数字图像处理之图像分割幻灯片.ppt

数字图像处理之图像分割第1页，共70页，编辑于2022年，星期六主要内容6.1 图像分割概述6.2 阈值分割6.3 边缘检测6.4 区域分割6.5 Hough变换检测法第2页，共70页，编辑于2022年，星期六6.1 图像分割概述图像分割是指通过某种方法，使得画面场景中的目标物被分为不同的类别。通常图像分割的实现方法是，将图像分为“黑”、“白”两类，这两类分别代表了两个不同的对象。因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。第3页，共70页，编辑于2022年，星期六图像分割是比较困难的事情，原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。第4页，共70页，编辑于2022年，星期六6.1 6.1 图像分割概述图像分割概述 图像分析系统的基本构成如下图：知识库知识库表示与描述表示与描述预处理预处理分割分割低级处理高级处理中级处理识别识别与与解释解释结果图像获取图像获取问题在该系统中，图像的增强和恢复可以看作预处理，其输入、输出均是图像，它是传统的图像处理的内容。而图像分割、特征提取及结构分析等称为图像识别，其输入是图像，输出是描述或解释。第5页，共70页，编辑于2022年，星期六图像分割的目的把图像分解成构成它的部件和对象；有选择性地定位感兴趣对象在图像中的位置和范围。图像分割引言第6页，共70页，编辑于2022年，星期六从简到难，逐级分割控制背景环境，降低分割难度注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。图像分割引言图像分割的基本思路提取轮廓车牌定位车牌识别第7页，共70页，编辑于2022年，星期六2.图像分割的定义 令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子区域）R1，R2，RN：；对所有的i和j，ij，有RiRj=；对i=1,2,N，有P(Ri)=TRUE；对ij,有P(RiRj)=FALSE；对i=1,2,N，Ri是连通的区域。其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,代表空集。第8页，共70页，编辑于2022年，星期六 图像分割引言图像分割的基本策略：把像素按灰度划分到各个物体对应的 区域中去；确定存在于区域间的边界；先确定边缘像素点，然后将它们连接起来 构成所需的边界；区域：像素的连通集连通准则：4-连通 8-连通第9页，共70页，编辑于2022年，星期六4.图像分割的方法1)基于边缘的分割方法:先提取区域边界，再确定边界限定的区域。2)区域分割:确定每个像素的归属区域，从而形成一个区域图。3)区域生长:将属性接近的连通像素聚集成区域。4)分裂合并分割:综合利用前两种方法，既存在图像的划分，又有图像的合并。分割对象分割对象分割对象分割对象第10页，共70页，编辑于2022年，星期六 图像分割图像分割 将图像中有意义的特征或需要应用的特征提取出将图像中有意义的特征或需要应用的特征提取出来来 1）按幅度不同来分割各个区域：幅度分割）按幅度不同来分割各个区域：幅度分割 2）按边缘不同来划分各个区域：边缘检测）按边缘不同来划分各个区域：边缘检测 3）按形状不同来分割各个区域：区域分割）按形状不同来分割各个区域：区域分割总结第11页，共70页，编辑于2022年，星期六 图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是背景区域，从而产生相应的二值图像。阈值分割法的特点是：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；而且总可以得到封闭且连通区域的边界。6.2.1 图像二值化 设原始图像f(x,y)，以一定的准则在f(x,y)中找出一个合适的灰度值，作为阈值t，则分割后的图像g(x,y)，可由下式表示：g(x,y)=1 f(x,y)t0 f(x,y)t或或6.2 阈值分割第12页，共70页，编辑于2022年，星期六 另外，还可以将阈值设置为一个灰度范围t1,t2，凡是灰度在范围内的象素都变为1，否则皆变为0，即g(x,y)=1 t1f(x,y)t20 其它其它 某种特殊情况下，高于阈值t的象素保持原灰度级，其它象素都变为0，称为半阈值法，分割后的图像可表示为：g(x,y)=f(x,y)f(x,y)t0 其它其它第13页，共70页，编辑于2022年，星期六阈值分割图像的基本原理，可用下式表示：g(x,y)=ZE f(x,y)ZZB 其它其它阈值阈值 阈值的选取时阈值分割技术得关键，如果过高，则过多的目标点被误归为背景；如果阈值过低，则会出现相反的情况。由此可见，阈值化分割算法主要有两个步骤：1)确定需要的分割阈值；2)将分割阈值与象素值比较以划分象素。在利用阈值方法来分割灰度图像时一般都对图像有一定的假设。基于一定的图像模型的。最常用的模型：假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻象素间的灰度值是高度相关的，但处于目标和背景交界处两边的象素在灰度值上有很大的差别。如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的。第14页，共70页，编辑于2022年，星期六简单直方图分割法简单直方图分割法6.2.1 双峰法阈值(根据直方图来确定阈值）60年代中期，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。Z1ZiZt Zj Zk暗亮P背景目标图像灰度直方图双峰法选取阈值的缺点：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。改进办法：1）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；2）加强对噪音的处理。对直方图进行平滑处理，如最小二乘法等补点插值。第15页，共70页，编辑于2022年，星期六直方图阈值法matlab实现函数：im2bw，全局阈值函数BW=im2bw（I,level);BW=im2bw（I,map,level);BW=im2bw（RGB,level);分别将灰度图像、索引图像、彩色图像转化为二值图像，level，为归一化阈值第16页，共70页，编辑于2022年，星期六例子Clear allI=imread(blood.bmp)figure,imshow(I);Figure;imhist(I)I1=im2bw(I,110/255)figure,imshow(I1);第17页，共70页，编辑于2022年，星期六第18页，共70页，编辑于2022年，星期六6.2.2 6.2.2 最佳阈值最佳阈值 所谓最佳阈值最佳阈值是指图像中目标物与背景的分割错误最小的阈值。设某一图像只由目标物和背景组成，已知其灰度级分布概率密度分别为P1(Z)和P2(Z),目标物体象素占全图象素比为，因此该图像总的灰度级概率密度分布P(Z)可用下式表示：P(Z)=P1(Z)+(1)P2(Z)第19页，共70页，编辑于2022年，星期六设选用的灰度级门限为Zt，图像由亮背景上的暗物体所组成，因此凡是灰度级小于Zt的象素被认为是目标物，大于Zt的象素皆作为背景。一般的图像很难获得灰度的概率密度函数以及先验概率，在一些特殊的应用场合，如文字、乐谱等图像，可以从大量图像得到一个统计规律，获得符号部分在全图像中的百分比，以此为基础，结合直方图谷点分析，可以得到近似最优的结果第20页，共70页，编辑于2022年，星期六若选为Zt分割门限，则将背景象素错认为是目标象素的概率是：将目标物象素错认为是背景象素的概率是：因此，总的错误概率E(Zt)为 E(Zt)=(1)E2(Zt)+E1(Zt)最佳门限就是使E(Zt)为最小值时的Zt，将E(Zt)对Zt求导，并令其等于零，得:(1)P2(Zt)P1(Zt)（满足此等式的Zt为最优阈值）第21页，共70页，编辑于2022年，星期六6.2.4 6.2.4 自适应阈值自适应阈值 自适应阈值是由Chow和Kaneko提出，它是一种基于区域统计特征的分块域值方法。其算法原理是：将一幅图像划分为3535或6565的互不重叠的图像块，求出每个子图像块的直方图及阈值，子图像的中心像素点就使用求出的阈值，而区域内的其它像素点的阈值通过插值的方法“自适应”地确定。1 1 1 1 1 1 1 1 1 4 4 4 4 4 3 1 1 4 6 7 7 7 6 1 1 6 7 8 8 7 5 1 1 5 7 8 8 7 5 1 1 4 6 7 7 6 6 1 1 3 4 4 4 4 4 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 10 5 3 2 4 12 1 1 5 7 3 3 6 4 1 1 4 4 2 1 2 2 1 1 4 5 2 1 3 2 1 1 7 10 4 2 5 3 1 1 13 7 3 2 3 11 1 1 1 1 1 1 1 1 1 第23页，共70页，编辑于2022年，星期六阈值二值化举例：阈值二值化举例：第24页，共70页，编辑于2022年，星期六7.3 7.3 边缘检测边缘检测 7.3.1 边缘检测概念 7.3.2 基于一阶导数法的边缘检测 7.3.3 基于二阶导数法的边缘检测 7.3.4 基于曲面拟合的边缘检测方法 7.3.5 边缘连接第25页，共70页，编辑于2022年，星期六 7.3.1 7.3.1 边缘检测概念边缘检测概念1.边缘的定义：图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。2.边缘的分类阶跃状阶跃状屋顶状屋顶状阶跃状屋顶状图像：剖面：第26页，共70页，编辑于2022年，星期六图像：剖面：一阶导数：二阶导数：各种边缘其一阶、二阶导数特点第27页，共70页，编辑于2022年，星期六说明：说明：对阶跃边缘，其一阶导数在图像由暗变明的位置处有1个向上的阶跃，而其它位置都为0，这表明可用一阶导数的幅度值来检测边缘的存在，幅度峰值一般对应边缘位置。其二阶导数在一阶导数的阶跃上升区有1个向上的脉冲，而在一阶导数的阶跃下降区有1个向下的脉冲，在这两个脉冲之间有1个过0点，它的位置正对应原图像中边缘的位置，所以可用二阶导数的过0点检测边缘位置，而用二阶导数在过0点附近的符号确定边缘象素在图像边缘的暗区或明区。对(c)而言，脉冲状的剖面边缘与(a)的一阶导数形状相同，所以(c)的一阶导数形状与(a)的二阶导数形状相同，而它的2个二阶导数过0点正好分别对应脉冲的上升沿和下降沿，通过检测脉冲剖面的2个二阶导数过0点就可确定脉冲的范围。对(d)而言，屋顶状边缘的剖面可看作是将脉冲边缘底部展开得到，所以它的一阶导数是将(c)脉冲剖面的一阶导数的上升沿和下降沿展开得到的，而它的二阶导数是将脉冲剖面二阶导数的上升沿和下降沿拉开得到的，通过检测屋顶状边缘剖面的一阶导数过0点，可以确定屋顶位置。第28页，共70页，编辑于2022年，星期六3.边缘检测算子 可用一阶、二阶局部微分算子来检测图像中的边缘。下面是几种常可用一阶、二阶局部微分算子来检测图像中的边缘。下面是几种常用的微分算子。用的微分算子。梯度算子Roberts算子Prewitt算子Sobel算子Kirsch算子Laplacian算子Marr算子第29页，共70页，编辑于2022年，星期六1）梯度算子函数f(x,y)在(x,y)处的梯度为一个向量：f=f/x,f/y计算这个向量的大小为：G=(f/x)2+(f/y)21/2近似为:G|fx|+|fy|或 G max(|fx|,|fy|)梯度的方向角为：(x,y)=tan-1(fy/fx)可用下图所示的模板表示：-111-1为了检测边缘点，选取适当的阈值T，对梯度图像进行二值化，则有：这样形成了一幅边缘二值图像g(x,y).特点:仅计算相邻像素的灰度差，对噪声比较敏感，无法抑止噪声的影响。第30页，共70页，编辑于2022年，星期六2）Roberts算子公式：模板：特点：与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算子略好。-11fx1-1fy第31页，共70页，编辑于2022年，星期六3)Prewitt算子公式模板：特点：在检测边缘的同时，能抑止噪声的影响.0-110-110-11-1-1-1000111第32页，共70页，编辑于2022年，星期六4）Sobel算子公式模板特点：对4邻域采用带权方法计算差分；能进一步抑止噪声；但检测的边缘较宽。-220-110-110000-1-1-2112第33页，共70页，编辑于2022年，星期六5）Kirsch算子（方向算子）模板3-530-533-533330-53-5-53333033-5-5-533303-5-53-533-503-533-5-53-503-5333-5-5-5033333-5-530-53333第34页，共70页，编辑于2022年，星期六nKirsch算子特点n在计算边缘强度的同时可以得到边缘的方向；各方向间的夹角为45。nKirsch算子分析 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；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，只要有前四个模板就可以了.6）Nevitia算子第35页，共70页，编辑于2022年，星期六7）拉普拉斯算子定义：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离散形式：模板：可以用多种方式被表示为数字形式。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负数，而且其周围像素的系数为正数，系数之和必为0。对于一个3x3的区域，经验上被推荐最多的形式是：11-4001001第36页，共70页，编辑于2022年，星期六拉普拉斯算子的分析：优点：各向同性、线性和位移不变的；对细线和孤立点检测效果较好。缺点：对噪音的敏感，对噪声有双倍加强作用；不能检测出边的方向；常产生双像素的边缘。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。第37页，共70页，编辑于2022年，星期六8）Marr算子Marr算子是在Laplacian算子的基础上实现的，它得益于对人的视觉机理的研究，有一定的生物学和生理学意义。由于Laplacian算子对噪声比较敏感，为了减少噪声影响，可先对图像进行平滑，然后再用Laplacian算子检测边缘。平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即：其中是方差。用h(x,y)对图像f(x,y)的平滑可表示为：*代表卷积。令r是离原点的径向距离，即r2=x2+y2。第38页，共70页，编辑于2022年，星期六对图像g(x,y)采用Laplacian算子进行边缘检测，可得：这样，利用二阶导数算子过零点的性质，可确定图像中阶跃边缘的位置。称为高斯拉普拉斯滤波算子，也称为LOG滤波器，或“墨西哥草帽”。一维LOG函数及其变换函数2h-第39页，共70页，编辑于2022年，星期六由于Marr算子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 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，小时边缘位置精度高，但边缘细节变化多；大时平滑作用大，但细节损失大，边缘点定位精度低。应根据噪声水平和边缘点定位精度要求适当选取。下面是10时，Marr算子的模板：第40页，共70页，编辑于2022年，星期六 7.3.2 7.3.2 基于一阶导数法的边缘检测基于一阶导数法的边缘检测1.基本思想 检测图像一阶导数的峰值或者谷值确定边缘，可用一阶微分算子和图像卷积实现。一阶微分算子有：梯度算子，Roberts算子，Prewitt算子，Sobel算子等。2.模板卷积无论哪种模板，其卷积过程为：R=w1z1+w2z2+w9z9=S wkz其中 zk 是 与模板系数wk相联系的象素灰度,R代表模板中心象素的值。111100111011011101111100111011011101w2w7w5w1w7w4w3w9w6第41页，共70页，编辑于2022年，星期六3.线的检测 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。线检测模板如下：-1-1-1222-1-1-1水平模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12135度模板例例：111555111111555111111555111图像用4种模板分别计算：R水平=-6+30=24 R45度=-14+14=0 R垂直=-14+14=0 R135度=-14+14=0第42页，共70页，编辑于2022年，星期六检测线的算法描述依次计算4个方向的典型检测模板，得到Ri i=1,2,3,4如|Ri|Rj|对于所有的j=i，那么这个点被称为在方向上更接 近模板i 所代表的线。设计任意方向的检测模板：可能大于3x3；模板系数和为0；赶兴趣的方向的系数大。第43页，共70页，编辑于2022年，星期六 7.3.3 7.3.3 基于二阶导数法的边缘检测基于二阶导数法的边缘检测1.基本思想 检测图像二阶导数的零点确定边缘，可用二阶微分算子和图像卷积实现，并可通过二阶导数的正负判断像素在明区还是暗区。二阶微分算子有：Laplacian算子，Marr算子，Log算子等。2.点的检测用空域的高通滤波器来检测孤立点。例：R=(-1*8*8+128*8)/9 =(120*8)/9 =960/9=106可设阈值T=64，R T是孤立点。点检测的算法描述:设定阈值 T，如T=32、64、128等,并计算高通滤波值R如果R值等于0，说明当前检测点与的灰度值与周围点的相同。当R的值足够大时，说明该点的值与周围的点非常不同，是孤立点。通过阈值T来判断:|R|T，则 检测到一个孤立点。图像88881288888-1-1-1-18-1-1-1-1模板第44页，共70页，编辑于2022年，星期六 7.3.4 7.3.4 基于曲面拟合的边缘检测方法基于曲面拟合的边缘检测方法1.基本思想 基于差分检测图像边缘的算子往往对噪声敏感。因此对一些噪声比较严重的图像就难以取得满意的效果。若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。2.四点拟合灰度表面法 用一平面p(x,y)=ax+by+c来拟合空间四邻像素的灰度值f(x,y)、f(x,y+1)、f(x+1,y)、f(x+1,y+1)。定义均方差为：第45页，共70页，编辑于2022年，星期六按均方差最小准则,令可解出参数a,b,c。可推导出：按梯度的定义，由平面p(x,y)=ax+by+c的偏导数很容易求得梯度。a为两行像元平均值的差分，b为两列像元平均值的差分。这种运算可简化为模板求卷积进行，计算a和b对应的模板如下：3.特点：其过程是求平均后再求差分，因而对噪声有抑制作用。第46页，共70页，编辑于2022年，星期六梯度算子Roberts算子Prewitt算子Kirsch算子原始图像例1:第47页，共70页，编辑于2022年，星期六Laplacian算子曲面拟合法第48页，共70页，编辑于2022年，星期六例2:梯度算子Roberts算子Prewitt算子Sobel算子Kirsch算子原始图像第49页，共70页，编辑于2022年，星期六Laplacian算子Marr算子曲面拟合法第50页，共70页，编辑于2022年，星期六(a)原图(b)2h结果(c)正值为白，负值为黑(d)过零点 例3：利用2h检测过零点确定边缘第51页，共70页，编辑于2022年，星期六拉普拉斯模板Sobel y方向微分Sobel x方向微分Sobel算子梯度第52页，共70页，编辑于2022年，星期六7.3.5 边缘连接1.边缘连接的意义和目的边缘连接的意义和目的 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，成为有意义的边缘。连接处理的目的是要把间断的边连接起来形成封闭的边界。一般是在边界检测之后进行。2.局部连接处理的原理局部连接处理的原理 对边检测后的图象的每个点(x,y)的特性进行分析；在一个小的邻域（3x3 或 5x5）中把所有相似的点被连接，形成一个享有共同特性象素的边界；其相似性可用比较梯度算子的响应强度和梯度方向来确定，并判断两个点是否同属一条边。点(x,y)点(x,y)第53页，共70页，编辑于2022年，星期六 具体做法是：1）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点(x,y)相似，当：|f(x,y)f(x,y)|T 其中T是一个非负的阈值。2）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点(x,y)的方向角相似，当：|(x,y)(x,y)|A 其中A是一个角度阈值。3）比较梯度向量的方向角当梯度值和方向角都是相似的，则点(x,y)，与边点界(x,y)是连接的。点(x,y)点(x,y)连接算法步骤：1）设定A、T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，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。第54页，共70页，编辑于2022年，星期六3 边缘跟踪 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。边缘跟踪可将检测的边缘点连接成线，形成有意义的边界。边缘跟踪有两种方法：光栅跟踪和全向跟踪。1）光栅跟踪 它是一种采用电视光栅行扫描顺序，结合门限检测，对遇到的像素进行分析，从而确定是否为边缘的跟踪方法。具体步骤：(1)确定一个比较高的阈值d，把高于该阈值的像素作为对象点。称该阈值为“检测阈值”。(2)用检测阈值d对图像第一行像素进行检测，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作为跟踪阈值，该阈值可以根据不同准则来选择。例如，取相邻对象点之灰度差的最大值作为跟踪阈值，有时还利用其他参考准则，如梯度方向、对比度等。(4)确定跟踪邻域。取像素(i，j)的下一行像素(i+1，j-1)，(i+1，j)，(i+1，j+1)为跟踪邻域。(5)扫描下一行像素，凡和上一行已检测出来的对像点相邻接的像素，其灰度差小于跟踪阈值的，都接受为对象点，反之去除。第55页，共70页，编辑于2022年，星期六 (6)对于已检测出的某一对象点，如果在下一行跟踪领域中，没有任何一个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检出点开始下一条曲线的跟踪。(7)对于未被接受为对象点的其他各行像素，再次用检测阈值进行检测，并以新检出的点为起始点，重新使用跟踪阈值程序，以检测出不是从第一行开始的其他曲线。(8)当扫描完最后一行时，跟踪便可结束。由结果可以看出，本例原图像中存在着三条曲线，两条从顶端开始，一条从中间开始。然而，如果不用跟踪法，只用一种阈值d或t检测均不能得到满意的结果。第56页，共70页，编辑于2022年，星期六注意：注意：检测和跟踪所选择的特征可以不是灰度级，而是其他反映局部性质的量，例如对比度、梯度等。此外，每个点所对应的邻域也可以取其他的定义，不一定是紧邻的下一行像素，稍远一些的领域也许对于弥合曲线的间隙更有好处。跟踪准则也可以不仅仅针对每个已检测出的点，而是针对已检出的一组点。这时，可以对先后检出的点赋予不同的权，如后检出的点给以较大的权，而早先检出的点赋予相对小一些的权，利用被检测点性质和已检出点性质的加权均值进行比较，以决定接收或拒绝。总之，应根据具体问题灵活加以运用。光栅扫描跟踪和扫描方向有关，因此最好沿其他方向再跟踪一次，例如逆向跟踪，并将两种跟踪的结合综合起来能得到更好的结果。另外，若边缘和光栅扫描方向平行时效果不好，则最好在垂直扫描方向跟踪一次，它相当于把图像转置90o后再进行光栅扫描跟踪。第57页，共70页，编辑于2022年，星期六2）全向跟踪 如果能使跟踪方向不仅局限于逐行(或列)的光栅式扫描，譬如说，在从上而下(或自左而右)的扫描过程中，也可以向上(或向左)跟踪，那么就会克服光栅跟踪依赖于扫描方向的缺点。这可以通过定义不同邻域的方法来实现。同样，如果我们选取的跟踪准则能够辨别远非紧邻的像素，那么光栅跟踪会漏掉平行于扫描方向曲线的缺点也能得到适当地克服。全向跟踪就是跟踪方向可以是任意方向，并且有足够大的跟踪距离的跟踪方法。显然，全向跟踪是改变了邻域定义和跟踪准则的一种光栅跟踪法。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起始跟踪的流动点(沿被检测曲线流动)。(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：第58页，共70页，编辑于2022年，星期六 (a)遇到了分支点或者若干曲线的交点(即同时有几个点都跟踪一个流动点)，则先取其中和当前流动点性质最接近的作为新的流动点，继续进行跟踪。而把其余诸点存储起来，以备后面继续跟踪。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。(b)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。(c)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。特点是：全向跟踪改进了光栅扫描跟踪法，跟踪时把初始点的八邻点全部考虑进行跟踪。第59页，共70页，编辑于2022年，星期六7.4.1 区域生长法算法实现步骤：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结果集合，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。区域A 区域B 种子像素 种子像素7.4 区域分割第60页，共70页，编辑于2022年，星期六 7.4.2 分裂合并法算法实现：1）对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。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|=2i，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，i是区域的灰度级的标准方差。2）当P(Ri)=TRUE时，将区域内所有像素的灰度级置为mi。第61页，共70页，编辑于2022年，星期六7.5 Hough变换检测法7.5.1 问题的提出7.5.2 Hough变换的基本思想7.5.3 算法实现7.5.4 Hough变换的扩展第62页，共70页，编辑于2022年，星期六7.5.1 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。Hough变换是一种能够在检测边界的同时完成边界的封闭变换。7.5.2 Hough变换的基本思想 其基本思想是：对于边界上的n个点的点集，找出共线的点集和直线方程。对于直角坐标系中的一条直线l，可用、来表示该直线，且直线方程为：其中，为原点到该直线的垂直距离，为垂线与x轴的夹角，这条直线是唯一的。构造一个参数的平面，从而有如下结论：对应一条直线(,)直角坐标系中的一条直线对应极坐标系中的一点，这种线到点的变换就是HoughHough变换变换 第63页，共70页，编辑于2022年，星期六第64页，共70页，编辑于2022年，星期六7.5.3 算法实现 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。算法步骤：1）在、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i、j的取值对应；2）对图像上的所有边缘点作Hough变换，求每个点在j(j0,1,n)Hough变换后的i，判断(i、j)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(i、j)就是这些共线点对应的直线方程的参数。算法特点：1）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。2）Hough变换检测直线的抗噪性能强，能将断开的边缘连接起来。3）此外Hough变换也可用来检测曲线。第65页，共70页，编辑于2022年，星期六7.5.4 Hough变换的扩展1.用于圆的检测 Hough变换不只对直线，也可以用于圆的检测：（x a）2+(y-b)2=R2 这时需要三个参数(a,b,R)的参数空间。如像找直线那样直接计算，计算量增大，不合适。解决途径：若已知圆的边缘元(当然图中还有其它非圆的边沿点混在一起)，而且边缘方向已知，则可减少一维处理，把上式对x取导数，有：这表示参数a和b不独立，只需用二个参数(例如a和R)组成参数空间，计算量就缩减很多。第66页，共70页，编辑于2022年，星期六2.2.用于椭圆检测用于椭圆检测 设椭圆方程为：取导数有：只有三个独立参数。只需要从(a,b,x0,y0)中选择三个参数进行检测即可。第67页，共70页，编辑于2022年，星期六3.3.用于任意曲线检测用于任意曲线检测 在形状物中可确定一个任意点(xc,yc)为参考点，从边界上任一点(x,y)到参考点(xc,yc)的长度为r,它是的函数，如：是(x,y)边界点上的梯度方向。通常是把r表为的参数r(),(xc,yc)到边界连线的角度为()，则(xc,yc)应满足下式：设某已知特殊边界R，可按的大小列成一个二维表格，即i(a,r)表，i确定后可查出a和r，经上式计算可得到(xc,yc)。对已知形状建立了R表格后，开辟一个二维存储区，对未知图像各点都来查已建立的R表，然后计算(xc,yc)，若未知图像各点计算出的(xc,yc)很集中，就表示已找到该形状的边界。集中的程度就是找最大值。第68页，共70页，编辑于2022年，星期六具体步骤如下：(1)对将要找寻的某物边界建立一R表，这是一个二维表，以i的步进值求r和；(2)在需要判断被测图像中有无已知某物时，也可对该图某物各点在内存中建立一存储区，存储内容是累加的。把xc,yc从最小到最大用步进表示，并作为地址，记作A(xcminmax,ycminmax),存储阵列内容初始化为零；(3)对图像边界上每一点(xi,yi)，计算(x)，查原来的R计算(xc,yc)；(4)使相应的存储阵列A(xc,yc)加1，即(5)在阵列中找一最大值，就找出了图像中符合要找的某物体边界。第69页，共70页，编辑于2022年，星期六谢谢 谢谢第70页，共70页，编辑于2022年，星期六