第五章图像分割资料
合集下载
数字图像处理图像分割课件
基于Mumford-Shah模 …
该方法可以获得更准确、更平 滑的分割结果，并且可以更好 地处理噪声和细节。此外，它 还可以更好地处理形状约束和 边界条件。
基于Mumford-Shah模 …
该方法需要更多的计算资源和 时间来处理每个时间点的水平 集，并且可能难以处理大规模 的形状变化和复杂的形状约束 。
响。
图像分割还可以帮助缩小处理和 分析的规模，提高处理效率，并 为后续的图像分析提供可靠的预
处理结果。
图像分割的分类
01
02
03
04
按照处理方式
图像分割可以分为阈值法、区 域生长法、边缘检测法、图切
割法等。
按照应用领域
图像分割可以分为医学图像分 割、遥感图像分割、人脸识别
等。
按照分割对象
图像分割可以分为二维图像分 割和三维图像分割。
该方法具有能够处理复杂的图像内容和噪声等优点，但也可能需要更多的计算资源和时间。
07
实例展示与结果分析
基于阈值的图像分割实例
总结词
简单、快速、有效的图像分割方法
详细描述
基于阈值的图像分割是一种基本的图像分割方法，通过设置不同的阈值将图像分 割成不同的区域。其优点是简单、快速、有效，适用于简单背景和对比明显的图 像。但是，对于复杂背景和低对比度图像，分割效果较差。
些方法可以自动适应不同图像的特点，且能够根据图像内容的变化自适
应调整阈值。
03
自适应阈值
根据图像的局部特征自适应地设置阈值，例如基于区域生长的方法、基
于边缘检测的方法等。这些方法能够更好地适应图像的局部特征，提高
分割的精度和鲁棒性。
阈值法的优缺点
优点
阈值法简单易行，适用于简单背景和 对比度较高的图像；对于实时性要求 较高的应用场景，阈值法具有较快的 处理速度。
第五章图像分割(新)-2PPT课件
15 14 87 83 81 80 85 81 81 *
**********
3 5 2 l 4 6 91 7 * *
(b)表示(a)中部分像素的灰度梯度值，
一部 分灰度梯度值较低，在0～15之间，
3 5 2 5 5 68 4 7 * * 8 5 5 2 2 98 4 7 * * 2 4 7 3 96 5 8 5 * *
17 10 18 14 85 84 82 85 88 * 显然，一部分像素的灰度较低，在10-20之间，
11 14 19 13 88 89 89 85 85 * 19 10 lO 84 88 81 89 84 80 *
而另一部分像素的灰度较高，在80～90之间。
11 16 89 82 89 82 81 88 89 *
素 p2 作为下一个边界点，并 此类推，得到封闭边界。
p1
与
p2
相连，以
一旦得到封闭边界，就可将位于边界一侧的像素归 入一子图像，而将其另一侧的像素归入另一子图像， 这样便完成了基于边界的图像分割。
方法一：将梯度值大的且相差较小(设阈值T)的像素连
接起来构成边界。 根据相邻边界像素的灰度梯度有一定相似性的原则，将
符合以下条件的相邻边界像素连接。 假设：像素(p，q)和(s，t)均为边界像素，其灰度梯度
的幅度和方向分别为G[f(p，q)]，G[f(s,t)]和φ[f(p， q)]，φ[f(s，t)]。按差分法计算灰度梯度幅度和梯度 方向的公式如下：
一方面，各种图像分割算法已成为图尚没有一种通用的分割算法 对各种图像均能得到满意的分割结果。
在实际应用中，应根据被处理图像的特点，合理地选择或 设计合适的分割方法。
图像分割方法
基于边界的图像分割； 阈值分割（全局阈值分割、局部阈值分割）； 阈值分割的推广—特征空间中的聚类分割图像
图像分割技术 PPT
Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声 较少的图像分割。 Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均， 但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不 如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子 认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像 素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远， 产生的影响越小。 Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距 离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。 上面的算子是利用一阶导数的信息。 Laplacian算子：是二阶微分算子。其具有各向同性，即与坐标轴方向 无关，坐标轴旋转后梯度结果不变。但是，其对噪声比较敏感，所以，图 像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的 分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。
串行边界分割
并行边缘检测的方法，对图像的每一点上所做的处理 不依赖于其它的点处理结果。串行边界分割在处理图像时不 但利用了本身像素的信息，而且利用前面处理过像素的结果。 对某个像素的处理，以及是否把它分类成为边界点，和先前 对其它点的处理得到的信息有关。 串行边界分割技术通常是通过顺序的搜索边缘点来工作 的，一般有三个步骤： 1.起始边缘点的确定。 2.搜索准则，将根据这个准则确定下一个边缘点。 3.终止条件，设定搜索过程结束的条件。
区域分割与边界分割的比较
区域分割实质：把具有某种相似性质的像素连 通，从而构成最终的分割区域。它利用了图像的局 部空间信息，可有效地克服其他方法存在的图像分 割空间不连续的缺点。 基于区域的分割方法往往会造成图像的过度分 割，而单纯的基于边缘检测方法有时不能提供较好 的区域结构，为此可将基于区域的方法和边缘检测 的方法结合起来，发挥各自的优势以获得更好的分 割效果。
第5章 图像的分割PPT课件
图像分割的概念
图像分割原理上的计算公式如下：
g(i,j)10
f(i,j)Th f(i,j)Th
其中，f(i,j)为原始图像，g(i,j)为结果图像（二值），
Th为阈值。
显然，阈值的选取决定了二值化效果的好坏。
图像分割方法
p-参数法 均匀性度量法
聚类方法
写在最后
经常不断地学习,你就什么都知道。你知道得越多,你就越有力量 Study Constantly, And You Will Know Everything. The More
第五章 图像的分割
图像处理的目的之一是图像识别，图像分割与 测量是图像识别工作的基础。
图像分割将图像分为一些有意义的区域，然后 对这些区域进行描述，相当于提取出某些目标 区域，判断是否有感兴趣的目标。
图像分割的基础是像素间的相似性和跳变性。
所谓“相似性”是指在某个区域内像素具有某 种相似的特性，如灰度一样，纹理相同。
图像分割示例
—— 肾小球区域的提取
?
图像分割示例
——细菌检测
图像分割示例
—— 印刷缺陷检测
图像分割示例
—ቤተ መጻሕፍቲ ባይዱ 印刷缺陷检测
局部放大图
检测结果
图像分割的难点
从前面的例子可以看到，图像分割是比较困难 的。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。
经典的边缘检测方法是构造对像素灰度级阶跃变化敏感 的微分算子。边缘检测器的输出一般都为灰度图像，称 边缘图像，该图像包含有边缘幅值信息。如果边缘检测 器输出值较大，则对应于局部边缘；如果输出值较小， 则对应与无边缘的区域。
在边缘检测之后，找出目标物体的轮廓，进行目标物体 的分析、识别、测量等。这些内容在数字图像处理应用 中，如跟踪、制导等方面扮演重要角色，有广泛的用途。
医学图像分割介绍说明课件
详细描述
图像质量与噪声问题
VS
人体解剖结构复杂且动态变化，对医学图像分割提出了更高的要求。
详细描述
人体不同器官和组织具有不同的形态和结构，且在疾病状态下会发生形态和密度的变化。此外，人体内部各部位之间也存在相互遮挡和干扰的情况，这使得准确识别和分割医学图像变得更为困难。
总结词
复杂的解剖结构与动态变化
早期的医学图像分割主要依靠手工绘制，费时费力且精度不高。
早期阶段
随着计算机技术的发展，开始出现基于阈值、区域生长等简单的自动分割方法。
初级阶段
随着机器学习和深度学习技术的兴起，医学图像分割精度得到大幅提升，成为当前研究的热点领域。
发展阶段
未来医学图像分割技术将朝着更高精度、更自动化、更智能化的方向发展，为医疗健康事业提供更多可能性。
未来展望
医学图像分割的历史与发展
02
CHAPTER
医学图像分割技术
总结词
简单、快速、对图像质量要求高
详细描述
基于阈值的分割方法是最简单的图像分割方法之一，通过设定一个阈值将图像分为前景和背景两部分。该方法计算速度快，但对图像质量要求较高，对于灰度不均匀、噪声较多的医学图像分割效果较差。
基于阈值的分割方法
数据标注与训练样本不足
05
CHAPTER
医学图像分割的未来展望
跨模态医学图像分割是指将不同模态的医学图像进行分割，以提供更全面的医学信息。
随着医学影像技术的不断发展，不同模态的医学图像（如X光、CT、MRI等）被广泛应用于临床诊断和治疗。跨模态医学图像分割技术可以将这些不同模态的图像进行融合，对病变组织和器官进行更精确的分割，为医生提供更全面的医学信息，提高诊断和治疗的准确性和可靠性。
图像质量与噪声问题
VS
人体解剖结构复杂且动态变化，对医学图像分割提出了更高的要求。
详细描述
人体不同器官和组织具有不同的形态和结构，且在疾病状态下会发生形态和密度的变化。此外，人体内部各部位之间也存在相互遮挡和干扰的情况，这使得准确识别和分割医学图像变得更为困难。
总结词
复杂的解剖结构与动态变化
早期的医学图像分割主要依靠手工绘制，费时费力且精度不高。
早期阶段
随着计算机技术的发展，开始出现基于阈值、区域生长等简单的自动分割方法。
初级阶段
随着机器学习和深度学习技术的兴起，医学图像分割精度得到大幅提升，成为当前研究的热点领域。
发展阶段
未来医学图像分割技术将朝着更高精度、更自动化、更智能化的方向发展，为医疗健康事业提供更多可能性。
未来展望
医学图像分割的历史与发展
02
CHAPTER
医学图像分割技术
总结词
简单、快速、对图像质量要求高
详细描述
基于阈值的分割方法是最简单的图像分割方法之一，通过设定一个阈值将图像分为前景和背景两部分。该方法计算速度快，但对图像质量要求较高，对于灰度不均匀、噪声较多的医学图像分割效果较差。
基于阈值的分割方法
数据标注与训练样本不足
05
CHAPTER
医学图像分割的未来展望
跨模态医学图像分割是指将不同模态的医学图像进行分割，以提供更全面的医学信息。
随着医学影像技术的不断发展，不同模态的医学图像（如X光、CT、MRI等）被广泛应用于临床诊断和治疗。跨模态医学图像分割技术可以将这些不同模态的图像进行融合，对病变组织和器官进行更精确的分割，为医生提供更全面的医学信息，提高诊断和治疗的准确性和可靠性。
最新图像检测与处理技术第5章图像分割PPT课件
若一幅图像由亮背景和黑目标组成，则已知目标占图像的 (100-p)%的像素阈值化后匹配为目标的最高灰度，将选做用于 二值化处理的阈值。
16
第5章 图 像 分 割
5.1.3 最大类间/ 类内方差比法 从统计意义上讲，方差是表征数据分布不均衡的统计量，
要通过阈值对两类问题进行分割，显然，适当的阈值使得两类 数据间的方差越大越好，这表明该阈值的确能将两类不同的问 题区分开来；同时希望属于同一类问题的数据之间的方差越小 越好，这样可表明同一类问题具有一定的相似性。因此可以采 用最大类间/类内方差比来作为选择阈值的评价参数。
22
第5章 图 像 分 割
与阈值分割类似，聚类方法也是一种全局的方法，比基于 边缘检测的方法更抗噪声。
在前面介绍的方法中，一般要求类别数已知。在实际图像 分割中，我们可能不具备任何有关模式的先验知识，既不知道 它的分布，也不知道它该分成多少类，当然更不知道各类的参 数，如均值、方差等，这时，集群分类方法就显示出它解决此 类问题的独特优越性。集群分类的方法很多，在此只介绍最基 本的K-均值聚类方法。
分割后的前景目标与背景两个类间的差异最大为最佳分割。在 这里两个类别(目标与背景)的差异，用两个类别中心与阈值之 间的距离差来度量。
根据以上的思想，类间最大距离法的具体步骤如下： ① 给定一个初始阈值Th= Th0，将图像分为C1、C2两类。 ② 分别按照式
i
1
f(x,y)
NCi (x,y)Ci
所谓聚类方法，是采用模式识别中的聚类思想，以类内保 持最大相似性以及类间保持最大距离为目标，通过迭代优化获 得最佳的图像分割阈值。
23
第5章 图 像 分 割
根据以上的设计思想，聚类法的具体步骤如下：
① 给定一个初始的代表两个类别C1、C2的中心灰度值μ1、
16
第5章 图 像 分 割
5.1.3 最大类间/ 类内方差比法 从统计意义上讲，方差是表征数据分布不均衡的统计量，
要通过阈值对两类问题进行分割，显然，适当的阈值使得两类 数据间的方差越大越好，这表明该阈值的确能将两类不同的问 题区分开来；同时希望属于同一类问题的数据之间的方差越小 越好，这样可表明同一类问题具有一定的相似性。因此可以采 用最大类间/类内方差比来作为选择阈值的评价参数。
22
第5章 图 像 分 割
与阈值分割类似，聚类方法也是一种全局的方法，比基于 边缘检测的方法更抗噪声。
在前面介绍的方法中，一般要求类别数已知。在实际图像 分割中，我们可能不具备任何有关模式的先验知识，既不知道 它的分布，也不知道它该分成多少类，当然更不知道各类的参 数，如均值、方差等，这时，集群分类方法就显示出它解决此 类问题的独特优越性。集群分类的方法很多，在此只介绍最基 本的K-均值聚类方法。
分割后的前景目标与背景两个类间的差异最大为最佳分割。在 这里两个类别(目标与背景)的差异，用两个类别中心与阈值之 间的距离差来度量。
根据以上的思想，类间最大距离法的具体步骤如下： ① 给定一个初始阈值Th= Th0，将图像分为C1、C2两类。 ② 分别按照式
i
1
f(x,y)
NCi (x,y)Ci
所谓聚类方法，是采用模式识别中的聚类思想，以类内保 持最大相似性以及类间保持最大距离为目标，通过迭代优化获 得最佳的图像分割阈值。
23
第5章 图 像 分 割
根据以上的设计思想，聚类法的具体步骤如下：
① 给定一个初始的代表两个类别C1、C2的中心灰度值μ1、
图像分割-第2讲
18
19
5.5 最简单图像的区域分割：阈值分割法 3、最佳熵自动阈值法
阈值t将灰度范围为[0，L-1]的图像划分为目标W与背景B两类
H B (t ) ln Pt H t / Pt
H w (t ) ln(1 Pt )
其中，
H Ht 1 Pt
H t pi ln Pi
适用于事先不了解区域形状和区域数目的情况。
该方法基于四叉树思想。
26
5.7 分裂合并法 算法实现：
1）将原图分为四个相等的子块。计算四个 子块的属性值（灰度均值和方差）； R22 R11 2）如果子块的属性值超出设定的阈值，则 R23 R24 表示该子块包含的内容为多个区域的内容， 对该子块进行下一层分裂，并计算属性值； R13 3）如果子块的属性值在设定的阈值内，则 表明该子块具有一致性，不再进行分裂； 4）对当前各个判断为不需要进行下一步分 裂的子块属性值进行比较，如果相邻子块 的属性值相似，则将两子块合并。 5）重复上述操作，直到没有可合并、分裂 的子块为止。
22
5.6 区域增长---简单区域扩张法 算法实现：
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）选择一个增长条件； 3）从该种子开始向外扩张，首先把种子像素加入集 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。
x cos y sin
y
（1/2，pi/4）
O
x
0
式中表示原点到直线的垂直距离； 为垂线与x轴的夹角。
线到点的变换。
6
5.4 Hough变换检测直线法
19
5.5 最简单图像的区域分割：阈值分割法 3、最佳熵自动阈值法
阈值t将灰度范围为[0，L-1]的图像划分为目标W与背景B两类
H B (t ) ln Pt H t / Pt
H w (t ) ln(1 Pt )
其中，
H Ht 1 Pt
H t pi ln Pi
适用于事先不了解区域形状和区域数目的情况。
该方法基于四叉树思想。
26
5.7 分裂合并法 算法实现：
1）将原图分为四个相等的子块。计算四个 子块的属性值（灰度均值和方差）； R22 R11 2）如果子块的属性值超出设定的阈值，则 R23 R24 表示该子块包含的内容为多个区域的内容， 对该子块进行下一层分裂，并计算属性值； R13 3）如果子块的属性值在设定的阈值内，则 表明该子块具有一致性，不再进行分裂； 4）对当前各个判断为不需要进行下一步分 裂的子块属性值进行比较，如果相邻子块 的属性值相似，则将两子块合并。 5）重复上述操作，直到没有可合并、分裂 的子块为止。
22
5.6 区域增长---简单区域扩张法 算法实现：
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）选择一个增长条件； 3）从该种子开始向外扩张，首先把种子像素加入集 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。
x cos y sin
y
（1/2，pi/4）
O
x
0
式中表示原点到直线的垂直距离； 为垂线与x轴的夹角。
线到点的变换。
6
5.4 Hough变换检测直线法
图像模式识别 5-8章-PPT
9
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
在找出边界点集之后，需要连接，形成完整的 边界图形描述。
（2）Hough变换检测直线的基本思想 对于边界上的n个点的点集，找出共线的
点集和直线方程。设任意两点的直线方程：y = ax + b，构造一个参数a，b的平面。
a
b
A、xy平面上的任意一条直线y = ax + b ，对应在参数 ab平面上都有一个点。
fg() (x, y) T2
（3）门限处理的分类
T T[x, y, p(x, y), f (x, y)]
用Sobel算子进行边缘检测的结果
（3）拉普拉斯算子 A、拉普拉斯算子
2 f 2 f 2 f x2 y2
2 f (x, y) x2 f (x 1, y) f (x 1, y) 2 f (x, y)
2 f (x, y) y 2
f (x, y 1)
f (x, y 1) 2 f (x, y)
-1 -2 -1 -2 12 -2 -1 -2 -1
（2）实例
（3）MATLAB实现 点检测模板w： 检测方法：
-1 -1 -1 -1 8 -1 -1 -1 -1
g=abs(imfilter(double(f), w))>=T
示例 f=imread(‘moon.tif’); w=[-1 -1 -1; -1 8 -1; -1 -1 -1]; g=abs(imfilter(double(f), w)); T=max(g(:)); T=T*0.9; g=g>=T; imshow(f); figure, imshow(g);
语法：[g,t]=edge(f, ‘method’, parameter) 说明：g是一个逻辑数组，其值为：在f中检测到边缘的 位置为1，其他位置为零；t是edge是用的阈值；method为边 缘监测器方法，可选为： ‘sobel’, ‘prewit’, ‘roberts’, ‘log’(LoG), ‘zerocoss’, ‘canny’等；parameter包含两部分：T 为指定的阈值，第二部分为dir（检测边缘的首选方向： ‘horizontal’, ‘vertical’, ‘both’），或sigma（标准方差），或H （指定的滤波函数）。
2 线检测 （1）原理 模板检测。
（2）实例
（3）MATLAB实现 水平模板、+45度模板、垂直模板、-45度模板。
示例 f=imread(‘wirebond_mask.tif’); imshow(f); w=[2 -1 -1; -1 2 -1; -1 -1 2]; g=abs(imfilter(double(f), w)); figure,imshow(g);
第5章 图像分割
图像分割实例：虹膜定位
主要内容
5.1 间断检测 5.2 边缘连接和边界检测 5.3 门限处理 5.4 基于区域的分割 5.5 基于形态学分水岭的分割 （自学）
概念
1、图像分割是指将图像划分为它的子区域 或对象的过程。
2、有选择性地定位感兴趣对象在图像中的 位置和范围。
虹膜定位
示例： f=imread(‘rice.tif’); imshow(f); [gsobel,t]=edge(f, ‘sobel’); figure, imshow(gsobel); [glog,t]=edge(f, ‘log’); figure, imshow(glog); [gcanny,t]=edge(f, ‘canny’); figure, imshow(gcanny);
5.2 边缘连接和边界检测
1 基于局部处理的边缘点连接 分析图像中每个点(x,y)的小邻域（如3*3或5*5）内像
素的特点，将满足相似性准则的点连接起来，形成边缘。
f (x, y) f (x0, y0 ) E a(x, y) a(x0, y0 ) A
2 通过Hough变换进行整体处理 （1）问题的提出
2 f f (x 1, y) f (x 1, y) f (x, y 1) f (x, y 1)
4 f (x, y)
B 、LoG算子
h(r)
e
r2 2 2
2
h(r
)
2
为什么在Laplacian算子的基础上引入LoG算子？
零交叉求边缘
（4）MATLAB实现
3 边缘检测 （1）基础 A、两种边缘模型
B、一阶导数和二阶导数
特点 1、一阶导数：在斜坡上，导数值
为正，在平坦区为零。 2、二阶导数：在跃变点，一正一
负，其他部分为零.
C、噪声对一阶导数和二阶导数的影响
噪声对一阶和二阶导数 都有影响，尤其对二阶 导数影响较大，因此， 在检测边缘前应该考虑 平滑处理。
（2）梯度算子 A、梯度算子
f
f
Gx Gy
x f
y
mag(f
)
Gx2
G
2 y
1 2
(
f x
)2
(
f y
)
2
G
1 2
Gx Gy
a(
x,
y
)
arc
G tan(
y
)
Gx
B、各种梯度模板
C、实例
思考题：为什么图像的梯度只需要计算x和y方向的梯度？
图5-10
用Prewitt算子进行边缘检测的结果
原理 1、基于灰度的不连续性。（区域之间） 2、基于灰度的相似性。（区域内部） 3、同时使用灰度不连续性和灰度相似性。
5.1 间断检测
1 点检测 （1）原理 用空域的高通滤波器来检测孤立点。
i9
R wi zi i 1
R T
-1 -1 -1 -1 8 -1 -1 -1 -1
与前面学过的滤波器有什么区别？
a
b
B、过xy平面一个点(x,y)的所有直线，构成参数ab平面 上的一条直线。
a
b
C、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。 a’
y
a
(x1,y1)
b’
x
(x2,y2)
b
D、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
a
A
（3）实例
3 MATLAB实现 设计与实现一个基于Hough变换的直线检测器。（作业）
5.3 门限处理
1 基础 （1）单阈值分割
g(x,
y)
1 0
f (x, y) T f (x, y) T
思考题：如何寻找阈值？
（2）多阈值分割
0 g(x, y) 1
2
f (x, y) T1 T1 f (x, y) T2
（2）Hough变换检测直线的基本思想 对于边界上的n个点的点集，找出共线的
点集和直线方程。设任意两点的直线方程：y = ax + b，构造一个参数a，b的平面。
a
b
A、xy平面上的任意一条直线y = ax + b ，对应在参数 ab平面上都有一个点。
fg() (x, y) T2
（3）门限处理的分类
T T[x, y, p(x, y), f (x, y)]
用Sobel算子进行边缘检测的结果
（3）拉普拉斯算子 A、拉普拉斯算子
2 f 2 f 2 f x2 y2
2 f (x, y) x2 f (x 1, y) f (x 1, y) 2 f (x, y)
2 f (x, y) y 2
f (x, y 1)
f (x, y 1) 2 f (x, y)
-1 -2 -1 -2 12 -2 -1 -2 -1
（2）实例
（3）MATLAB实现 点检测模板w： 检测方法：
-1 -1 -1 -1 8 -1 -1 -1 -1
g=abs(imfilter(double(f), w))>=T
示例 f=imread(‘moon.tif’); w=[-1 -1 -1; -1 8 -1; -1 -1 -1]; g=abs(imfilter(double(f), w)); T=max(g(:)); T=T*0.9; g=g>=T; imshow(f); figure, imshow(g);
语法：[g,t]=edge(f, ‘method’, parameter) 说明：g是一个逻辑数组，其值为：在f中检测到边缘的 位置为1，其他位置为零；t是edge是用的阈值；method为边 缘监测器方法，可选为： ‘sobel’, ‘prewit’, ‘roberts’, ‘log’(LoG), ‘zerocoss’, ‘canny’等；parameter包含两部分：T 为指定的阈值，第二部分为dir（检测边缘的首选方向： ‘horizontal’, ‘vertical’, ‘both’），或sigma（标准方差），或H （指定的滤波函数）。
2 线检测 （1）原理 模板检测。
（2）实例
（3）MATLAB实现 水平模板、+45度模板、垂直模板、-45度模板。
示例 f=imread(‘wirebond_mask.tif’); imshow(f); w=[2 -1 -1; -1 2 -1; -1 -1 2]; g=abs(imfilter(double(f), w)); figure,imshow(g);
第5章 图像分割
图像分割实例：虹膜定位
主要内容
5.1 间断检测 5.2 边缘连接和边界检测 5.3 门限处理 5.4 基于区域的分割 5.5 基于形态学分水岭的分割 （自学）
概念
1、图像分割是指将图像划分为它的子区域 或对象的过程。
2、有选择性地定位感兴趣对象在图像中的 位置和范围。
虹膜定位
示例： f=imread(‘rice.tif’); imshow(f); [gsobel,t]=edge(f, ‘sobel’); figure, imshow(gsobel); [glog,t]=edge(f, ‘log’); figure, imshow(glog); [gcanny,t]=edge(f, ‘canny’); figure, imshow(gcanny);
5.2 边缘连接和边界检测
1 基于局部处理的边缘点连接 分析图像中每个点(x,y)的小邻域（如3*3或5*5）内像
素的特点，将满足相似性准则的点连接起来，形成边缘。
f (x, y) f (x0, y0 ) E a(x, y) a(x0, y0 ) A
2 通过Hough变换进行整体处理 （1）问题的提出
2 f f (x 1, y) f (x 1, y) f (x, y 1) f (x, y 1)
4 f (x, y)
B 、LoG算子
h(r)
e
r2 2 2
2
h(r
)
2
为什么在Laplacian算子的基础上引入LoG算子？
零交叉求边缘
（4）MATLAB实现
3 边缘检测 （1）基础 A、两种边缘模型
B、一阶导数和二阶导数
特点 1、一阶导数：在斜坡上，导数值
为正，在平坦区为零。 2、二阶导数：在跃变点，一正一
负，其他部分为零.
C、噪声对一阶导数和二阶导数的影响
噪声对一阶和二阶导数 都有影响，尤其对二阶 导数影响较大，因此， 在检测边缘前应该考虑 平滑处理。
（2）梯度算子 A、梯度算子
f
f
Gx Gy
x f
y
mag(f
)
Gx2
G
2 y
1 2
(
f x
)2
(
f y
)
2
G
1 2
Gx Gy
a(
x,
y
)
arc
G tan(
y
)
Gx
B、各种梯度模板
C、实例
思考题：为什么图像的梯度只需要计算x和y方向的梯度？
图5-10
用Prewitt算子进行边缘检测的结果
原理 1、基于灰度的不连续性。（区域之间） 2、基于灰度的相似性。（区域内部） 3、同时使用灰度不连续性和灰度相似性。
5.1 间断检测
1 点检测 （1）原理 用空域的高通滤波器来检测孤立点。
i9
R wi zi i 1
R T
-1 -1 -1 -1 8 -1 -1 -1 -1
与前面学过的滤波器有什么区别？
a
b
B、过xy平面一个点(x,y)的所有直线，构成参数ab平面 上的一条直线。
a
b
C、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。 a’
y
a
(x1,y1)
b’
x
(x2,y2)
b
D、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
a
A
（3）实例
3 MATLAB实现 设计与实现一个基于Hough变换的直线检测器。（作业）
5.3 门限处理
1 基础 （1）单阈值分割
g(x,
y)
1 0
f (x, y) T f (x, y) T
思考题：如何寻找阈值？
（2）多阈值分割
0 g(x, y) 1
2
f (x, y) T1 T1 f (x, y) T2