2019年-第05章图像分割与边缘检测ppt课件.ppt

第5章 图像分割与边缘检测第第5 5章章 图像分割与边缘检测图像分割与边缘检测 5.1 阈值分割 5.2 基于区域的分割 5.3 边缘检测 5.4 区域标记与轮廓跟踪 5.5 分水岭分割 5.6 投影法与差影法 5.7 图像分割实例第5章 图像分割与边缘检测5.1 阈值分割5.1.1 概述 阈值化是最常用一种图像分割技术，其特点是操作简单，分割结果是一系列连续区域。灰度图像的阈值分割一般基于如下假设：图像目标或背景内部的相邻像素间的灰度值是高度相关的，目标与背景之间的边界两侧像素的灰度值差别很大，图像目标与背景的灰度分布都是单峰的。如要图像目标与背景对应的两个单峰大小接近、方差较小且均值相差较大，则该图像的直方图具有双峰性质。阈值化常可以有效分割具有双峰性质的图像。第5章 图像分割与边缘检测阈值分割过程如下：首先确定一个阈值T，对于图像中的每个像素，若其灰度值大于T，则将其置为目标点(值为1)，否则置为背景点(值为0)，或者相反，从而将图像分为目标区域与背景区域。用公式可表示为(5-1)第5章 图像分割与边缘检测在编程实现时，也可以将目标像素置为255，背景像素置为0，或者相反。当图像中含有多个目标且灰度差别较大时，可以设置多个阈值实现多阈值分割。多阈值分割可表示为(5-2)式中：Tk为一系列分割阈值；k为赋予每个目标区域的标号；m为分割后的目标区域数减1。第5章 图像分割与边缘检测阈值分割的关键是如何确定适合的阈值，不同的阈值其处理结果差异很大，会影响特征测量与分析等后续过程。如图5-1所示，阈值过大，会过多地把背景像素错分为目标；而阈值过小，又会过多地把目标像素错分为背景。确定阈值的方法有多种，可分为不同类型。如果选取的阈值仅与各个像素的灰度有关，则称其为全局阈值。如果选取的阈值与像素本身及其局部性质(如邻域的平均灰度值)有关，则称其为局部阈值。如果选取的阈值不仅与局部性质有关，还与像素的位置有关，则称其为动态阈值或自适应阈值。阈值一般可用下式表示：T=Tx,y,f(x,y),p(x,y)(5-3)式中：f(x，y)是点(x，y)处的像素灰度值：p(x，y)是该像素邻域的某种局部性质。第5章 图像分割与边缘检测图5-1 不同阈值对图像分割的影响 第5章 图像分割与边缘检测当图像目标和背景之间灰度对比较强时，阈值选取较为容易。实际上，由于不良的光照条件或过多的图像噪声的影响，目标与背景之间的对比往往不够明显，此时阈值选取并不容易。一般需要对图像进行预处理，如图像平滑去噪，再确定阈值进行分割。5.1.2 全局阈值 当图像目标与背景之间具有高对比度时，利用全局阈值可以成功地分割图像。如图5-2(a)所示，点状目标与背景之间具有鲜明的对比，如图5-2(b)所示的直方图表现出双峰性质，左侧峰对应较暗的目标，右侧峰对应较亮的背景，双峰之间的波谷对应目标与背景之间的边界。当选择双峰之间的谷底点对应的灰度值作为阈值时，便可以很好地将目标从背景中分离出来。图5-2(c)是用阈值124分割的结果。第5章 图像分割与边缘检测图5-2 直方图具有双峰性质的阈值分割 第5章 图像分割与边缘检测确定全局阈值的方法很多，如极小点阈值法、迭代阈值法、最优阈值法、Otsu阈值法、最大熵法、p参数法等。当具有明显的双峰性质时，可直接从直方图的波谷处选取一个阈值，也可以根据某个准则自动计算出阈值。实际使用时，可根据图像特点确定合适的阈值方法，一般需要用几种方法进行对比试验，以确定分割效果最好的阈值。第5章 图像分割与边缘检测1 极小点阈值法如果将直方图的包络线看做一条曲线，则通过求取曲线极小值的方法可以找到直方图的谷底点，并将其作为分割阈值。设p(z)代表直方图，那么极小点应满足：p(z)=0 且 p(z)0 (5-4)若在求极小值点之前对直方图进行平滑处理，则效果会更好。例如3点平滑，平滑后的灰度级i的相对频数用灰度级i-1，i，i+1的相对频数的平均值代替。第5章 图像分割与边缘检测2 迭代阈值法迭代阈值算法如下：(1)选择一个初始阈值T1。(2)根据阈值T1将图像分割为G1和G2两部分。G1包含所有小于等于T1的像素，G2包含所有大于T1的像素。分别求出G1和G2的平均灰度值1和2。(3)计算新的阈值T2=(1+2)/2。(4)如果|T2-T1|T0(T0为预先指定的很小的正数)，即迭代过程中前后两次阈值很接近时，终止迭代，否则T1=T2，重复(2)和(3)。最后的T2就是所求的阈值。第5章 图像分割与边缘检测设定常数T0的目的是为了加快迭代速度，如果不关心迭代速度，则可以设置为0。当目标与背景的面积相当时，可以将初始阈值T1置为整幅图像的平均灰度。当目标与背景的面积相差较大时，更好的选择是将初始阈值T1置为最大灰度值与最小灰度值的中间值。3 最优阈值法由于目标与背景的灰度值往往有部分相同，因而用一个全局阈值并不能准确地把它们绝然分开，总会出现分割误差。一部分目标像素被错分为背景，一部分背景像素被错分为目标。最优阈值法的基本思想就是选择一个阈值，使得总的分类误差概率最小。第5章 图像分割与边缘检测假定图像中仅包含两类主要的灰度区域(目标和背景)，z代表灰度值，则z可看做一个随机变量，直方图看做是对灰度概率密度函数p(z)的估计。p(z)实际上是目标和背景两个概率密度函数之和。设p1(z)和p2(z)分别表示背景与目标的概率密度函数，P1和P2分别表示背景像素与目标像素出现的概率(P1+P2=1)。混合概率密度函数p(z)为(5-5)第5章 图像分割与边缘检测如图5-3所示，如果设置一个阈值T，使得灰度值小于T的像素分为背景，而使得大于T的像素分为目标，则把目标像素分割为背景的误差概率E1(T)为(5-6)把背景像素分割为目标的误差概率E2(T)为(5-7)第5章 图像分割与边缘检测图5-3 灰度概率密度函数 第5章 图像分割与边缘检测总的误差概率E(T)为(5-8)为了求出使总的误差概率最小的阈值T，可将E(T)对T求导并使其导数为0，可得(5-)第5章 图像分割与边缘检测由式(5-9)可以看出，当P1=P2时，灰度概率密度函数p1(z)与p2(z)的交点对应的灰度值就是所求的最优阈值T。在用式(5-9)求解最优阈值时，不仅需要知道目标与背景像素的出现概率P1和P2，还要知道两者的概率密度函数p1(z)与p2(z)。然而，这些数据往往未知，需要进行估计。实际上，对概率密度函数进行估计并不容易，这也正是最优阈值法的缺点。一般假设目标与背景的灰度均服从高斯分布，可以简化估计。此时，p(z)为第5章 图像分割与边缘检测(5-10)式中：1和2分别是目标与背景的平均灰度值；1和2分别是两者的标准方差。将上式代入式(5-9)可得(5-11)第5章 图像分割与边缘检测A、B、C分别为(5-12)式(5-11)一般有两个解，需要在两个解中确定最优阈值。若1=2=，则只有一个最优阈值：(5-13)第5章 图像分割与边缘检测若目标与背景像素出现的概率相等，则目标的平均灰度与背景的平均灰度的中值就是所求的最优阈值。利用最小均方误差法从直方图h(zi)中可以估计图像的混合概率密度函数：(5-14)最小化上式一般需要数值求解，例如用共轭梯度法或牛顿法。第5章 图像分割与边缘检测4.Otsu法Otsu法是阈值化中常用的自动确定阈值的方法之一。Otsu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。另一种确定阈值的准则是使得阈值分割后的像素类的类间方差最大。这两种准则是等价的，因为类间方差与类内方差之和即整幅图像的方差，是一个常数。分割的目的就是要使类别之间的差别最大，类内之间的差别最小。第5章 图像分割与边缘检测设图像总像素数为N，灰度级总数为L，灰度值为i的像素数为Ni。令(k)和(k)分别表示从灰度级0到灰度级k的像素的出现概率和平均灰度，分别表示为(5-15)(5-16)由此可见，所有像素的总概率为(L-1)=1，图像的平均灰度为T=(L-1)。第5章 图像分割与边缘检测设有M-1个阈值(0t1t2tM-1L-1)，将图像分成M个像素类Cj(Cjtj-1+1，tj；j=1，2，M；t0=0，tM=L-1)，则Cj的出现概率j、平均灰度j和方差j2为(5-17)(5-18)(5-19)第5章 图像分割与边缘检测由此可得类内方差为(5-20)各类的类间方差为(5-21)将使式(5-20)最小或使式(5-21)最大的阈值组(t1，t2，tM1)作为M阈值化的最佳阈值组。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。第5章 图像分割与边缘检测5.p参数法p参数法的基本思想是选取一个阈值T，使得目标面积在图像中占的比例为p，背景所占的比例为1-p。p参数法仅适用于事先已知目标所占全图像百分比的场合。第5章 图像分割与边缘检测5.1.3 局部阈值当图像目标与背景在直方图上对应的两个波峰陡峭、对称且双峰之间有较深的波谷或双峰相距很远时，利用前面介绍的全局阈值方法可以确定具有较好分割效果的阈值。但是，由于图像噪声等因素的影响，会使得图像直方图双峰之间的波谷被填充或者双峰相距很近。另外，当图像目标与背景面积差别很大时，在直方图上的表现就是较小的一方被另一方淹没。上面这两种情况都使得本应具有双峰性质的图像基本上变成了单峰，难以检测到双峰之间的波谷。为解决这个问题，除了利用像素自身的性质外，还可以借助像素邻域的局部性质(如像素的梯度值与拉普拉斯值)来确定阈值，这就是局部阈值。常用的两种局部阈值方法有直方图变换法和散射图法。第5章 图像分割与边缘检测1.直方图变换法直方图变换法利用像素的某种局部性质，将原来的直方图变换成具有更深波谷的直方图，或者使波谷变换成波峰，使得谷点或峰点更易检测到。由微分算子的性质可以推知，目标与背景内部像素的梯度小，而目标与背景之间的边界像素的梯度大。于是，可以根据像素的梯度值或灰度级的平均梯度作出一个加权直方图。例如，可以作出仅具有低梯度值像素的直方图，即对梯度大的像素赋予权值0，而梯度小的像素赋予权值1。第5章 图像分割与边缘检测这样，新直方图中对应的波峰基本不变，但因为减少了边界点，所以波谷应比原直方图更深。也可赋予相反的权值，作出仅具有高梯度值的像素的直方图，它的一个峰主要由边界像素构成，对应峰的灰度级可作为分割阈值。图5-4(a)是图5-2(a)的直方图；图5-4(b)是原直方图除以对应灰度级的平均梯度得到的新的直方图，可见波谷更深、波峰更高。利用Otsu法由新直方图求得新的最佳阈值为132，图5-4(c)是新的分割结果。第5章 图像分割与边缘检测图5-4 灰度级平均梯度变换直方图及分割结果 第5章 图像分割与边缘检测2.散射图法散射图也可看做是一个二维直方图，其横轴表示灰度值，纵轴表示某种局部性质(如梯度)，图中各点的数值是同时具有某个灰度值与梯度值的像素个数。图5-5(b)是对图5-5(a)作出的灰度和梯度散射图的一部分，只取实际散射图左下角12832大小的区域并放大3倍，其它部分均为黑色。散射图中某点的颜色越亮，表示图像中同时具有与该点坐标对应的灰度值和梯度值的像素越多。第5章 图像分割与边缘检测图5-5 图像的灰度和梯度散射图 第5章 图像分割与边缘检测由图可见，散射图中有两个接近横轴且沿横轴相互分开的较大的亮色聚类，分别对应目标与背景的内部像素。离横轴稍远的地方有一些较暗的点，位于两个亮色聚类之间，它们对应目标与背景边界上的像素点。如果图像中存在噪声，则它们在散射图中位于离横轴较远的地方。如果在散射图中将两个聚类分开，根据每个聚类的灰度值和梯度值就可以实现图像的分割。散射图中，聚类的形状与图像像素的相关程度有关。如果目标与背景内部的像素都有较强的相关性，则各个聚类会很集中，且接近横轴，否则会远离横轴。第5章 图像分割与边缘检测5.1.4 动态阈值在许多情况下，由于光照不均匀等因素的影响，图像背景的灰度值并不恒定，目标与背景的对比度在图像中也会有变化，图像中还可能存在不同的阴影。如果只使用单一的全局阈值对整幅图像进行分割，则某些区域的分割效果好，而另外一些区域的分割效果可能很差。解决方法之一就是使阈值随图像中的位置缓慢变化，可以将整幅图像分解成一系列子图像，对不同的子图像使用不同的阈值进行分割。这种与像素坐标有关的阈值就称为动态阈值或自适应阈值。子图像之间可以部分重叠，也可以只相邻。第5章 图像分割与边缘检测图像分解之后，如果子图像足够小，则受光照等因素的影响就会较小，背景灰度也更均匀，目标与背景的对比度也更一致。此时可选用前面介绍的全局阈值方法来确定各个子图像的阈值。图5-6(a)中各圆形目标与背景的对比度并不一致，左上角的目标与背景的对比度很小。图(b)为用Otsu法全局阈值化的结果，可见左上角的圆形目标没有被检测出来。图(c)用分区网格，它把原始图像均匀地分解为16幅子图像。对每幅子图像单独使用Otsu阈值法进行分割，分割结果如图(d)所示。由图可见，左上角的目标被清晰地从背景中分离出来。第5章 图像分割与边缘检测图5-6 自适应阈值分割 第5章 图像分割与边缘检测下面简要介绍一种动态阈值方法，其基本步骤如下：(1)将整幅图像分解成一系列相互之间有50%重叠的子图像。(2)检测各子图像的直方图是否具有双峰性质。如果是,则采用最优阈值法确定该子图像的阈值，否则不进行处理。(3)根据已得到的部分子图像的阈值，插值得到其它不具备双峰性质的子图像的阈值。(4)根据各子图像的阈值插值得到所有像素的阈值。对于每个像素，如果其灰度值大于该点处的阈值，则分为目标像素，否则分为背景像素。第5章 图像分割与边缘检测5.2 基于区域的分割5.2.1 区域生长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。首先对每个要分割的区域找出一个种子像素作为生长的起点，然后将种子像素邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续上面的过程，直到没有可接受的邻域像素时停止生长。图5-7为区域生长的一个示例。图5-7(a)为待分割的图像，已知有1个种子像素(标有下划线)，相似性准则是邻近像素与种子像素的灰度值差小于3。图5-7(b)、(c)分别是第一步、第二步接受的像素，图5-7(d)是最后的生长结果。第5章 图像分割与边缘检测图5-7 区域生长示例 第5章 图像分割与边缘检测区域生长法需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。种子像素的选取一般需要先验知识，若没有则可借助生长准则对每个像素进行相应计算。如果计算结果出现聚类，则接近聚类中心的像素可取为种子像素。生长准则有时还需要考虑像素间的连通性，否则会出现无意义的分割结果。第5章 图像分割与边缘检测5.2.2 区域分裂与合并上面介绍的区域生长法需要根据先验知识选取种子像素。当没有先验知识时，区域生长法就存在困难。区域分裂与合并的核心思想是将图像分成若干个子区域，对于任意一个子区域，如果不满足某种一致性准则(一般用灰度均值和方差来度量)，则将其继续分裂成若干个子区域，否则该子区域不再分裂。如果相邻的两个子区域满足某个相似性准则，则合并为一个区域。直到没有可以分裂和合并的子区域为止。通常基于如图5-8所示的四叉树来表示区域分裂与合并，每次将不满足一致性准则的区域分裂为四个大小相等且互不重叠的子区域。第5章 图像分割与边缘检测图5-8 区域分裂与合并的四叉树表示 第5章 图像分割与边缘检测下面以一个简单的例子来说明区域分裂与合并的过程。假设分裂时的一致性准则为：如果某个子区域的灰度均方差大于1.5，则将其分裂为4个子区域，否则不分裂。合并时的相似性准则为：若相邻两个子区域的灰度均值之差不大于2.5，则合并为一个区域。现对图5-7(a)进行区域分裂与合并，结果如图5-9所示。第5章 图像分割与边缘检测图5-9 区域分裂与合并示例 第5章 图像分割与边缘检测首先计算出全图的灰度均方差为R=2.65，不满足一致性准则，需分裂为四个子区域。分别计算出四个子块的均值和方差：R1=5.5,R1=1.73;R2=7.5,R2=1.29；R3=2.5;R3=0;R4=3.75;R4=2.87。根据一致性准则判断出R2和R3不需分裂，而R1和R4需要继续分裂，刚好分裂为单个像素，如图(b)所示。根据相似性准则，先合并同节点下满足一致性准则的相邻子区域，R11、R12和R13合并为一个区域(记为G1)，R42、R43和R44合并为另一个子区域(记为G2)，如图(c)所示。最后合并具有相似性、不同节点下的相邻区域，R14、R41和R2合并在一起，G1、G2和R3合并在一起，如图(d)所示。第5章 图像分割与边缘检测5.3 边缘检测图像的边缘是图像最基本的特征，它是灰度不连续的结果。通过计算一阶导数或二阶导数可以方便地检测出图像中每个像素在其邻域内的灰度变化，从而检测出边缘。图像中具有不同灰度的相邻区域之间总存在边缘。常见的边缘类型有阶跃型、斜坡型、线状型和屋顶型，如图5-10所示(第一行为具有边缘的图像，第二行为其灰度表面图)。阶跃型边缘是一种理想的边缘，由于采样等缘故，边缘处总有一些模糊，因而边缘处会有灰度斜坡，形成了斜坡型边缘。斜坡型边缘的坡度与被模糊的程度成反比，模糊程度高的边缘往往表现为厚边缘。线状型边缘有一个灰度突变，对应图像中的细线条；而屋顶型边缘两侧的灰度斜坡相对平缓，对应粗边缘。第5章 图像分割与边缘检测图5-10 图像中不同类型的边缘 第5章 图像分割与边缘检测5.3.1 微分算子图5-11给出了几种典型的边缘及其相应的一阶导数和二阶导数。对于斜坡型边缘，在灰度斜坡的起点和终点，其一阶导数均有一个阶跃，在斜坡处为常数，其它地方为零；其二阶导数在斜坡起点产生一个向上的脉冲，在终点产生一个向下的脉冲，其它地方为零，在两个脉冲之间有一个过零点。因此，通过检测一阶导数的极大值，可以确定斜坡型边缘;通过检测二阶导数的过零点，可以确定边缘的中心位置。第5章 图像分割与边缘检测对于线状型边缘，在边缘的起点与终点处，其一阶导数都有一个阶跃，分别对应极大值和极小值；在边缘的起点与终点处，其二阶导数都对应一个向上的脉冲，在边缘中心对应一个向下的脉冲，在边缘中心两侧存在两个过零点。因此，通过检测二阶差分的两个过零点，就可以确定线状型边缘的范围；检测二阶差分的极小值，可以确定边缘中心位置。屋顶型边缘的一阶导数和二阶导数与线状型类似，通过检测其一阶导数的过零点可以确定屋顶的位置。第5章 图像分割与边缘检测图5-11 典型边缘的一阶导数与二阶导数 第5章 图像分割与边缘检测由上述分析可以得出以下结论：一阶导数的幅度值可用来检测边缘的存在；通过检测二阶导数的过零点可以确定边缘的中心位置；利用二阶导数在过零点附近的符号可以确定边缘像素位于边缘的暗区还是亮区。另外，一阶导数和二阶导数对噪声非常敏感，尤其是二阶导数。因此，在边缘检测之前应考虑图像平滑，减弱噪声的影响。在数字图像处理中，常利用差分近似微分来求取导数。边缘检测可借助微分算子(包括梯度算子和拉普拉斯算子)在空间域通过模板卷积来实现。第5章 图像分割与边缘检测1.梯度算子常用的梯度算子如表4-3所示(星号代表模板中心)。梯度算子一般由两个模板组成，分别对应梯度的两个偏导数，用于计算两个相互垂直方向上的边缘响应。在计算梯度幅度时，可使用式(4-25)或式(4-26)，在适当的阈值下，对得到梯度图像二值化即可检测出有意义的边缘。第5章 图像分割与边缘检测Krisch算子由8个模板组成，其它模板可以由其中一个模板绕其中心旋转得到，每个模板都对特定的边缘方向作出最大响应。当把最大响应的模板的序号输出时，就构成了边缘方向的编码。Prewitt算子和Sobel算子也可以像Krisch算子那样，扩展到两个对角方向，使其在对角方向上作出最大响应。Prewitt和Sobel算子在两个对角方向上的模板如图5-12所示。第5章 图像分割与边缘检测图5-12 Prewitt算子和Sobel算子检测对角方向边缘的模板(a)Prewitt算子45度和-45度方向模板(b)Sobel算子45度和-45度方向模板 第5章 图像分割与边缘检测图5-13(b)为用Sobel水平模板(表4-3中的H1模板)对图5-13(a)进行卷积运算得到的水平梯度图，它对垂直边缘有较强的响应。图5-13(c)为用Sobel垂直模板(表4-3中的H2模板)对图5-13(a)进行卷积运算得到的垂直梯度图，它对水平边缘有较强的响应。图5-13(d)为根据式(4-25)得到的Sobel算子梯度图。第5章 图像分割与边缘检测图5-13 Sobel算子边缘检测 第5章 图像分割与边缘检测2.高斯-拉普拉斯(LOG)算子拉普拉斯算子由式(4-31)定义，常用的两个拉普拉斯模板见图4-16(a)和(b)。其中，第一个模板在水平和垂直4个方向上具有各向同性，而第二个模板在水平、垂直和对角8个方向上具有各向同性。然而，拉普拉斯算子一般不直接用于边缘检测，因为它作为一种二阶微分算子对噪声相当敏感，常产生双边缘，且不能检测边缘方向。主要利用拉普拉斯算子的过零点性质确定边缘位置，以及根据其值的正负来确定边缘像素位于边缘的暗区还是明区。第5章 图像分割与边缘检测高斯-拉普拉斯(LOG)算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来实现边缘检测，即先通过高斯平滑抑制噪声，以减轻噪声对拉普拉斯算子的影响，再进行拉普拉斯运算，通过检测其过零点来确定边缘位置。因此，高斯-拉普拉斯算子是一种性能较好的边缘检测器。二维高斯平滑函数表示如下：(5-22)第5章 图像分割与边缘检测其中，是高斯分布的均方差，图像被模糊的程度与其成正比。令r2=x2+y2，上式对r求二阶导数来计算其拉普拉斯值，则有(5-23)第5章 图像分割与边缘检测上式是一个轴对称函数，由于其曲面形状(图5-14(a)是它的一个剖面)很像一顶墨西哥草帽，所以又叫墨西哥草帽函数。给定均方差后，对其离散化就可以得到相应的LOG算子模板，图5-14(b)是常用的55模板之一(模板并不唯一)。利用LOG算子检测边缘时，可直接用其模板与图像卷积，也可以先与高斯函数卷积，再与拉普拉斯模板卷积，两者是等价的。由于LOG算子模板一般比较大，因而用第二种方法可以提高速度。第5章 图像分割与边缘检测图5-14 LOG算子剖面及其常用的55模板 第5章 图像分割与边缘检测图5-15是Prewitt算子、Sobel算子和LOG算子对图5-15(a)的边缘检测结果。由图可以看出，前两种算子的检测结果基本相同，而LOG算子则能提取对比度弱的边缘(如后面的高楼)，边缘定位精度高。第5章 图像分割与边缘检测图5-15 三种边缘检测算子的检测结果 第5章 图像分割与边缘检测3.Canny边缘检测Canny边缘检测算子是一个非常普遍和有效的算子。Canny算子首先对灰度图像用均方差为的高斯滤波器进行平滑，然后对平滑后图像的每个像素计算梯度幅值和梯度方向。梯度方向用于细化边缘，如果当前像素的梯度幅值不高于梯度方向上两个邻点的梯度幅值，则抑制该像素响应，从而使得边缘细化，这种方法称之为非最大抑制(Nonmaximum Suppression)。该方法也可以结合其它边缘检测算子来细化边缘。第5章 图像分割与边缘检测为了便于处理，需要将梯度方向量化到8个邻域方向上。Canny算子使用两个幅值阈值，高阈值用于检测梯度幅值大的强边缘，低阈值用于检测梯度幅值较小的弱边缘。低阈值通常取为高阈值的一半。边缘细化后，就开始跟踪具有高幅值的轮廓。最后，从满足高阈值的边缘像素开始，顺序跟踪连续的轮廓段，把与强边缘相连的弱边缘连接起来。图5-16是Canny算子与Robert算子和Sobel算子对大米图像的边缘检测效果对比，可见Canny算子检测的边缘比较完整。第5章 图像分割与边缘检测图5-16 几种边缘检测效果的比较 第5章 图像分割与边缘检测5.3.2 边界连接由于噪声等因素的影响，各种算子的检测结果通常是一些分散的边缘，没有形成分割区域所需的闭合边界。为此，需要将检测出的边缘像素按照某种准则连接起来，常用的一种方法是根据邻近的边缘像素在梯度幅度和梯度方向上具有一定相似性而将它们连接起来，设T是幅度阈值，A是角度阈值，若像素(p，q)在像素(x，y)的邻域内，且它们的梯度幅度和梯度方向分别满足以下两个条件：第5章 图像分割与边缘检测(5-24)(5-25)式中：(x，y)点处的梯度方向定义见式(4-26)。另外，利用数学形态学的一些操作也可以实现边界连接。第5章 图像分割与边缘检测5.3.3 哈夫变换 在已知区域形状的条件下，利用哈夫变换(Hough Transform)可以方便地检测到边界曲线。哈夫变换的主要优点是受噪声和曲线间断的影响小，但计算量较大，通常用于检测已知形状的目标，如直线、圆等。第5章 图像分割与边缘检测1.直线检测在图像空间xy里，过点(xi，yi)的直线方程可表示为yi=axi+b，其中a和b分别表示直线的斜率和截距。如果将直线方程改写为b=-xia+yi，则它表示ab空间(称之为参数空间)中斜率为-xi、截距为yi的一条直线，且经过点(a，b)。对于图像空间中与(xi，yi)共线的另一点(xj，yj)，它满足方程yj=axj+b，对应于参数空间中斜率为-xj、截距为yj的一条直线，也必然经过点(a，b)。因此，可以推知，图像空间中同一条直线(斜率为a，截距为b)上的点对应于参数空间中相交于一点(坐标为(a，b)的一系列直线。哈夫变换就是利用这种点线对应关系，把图像空间中的检测问题转换到参数空间中处理。第5章 图像分割与边缘检测哈夫变换需要建立一个累加数组，数组的维数与所检测的曲线方程中的未知参数个数相同。对于直线，它有a和b两个未知参数，因而需要一个二维累加数组。具体计算时，需要对未知参数的可能取值进行量化，以减少运算量。如果将参数a和b分别量化为m和n个数，则定义一个累加数组A(m，n)并初始化为零。第5章 图像分割与边缘检测假设a和b量化之后的可能取值分别为a0，a1，am-1和b0，b1，bn-1。对于图像空间中的每个目标点(xk，yk)，让a取遍所有可能的值，根据b=-xka+yk计算出相应的b，并将结果取为最接近的可能取值。根据每一对计算结果(ap，bq)(p0，m-1，q0，n-1)，对数组进行累加：A(p，q)=A(p，q)+1。处理完所有像素后，根据A(p，q)的值便可知道斜率为ap、截距为bq的直线上有多少个点。通过查找累加数组中的峰值，可以得知图像中最有可能的直线参数。第5章 图像分割与边缘检测如果需要检测的直线接近竖直方向，则会由于斜率和截距的取值趋于无穷而需要很大的累加数组，导致计算量增大。解决方法之一就是用图5-17(a)所示的极坐标来表示直线方程：(5-26)第5章 图像分割与边缘检测式中：表示原点到直线的距离；为垂线与x轴的夹角。对和量化后建立一个累加数组(见图5-17(b)，其优势在于取值都是有限的。原先的点-直线对应关系就变成了点-正弦曲线的对应关系。计算方法与前面的相似。为了提高效率，可以先计算出每一点的梯度幅值和梯度方向。如果该点的梯度幅值小于某个阈值，即属于边缘点的可能性很小，则不计算该点的参数，否则将梯度方向角代入式(5-26)得出。这样，对于每一个边缘点，没有必要将所有值代入方程求解，而只需根据梯度方向角计算一次。第5章 图像分割与边缘检测图5-17 直线的极坐标表示及其对应的累加数组 第5章 图像分割与边缘检测 2.圆的检测圆的直角坐标系方程为(x-a)2+(y-b)2=r2 (5-27)由此可见，方程中有3个未知参数：圆心坐标a和b，半径r。需要建立一个三维数组，对于每一个像素，依次变化a和b，由式(5-27)计算出r。但计算量非常大。不难发现，圆周上任意一点的梯度方向均指向圆心或背离圆心。因此，只要知道了半径和圆周上一点的梯度方向，便可确定出圆心位置。第5章 图像分割与边缘检测圆的极坐标系方程为x=a+r cos，y=b+r sin (5-28)则圆的参数方程为a=x-r cos，b=y-r sin (5-29)式中：r为半径；为点(x，y)到圆心(a，b)的连线与水平轴的夹角。有了某点的梯度方向之后，可让r取遍所有值，由式(5-29)计算出对应的圆心坐标。第5章 图像分割与边缘检测3.任意曲线检测 哈夫变换可以推广到具有解析形式f(x，a)=0的任意曲线，其中，x表示图像像素坐标，a是参数向量。任意曲线的检测过程如下：(1)根据参数个数建立并初始化累加数组Aa为0。(2)根据某个准则，如梯度幅值大于某个阈值，确定某点是否为边缘点。对于每个边缘点x，确定a，使得f(x，a)=0，并累加对应的数组元素：Aa=Aa+1。第5章 图像分割与边缘检测(3)A的局部最大值对应图像中的曲线，它表示图像中有多少个点满足该曲线。对A中某元素对应的所有点的连通性进行判断，可以将对应的线段连接起来。还可以利用最小二乘拟合法将这些点拟合成对应的曲线。哈夫变换能够抽取明显的断线或虚线特征，如一排石子或者一条被下落树枝分割的道路等。第5章 图像分割与边缘检测5.4 区域标记与轮廓跟踪5.4.1 区域标记图像分割的结果通常是一幅二值图像，所有的目标区域都被赋予同一种灰度值。如果图像中有多个目标区域，并且希望分析各个目标的大小、形状等特征时，就需要对目标区域加以区分。区域标记是指对图像中同一连通区域的所有像素赋予相同的标记，不同的连通区域赋予不同的标记。常用的区域标记方法有两种：递归标记和序贯标记。第5章 图像分割与边缘检测1.递归标记 递归标记算法如下：(1)从左到右，从上到下逐行逐列扫描图像，寻找没有标记的目标点P，给该点分配一个新的标记。(2)递归分配同一标记给P点的邻域目标像素。(3)直到相互连接的像素全部标记完毕，一个连通区域就标上了同样的记号。(4)重复步骤(1)、(2)和(3)，寻找未标记的目标点并递归分配同一标记给其邻域目标点；若找不到未标记的目标点，则图像标记完毕。递归标记算法在串行机上运行非常费时，适用于并行机处理。第5章 图像分割与边缘检测2.序贯标记8连通区域的序贯标记算法如下：(1)从左到右、从上到下扫描图像，寻找未标记的目标点P。(2)如果P点的左、左上、上、右上4个邻点都是背景点，则赋予像素P一个新的标记；如果4个邻点中有1个已标记的目标像素，则把该像素的标记赋给当前像素P；如果4个邻点中有2个不同的标记，则把其中的1个标记赋给当前像素P，并把这两个标记记入一个等价表，表明它们等价。(3)第二次扫描图像，将每个标记修改为它在等价表中的最小标记。第5章 图像分割与边缘检测4连通区域的序贯标记算法与8连通区域的相同，只是在步骤(2)中仅判断左邻点和上邻点。序贯标记算法通常要求对图像进行两次扫描。由于该算法一次仅运算图像的两行，因此当图像以文件形式存储且内存空间不允许把整幅图像全部载入时，也能使用该算法。它在第二次扫描图像时，利用等价表给同一连通区域的所有像素分配唯一的标记。但是，当图像中的目标区域十分不规则时，会导致庞大的等价表。第5章 图像分割与边缘检测5.4.2 轮廓提取轮廓提取和轮廓跟踪的目的都是为了获取目标区域的外部轮廓特征，为形状分析和目标识别做准备。二值图像的轮廓提取算法非常简单，就是掏空目标区域的内部点。假设图像的目标像素为白色，背景像素为黑色，则如果图像中某个像素为黑色，且它的8个邻点都是黑色时，表明该点是内部点，否则为边界点。将判断出的内部像素置为背景色，对所有内部像素执行该操作便可完成图像轮廓的提取。第5章 图像分割与边缘检测5.4.3 轮廓跟踪轮廓跟踪就是顺序找出边界点，不仅可以跟踪出边界，还可以同时记录边界信息，如生成边界链码，为图像分析做准备。下面介绍一种二值图像的轮廓跟踪算法。轮廓跟踪可以基于4方向码和8方向码分别跟踪出4连通的轮廓和8连通的轮廓，方向码的定义如图5-18所示。但对于大多数区域，不一定存在封闭的4连通轮廓，会导致基于4方向码的轮廓跟踪失败。因此，常用基于8方向码的轮廓跟踪。假设需要处理的图像为二值图像，且图像中只有一个连通的目标区域，则轮廓跟踪算法如下。第5章 图像分割与边缘检测图5-18 轮廓跟踪的方向码 第5章 图像分割与边缘检测步骤1 首先从上到下、从左到右顺序扫描图像，寻找第一个目标点作为边界跟踪的起始点，记为A。A点一定是最左角上的边界点，其相邻的边界点只可能出现在它的左下、下、右下、右四个邻点中。定义一个搜索方向变量dir，用于记录从当前边界点搜索下一个相邻边界点时所用的搜索方向码。dir初始化为：(1)对基于4方向的轮廓跟踪，dir=3，即从方向3开始搜索与A相邻的下一个边界点。(2)对基于8方向的轮廓跟踪，dir=5，即从方向5开始搜索与A相邻的下一个边界点。第5章 图像分割与边缘检测如果当前搜索方向dir上的邻点不是边界点，则依次使搜索方向逆时针旋转一个方向，更新dir，直到搜索到一个边界点为止。如果所有方向都未找到相邻的边界点，则该点是一个孤立点。dir的更新用公式可表示为：对基于8方向的轮廓跟踪有dir=(dir+1)mod 8，对基于4方向的轮廓跟踪有dir=(dir+1)mod 4。第5章 图像分割与边缘检测步骤2 把上一次搜索到的边界点作为当前边界点，在其33邻域内按逆时针方向搜索新的边界点，它的起始搜索方向设定如下：(1)对基于4方向的轮廓跟踪，使dir=(dir+3)mod 4，即将上一个边界点到当前边界点的搜索方向dir顺时针旋转一个方向；(2)对基于8方向的轮廓跟踪，若上次搜索到边界点的方向dir为奇数，则使dir=(dir+6)mod 8，即将上次的搜索方向顺时针旋转两个方向；若dir为偶数，则使dir=(dir+7)mod 8，即将上次的搜索方向顺时针旋转一个方向。第5章 图像分割与边缘检测如果起始搜索方向没有找到边界点，则依次使搜索方向逆时针旋转一个方向，更新dir，直到搜索到一个新的边界点为止。步骤3 如果搜索到的边界点就是第一个边界点A，则停止搜索，结束跟踪，否则重复步骤2继续搜索。由依次搜索到的边界点系列就构成了被跟踪的边界。步骤1中所采用的准则称为“探测准则”，其作用是找出第一个边界点；步骤2中所采用的准则称为“跟踪准则”，其作用是找出所有边界点。第5章 图像分割与边缘检测图5-19为基于8方向的轮廓跟踪示例。图中的边界像素用灰色表示，区域内部像素用斜线填充，虚线箭头表示从当前边界点搜索下一个边界点的起始方向，实线箭头表示搜索到下一个边界点所用的方向。从最左上角点A开始，沿方向5搜索下一个边界点为B。由于搜索到B的方向为奇数，则应该将方向5顺时针旋转两个方向，即从方向3开始在B的邻域内沿逆时针搜索新的边界点。方向3、4、5上都未找到边界点，接着沿方向6查找，结果找到边界点C。由于搜索到C点的方向为偶数，则应该将方向6顺时针旋转一个方向，即从方向5开始在C的邻域内沿逆时针搜索新的边界点，该方向上未找到边界点，继续逆时针查找，在方向6上搜索到了一个边界点D。继续上述搜索，直到找到A点为止，即完成了边界跟踪。第5章 图像分割与边缘检测图5-19 基于8方向的轮廓跟踪示例 第5章 图像分割与边缘检测上述算法是轮廓跟踪的基本算法，它无法处理图像中的孔洞边界，得到的轮廓是目标区域的内边界(边界点属于目标区域)。对于区域标记后的图像，可以使用该算法跟踪多个区域的边界。第5章 图像分割与边缘检测5.5 分水岭分割分水岭分割算法(Watershed Segmentation Algorithm)把地形学和水文学的概念引入到基于区域的图像分割中，特别适合粘连区域的分割。灰度图像可以看做是一片地形，像素的灰度值代表该点的地形高度，在地形中有高地、分水线、集水盆地等地貌特征。地形表面上总会有一些局部最小点(Regional Minima)，又称为低洼，落在这些点的雨水不会流向它处。在一些点上，降落的