图像的一种中层符号描述，它使图像的表述更简洁，并可用来完成一定图像的识别任务。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。§7.3边缘跟踪(边缘连接)一.光栅跟踪利用类似于电视光栅扫描技术，结合阈值检测而实现的边缘跟踪方法。光栅跟踪步骤:(1)确定一个比较高的阈值d作为检测阈值(参考门限)，把高于该阈值的像素作为对象点.(2)用检测阈值d对图像进行检测，凡超过d的点都接受为对象点，并作为下一步跟踪的起始点.(3)选取一个比较低的阈值t作为跟踪阈值(跟踪准则门限)。对当前点(起始点)的八邻点的下面三个点进行判断.满足跟踪阈值t的接受为对象点，反之去除。§7.3边缘跟踪(边缘连接)(4)如果在下一行像素中，对应上一行已检测出的某一对象点，没有任何一个邻域像素被接受为对象点，那么，这一条曲线的跟踪便可结束。如果同时有两个，甚至三个邻域点均被接受为对象点，则说明曲线发生分支，跟踪将对各分支同时进行。如果若干分支曲线合并成一条曲线，则跟踪可集中于一条曲线上进行。一曲线跟踪结束后，采用类似上述步骤从第一行的其他起始点开始下一条曲线的跟踪。(5)当所有起始点跟踪完毕,跟踪即结束.检测和跟踪所选择的接受准则，可以不是灰度级，而是其他反映局部性质的量，例如对比度、梯度方向等。每个点所对应的邻域点也可以取其他的定义，不一定是紧邻的下一行像素，稍远一些的点也许对于弥合曲线的间隙更有好处。§7.3边缘跟踪(边缘连接)例:输入图像§7.3边缘跟踪(边缘连接)95845356429155657236297465355266643742f≥71111111f≥4d≥7,t≥4§7.3边缘跟踪(边缘连接)111111111111111111111111111111111111111111111111特点：1.光栅顺序跟踪和光扫描的方向有关。最好用其它方向再跟踪一次，例如逆序向上，两种方法综合起来能得到更好的方向跟踪。2.若边缘和光栅扫描方向平行时效果不好。最好在垂直扫描方向跟踪一次，它相当于把图像转置90º后再顺序跟踪。§7.3边缘跟踪(边缘连接)二．全向跟踪解决光栅跟踪依赖于扫描,漏掉平行于扫描方向曲线的缺点的缺点。通过定义不同邻点的方法克服光栅跟踪依赖于扫描的缺点。选取的跟踪准则能够辨别远非紧靠着被跟踪对象点的像素，适当克服光栅跟踪会漏掉平行于扫描方向曲线的缺点.全向跟踪的具体步骤：(1)按光栅扫描方式对图像进行扫描，用检测阈值找出一个作为开始跟踪的初选点(流动点)。§7.3边缘跟踪(边缘连接)(2)选取一个适当的、能进行全向跟踪的邻域定义(例如八邻域)和一个适当的跟踪准则(例如灰度阈值、对比度和相对流动点的距离等)，对流动点进行跟踪。在跟踪过程中，若遇到了分支点或者若干曲线的交点，则先取其中和流动点性质最接近的一个作为新的流动点，继续进行跟踪。而把其余诸点存储起来，以备下面继续跟踪。如果在跟踪过程中又遇到了新的分支或交叉点，则重复上面的处理步骤。当按照跟踪准则没有未被检测过的点可接受为对象点时，一个分支曲线的跟踪便已结束。在一个分支曲线跟踪完毕以后，回到最近的一个分支点处，取出另一个性质最接近该分支点的像素作为新的流动点，重复上述跟踪程序。§7.3边缘跟踪(边缘连接)当全部分支点处的全部待跟踪点均已跟踪完毕，便返回第一步，继续扫描，以选取新的初选点(流动点)(不应是已接收为对象的点)。(3)当整幅图像扫描完成时，跟踪程序便结束。分支问题解决:通过一点(x，y)有几条曲线，可设立一准则φ，对每一分支计算一个φ值，应按大的φ值进行跟踪。例:选取φ为平均灰度减去平均曲线率.设第一行流动点f(x,y)=5,第二行f(x,y-1)=5,第三行f(x,y-2)=7,f(x+1,,y-2)=4,形成一个分支点,灰度顺序为5,5,7和5,5,4两个分支.计算:φ(5,5,7)=(5+5+7)/3-0=5.67φ(5,5,4)=(5+5+4)/3-(π/4)/3=4.4结论:对“5,5,7”跟踪，保留“5,5,4”§7.3边缘跟踪(边缘连接)例：梯度图像1111111f≥7d≥7,t≥4§7.3边缘跟踪(边缘连接)1111111111111111111111111195845356429155657236297465355266643742三.局部连接处理连接处理的时机和目的：时机：对做过边界检测的图像进行目的：连接间断的边连接处理的原理：用比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边通过比较梯度，确定两个点的连接性：对于点(x’,y’)，判断其是否与邻域内的边界点(x,y)相似，当：|f(x,y)–f(x’,y’)|T其中T是一个非负的阈值§7.3边缘跟踪(边缘连接)比较梯度向量的方向角对于点(x’,y’)，判断其是否与邻域内的边界点(x,y)的方向角相似，当：|(x,y)–(x’,y’)| 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 像素连接的情况，另开一个空间，给不同的边以不同的标记。4）最后，删除孤立线段，连接断开的线段。§7.3边缘跟踪(边缘连接)Hough变换问题的提出Hough变换的基本思想算法实现Hough变换的扩展§7.4Hough变换Hough变换是一种线描述方法，即线到点的变换。Hough变换问题的提出在找出边界点集之后，需要连接，形成完整的边界图形描述。§7.4Hough变换例:找出黑白点状图像过原点的直线?(第一象限)解答:1.若直线过原点,则:y=mx,m为斜率.2.取tgθi=mi=yi/xi作为判据,计算图像中所有点的θi,3.θi每度计算一次.在内存中开辟一个存储区,共有91个地址相应于0°--90°.4.统计每个θi地址中有多少个像点,其中θi点数最多的地址中的点就是可连成一条支线的点.以上可扩展到通过某点的直线检测.§7.4Hough变换Hough变换的基本思想对于边界上的n个点的点集，找出共线的点集和直线方程。对于任意两点的直线方程：y=ax+b，构造一个参数ab的平面，从而有如下结论：ab§7.4Hough变换Hough变换的基本思想xy平面上的任意一条直线，对应在参数ab平面上都有一个点。过xy平面一个点(x,y)的所有直线，构成参数ab平面上的一条直线。如果点(x1,y1)与点(x2,y2)共线，那么这两点在参数ab平面上的直线将有一个交点。在参数ab平面上相交直线最多的点，对应的xy平面上的直线就是我们的解。§7.4Hough变换Hough变换的基本思想abA§7.4Hough变换Hough变换算法实现由于垂直直线a,为无穷大，我们改用极坐标形式：xcos+ysin=参数平面为，对应不是直线而是正弦曲线使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点，然后找出该点对应的xy平面的直线线段。§7.4Hough变换Hough变换检测直线的算法步骤⑴．在ρ，θ的极值范围内对其分别进行m，n等分，设一个二维数组的下标与ρi,θj的取值对应；⑵．对图像上的边缘点作Hough变换，求每个点在θj(j=o，1，…，n)变换后ρi，判断(ρi,θj)与哪个数组元素对应，则让该数组元素值加1；(3)．比较数组元素值的大小，最大值所对应的(ρi,θj)就是这些共线点对应的直线方程的参数。共线方程为:ρi=xcosθj+ysinθj§7.4Hough变换算法特性（1）.对ρ,θ量化过粗，直线参数就不精确，过细则计算量增加。因此，对ρ,θ量化要兼顾参数量化精度和计算量。(2).Hough变换的抗噪性能强，能将断开的边缘连接起来。(3).Hough变换也可用来检测曲线。§7.4Hough变换Hough变换的扩展Hough变换不只对直线，也可以用于圆；椭圆等。作为霍夫变换的推广，可看到如下一些结果。例如，有一曲线方程为：在此式中x，y是变量，A、B、C是系数。把上式写成如下形式：把A、B、C看成变量，把x2，y2看成系数，那么，在（x，y）域中的任何一点将对应于变换域中的一个曲面。（x，y）域中椭圆上的n点将对应于变换域中n个有共同交点的n个曲面。这一推广可用于圆的检测。§7.4Hough变换Hough变换检测圆：圆的方程：需要三个参数的参数空间。§7.4Hough变换区域分割:一幅图像中属于同一区域的像素应具有相同或相似的属性，不同区域的像素属性不同。因此图像的分割就要寻求具有代表性的属性，利用这类属性进行划分，使具有相同属性的像归属同一区域，不同属性的像素归属不同区域。§7.5区域分割一.阈值分割法1.阈值分割法的基本思想：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）。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。Iff(x,y)Tset255Elseset0在四邻域中有背景的像素，既是边界像素。025525502550255255255§7.5区域分割2.阈值分割法的特点：适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。可通过先求背景，然后求反得到物体）这种方法总可以得到封闭且连通区域的边界。灰度值f(x0,y0)T§7.5区域分割阈值分割法通过交互方式得到阈值通过直方图得到阈值通过边界特性选择阈值简单全局阈值分割分割连通区域基于多个变量的阈值§7.5区域分割3.阈值分割方法：（1）.通过交互方式得到阈值基本思想：在通过交互方式下，得到对象（或背景）的灰度值，比得到阈值T容易得多。假设：对象的灰度值(也称样点值)为f(x0,y0),且：T=f(x0,y0)–R有：f(x,y)Tf(x,y)f(x0,y0)–R|f(x,y)–f(x0,y0)|R其中R是容忍度，可通过试探获得。实施方法：1）通过光标获得样点值f(x0,y0)2）选取容忍度R3）if|f(x,y)–f(x0,y0)|Rset255elseset0§7.5区域分割(2).通过直方图得到阈值基本思想：边界上的点的灰度值出现次数较少。T取值的方法：取直方图谷底，为最小值的灰度值为阈值T。§7.5区域分割缺点：会受到噪音的干扰，最小值不是预期的阈值，而偏离期望的值。改进：取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰。通过直方图得到阈值T§7.5区域分割对噪音的处理：对直方图进行平滑处理，如最小二乘法等不过点插值。§7.5区域分割(3).通过边界特性选择阈值基本思想：1）如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。2）为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。3）用微分算子，处理图像，使图像只剩下边界中心两边的值。§7.5区域分割方法优点：1)在前景和背景所占区域面积差别很大时，不会造一个灰度级的波峰过高，而另一个过低2)边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性3)基于梯度和拉普拉斯算子选择的像素，可以增加波峰的高度§7.5区域分割算法的实现：1）对图像进行梯度计算，得到梯度图像。2）得到梯度值最大的那一部分（比如10%）的像素直方图。3）通过直方图的谷底，得到阈值T。如果用拉普拉斯算子，不通过直方图，直接得到阈值，方法是使用拉普拉斯算子过滤图像，将0跨越点对应的灰度值为阈值T。§7.5区域分割(4).简单全局阈值分割基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景。算法实现：1）规定一个阈值T，逐行扫描图像。2）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0。适用场合：明度图像是可以控制的情况，例如用于工业监测系统中。§7.5区域分割(5).基于多个变量的阈值基本思想：把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。算法实现：各维分量波谷之间进行逻辑与运算，从波谷重合的点，得到实际的阈值T。应用场合：有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型§7.5区域分割二.复杂图像的区域分割法基本思想:在全灰度范围内搜索出最佳的阈值组合方法步骤:1.自动平滑直方图2.确定区域类数3.自动搜索多阈值值4.按阈值分割图像§7.5区域分割三.特征空间聚类法(模式识别方法)根据特征进行模式分类是指根据提取的特征值将一组目标划分到各类中的技术。利用特征空间聚类的方法进行图像分割可看成是对阈值分割概念的推广。它将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割的结果。聚类方法也是一种全局的方法，比基于边缘检测的方法更抗噪声。§7.5区域分割1.K—均值聚类方法：一般的阈值分割可看成是以像素的灰度为特征，灰度直方图代表特征空间，用阈值将灰度直方图特征空间划分，把得到的特征类映射回图像空间，不同灰度的像素构成不同的区域。除像素灰度外，其他图像特征也可用于聚类。K—均值算法是一种迭代算法，每迭代一次，类中心就刷新一次，经过多次迭代，使类中心趋于稳定为止。§7.5区域分割K—均值算法可以 总结 初级经济法重点总结下载党员个人总结TXt高中句型全总结.doc高中句型全总结.doc理论力学知识点总结pdf 为下述几步：(1)任意选K个初始类中心Z1，Z2，…，Zk；(2)使用最小距离判别法将所有样本分给K类；若|x-Zi|＜|x-Zj|,j≠i,则x∈i类；(3)重新计算聚类中心Z1′，Z2′，…，Zk′；(计算各类均值，并以此作为新的类均值)(4)若Zi′=Zi则终止算法，输出结果；否则，返回步骤(2)，继续进行。§7.5区域分割2.迭代自组织分析算法简介(ISODATA)1.设定聚类参数；2.任选C个初始聚类中心，用最小距离判别法将所有样本分给C类；3.计算类内方差，类间距离等参数；4.确定类别的“分裂”与“合并”产生新的聚类中心；5.直到新的“聚类中心”分类满足所设定聚类参数，分类结束。§7.5区域分割基本概念通过像素集合的区域增长区域分裂与合并§7.5区域增长一.基本概念目标：将区域R划分为若干个子区域R1,R2,…,Rn，这些子区域满足5个条件：1)完备性：2)连通性：每个Ri都是一个连通区域3)独立性：对于任意i≠j，Ri∩Rj=Ф4)单一性：每个区域内的灰度级相等，P（Ri）=TRUE，i=1,2,…,n5)互斥性：任两个区域的灰度级不等，P（Ri∪Rj）=FALSE，i≠j§7.5区域增长区域增长:把图像分割成特征相同的若干小区域。比较相邻小区域特征的相似性，若它们足够相似，则作为同一区域合并，以此方式将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域。相对于图像灰度阈值分割技术而言考虑了区域增长图像像素空间的连通性。分类：1.通过像素集合的区域增长(单一型--像素与像素,；质心型--像素与区域)；2.混合型(区域与区域)。§7.5区域增长二.通过像素集合的区域增长算法实现：1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点。2）选择一个描述符（条件）3）从该种子开始向外扩张，首先把种子像素加入集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合4）上一过程进行到不再有满足条件的新结点加入集合为止。§7.5区域增长算法实现：区域A区域B种子像素种子像素§7.5区域增长（通过像素集合的区域增长）可分为：1）简单区域扩张法选择一个种子像素，按4-邻域或8-邻域搜索，根据描述符（条件：待定像素与种子像素比较）向外扩张，以新合并的像素为种子重复进行。一个区域搜索结束找出自由像素重复进行搜索，直到没有自由像素搜索结束。2）质心型增长选择一个种子像素，按4-邻域或8-邻域搜索，根据描述符（条件：待定像素与区域内像素均值比较）向外扩张，以新合并的像素为起点重复进行。一个区域搜索结束找出自由像素重复进行搜索，直到没有自由像素搜索结束。§7.5区域增长三.区域分裂与合并(混合型增长)：把图像分割成小区域，比较相邻的小区域的相似性，相似则合并。算法实现：1）对于图像中灰度级不同的区域，均分为四个子区域。2）如果相邻的子区域所有像素的灰度级相同，则将其合并。3）反复进行上两步操作，直至不再有新的分裂与合并为止。§7.5区域增长★混合型增长即把图像分割成若干子块（可用简单区域扩张法），比较相邻子块的相似性，相似则合并。算法实现：§7.5区域增长算法实现：实际应用中还可作以下修改：P(Ri)的定义为：1）区域内多于80%的像素满足不等式|zj-mi|<=2σi，其中：zj是区域Ri中第j个点的灰度级，mi是该区域的平均灰度级，σi是区域的灰度级的 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 方差。2）当P(Ri)=TRUE时，将区域内所有像素的灰度级置为mi。§7.5区域增长习题:1．什么是区域?什么是图像分割?2．边缘检测的理论依据是什么?有哪些方法?各有什么特点?3．Laplace边缘检测算子与Laplace边缘增强算子有何区别?4．什么是Hough变换?试述采用Hough变换检测直线的原理。5．常用的三种最简单图像分割法各有何特点?6．区域分割与区域增长二者有何区别?7．区域分割中群聚法的基本思想是什么?8．对下面的图像1采用简单区域生长法进行区域增长，给出灰度差值①T=1；②T=3；③T=8三种情况下的分割图像。9．应用Photoshop对一幅灰度图像进行二值化、边缘检测和区域增长。