图像分割与边缘检测课件.ppt

《图像分割与边缘检测课件.ppt》由会员分享，可在线阅读，更多相关《图像分割与边缘检测课件.ppt（63页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、关于图像分割与边缘检测现在学习的是第1页，共63页第第5章章 图像分割与边缘检测图像分割与边缘检测l图像分割l边缘检测l轮廓跟踪与提取l图像匹配l投影法与差影法现在学习的是第2页，共63页1、图像分割、图像分割l图像分割是将图像划分成若干个互不相交的小区域的过程,小区域是某种意义下具有共同属性的像素的连通集合。如不同目标物件所占的图像区域、前景所占的图像区域等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径，对于离散图像而言，连通有4连通和8连通之分。现在学习的是第3页，共63页1、图像分割、图像分割l4连通指的是从区域上一点出发，可通过4个方向，即上、下、左、右移动的组合，在不

2、越出区域的前提下，到达区域内的任意像素；8连通方法指的是从区域上一点出发，可通过左、右、上、下、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。l图像分割有三种不同的途径：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；其二是通过直接确定区域间的边界来实现分割的边界方法；其三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。在图像分割技术中，最常用的是利用阈值化处理进行的图像分割。现在学习的是第4页，共63页1.1灰度阈值法分割灰度阈值法分割l常用的图像分割方法是把图像灰度分成不同的等级，然后用设置灰度门限（阈值）的方法确定有意义的区域或分割物体的边界。常

3、用的阈值化处理就是图像的二值化处理，即选择一阈值，将图像转换为黑白二值图像，用于图像分割及边缘跟踪等预处理。l图像阈值化处理的变换函数表达式为：TyxfTyxfyxg),(255),(0),(现在学习的是第5页，共63页1.1灰度阈值法分割灰度阈值法分割l图像阈值化处理其实质是一种图像灰度级的非线形运算，它的功能是由用户指定一个阈值，如果图像中某个像素的灰度值小于该阈值，则将该像素的灰度值置为0，否则将其灰度值置为255。l其变换函数的曲线为：2550T255gf现在学习的是第6页，共63页1.1灰度阈值法分割灰度阈值法分割l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。如下图所

4、示,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（注意：当前背景为黑色，对象为白色时刚好相反）。因此，阈值的选取非常重要。l分析图(a)原始图像的直方图可知，该直方图具有双峰特性，图像中的目标（细胞）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。此时，用其双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来。现在学习的是第7页，共63页1.1灰度阈值法分割灰度阈值法分割不同阈值对阈值化结果的影响(a)原始图像；(b)阈值T=91；(c)阈值T=130；(d)阈值T=43(a)(b)(c)(d)图(a)的直方图 现在学习

5、的是第8页，共63页1.1灰度阈值法分割灰度阈值法分割l当图像中的目标部分和背景之间亮度差较小，即灰度直方图的双峰特性不明显时，直接用直方图就不太容易确定一个合适的阈值。此时，可用以下几种方法来确定阈值：（1）判别分析法 （2）p尾法现在学习的是第9页，共63页1.1灰度阈值法分割灰度阈值法分割-判别分析法判别分析法l判别分析法确定最佳阈值的准则，是使进行阈值处理后分离的像素类之间的类间方差最大。判别分析法只需计算直方图的0阶矩和1阶矩，是图像阈值化处理中常用的自动确定阈值的方法。l设图像总像素数为N，灰度值为i的像素数为Ni，则至灰度级K的灰度分布的0阶矩及1阶矩分别定义为：0阶矩：1阶矩：

6、KiiNNk0)(KiiNNik0)(现在学习的是第10页，共63页1.1灰度阈值法分割灰度阈值法分割-判别分析法判别分析法 当K=L-1时，(L-1)=1；(L-1)T，T称为图像的平均灰度。设有M-1个阈值：0k1k2KM-1L-1。将图像分割成M个灰度值的类Cj（Cjkj-1+1,kj;j=1,2,M;k0=0,kM=L），则各类Cj的发生概率j和平均值j为)()()()()()(111jjjjjjjjkkkkkk现在学习的是第11页，共63页1.1灰度阈值法分割灰度阈值法分割-判别分析法判别分析法l由此可得各类的类间方差为：l将使上式的2值为最大的阈值组(k1,k2，,kM1)，作为M

7、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阈值。221211(,)()MMjjrjk kk现在学习的是第12页，共63页1.1灰度阈值法分割灰度阈值法分割-p尾法尾法lp尾法仅适用于事先已知目标所占全图像百分比的场合。l若一幅图像由亮背景和黑目标组成，已知目标占图像的(100p)%面积，则使得至少(100p)%的像素阈值化后匹配为目标的最高灰度，将选作用于二值化处理的阈值。现在学习的是第13页，共63页1.2区域生长区域生长l分割区域的一种方法叫区域生长或区域生成l假定区域的数目以及在每个区域中单个点的位置已知，则从一个点开始，加上与已知点相似的邻近点形成一个区域。

8、相似性准则可以是灰度级、彩色、组织、梯度或其他特性，相似性的测度可以由所确定的阈值来判定。方法是从满足检测准则的点开始，在各个方向上生长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时生成过程终止。现在学习的是第14页，共63页1.2区域生长区域生长l在实际应用区域生长法时需要解决3个问题：1.选择或确定一组能正确代表所需区域的种子像素 2.确定在生长过程中能将相邻像素包括进来的准则 3.制定让生长停止的条件或规则 l种子像素的选取常可借助具体问题的特点。例如：在军用红外图像中检测目标时，由于一般情况下目标辐射较大，所以可选用图中

9、最亮的像素作为种子像素。如果对具体问题没有先验知识，则常可借助生长所用准则对每个像素进行相应计算。现在学习的是第15页，共63页1.2区域生长区域生长l下图给出一个简单的例子。此例的相似性准则是邻近点的灰度级与物体的平均灰度级的差小于2。图中被接受的点和起始点均用下划线标出，其中（a）图是输入图像；（b）图是第一步接受的邻近点；（c）图是第二步接受的邻近点；（d）图是从6开始生成的结果。现在学习的是第16页，共63页1.3区域聚合区域聚合l区域聚合可直接用于图像分割，它要求聚合中的各个点必须在平面上相邻接而且特性相似。l区域聚合的步骤是：（1）首先检查图像的测度集，以确定在测度空间中聚合的位置

10、和数目；（2）然后把这些聚合的定义用于图像，以得到区域聚合。现在学习的是第17页，共63页1.3区域聚合区域聚合l首先，在图片上定义某个等价关系。例如，最简单的等价关系可定义为p(i,j)p(k,l)。也就是说，如果p(i,j)p(k,l)，就说明p(i,j)与p(k,l)等价。任何在点的格子上的等价关系又可划分为等价类。例如，p(i,j)的取值范围为0到63，就可以产生64个等价类的模板。如果关系满足，它的值等于1，否则为0。l利用等价模板可分成最大的连接区域，然后，这些最大的连接区域又可以像搭积木一样形成有意义的分割。现在学习的是第18页，共63页1.3区域聚合区域聚合l1970年布莱斯和

11、芬尼玛提出一种分割方法，如下图所示。l图（a）是具有灰度级的33的G阵列，图（b）是对G的分割结果。其中，图像格子为G，它是大格子S的子格子。G为nm的格子，S是（2n1）（2m1）的大格子。在大格子中，G(i,j)点位于S的(2i+1,2j+1)点上。G中的点与S中的点相对应，其中每一下标都是奇数，其余的点用来代表区域的边界。以这种形式表现的区域，产生一种寻找最大连接区域的方法。G中的点与它上边和右边的点相比较，灰度级相同就合并，灰度级不同就插入边界线。把图像中的每个点都处理过之后，整个图像就被分割成区域。在这个例子中，由于采用了4连通等价关系，因此，由图可见，在对角线方向上的等灰度级产生了

12、隔开的区域。现在学习的是第19页，共63页1.3区域聚合区域聚合544254125544214552(a)(b)布莱斯和芬尼玛分割方法 现在学习的是第20页，共63页2、边缘检测、边缘检测l在Marr的视觉计算理论框架中，抽取二维图像上的边缘、角点、纹理等基本特征，是整个系统框架中的第一步。这些特征所组成的图称为基元图。l下图画出了一幅图像中的边缘点，仅仅根据这些边缘点，就能识别出三维物体，可见边缘点确实包含了图像中的大量信息。ACCACBDCC现在学习的是第21页，共63页2、边缘检测、边缘检测l图像上的边缘点可能对应不同的物理意义，上图中图像上的边缘点可能对应以下一种情况:（1）空间曲面上

13、的不连续点。如标为A的边缘线，这些边缘线为两个不同曲面的或平面的交线，该点处物体表面的法线方向不连续，在A类边缘线的两边，图像的灰度值有明显的不同。（2）B类边缘线。B类边缘线是由不同材料或相同材料不同颜色产生的。图中桌面由两种不同材料组成，由于它们对光的反射系数不同，使B边缘线的两侧灰度有明显不同。现在学习的是第22页，共63页2、边缘检测、边缘检测 （3）C类边缘线。C类边缘线是物体与背景的分界线。如图中圆柱上有两条C类边缘线，这类边缘线一般称为外轮廓线。在C类边缘点上，三维物体表面的法线方向是连续的，出现边缘点是由于从一定视角看物体时，C类边界点是物体与背景的交界处。（4）D边缘。D是阴

14、影引起的边缘。由于物体表面某一部分被另一物体遮挡，使它得不到光源的照射，从而引起边缘点两侧灰度值有较大的差异。现在学习的是第23页，共63页2.1 边缘检测与微分运算边缘检测与微分运算l前面说边缘点是信号“变化剧烈”的地方，但这么说并不准确，需要定义一个准确的边缘数学模型。l以一维信号为例，下图（a）是一种阶跃信号，我们当然认为A点处为边缘点。在实际情况中，物理信号不可能有理想的突变，而是如图（b）所示的逐渐增大的信号，对图（b）中所示A、B、C三点，一般称B点为边缘点。在图（c）和（d）中，如果台阶比较窄，即可以认为B点为边缘点，也可以认为该信号有两个边缘点A与C。现在学习的是第24页，共6

15、3页2.1 边缘检测与微分运算边缘检测与微分运算ABCABCABC(b)(c)(d)不同的边缘信号 现在学习的是第25页，共63页2.1 边缘检测与微分运算边缘检测与微分运算图像中不同类型的边界（a）边界；（b）线；（c）折线变化；（d）缓慢的平滑变化(a)(b)(d)(c)现在学习的是第26页，共63页2.1 边缘检测与微分运算边缘检测与微分运算用Prewitt算子进行边缘检测的结果 图5-10现在学习的是第27页，共63页2.2 高斯高斯-拉普拉斯拉普拉斯(LOG)算子算子l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

16、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。l常用的LOG算子是55的模板：244424080448*24844080424442现在学习的是第28页，共63页2.2 高斯高斯-拉普拉斯拉普拉斯(LOG)算子算子OxyLOG算子中心点的距离与位置加权系数的关系若将上图绕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。现在学习的是第29页，共63页2.3其它边缘检测方法其它边缘检测方法lWallis算子l过零点检测（Marr-Hildreth算子）lCanny边缘检测方法lSUSAN（Smallest Univalue Segment Assimi

17、lating Nucleus）边缘检测现在学习的是第30页，共63页3、轮廓跟踪与提取、轮廓跟踪与提取l轮廓跟踪与轮廓提取的目的都是为了获得图像的外部轮廓特征，为图像的形状分析做准备。轮廓跟踪轮廓提取现在学习的是第31页，共63页3.1轮廓跟踪轮廓跟踪l在识别图像中的目标时，往往需要对目标边缘作跟踪处理，也叫轮廓跟踪。顾名思义，轮廓跟踪就是通过顺序找出边缘点来跟踪边界的。l若图像是二值图像或图像中不同区域具有不同的像素值，但每个区域内的像素值是相同的，则通过一些算法可完成基于4连通或8连通区域的轮廓跟踪。现在学习的是第32页，共63页3.1轮廓跟踪轮廓跟踪l步骤1：首先按从上到下，从左到右的顺

18、序扫描图像，寻找没有标记跟踪结束记号的第一个边界起始点A0，A0是具有最小行和列值的边界点。定义一个扫描方向变量dir，该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向，其初始化取值为：(1)对4连通区域取dir=3，如下图(a)所示；(2)对8连通区域取dir=7，如下图(b)所示。现在学习的是第33页，共63页3.1轮廓跟踪轮廓跟踪方向变量的初始化 123024603175(a)(b)现在学习的是第34页，共63页3.1轮廓跟踪轮廓跟踪l步骤2：按逆时针方向搜索当前像素的33邻域，其起始搜索方向设定如下：(1)对4连通区域 取(dir+3)mod 4，如下图(a)所示；(2)对

19、8连通区域 若dir为奇数取(dir+7)mod 8，如下图(b)所示；若dir为偶数取(dir+6)mod 8，如下图(c)所示。现在学习的是第35页，共63页3.1轮廓跟踪轮廓跟踪33邻域起始搜索方向(a)(b)(c)现在学习的是第36页，共63页3.1轮廓跟踪轮廓跟踪 在33邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An，同时更新变量dir为新的方向值。l 步骤3：如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤2继续搜索。l 步骤4：由边界点A0、A1、A2、An-2构成的边界便为要跟踪的边界。l 算法中步骤1中所

20、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3中所采用的准则称为“跟踪准则”，其作用是找出所有边界点。现在学习的是第37页，共63页3.1轮廓跟踪轮廓跟踪 轮廓跟踪示例现在学习的是第38页，共63页3.2轮廓提取轮廓提取l二值图像轮廓提取的算法非常简单，就是掏空内部点：如果原图像中有一点为黑，且它的8个邻点都是黑色时，说明该点是内部点，将该点删除（置为白色像素值255）。对图像中所有像素点执行该操作便可完成图像轮廓的提取。现在学习的是第39页，共63页4、图像匹配、图像匹配l在机器识别过程中，常需把不同传感器或通一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空

21、间上对准，或根据已知模式到另一幅图中寻找相对应的模式，这就叫图像匹配。现在学习的是第40页，共63页4.1模板匹配模板匹配l模板匹配是指用一个较小的图像，即模板与源图像进行比较，以确定在源图像中是否存在与该模板相同或相似的区域，若该区域存在，还可确定其位置并提取该区域。l模板匹配常用的一种测度为模板与原图像对应区域的误差平方和。设f(x,y)为MN的原图像，t(j,k)为JK(JM，KN)的模板图像，则误差平方和测度定义为：10102),(),(),(JjKkkjtkyjxfyxD现在学习的是第41页，共63页4.1模板匹配模板匹配10102101010102),(),(),(2),(),(J

22、jKkJjKkJjKkkjtkyjxfkjtkyjxfyxD将上式展开可得：10102101010102),(),(),(),(2),(),(),(JjKkJjKkJjKkkjtyxDTkyjxfkjtyxDSTkyjxfyxDS令：现在学习的是第42页，共63页4.1模板匹配模板匹配lDS(x,y)称为原图像中与模板对应区域的能量，它与像素位置(x,y)有关，但随像素位置(x,y)的变化，DS(x,y)变化缓慢。lDST(x,y)称为模板与原图像对应区域的互相关，它随像素位置(x,y)的变化而变化，当模板t(j,k)和原图像中对应区域相匹配时取得最大值。lDT(x,y)称为模板的能量，它与图

23、像像素位置(x,y)无关，只用一次计算便可。显然，用展开式计算误差平方和测度可以减少计算量。现在学习的是第43页，共63页4.1模板匹配模板匹配l基于上述分析，若设DS(x,y)也为常数，则用DST(x,y)便可进行图像匹配，当DST(x,y)取最大值时，便可认为模板与图像是匹配的。但假设DS(x,y)为常数会产生误差，严重时将无法正确地完成匹配，因此可用归一化互相关作为误差平方和测度，其定义为：10210102101010),(),(),(),(),(KkJjKkJjKkJjkjtkyjxfkyjxfkjtyxR现在学习的是第44页，共63页4.1模板匹配模板匹配l下图给出了模板匹配的示意图

24、，其中假设原图像f(x,y)和模板图像t(k,l)的原点都在左上角。l对任何一个f(x,y)中的(x,y)，根据归一化式都可以算得一个R(x,y)值。当x和y变化时，t(j,k)在原图像区域中移动并得出R(x,y)所有值。lR(x,y)的最大值便指出了与t(j,k)匹配的最佳位置，若从该位置开始在原图像中取出与模板大小相同的一个区域，便可得到匹配图像。现在学习的是第45页，共63页4.1模板匹配模板匹配Oyiyi kixijixijikikJKjNMyx模板匹配示意图 现在学习的是第46页，共63页4.1模板匹配模板匹配l模板匹配的主要局限性在于它只能进行平行移动，如原图像中要匹配的目标发生旋

25、转或大小变化，该算法无效。l另外，如原图像中要匹配的目标只有部分可见，该算法也无法完成匹配。现在学习的是第47页，共63页4.2直方图匹配直方图匹配l颜色是描述图像内容的一个重要特征。人们已经提出了多种借助颜色特征对图像进行检索的方法。常用的颜色空间有R、G、B和H、S、I。实际上，利用H、S、I颜色空间进行检索的效果更好一些，但以下讨论主要以R、G、B空间为例。l为利用图像的颜色特征描述图像，可借助图像特征的统计直方图。利用直方图进行图像的匹配，这便是直方图匹配。现在学习的是第48页，共63页4.2直方图匹配直方图匹配-直方图相交法直方图相交法l设HQ(k)和HD(k)分别为查询图像Q和数据

26、库图像D的特征统计直方图，则两图像之间的匹配值d(Q,D)为1010)()(),(min),(LkQLkDQkHkHkHDQd现在学习的是第49页，共63页4.2直方图匹配直方图匹配-欧几里得距离法欧几里得距离法l为减少计算量，可采用直方图的均值来粗略地表达颜色信息，对图像的R、G、B三个分量，匹配的特征矢量f是：式中,R、G、B分别是R、G、B三个分量直方图的0阶距。l 此时查询图像Q和数据库图像D之间的匹配值为：TBGRf2,2)()(),(DQBGRDQffDQd现在学习的是第50页，共63页4.2直方图匹配直方图匹配-中心矩法中心矩法l对直方图来说，均值为0阶矩，更高阶的矩也可使用。设

27、用分别表示查询图像Q的R、G、B三个分量直方图的i(i3)阶中心矩；用 分别表示数据库图像D的R、G、B三个分量直方图的i(i3)阶中心矩。l它们之间的匹配值为：式中，WR，WG，WB为加权系数。iQBiQGiQRMMM,iQBiQGiQRMMM,31313122)()()(),(iiiiDBiQBBiDGiQGGiDRiQRRMMWMMWMMWDQd现在学习的是第51页，共63页4.2直方图匹配直方图匹配参考颜色法参考颜色法l欧几里得距离法太粗糙，直方图相交法计算量太大，一种折衷的方法是将图像颜色用一组参考色表示，这组参考色应能覆盖视觉上可感受到的各种颜色。参考色的数量要比原图像少，这样可计

28、算简化的直方图，所以匹配的特征矢量是：f=r1,r2rNT 式中：ri是第i种颜色出现的频率，N是参考颜色表的尺寸。加权后的查询图像Q和数据库图像D之间的匹配值为：NiiDiQirrWDQd12)(),(00,100,iDiQiDiQiQirrrrrW或如果或如果现在学习的是第52页，共63页4.2直方图匹配直方图匹配其它方法其它方法 （1）阌可夫斯基距离法 （2）X2直方图匹配现在学习的是第53页，共63页4.3形状匹配形状匹配l形状也是描述图像内容的一个重要特征，利用形状进行匹配需要考虑三个问题：首先，形状常与目标联系在一起，所以相对于颜色，形状特征可以看作是更高层次的图像特征。要获得有关

29、目标的形状参数，常常要先对图像进行分割，所以形状特征会受图像分割效果的影响。其次，目标形状的描述是一个非常复杂的问题，至今还没有找到能与人的感觉相一致的图像形状的确切数学定义。最后，从不同视角获取的图像中目标形状可能会有很大差别，为准确进行形状匹配，需要解决平移、尺度、旋转变换不变性的问题。现在学习的是第54页，共63页4.3形状匹配形状匹配l目前常用的形状匹配方法：几何参数法 特征模表示法 不变矩法 边界方向直方图法 小波重要系数法 小波轮廓表示法 等现在学习的是第55页，共63页4.3形状匹配形状匹配l目标的形状常常可以用目标的轮廓来表示，而轮廓是由一系列边界点所组成的。l一般认为，在较大

30、尺度下常常能较可靠地消除误检并检测到真正的边界点，但在大尺度下对边界的定位不易准确。相反，在较小尺度下对真正边界点的定位常比较准确，但在小尺度下误检的比例会增加。l所以，可考虑先在较大尺度下检测出真正的边界点，再在较小尺度下对真正边界点进行较精确的定位。小波变换和分析作为一种多尺度、多通道分析工具，比较适合对图像进行多尺度的边界检测。现在学习的是第56页，共63页5、投影法与差影法、投影法与差影法l投影法l差影法现在学习的是第57页，共63页5.1投影法投影法l投影法就是把图像在某一方向（常用的是水平方向和垂直方向）上进行投影。在投影图上便可反映出图像中目标对象的位置、尺寸等信息。l下图是一幅

31、图像分别在水平方向和垂直方向上的投影：现在学习的是第58页，共63页5.1投影法投影法l可以看出投影法是一种很自然的方法，有点像灰度直方图。l为了得到更好的效果，投影法经常和阈值化一起使用。由于噪声点对投影有一定的影响，所以处理前最好先做一次平滑，去除噪声，然后进行阈值化处理，再对阈值化后的二值图像在某个方向上进行投影运算。现在学习的是第59页，共63页5.1投影法投影法华盛顿纪念碑图 阈值化后的纪念碑 垂直方向投影 现在学习的是第60页，共63页5.2差影法差影法l所谓差影法，实际上就是图像的相减运算(又称减影技术)，是指把同一景物在不同时间拍摄的图像或同一景物在不同波段的图像相减。差值图像提供了图像间的差异信息，能用以指导动态监测、运动目标检测和跟踪、图像背景消除及目标识别等。l算法流程图为：现在学习的是第61页，共63页5.2差影法差影法当前图像固定背景图像或背景模型图像或前一幅图像差值运算及阈值化处理阈值化差影运算结果图像分割、匹配、投影等处理获取目标现在学习的是第62页，共63页感谢大家观看感谢大家观看现在学习的是第63页，共63页