1、模式识别,安子良上海应用技术学院机械工程学院 过程装备与控制教研室 2010年9月,图像分割的概念,图像分割是从图像中提取信息的技术 图像分析系统的基本构成,图像分割的概念 把图像分解成构成它的部件和对象的过程 有选择性地定位感兴趣对象在图像中的位置和范围,图像分割的概念,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,图像分割的概念,图像分割举例,图像分割的基本策略 分割算法基于灰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。,图像分割的
2、概念,图像分割的基本策略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,图像分割的概念,点检测,用空域的高通滤波器来检测 孤立点： R= (-1 * 8 * 8 + 128 * 8)/9=106 可以设置阈值T = 64 若R=0，则说明检测点与周围点像素值相同 若R T，则说 明检测点与周 围点像素值非 常的不同，为 孤立点,点检测,汽轮机叶片对应的X光图像,点检测的结果,改变阈值的结果,线检测,通过比较典型模板的计算值，确定一个点是否在某个方向的线上 你也可以设计其它模板： 模板系数之和为0 感兴趣的方向系数值较大,线检测,用4种模板分别计算 R
3、水平 = -6 + 30 = 24 R45度 = -14 + 14 = 0 R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0 从这些值中寻找绝对值最大值，确定当前点更加接近于该模板所对应的直线,图像分割:边界分割法,边的检测 边界的定义：一段边是两个具有相对不同灰度值特性的区域的边界线 适用于：假定问题中的区域是非常类似的，两个区域之间的过渡，仅仅根据灰度的不连续性便可确定 不适用于：当假定不成立时，阈值分割技术一般来说比边缘检测更加实用,图像分割:边界分割法,边的检测,分割对象,分割对象,图像分割:边界分割法,边的检测 基本思想： 计算局部微 分算子,一阶微分,
4、二阶微分,截面图,边界图像,边缘检测,一阶导数：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,边缘检测,二阶导数：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：确定边上的像素是在亮的一边，还是暗的一边，0用于确定边的准确位置,常用的边缘检测器,给定图像中的一个 3*3区域，使用下面的边缘检测滤波器进行检测，它们都使用一阶导数,边缘检测举例,边缘检测问题,图像中存在太多的细节。比如，前面例子中的砖墙 图像受到噪声的干扰，不能准确的检测边缘 解决的一个方法是在边缘检
5、测之前对图像进行平滑,图像分割:边界分割法,边的检测 Sobel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Soleb 算子特别引人注意的特性,图像分割:边界分割法,边的检测 拉普拉斯 二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为： 2f = 2f / x2 , 2f / y2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： 2f = 4z5 (z2 + z4 + z6 + z8),图像分割:
6、边界分割法,边的检测 拉普拉斯 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,-1,4,0,0,-1,0,0,-1,图像分割:边界分割法,边的检测 拉普拉斯算子的分析： 缺点：对噪音的敏感；会产生双边效果； 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,Laplacian 边缘检测,我们曾经碰到过基于2阶导数的Laplacian滤波器Laplacian由于对噪声太敏感，因此一般不单独使用 通常和平滑Gaussian滤波
7、器进行结合来进行边缘检测,高斯拉普拉斯（LOG）,高斯拉普拉斯(Laplacian of Gaussian，LOG，或Mexican hat，墨西哥草帽)滤波器使用了Gaussian来进行噪声去除并使用 Laplacian来进行边缘检测,高斯拉普拉斯举例,阈值（Thresholding）,图像分割的经典方法是基于灰度阈值的分割方法 我们已经讨论了简单的单值阈值，它把一幅灰度图像转换成二值图像 简单的单值阈值在数学上可以描述为：常用的方法是求解灰度直方图 中的双峰或者多峰，并以两峰之 间的谷底作为阈值,阈值举例,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,如果你设置了错误的阈值，结果
8、是很糟糕的,阈值分割法,阈值分割法 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。 If f(x,y) T set 255 Else set 0 在四邻域中有背景的像素，既是边界像素。,阈值分割法,阈值分割法 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。,阈值分割法,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
9、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。,阈值分割法,通过交互方式得到阈值 实施方法： （1）通过光标获得样点值f(x0,y0) （2）选取容忍度R （3）if |f(x,y)f(x0,y0)| R set 255else set 0,阈值分割法,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,阈值分割法,通过直方图得到阈值 取值的方法： 取直方图谷底，为最小值的灰度值为阈值T 缺点：会受到噪音的干扰，最小值不是预
10、 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,阈值分割法,通过直方图得到阈值,阈值分割法,通过直方图得到阈值时，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。,阈值分割法,通过边界特性选择阈值 基本思想： 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。 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。 用微分算子，处理图像，使图像只剩下边界中心两边的值。,阈值分割法,通过边界特性选择阈值 基本思想： 这
11、种方法有以下优点： 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,阈值分割法,通过边界特性选择阈值 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.,阈值分割法,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
12、个二值图，区分出前景对象和背景 算法实现： 规定一个阈值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。,阈值分割法,分割连通区域 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出单独的连通前景对象和背景区域 算法实现： 规定一个阈值T，上下左右4个方向进行逐行扫描图像 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0。,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
13、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1，计算G2 中像素的平均值并赋值给2 4、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T,阈值分割法,分割连通区域 适用场合：印前等。 先左后右，先上半部分、后下半部分,阈值分割法,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,阈值举例,选择直方图中 双峰之间的谷底 作
14、为全局阈值,阈值举例,通过算法迭代产生全局阈值,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,单值阈值和光照,不均匀的光照会使单值阈值方案失效,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,Hough变换,Hough(霍夫)变换可以用于将边缘像素连接起来得到边界曲线，它的主要优点在于受噪声和曲线间断的影响较小,Hough变换,Hough变换的基本思想： 在xy平面内的一条直线可以表示为： 将a、b作为变量，ab平面内直线可以
15、表示为： 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 这种从线到点的变换就是Hough变换,Hough变换,得到点A（a,b）是我们的解，(a,b)对应到图像坐标系xy中所求直线的斜率和截距,Hough变换,由于垂直直线的斜率a为无穷大，因此计算量会非常大，我们改用极坐标形式： 参数平面为, 对应不是直线而是正弦曲线 找出相交线段最多的参数空间的点，再根据该点求出对应的xy平面的直线段,Hough变换,算法思想：将, 空间量化成许多小格。根据图像内的每个(x0,y0)点代入的量化值，算出各个，所得值（经量化）落在某个小格内，便使该小格的计数累加器加1，当全部(x,y)点变换后，对小格进行检验，有大的计数值的小格对应于共线点，其(, )值作为直线的拟合参数。,Hough变换,算法特点： 对、量化过粗，直线参数就不精确，过细则计算量增加。因此，对、量化要兼顾参数量化精度和计算量。 Hough变换检测直线的抗噪性能强，能将断开的边缘连接起来。 此外Hough变换也可用来检测曲线，比如圆、椭圆等,
