图像分割课件.ppt

单击此处编辑母版标题样式,*,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,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,预处理,图像分割,特征提取,对象识别,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,8,8,8,8,128,8,8,8,8,图像,-1,-1,-1,-1,8,-1,-1,-1,-1,模板,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,-1,-1,-1,2,2,2,-1,-1,-1,水平模板,-1,-1,2,-1,2,-1,2,-1,-1,45度模板,-1,2,-1,-1,2,-1,-1,2,-1,垂直模板,2,-1,-1,-1,2,-1,-1,-1,2,135度模板,线检测,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,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,1,1,1,5,5,5,1,1,1,1,1,1,5,5,5,1,1,1,1,1,1,5,5,5,1,1,1,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,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,原始图像,水平梯度部分,垂直梯度部分,组合得到边缘图像,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：,2,f=,2,f/x,2,2,f/y,2,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,：,2,f,=4z,5,(z,2,+z,4,+z,6,+z,8,),z,2,z,8,z,5,z,3,z,9,z,6,z,1,z,7,z,4,图像分割,:,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,T,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,原始图像,阈值图像,如果你设置了错误的阈值，结果是很糟糕的,太小的阈值,太大的阈值,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。,0,255,255,0,255,0,255,255,255,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。,灰度值,f(x,0,y,0,),T,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：对象的灰度值,(,也称样点值,),为,f(x,0,y,0,),且：,T=f(x,0,y,0,)R,有：,f(x,y),T,f(x,y),f(x,0,y,0,)R,|f(x,y)f(x,0,y,0,)|,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(x,0,y,0,),（,2,）,选取容忍度,R,（,3,）,if|f(x,y)f(x,0,y,0,)|,R set 255,else 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,T,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,a,b,a,b,y,x,(,x1,y1),(,x2,y2),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,a,b,A,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,