第8章 遥感图像分割

• 图像经过梯度运算后只留下灰度值急剧变 化的边缘点
梯度法：边缘检测
• 基本思想：通过检测每个像素和其邻域的 状态，决定该像素是否位于一个目标的边 界上。 • 像素位于目标边界上：邻域灰度值变化大。
边缘检测算子
可用一阶、二阶局部微分算子来检测图像中的边缘。
下面是几种常用的微分算子。
梯度算子 Roberts算子
①启发式搜索 ②曲线拟合 ③边界跟踪
区域生长法
• 基本思想：将具有相似性质的像素集合起来构成 区域。 • 步骤： ①对每个需要分割的目标区域找一个种子像素作为 生长的起点。 ②将种子像素周围邻域中与种子像素性质相同或相 似的像素合并到种子像素所在的区域中。 ③将这些像素当做新的种子像素，重复上述步骤， 直至没有满足条件的像素为止。
2、细化(thinning )
对给定的细长图形使线幅变细，从而提取线宽 为 1 的中心线的操作叫细化。是一种特殊的多 次迭代的收缩算法。 结果:在不破坏连通性的前提下，细化图像。 算法实现： 1）做腐蚀操作，但不立刻删除像素，只打 标记。 2）将不破坏连通性的标记点删掉。 3）重复执行，将产生细化结果。
1）填充对象内细小空洞。 2）连接邻近对象。 3）在不改变形状和不明显改变面积前提下， 平滑对象的边缘。
腐蚀和膨胀的变种
1、收缩(shrinking)
当腐蚀以一种不触及单像素目标的 执行方法时的过程称为收缩。
结果:每运行一次，半径少一个像素，并 有更多的目标收缩为单像素大小。 局限性：会使不圆的目标分解。
0
1 1
0
1 1
1
1 0
图像A
腐蚀与膨胀
原图
腐蚀后
膨胀后
1、腐蚀
定义：E = A B = { x | (B)xA} 结果：使二值图像减小一圈。 算法：
• 用结构元素B，扫描图像的每一个像素。 • 用结构元素与其覆盖的二值图像做“与”操作。 • 如果都为1，结果图像该像素为1；否则为0。
第8章 遥感图像分割
遥感像分割
原始图像
不同尺度分割结果
不同尺度分类结果
图像分割引言
• 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
图像分割引言
• 图像分割的基本思路
1. 从简到难，逐级分割 2. 控制背景环境，降低分割 难度 3. 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
图像分割引言
• 图像分割的基本策略
图像分割的基本策略，基于灰度值的两个基 本特性：
1. 不连续性——区域之间 2. 相似性——区域内部
根据图像像素灰度值的不连续性
• • 先找到点、线（宽度为1）、边（不定宽度） 再确定区域
图像分割引言
• 图像分割的基本策略
根据图像像素灰度值的相似性
• 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
1 1 1
1 1 1
0
0
0
0
1
1
1
0
0
0
开-闭运算(Opening-Closing)
1、开运算
思路：先腐蚀，再膨胀 定义：A B = （A B） B 结果：
1）消除细小对象。 2）在细小粘连处分离对象。 3）在不改变形状和不明显改变面积的前提下， 平滑对象的边缘。
2、闭运算
– 思路：先膨胀、再腐蚀 – 定义：A B =（A B） B – 结果：
最佳阈值的选择2
自适应分割法： 方法：用二次图像处理实现。 步骤： ①第一次处理，将目标的大小划分成大小固定 的块。 ②根据各块的灰度值直方图确定阈值，通常为 背景峰值与数据峰值的中点。 ③第二次处理，每个目标使用各自的阈值，选 择由内部灰度值和它主块的背景灰度值的中间 值。
最佳阈值的选择3
分水岭算法：与自适应阈值化有关的一个算法。
图像分割引言
• 不连续性
– 边界分割法 – 边缘连接分割法
• 相似性
– 阈值分割法 – 面向区域的分割
• • • • •
阈值分割法 梯度法 区域生长法 区域分割法 数学形态学方法
阈值分割法
• 阈值分割法
通过交互方式得到阈值 通过直方图得到阈值 简单全局阈值分割 分割连通区域 基于多个变量的阈值
数学形态学图像处理
结构元素与二值图像进行逻辑运算，产生新的图 像的图像处理方法。
集合概念上的二值图像A
二值图像A是定义在笛卡尔网格上的集合，网 格中值为1的点是集合的元素。
结构元素B——是集合概念上的二值图像
1
1
1
结构元素B 结构元素Sxy
1 1 1
1
1
1
1
1
1
1
1
1
1 0
1
1 0
1
1 1
3、抽骨架（skeletonization）
与细化相似，可采用一个两步的有条 件的腐蚀实现，但删除像素规则不同。
4、剪枝（pruning）
通过一系列的消除端点的3×3运算除 去，再重建留下的分支，该过程称为剪枝。
5、粗化(thickening)
结果：在不合并对象的前提下，粗化图像。 算法实现： 1）做膨胀操作，但不立刻添加像素，只打标 记。 2）将不产生对象合并的标记点添加进来。 3）重复执行，将产生粗化结果。 另一方案：将图像求反，执行细化，结果再求 反。
• 简单区域扩张法 • 统计假说检测法 • 试探法
数学形态学方法
1. 背景：
数学形态学是一种用于数字图像处理和识别的新理论和 新方法。
2. 应用
①利用形态学基本运算， 对图像进行处理， 从而达到改善 图像质量的目的。 ②描述和定义图像的各种几何参数和特征，如 面积、 周长、 连通度 ( 连接数 )、 颗粒度、 骨架等。 ③大部分形态运算都定义在两个基本运算的基础上： 腐蚀和 膨胀。 在此基础上， 常用的形态运算( 变换 )有： 开和闭， 击中和不击中变换，细化和粗化， 边界和骨架等。
• 用33的结构元素，扫描图像的每一个像素 • 用结构元素与其覆盖的二值图像做“与”操 作 • 如果都为0，结果图像该像素为0；否则为1。
1 结构元素B 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 0 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
①在一个低灰度值上对图像进行阈值化。 ②随着阈值的增加，目标边界随阈值的增加而 扩展，直到边界相互接触。 ③该过程在阈值达到背景的灰度级之前终止。
最终的阈值决定了最后的边界与实际目标的吻 合程度。
梯度法
• • • • 梯度法特点： 灰度变化较大的区域梯度值较大。 变化平缓的区域梯度值较小。 灰度均匀的区域梯度值为零。
Prewitt算子
Sobel算子 Kirsch算子 Laplacian算子 Marr算子
梯度法：边缘连接
• 定义：边缘连接是将近邻的边缘点连接起 来从而产生一条闭合的连通边界的过程。 • 意义：边检测算法的后处理
由于噪音的原因，边界的特征很少能够被完整地描 述，在亮度不一致的地方会中断。 因此典型的边检测算法后面总要跟随着连接过程和 其它边界检测过程，用来归整边像素，成为有意义 的边
• 注意问题： ①选择一组能正确代表区域的种子像素。 ②确定生长过程中能将相邻像素包括进来的 规则。 ③制定让生长停止的条件或准则。
区域分割法
• 基本概念 目标：将区域R划分为若干个子区域R1,R2,…,Rn， 这些子区域满足5个条件：
n
①完备性：
R
i 1
i
R
②连通性：每个Ri都是一个连通区域 ③独立性：对于任意i≠j，Ri∩Rj= Ф ④单一性：每个区域内的灰度级相等， ⑤互斥性：任两个区域的灰度级不等，
பைடு நூலகம்
阈值分割法
• 阈值分割法
阈值分割法的基本思想：
0 0
0
255
255 255
255 255 255
• 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
• 阈值分割法
1 结构元素B 1
1 1
1 1
1
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1
1
1
0
0
0
0
1
1
1
0
0
0
2、膨胀
定义：E = A B = { x | Bx∩A ≠Ф } 结果：使二值图像扩大一圈。 算法：
– 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(x0,y0)
T
最佳阈值的选择1
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
• 通过直方图得到阈值
– 取值的方法： 取直方图谷底(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：
1）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
判断分析法
当图像直方图的形状是多变的，有双峰但 无明显的低谷，或是双峰和低谷不明显， 而且两个区域的面积比也难以确定的情况 下常采用。