第七章 图像分割
合集下载
第七章 图像分割_PPT课件
•关键点
– 鲁棒局部特征，抗变形能力强，适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈 值不等式判断像素的类别。
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异，而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看，具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 自然图像理解
• 7.2 图像特征概述
•亮度 •直方图 •变换系数 •边缘 •纹理 •关键点
• 7.2 图像特征概述
•亮度
– 空间连续性，稠密性，直观，敏感性
•直方图
– 统计特征，抗线性几何变换
•变换系数
– 频域统计特征，提供一种完全不同的视角
•边缘
– 符合视觉习惯，是形状信息的基础
•纹理
– 局部不连续性和全局相似性的统一
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T？
–迭代法 –大津法 (OTSU) –最优阈值法 –最大熵法 –众数法 –矩不变法 ……
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大 于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 从优化的角度看，迭代阈值法的目标函数：
• 7.3 阈值法 —— 全局阈值法
• 大津法（OTSU） – 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
– 鲁棒局部特征，抗变形能力强，适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈 值不等式判断像素的类别。
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异，而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看，具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 自然图像理解
• 7.2 图像特征概述
•亮度 •直方图 •变换系数 •边缘 •纹理 •关键点
• 7.2 图像特征概述
•亮度
– 空间连续性，稠密性，直观，敏感性
•直方图
– 统计特征，抗线性几何变换
•变换系数
– 频域统计特征，提供一种完全不同的视角
•边缘
– 符合视觉习惯，是形状信息的基础
•纹理
– 局部不连续性和全局相似性的统一
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T？
–迭代法 –大津法 (OTSU) –最优阈值法 –最大熵法 –众数法 –矩不变法 ……
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大 于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 从优化的角度看，迭代阈值法的目标函数：
• 7.3 阈值法 —— 全局阈值法
• 大津法（OTSU） – 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
《图像分割技术》课件
Canny边缘检测
由John Canny在1986年提出，通 过求解梯度幅值的局部最大值来 检测图像中的边缘。
Laplacian边缘检测
通过计算图像的二阶导数来检测 边缘。
基于图像信息的分割
1 区域生长法
从像素点开始逐渐生长， 形成相似的区域。
2 分水岭算法
通过将图像看作地理地形 图，使用水的流动路线来 进行分割。
图像分割技术
本课程介绍图像分割技术的定义、分类、应用和发展历程。我们将介绍传统 方法和深度学习应用，并展望未来的研究方向。
概述
定义与意义
图像分割是将图像分成多个部分或对象的过程。 广泛应用于计算机视觉、医学图像处理、自动 驾驶和图像语义分析等领域。
分类与应用领域
根据分割结果的类型和得到的方式，可以将图 像分割分为像素分割、基于边缘的分割、基于 图像信息的分割和基于深度学习的分割等。 分 割技术在医学图像处理、自动驾驶、图像语义 分析等领域得到了广泛的应用。
使用在深度学习领域中最新技术， 为不同的图像分配像素级别的标 签，从而识别和分类。
研究前沿
1
图像分割中的深度学习新方法研究
使用新的深度学习技术，如GAN和Transformer网络，来进一步提高图像分割的 准确性和鲁棒性。
2
图像分割中的多模态融合研究
将多种分割方法结合起来，例如结合像素级别的分割和语义级别的分割。
3
U-Net网络的应用
使用更加深入的卷积网络 U-Net，在较少的数据集上进行训练，得到高质量的分 割结果。
实例应用
医学图像处理中的应用
自动驾驶中的应用
图像语义分割中的应用
采用分割算法对脑部 MRI 扫描图 像中肿瘤进行分割、测量和定位， 为医生的诊断提供支持。
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。
07-图像分割
-1 -1
2
-1 -1
-1
2 -1
-1
-1 2
水平模板
45度模板
垂直模板
135度模板
43
例： 图像
1
1
1
1
1
1
1
1
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
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
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 检测到一个孤立点。
42
2. 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:
-1
2 -1
-1
2 -1
-1
2 -1
-1
-1 2
-1
2 -1
2
-1 -1
-1
-1 -1
2
2 2-1128 8 源自 8-1-18
-1
-1
-1
R = (-1 * 8 * 8 + 128 * 8) / 9
= (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
41
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，说明当前检测点的灰度值与周围点的
2
-1 -1
-1
2 -1
-1
-1 2
水平模板
45度模板
垂直模板
135度模板
43
例： 图像
1
1
1
1
1
1
1
1
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
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
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 检测到一个孤立点。
42
2. 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:
-1
2 -1
-1
2 -1
-1
2 -1
-1
-1 2
-1
2 -1
2
-1 -1
-1
-1 -1
2
2 2-1128 8 源自 8-1-18
-1
-1
-1
R = (-1 * 8 * 8 + 128 * 8) / 9
= (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
41
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，说明当前检测点的灰度值与周围点的
图像分割经典教材
-1 -2 -1 0 1 0 2 0 1 -1 -2 -1 0 0 0 1 2 1 z1 z2 z3 z4 z5 z6 z7 z8 z9
边缘检测
z
结论
Prewitt和Sobel算子是计算数字梯度时最常 用的算子
9 9
Prewitt模板比Sobel模板简单，但Sobel模板 能够有效抑制噪声
边缘检测
|Gy|，y方向上的梯度分量， 梯度图像|Gx|+|Gy|，突出水平和 突出垂直细节 垂直细节
边缘检测
Sobel45o模板的检测结果 Sobel-45o模板的检测结果
拉普拉斯算子
z
图像函数的拉普拉斯变换定义为
∇2 f = ∂2 f ∂x 2 + ∂2 f ∂y 2
z1 z2 z3 z4 z5 z6 z7 z8 z9
用
数字边缘模型
理想数字边缘模型 斜坡数字边缘模型
斜坡的产生是由光学系统、取样和图像采集系统的不完善带来 的边缘模糊造成的
间断检测
边缘 在边缘斜面上，一阶导数为正， 其它区域为零 在边缘与黑色交界处，二阶导数为正 在边缘与亮色交界处，二阶导数为负 沿着斜坡和灰度为常数的区域为零
间断检测
z
结论
一阶导数可用于检测图像中的一个点是否在 边缘上
R = ω1 z1 + ω 2 z 2 + ... + ω9 z9 =
∑ω z
i =1
9
i i
间断检测
z
点检测
使用如图所示的模板，如果 R ≥ T ，则在模 板中心位置检测到一个点 其中，T是阈值，R是模板计算值
基本思想：如果一个孤立点与它周围的点不 同，则可以使用上述模板进行检测。
9
边缘检测
z
结论
Prewitt和Sobel算子是计算数字梯度时最常 用的算子
9 9
Prewitt模板比Sobel模板简单，但Sobel模板 能够有效抑制噪声
边缘检测
|Gy|，y方向上的梯度分量， 梯度图像|Gx|+|Gy|，突出水平和 突出垂直细节 垂直细节
边缘检测
Sobel45o模板的检测结果 Sobel-45o模板的检测结果
拉普拉斯算子
z
图像函数的拉普拉斯变换定义为
∇2 f = ∂2 f ∂x 2 + ∂2 f ∂y 2
z1 z2 z3 z4 z5 z6 z7 z8 z9
用
数字边缘模型
理想数字边缘模型 斜坡数字边缘模型
斜坡的产生是由光学系统、取样和图像采集系统的不完善带来 的边缘模糊造成的
间断检测
边缘 在边缘斜面上，一阶导数为正， 其它区域为零 在边缘与黑色交界处，二阶导数为正 在边缘与亮色交界处，二阶导数为负 沿着斜坡和灰度为常数的区域为零
间断检测
z
结论
一阶导数可用于检测图像中的一个点是否在 边缘上
R = ω1 z1 + ω 2 z 2 + ... + ω9 z9 =
∑ω z
i =1
9
i i
间断检测
z
点检测
使用如图所示的模板，如果 R ≥ T ，则在模 板中心位置检测到一个点 其中，T是阈值，R是模板计算值
基本思想：如果一个孤立点与它周围的点不 同，则可以使用上述模板进行检测。
9
第七章图像分割 海事 朱虹
均匀性度量法
所谓的均匀性度量方法，是根据“物以类 聚”的思想而设计的。 其基本设计思想是：属于“同一类别”的 对象具有较大的一致性。 实现的手段是：以均值与方差作为度量均 匀性的数字指标。
均匀性度量法算法步骤
1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类
P-参数法算法步骤
1）设图像的大小为m*n，计算得到原图的 灰度直方图h；
2）输入目标物所占的画面的比例p；
3）尝试性地给定一个阈值 Th=Th0; 4）计算在Th下判定的目标物的像素点数N；
5）判断ps=N/(m*n)是否接近p? 是，则输出结果； 否则，Th=Th+dT; (if ps<p,则dT>0; else dT<0); 转至第四步，直到满足条件。
图像分割说明示例
图像分割示例：条码的二值化
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：印刷缺陷检测
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。原有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。
均匀性度量法处理效果示例
聚类方法
基本设计思想： 1. 聚类方法是采用了模式识别中的聚类思 想。 2. 以类内保持最大相似性以及类间保持最 大距离为最佳阈值的求取目标。
聚类方法算法步骤
1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类
图像分割与特征提取 ppt课件
ppt课件
5
7.1 图像分割的概念
2. 图像分割的依据和方法
◆图像分割的依据是各区域具有不同的特性，这些 特性可以是灰度、颜色、纹理等。而灰度图像分割的 依据是基于相邻像素灰度值的不连续性和相似性。也 即，子区域内部的像素一般具有灰度相似性，而在区 域之间的边界上一般具有灰度不连续性。
◆灰度图像分割是图像分割研究中最主要的内容，其 本质是按照图像中不同区域的特性，将图像划分成不 同的区域。
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
上升阶跃边缘 （a）
下降阶跃边缘 （b）
脉冲状边缘 （c）
屋顶边缘 （d）
图7.1 图像边缘及其导数曲线规律示例
ppt课件
11
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述，图像中的边缘可以通过对它们求导数 来确定，而导数可利用微分算子来计算。对于数字图 像来说，通常是利用差分来近似微分。
方向：
f (x, y) = arctan(Gx / Gy )
（7.5）
ppt课件
14
7.2.2 梯度边缘检测
(1) Roberts算子
是一个交叉算子，其在点(i,j)的梯度幅值表示为：
G(i, j) = f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1) （7.6）
ppt课件
2
7.1 图像分割的概念
◆目标或前景 ◆背景 ◆目标一般对应于图像中特定的、具有独特性质的 区域。
ppt课件
3
7.1 图像分割的概念
1. 图像分割
图像分割就是依据图像的灰度、颜色、纹理、边 缘等特征，把图像分成各自满足某种相似性准则或具 有某种同质特征的连通区域的集合的过程。
7-第七章图像分割1、2
30
拉普拉斯算子
0 1 0
1 -4 1
0 1 0
1 1
1 -8
1 1
1
1
1
图7.5 两种常用的拉普拉斯算子模板
31
拉普拉斯算子一般不以其原始形式用于边缘检测，原因在于： (1)它是一个二阶导数，对噪声非常敏感。 (2)拉普拉斯算子的幅值产生双边缘。(最大负值和最大正值) (2)不能检测边缘的方向。（无方向模版） 那么它在分割中所起的作用: (1)利用它的零交叉性质进行边缘定位----该算子与平滑过程一起利 用零交叉作为找到边缘的前兆。 (2)确定一个象素在边缘暗的一边还是亮的一边。
I=imread(„rice.tif‟);
imshow(I); BW1=edge(I,‟prewitt‟); BW2=edge(I,‟canny‟); figure;
Imshow(BW1); figure; imshow(BW2);
37
38
7.3
边缘连接（跟踪）
利用前面的方法检测出边缘点,但由于噪声、光照 不均等因素的影响，获得边缘点有可能是不连续的，必 须使用连接过程将边缘像素组合成有意义的边缘信息， 以备后续处理。 边缘跟踪的方法 1. 局部边缘连接法； 2. 光栅扫描跟踪法； 3. Hough 变换法。
第七章 图像分割
1
2
图像分割
作用
图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏 直接影响后续图像处理的效果。
图 像
图像 预处理 图像 分割
图像 识别
图像 理解
图7.1图像分割在整个图像处理过程中的作用
3
4
图像分割
◘灰度图像分割的依据 基于亮度值的两个基本特性： 不连续性 --- 区域之间； 相似性 ----- 区域内部。
- 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)。
1 2 G2 y
7.1 点、线和边缘检测
边缘检测
Roberts交叉梯度算子
• f |Gx|+|Gy| • ＝|z9 - z5| + |z8 – z6|
z1 z2 z3 z4 z5 z6 z7 z8 z9
梯度计算由两个模板组成，第一个求
得梯度的第一项，第二个求得梯度的 第二项，然后求和，得到梯度。 -1 0 0 两个模板称为Roberts 0 1 1 交叉梯度算子
直接搜寻区域进行分割，在基于区域的分割中介绍
7.1 点、线和边缘检测
间断检测
点检测 线检测 边缘检测 寻找间断的一般方法：模板检测
R 1z1 2 z2 ... 9 z9
z
i i
7.1 点、线和边缘检测
点检测 使用如图所示的模板，如果 R 检测到一个点
Step2:梯度运算
' Bx Bx ( x, y ) A( x 1, y ) A( x, y ) A( x 1, y 1) A( x, y 1) ' By By ( x, y ) A( x, y 1) A( x, y ) A( x 1, y 1) A( x 1, y )
线检测 4个线检测模板
第一个模板对水平线有最大响应
第二个模板对45o方向线有最大响应
第三个模板对垂直线有最大响应
第四个模板对-45o方向线有最大响应
7.1 点、线和边缘检测
线检测 用R1,R2,R3和R4分别代表水平、45o、垂直和-45o方向线的模板响 应，在图像中心的点，如果：
高斯平 滑去噪
B(x,y) 求导
偏导 (Bx,By)
非极 大值 抑制
图像边缘
双阈值检测 连结边缘
初步得到 边缘点
7.1 点、线和边缘检测
边缘检测 ：Canny算子
Step1:高斯平滑
x2 y 2 h( x, y) exp( ) 2 2 2 2 B( x, y) A( x, y)* h( x, y); 1
出来，在此基础上对目标进一步利用，如 进行特征 提取和测量 图像分割就是指把图像分成各具特性的区域 并提
取出感兴趣目标的技术和过程
图像分割
分割的目的：将图像划分为不同区域
三大类方法
根据区域间灰度不连续搜寻区域之间的边 界，在间断
检测、边缘连接和边界检测介绍
以像素性质的分布进行阈值处理，在阈值处理介绍
Ri Rj , j i
则此点被认为与在模板i方向上的线更相关
例：如果
R j , j 2,3,4
R1
则该点与水平线有更大的关联
在灰度恒定的区域，上述4个模板的响应为零
7.1 点、线和边缘检测
线检测
clc;clear f = imread('wirebond_mask.tif'); subplot(321),imshow(f);title('原始连线掩模图像') w = [2 -1 -1; -1 2 -1; -1 -1 2]; g = imfilter(double(f),w); subplot(322),imshow(g,[]) title('使用[-45度]检测器处理后的图像') gtop = g(1:120,1:120); gtop = pixeldup(gtop,4); subplot(323),imshow(gtop,[]) title('左上角的放大图')
|Gy|，y方向上的梯度分量，
突出垂直细节
梯度图像|Gx|+|Gy|，突出水平和 垂直细节
7.1 点、线和边缘检测
边缘检测 拉普拉斯算子
图像函数的拉普拉斯变换定义为
2 2 f f 2 f x 2 y 2
z1 z2 z3 z4 z5 z6 z7 z8 z9
2 f 4z5z2 z4 z6 z8 2 f 8z5z1 z2 z3 z4 z6 z7 z8 z9
7.1 点、线和边缘检测
线检测
7.1 点、线和边缘检测
边缘检测
什么是边缘？ 一组相连的像素集合，这些像素 位于两个区域的边界上
一阶导数和二阶导数在识别图像边缘中的应 用
7.1 点、线和边缘检测
边缘检测
数字边缘模型
理想数字边缘模型 斜坡数字边缘模型
斜坡的产生是由光学系统、取样和图像采集系统的不完善带来 的边缘模糊造成的
7.1 点、线和边缘检测
边缘检测 ：Canny算子 Canny算子
Step3:非极大值抑制
3 0 1 2
G( x, y)
1 0 3
2
根据 ( x, y)判定梯度方向在哪个区 域内。 比较 G( x, y) 与该区域内两相邻像素 灰度比较，若 G( x, y) 最大，则不改 变，否则 G( x, y) 置0。
7.1 点、线和边缘检测
线检测
gbot = g(end-119:end,end-119:end); gbot = pixeldup(gbot,4); subplot(324),imshow(gbot,[]) title('右下角的放大图') g = abs(g); subplot(325),imshow(g,[]) title('绝对值') T = max(g(:)); g = g>=T; subplot(326),imshow(g) title('满足条件[g>=T]图片]')
三维曲线
灰色是零值区域
横截面
近似的5×5模板：一个正的 中心项，周围是一个相邻的 负值区域，并被一个零值的 外部区域包围。系数的总和 为零
7.1 点、线和边缘检测
边缘检测
高斯型拉普拉斯算子总结 高斯型函数的目的是对图像进行平滑
处理
拉普拉斯算子的目的是提供一幅用零
交叉确定边缘位置的图像
-1 0
7.1 点、线和边缘检测
边缘检测
Prewitt梯度算子——3x3的梯度模板
f |Gx|+|Gy|
=|(z7 +z8 + z9) - (z1 + z2 + z3) | + |(z3 +z6 + z9) - (z1 + z4 + z7) |
-1 -1 -1 -1 0 1 z1 z2 z3
平滑处理减少了噪声的影响
7.1 点、线和边缘检测
边缘检测
原图 Sobel算子检测结果
空间高斯型平滑函数
拉普拉斯算子模板
检测边缘：寻找零交
LoG检测结果
叉点，检测黑色和白
色区域之间的过渡点
对LoG图像设置阈值的结果，所有正值区
域为白色，所有负值区域为黑色
7.1 点、线和边缘检测
边缘检测
G( x, y) 如果G( x, y)沿梯度方向最大 N ( x, y) 其他 0
7.1 点、线和边缘检测
边缘检测 ：Canny算子
Step4: 双阈值画边缘 对图像2进行扫描，当遇到一个非零灰度 的像素p(x,y)时，跟踪以p(x,y)为开始点的 轮廓线，直到轮廓线的终点q(x,y)。 考察图像1中与图像2中q(x,y)点位置对应 的点s(x,y)的8邻近区域。如果在s(x,y)点 的8邻近区域中有非零像素s(x,y)存在，则 将其包括到图像2中，作为r(x,y)点。从 r(x,y)开始，重复第一步，直到我们在图 像1和图像2中都无法继续为止。 当完成对包含p(x,y)的轮廓线的连结之后 ，将这条轮廓线标记为已经访问。回到第 一步，寻找下一条轮廓线。重复第一步、 第二步、第三步，直到图像2中找不到新 轮廓线为止。 至此，完成canny算子的边缘检测。
结论（对比二阶拉普拉斯算子和一阶 Sobel梯度算子）
缺点
边缘由许多闭合环的零交叉点决定
零交叉点的计算比较复杂
优点
零交叉点图像中的边缘比梯度边缘细 抑制噪声的能力和反干扰性能
结论：梯度算子具有更多的应用
7.1 点、线和边缘检测
边缘检测
7.1 点、线和边缘检测
边缘检测 ：Canny算子 Step1：利用高斯滤波对图像平滑 Step2：利用梯度算子的计算图像的梯度和梯度方向 Step3: 进行非极大值抑制 Step4: 双阈值连接边缘 原始图像 A(x,y)
数字图像处理
主讲人：杜宏博
第七章 图像分割
7.1 点、线和边缘检测 7.2 Hough变换 7.3 阈值分割 7.4 基于区域的分割 7.5 分水岭分割算法
图像分割概述：
在对图像的研究和应用中，人们往往仅对图 像中
的某些部分感兴趣，这些部分一般称为目 标或前景 为了辨识和分析目标，需要将有关区域分离 提取
-1 -2 -1
0 1 0 2 0 1
-1
-2 -10Biblioteka 0 012 1
z1 z2 z3
z4 z5 z6 z7 z8 z9
7.1 点、线和边缘检测
边缘检测
结论
Prewitt和Sobel算子是计算数字梯度时最常 用 的算子
Prewitt模板比Sobel模板简单，但Sobel模
板能
够有效抑制噪声
7.1 点、线和边缘检测
7.1 点、线和边缘检测
点检测 点检测的另外一种方法是在m*n大小的邻域中，找到其最
大像素值点和最小像素值点，其差值大于阈值的那些点
则可认为是图像中的孤立点。
g= ordfilter2(f，m*n，ones(m,n))-ordfilter2(f,1,ones(m*n)); g= g>=T