数字图像处理-第五章图像分割2015
数字图像处理实验报告——图像分割实验
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。
3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。
通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。
2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
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。
《数字图像处理》课后作业2015
《数字图像处理》课后作业（2015）第2章2.5一个14mm⨯14mm的CCD摄像机成像芯片有2048⨯2048个像素，将它聚焦到相距0.5m远的一个方形平坦区域。
该摄像机每毫米能分辨多少线对？摄像机配备了一个35mm镜头。
（提示：成像处理模型见教材图2.3，但使用摄像机镜头的焦距替代眼睛的焦距。
）2.10高清电视（HDTV, High Definition TV ）使用1080条水平电视线（TV Line）隔行扫描来产生图像（每隔一行在显像管表面画出一条水平线，每两场形成一帧，每场用时1/60秒,此种扫描方式称为1080i，即1080 interlace scan；对应的有1080p，即1080 progressive scan,逐行扫描）。
图像的宽高比是16:9。
水平电视线数（水平行数）决定了图像的垂直分辨率，即一幅图像从上到下由多少条水平线组成；相应的水平分辨率则定义为一幅图像从左到右由多少条垂直线组成，水平分辨率通常正比于图像的宽高比。
一家公司已经设计了一种图像获取系统，该系统由HDTV图像生成数字图像，彩色图像的每个像素都有24比特的灰度分辨率（红、绿、蓝分量各8比特）。
请计算不压缩时存储90分钟的一部HDTV电影所需要的存储容量。
2.22图像相减常用于在产品装配线上检测缺失的元件。
方法是事先存储一幅对应于正确装配的产品图像，称为“金”图像（“golden” image），即模板图像。
然后，在同类型产品的装配过程中，采集每一装配后的产品图像，从中减去上述模板图像。
理想情况下，如果产品装配正确，则两幅图像的差值应为零。
而对于缺失元件的产品，其图像与模板图像在缺失元件区域不同，两幅图像的差值在这些区域就不为零。
在实际应用中，您认为需要满足哪些条件这种方法才可行？第3章3.5在位平面分层中,（a）如果将低阶位平面的一半设为零值，对一幅图像的直方图大体上有何影响？（b）如果将高阶位平面的一半设为零值，对一幅图像的直方图又有何影响？3.6试解释为什么离散直方图均衡化技术一般不能得到平坦的输出直方图。
数字图像处理试题答卷及参考答案2015年
中南大学考试试卷2015-- 2016 学年 1 学期时间100分钟 2015年 11月 4 日数字图像处理课程 32 学时 2 学分考试形式：闭卷专业年级：电子信息2013级总分100分，占总评成绩 70%2.___5.8.9.10.a.梯度算子b.Prewitt算子c.Roberts算子d. Laplacian算子4.采用模板［-1 1］主要检测____方向的边缘。
( c )a.水平b.450c.垂直d.13505.一幅256*256的图像，若灰度级为16，则存储它所需的总比特数是:（ a ）a. 256Kbb.512Kbc.1Mbd. 2M6.维纳滤波器通常用于: ( c )a. 去噪b.减小图像动态范围c.复原图像d.平滑图像7.采用幂次变换进行灰度变换时，当幂次取大于1时，该变换是针对如下哪一类图像进行增强。
（ b）a. 图像整体偏暗b. 图像整体偏亮c. 图像细节淹没在暗背景中d.图像同时存在过亮和过暗背景8.对于任意两点p(x，y) 和q(s，t)之间的D8距离，以下说法错误的是：（ a ）a. D8 (p,q)=|x-s|+|y-t|b. D8(p,q)=max(|x-s|,|y-t|)c. D8=1的像素就是(x,y)的8-邻域像素d. D8距离别名棋盘距离。
9.傅立叶变换得到的频谱中，低频系数对应于：（ c ）10.’)。
2.’)2’）（2’）都属于图像增强，改善图像效果。
（2’）4.试画出图像退化模型框图，并写出退化模型的解析式f(x，y)表示理想的、没有退化的图像，g(x，y)是退化（所观察到）的图像，η(x，y)表+示加性噪声，H是退化函数,则：g（x，y）= H[f（x，y)]+ η（x，y） (2’)5.画出变换编码的流程框图，说明其中正交变换的作用正交变换的作用是将图像的能量尽量集中在少数系数上，从而最大限度地去除原始图像中数据间的相关。
(2')（考察图像压缩）四、利用3x3窗口对下图进行均值滤波与中值滤波（均值滤波请4舍5入取整数），并说明两种滤波方法的不同适合情况。
(完整版)数字图像处理每章课后题参考答案
数字图像处理每章课后题参考答案第一章和第二章作业：1.简述数字图像处理的研究内容。
2.什么是图像工程？根据抽象程度和研究方法等的不同，图像工程可分为哪几个层次？每个层次包含哪些研究内容？3.列举并简述常用表色系。
1.简述数字图像处理的研究内容？答：数字图像处理的主要研究内容，根据其主要的处理流程与处理目标大致可以分为图像信息的描述、图像信息的处理、图像信息的分析、图像信息的编码以及图像信息的显示等几个方面，将这几个方面展开，具体有以下的研究方向：1.图像数字化，2.图像增强，3.图像几何变换，4.图像恢复，5.图像重建，6.图像隐藏，7.图像变换，8.图像编码，9.图像识别与理解。
2.什么是图像工程？根据抽象程度和研究方法等的不同，图像工程可分为哪几个层次？每个层次包含哪些研究内容？答：图像工程是一门系统地研究各种图像理论、技术和应用的新的交叉科学。
根据抽象程度、研究方法、操作对象和数据量等的不同，图像工程可分为三个层次：图像处理、图像分析、图像理解。
图像处理着重强调在图像之间进行的变换。
比较狭义的图像处理主要满足对图像进行各种加工以改善图像的视觉效果。
图像处理主要在图像的像素级上进行处理，处理的数据量非常大。
图像分析则主要是对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息从而建立对图像的描述。
图像分析处于中层，分割和特征提取把原来以像素描述的图像转变成比较简洁的非图形式描述。
图像理解的重点是进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释，从而指导和规划行为。
图像理解主要描述高层的操作，基本上根据较抽象地描述进行解析、判断、决策，其处理过程与方法与人类的思维推理有许多相似之处。
第三章图像基本概念1.图像量化时，如果量化级比较小时会出现什么现象？为什么？答：当实际场景中存在如天空、白色墙面、人脸等灰度变化比较平缓的区域时，采用比较低的量化级数，则这类图像会在画面上产生伪轮廓（即原始场景中不存在的轮廓）。
数字图像处理图像分割
如果检测结果小于给定的阈值，就把两个区域合并。
5.3 区域分割
2 分裂合并法 实际中常先把图像分成任意大小且不重叠的区域，然后再
合并或分裂这些区域以满足分割的要求,即分裂合并法.一致 性测度可以选择基于灰度统计特征(如同质区域中的方差),假
设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 V (Ri ) T ，则将其分裂成互不重叠的四
3 影响因素
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
－－若集中于对角线区则表示灰度均匀 平均灰度
区。
边界
－－若远离对角线者（灰度与平均灰度 不同）是区域边界。
背景
（近对角线构成直方图有明显峰值及阈 值，远离对角线者可用灰度平均值作为 阈值，用于区分两个区）。
目标 边界
灰度
3 影响因素 多特征阈值分割 b 灰度与灰度梯度图
5.4 Hough变换
Hough变换是一种检测、定位直线和解析曲线的有效 方法。它是把二值图变换到Hough参数空间，在参数空间 用极值点的检测来完成目标的检测。下面以直线检测为例， 说明Hough变换的原理。
域，直到区域不能进一步扩张； Step4：返回到步骤1，继续扫描直到所有像素都有归属，则结束整
个生长过程。
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域灰度差方法
讨论：生长准则与欠分割或过分割现象
10477 10477 01555 20565 22564
11577 11577 11555 21555 22555
C1的平均值：1
m
ipi
iT 1 w1
(T )
1 w(T )
m
其中, ipi w00 w11 是整体图像的灰度平均值
《数字图像处理》课程教学大纲
数字图像处理课程教学大纲课程简介数字图像处理是计算机科学与技术领域的一门重要课程，它研究如何使用计算机和算法来处理和分析数字图像。
本课程旨在介绍数字图像处理的基本原理、方法和应用，并培养学生的图像处理能力和技巧。
课程目标本课程的主要目标是让学生掌握数字图像处理的基本理论和方法，具备图像处理算法设计、图像增强、图像分割、图像压缩等技术的基本能力。
同时，通过实践项目的实施，培养学生的问题解决能力和团队合作能力。
课程安排第一周：课程介绍与基本概念•课程介绍•数字图像的基本概念与特点•数字图像处理的基本步骤第二周：图像预处理•图像采集与获取•图像灰度变换•图像噪声模型与去噪方法第三周：图像增强•直方图均衡化•空域滤波与频域滤波•边缘增强与锐化第四周：图像压缩•图像压缩的基本概念与方法•离散余弦变换（DCT）与JPEG压缩算法•小波变换与JPEG2000压缩算法第五周：图像分割与边缘检测•阈值分割•基于边缘的图像分割•基于区域的图像分割第六周：实践项目1 - 图像识别•项目需求分析与设计•图像特征提取与选择•分类器的训练与测试第七周：实践项目2 - 图像恢复•项目需求分析与设计•图像模型与图像去模糊•图像去噪与图像修复第八周：实践项目3 - 图像处理工具开发•项目需求分析与设计•图像处理算法的实现•图形界面设计与用户交互评估方式•平时成绩：30%•作业与实验报告：30%•期末考试：40%参考教材•Rafael C. Gonzalez, Richard E. Woods. 数字图像处理（第三版）. 清华大学出版社，2018.•Richard Szeliski. 计算机视觉：算法与应用. 电子工业出版社，2014.参考资源•MATLAB图像处理工具箱文档•OpenCV计算机视觉库官方文档以上是《数字图像处理》课程的教学大纲，希望通过本门课程的学习，能够让学生对数字图像处理有一个全面的了解，并具备实践应用的能力。
数字图像处理：图像分割
数字图像处理：图像分割数字图像处理：图像分割前⾔：这个实验分成两部分代码，分别对应1和21. 膨胀：将与⽬标区域的背景点合并到该⽬标物中，使⽬标物边界向外部扩张的处理，把⼆值图像各1像素连接成分的边界扩⼤⼀层。
具体操作为：图像中关⼼的像素（结构元素B中值为1的部分）有1，则结果赋值为1，没有1，则赋值0。
腐蚀：消除连通域的边界点，使边界向内收缩的处理。
贴标签是对不同连通域区分和标记的基本算法，把⼆值图像各1像素连接成分的边界点去掉从⽽缩⼩⼀层。
2. 开操作：先腐蚀再膨胀，可以去掉⽬标外的孤⽴点闭操作：先膨胀再腐蚀，可以去掉⽬标内的孔。
注：别忘了图⽚的路径改成⾃⼰的⼀、实验⽬的理解和掌握图像分割的基本理论和算法，练习使⽤形态学、区域、边界和阈值的⽅法结合图像增强复原的相关知识对图像进⾏分割处理。
⼆、实验内容1．读⼊⼀幅图像，对图像进⾏如下操作：(1) ⽤膨胀腐蚀等形态学⽅法对图像进⾏去噪、增强处理。
改变结构元素，观察处理后的图像是否有明显的差别。
(2) ⽤开操作和闭操作等形态学⽅法去除指纹图像中的细⼩颗粒，连接断裂的指纹。
(3) 在上⼀步⽤形态学⽅法处理后的指纹图像基础上，运⽤全局阈值实现图像的⼆值化。
2．读⼊⼀幅图像，利⽤边缘检测和分⽔岭⽅法（watershed）对图像进⾏前景分割。
在调⽤watershed函数前，利⽤prewitt算⼦或者全局阈值等⽅法增强图像边缘。
实验结果图如下：1. 第⼀部分实验结果（两种图⽚来观察结果，此外我在作腐蚀时改变了两种结构元素来进⾏观察）2. 第⼆部分实验结果（两种图⽚来观察结果）：代码如下：###### 第⼀部分代码%⼿动实现膨胀和腐蚀%img=imread('finger_noise.tif');img=im2bw(imread('test.png'));figure('name','实验结果');number=5;% 定义number⾏图⽚subplot(number,3,1);imshow(img);title('原图');subplot(number,3,4);imshow(img);title('原图');subplot(number,3,7);imshow(img);title('原图');B=[0 1 01 1 10 1 0]; %结构元素[row,col]=size(img);%获得图像的⾼和宽%对img进⾏膨胀imgdilate=img;for i=2:row-1for j=2:col-1pitch=img(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0imgdilate(i,j)=1;%⾮零则赋值1elseimgdilate(i,j)=0;%零则仍赋值0endendendsubplot(number,3,2);imshow(imgdilate);title('膨胀后结果');%对img进⾏腐蚀imgerode=img;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=img(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgerode(i,j)=0;elseimgerode(i,j)=1;endendendsubplot(number,3,3);imshow(imgerode);title('腐蚀后结果');B= [1 1 1;1 1 1;1 1 1]%更改结构元素[1 1 1;1 1 1;1 1 1]，[1 0 1;0 1 0;1 0 1] %开操作（对腐蚀后的图像再进⾏⼀次膨胀）imgopen=imgerode;for i=2:row-1for j=2:col-1pitch=imgerode(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0 %⾮零则赋值1imgopen(i,j)=1;elseimgopen(i,j)=0;%零则仍赋值0endendendsubplot(number,3,5);imshow(imgopen);title('开操作后结果，结构元素为[1 1 1;1 1 1;1 1 1]');%闭操作（对膨胀后的图像再进⾏⼀次腐蚀）imgclose=imgdilate;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=imgdilate(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgclose(i,j)=0;elseimgclose(i,j)=1;endendendsubplot(number,3,6);imshow(imgclose);title('闭操作后结果，结构元素为[1 1 1;1 1 1;1 1 1]');B= [1 0 1;0 1 0;1 0 1]%更改结构元素[1 1 1;1 1 1;1 1 1]，[1 0 1;0 1 0;1 0 1] %开操作（对腐蚀后的图像再进⾏⼀次膨胀）imgopen=imgerode;for i=2:row-1for j=2:col-1pitch=imgerode(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))>0 %⾮零则赋值1imgopen(i,j)=1;elseimgopen(i,j)=0;%零则仍赋值0endendendsubplot(number,3,8);imshow(imgopen);title('开操作后结果，结构元素为[1 0 1;0 1 0;1 0 1]');%闭操作（对膨胀后的图像再进⾏⼀次腐蚀）imgclose=imgdilate;C=sum(B(:)); %结构元素B中关⼼的元素个数for i=2:row-1for j=2:col-1pitch=imgdilate(i-1:i+1,j-1:j+1);convtmp= pitch.*B; %⽤img中的⼀块与结构元素作卷积if sum(convtmp(:))<Cimgclose(i,j)=0;elseimgclose(i,j)=1;endendendsubplot(number,3,9);imshow(imgclose);title('闭操作后结果，结构元素为[1 0 1;0 1 0;1 0 1]');subplot(number,3,10);imshow(imgdilate);title('原图');%确定全局阈值TT=0.5*(double(min(imgdilate(:)))+double(max(imgdilate(:))));%设置初始阈值为最⼤灰度和最⼩灰度值和的⼀半done=false;while ~doneg=imgdilate>=T;%分成两组像素，灰度值⼤于或者等于T的和灰度值⼩于T的Tnext=0.5*(mean(imgdilate(g))+mean(imgdilate(~g)));%新阈值两个范围内像素平均值和的⼀半done=abs(T-Tnext)<0.5; %0.5是⾃⼰指定的参数T=Tnext;endimout2=im2bw(imgdilate,T);subplot(number,3,11);imshow(imout2);title('膨胀后全局⼆值化');%确定全局阈值TT=0.5*(double(min(imgerode(:)))+double(max(imgerode(:))));%设置初始阈值为最⼤灰度和最⼩灰度值和的⼀半done=false;while ~doneg=imgerode>=T;%分成两组像素，灰度值⼤于或者等于T的和灰度值⼩于T的Tnext=0.5*(mean(imgerode(g))+mean(imgerode(~g)));%新阈值两个范围内像素平均值和的⼀半done=abs(T-Tnext)<0.5; %0.5是⾃⼰指定的参数T=Tnext;endimout3=im2bw(imgerode,T);subplot(number,3,12);imshow(imout3);title('腐蚀后全局⼆值化');第⼆部分代码%pic =imread('finger.tif')pic =imread('rice.tif')number=2subplot(number,3,1);imshow(pic);title('原图');% 使⽤prewitt算⼦增强G=imfilter(pic,fspecial('prewitt'));%⽣成’prewitt’模板,并对输⼊图像做边缘增强，再加上原图像subplot(number,3,2);imshow(G);title('prewitt算⼦增强后图像');L=watershed(G); %分⽔岭算法wr=L==0; %取出边缘subplot(number,3,3);imshow(wr);title('分⽔岭');pic(wr)=255;subplot(number,3,5);imshow(uint8(pic));title('前景分割结果');。
- 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)。
（简单而又难于实现的最基础的识别工作。人的视觉系统对图像分 割是十分复杂的，也是相当有效的。但分割原理和模型都未搞清 楚。）
第五章 图像的分割
5.1 阈值分割 5.2 边缘检测 5.3 区域分割 5.4 Hough变换 5.5 近邻法分割 5.6 基于动态聚类的分割 5.7 基于神经网络的分割 5.8 其它分割方法
离散域上微分改成差分,而且由水平和垂直两个 方向模板组成
一阶: △x f(i,j) = f(i,j) - f(i,j-1) △y f(i,j) = f(i,j) - f(i-1,j)
二阶：△x2 f(i,j) = △x f(i,j+1) - △x f(i,j) = f(i,j+1) - f(i,j) –( f(i,j) - f(i,j-1))
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域内灰度分布统计性质
灰度直方图h(x)的累积灰度直方图被定义为：
X
H(X) h(i)
i0
① Kolmogorov-Smirnov检测: m X a H 1x (X)H2(X)
② Smoothed-Difference 检测: H1(X)H2(X) X
第五章 图像的分割
图像处理有两大类目的： 1．改善像质（增强、恢复） 2．图像分析：对图像内容作出描述
图像输入 光电变换
数字化
预处理
图像增强 图像恢复
图像分割 阈值分割
……
描述 图像分析理解
图像识别
一般的图像处理过程
特征提取
第五章 图像的分割与描述
图像分析：（也叫景物分析或图像理解）
可看作是一种描述过程，主要研究用自动或半自动 装置和系统，从图像中提取有用测度，数据或信息生成 非图的描述或表示。
梯度对应一阶导数，对于一个连续图像函数f(x,y):
T
梯度矢量定义:
f(x,y)G x G yT fx
f y
梯度的幅度: f( x ,y ) m ( f( x a ,y ) g ( ) G x 2 G y 2 ) 1 2
梯度的方向: (x,y)arcG tya G xn ) (
1 边缘检测原理
-1 -c -1 -1 1 -c c
1 c 1 -1 1
c1 1 -1
-1 -c
1c -1 1 -c -1
注意：边缘检测对噪声敏感，常在作边缘检测前对图
像进行某些预处理，如平滑处理等。
2 典型算子
f) 二阶微分算子--- laplace算子
2fi,jΔ2xfi,jΔ2yfi,j fi1j,fi1j, fi,j1fi,j14fi,j
g ( x ,y ) m g 0 ,a g 1 , x ,g T } {
11
其中： gi(x,y) K i(k,l)f(xk,yl) k1l 1
若 g i 最大，说明 f (i, j) 处有 i方向的边缘通过
2 典型算子 d) Kirsch算子
55 5 -3 0 -3
-3 -3 -3
k0
-3 -3 -3 -3 0 -3
区。
边界
－－若远离对角线者（灰度与平均灰度 不同）是区域边界。
背景
（近对角线构成直方图有明显峰值及阈 值，远离对角线者可用灰度平均值作为 阈值，用于区分两个区）。
目标 边界
灰度
3 影响因素 多特征阈值分割 b 灰度与灰度梯度图
灰度
目标
边界
背景
梯度
c 多波段：
R、G、B可分别组成R-B, G-B, R-B两维直方图， 图上强的地方反映一个区。
暗
暗
亮
暗
暗
3 影响因素
多波段： R、G、B多幅直方图同时出现谷值。
取局部特征：如纹理——粗糙度 此结构特征优于灰度特征，与结构有关，若取局部特征， 并对局部特征图平滑之后，再取阈值，则效果更好。
3 影响因素
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
－－若集中于对角线区则表示灰度均匀 平均灰度
错误区分的概率: t 1 P ( T ) ( 1 t ) Q ( T )
求上式最小值时的T，便是阈值.即对上式求微分
d{t[1P(T) ](1t)Q (T)} 0 ( 1 t) q ( T ) t( T p ) 0
dT
根据假设，当t, p(z), q(z) 已知时，可求解阈值T.
该方法必须用两个已知正态分布的曲线合成来近似直方图的分 布，还要给定两个正态分布合成的比例t, 实现起来比较复杂
5.3 区域分割
区域分割：利用的是图像的空间性质，认为分割 出来的属于同一区域的像素应具有相似的性质.
1 区域生长法：
10477
115 5 5
10477
115 5 5
01555
115 5 5
20565
115 5 5
22564
115 5 5
T=3时的生长结果
5.3 区域分割
1 区域生长法
算法描述 先对每个需要分割的区域找一个种子像素作为生长的
最大方差阈值选取法
也叫大津阈值,把直方图在某一阈值处分割成两组， 当被分成的两组间方差为最大时，决定阈值。设一幅图像 的灰度值为1~m级，灰度值i的像素数为ni，则像素总数为
N ni ，各值的概率 pi ni /N，用T将其分成两组 i
C0={1~T}和C1={T+1~m}，各组产生的概率如下：
C0产生的概率为：w0
域，直到区域不能进一步扩张； Step4：返回到步骤1，继续扫描直到所有像素都有归属，则结束整
个生长过程。
5.3 区域分割
1 区域生长法 区域生长法生长准则
基于区域灰度差方法
讨论：生长准则与欠分割或过分割现象
10477 10477 01555 20565 22564
11577 11577 11555 21555 22555
从1~m之间改变T，求上式为最大值时的T，既是最大方差阈值
最大方差阈值选取法
实现过程: 从T从1~m逐一改变,每变一次,对应一个 2(T) ，
具有最大2(T) 的T即是最佳阈值.
讨论： * 此方法可操作性强； * 无论图像有无双峰都可得到较满意结果； * 局部图像二值化效果更好 * 可推广到双阈值图像分割
如果检测结果小于给定的阈值，就把两个区域合并。
5.3 区域分割
2 分裂合并法 实际中常先把图像分成任意大小且不重叠的区域，然后再
合并或分裂这些区域以满足分割的要求,即分裂合并法.一致 性测度可以选择基于灰度统计特征(如同质区域中的方差),假
设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 V(Ri)T，则将其分裂成互不重叠的四
-1 -1 4 -1
-1
特点2 典型算子
g) Canny算子 一个边缘算子必须满足三个准则： 1） 低错误率：边缘算子应该只对边缘响应，并能找到所 有的边，而对于非边缘应能舍弃。 2） 定位精度：被边缘算子找到的边缘象素与真正的边缘 象素间的距离应尽可能的小。 3） 单边响应：在单边存在的地方，检测结果不应出现多 边。
5.1 阈值分割
1 阈值分割原理
g(x,y) L LE B
f(x,y)T f(x,y)T
非理想情况，各段的分界不明显，
3种误差 a）增加了新的区域，b）失去了原有的区域，
c）区域分割边界定位不准确
动态门限：把图像分成子图像，子图像做直方图，再定不
同的门限
2 阈值的选取 最小误差阈值选取法
假设图像中目标及背景的灰度为正态分布，其灰度分 布概率密度函数分别p(z), q(z).设对象物占整体图像的比
等分；
② 对相邻区域Ri和Rj，如果 V(R iRj)T，则将二者合并；
③ 如果进一步的分裂或合并都不可能了，则终止算法。
5.3 区域分割
2 分裂合并法
R1
R2
R3
R41 R42
R43 R44
R R1 R2 R3 R4
R41
R42 R43 R44
简单的区域分裂过程
分裂合并法分割图像示例
5.4 Hough变换
T=1
11111 11111 11111 11111 11111
T=6
5.3 区域分割 1 区域生长法 区域生长法生长准则
基于区域内灰度分布统计性质
考虑以灰度分布相似性作为生长准则来决定区域的 合并，具体步骤为： ① 把像素分成互不重叠的小区域； ② 比较邻接区域的累积灰度直方图，根据灰度分布的 相似性进行区域合并；
Hough变换是一种检测、定位直线和解析曲线的有效 方法。它是把二值图变换到Hough参数空间，在参数空间 用极值点的检测来完成目标的检测。下面以直线检测为例， 说明Hough变换的原理。
10
01
0 -1 -1 0
Roberts算子
2 典型算子
b) Sobel算子
-1 0 1 -2 0 2 -1 0 1
121 000 -1 -2 -1
c) Prewitt算子
-1 0 1 -1 0 1 -1 0 1
111 000 -1 -1 -1
2 典型算子
d) Kirsch算子
由K0~K7八个方向模板组成，将K0~K7的模板算法分别与 图像中的3×3区域乘，选最大一个值，作为中央像素的边缘 强度
T
pi
w(T)
i1
C1产生的概率为：
w1
m
pi
1w0
iT1
最大方差阈值选取法
C0的平均值：0
T
ipi
i1w0
(T)
w(T)
C1的平均值：1i T m1iw1 pi 1 w ((T T))