数字图像处理第九章

3
9.1 基于图像灰度分布的阈值方法
9.1.1 基于灰度直方图的峰谷方法 当图像的灰度直方图为双峰分布时，表明图像的内容大致 为两个部分，分别为灰度分布的两个山峰的附近。如图:
4
9.1 基于图像灰度分布的阈值方法
9.1.1 基于灰度直方图的峰谷方法


如图，直方图的左侧峰为亮度较低的部分，这部分恰好对 应于画面中较暗的背景部分；直方图的右侧峰为亮度较高 的部分，在这里恰好对应于画面中花的部分，选择阈值为 两峰间的谷底点，即可将花从原图中分割出来。 显然，灰度直方图的峰谷阈值方法是一种有效且非常简单 的方法，但是该方法有一个局限性，就是要求图像的灰度 直方图必须具有双峰性。
9.1 基于图像灰度分布的阈值方法


所谓阈值方法就是确定某个阈值Th,根据图像中每 个像素的灰度值大于或小于该阈值Th,来进行图像 分割。阈值方法的数学模型如下： 设原图像为f (x,y)妇，经过分割处理后的图像为g (x,y) ，g (x,y)为二值图像，则有

根据上式可知，阈值方法的核心就是阈值Th的确定 方法。
第九章
图象分割
1
第九章 图象分割



2
图像分割就是从图像中将某个特定区域与其他部分进行分离 并提取出来的处理。 图像分割处理实际上就是区分图像中的“前景目标”和“背 景”，所以通常又称之为图像的二值化处理。 图像分割在图像分析、图像识别、图像检测等方面占有非常 重要的地位。 图像分割方法依照图像特性不同，大致可以分为三大类： 第一类是阈值方法，这种方法是根据图像的灰度值的分 布特性确定某个阈值来进行图像分割的； 第二类为边界分割方法，这类方法是通过检测出封闭某 个区域的边界来进行图像分割的。通俗地讲，这类方法 实际上是沿着闭合的边缘线将其包围的区域剪切出来； 第三类方法是区域提取方法，这类方法的特点是根据特 定区域与其他背景区域特性上的不同来进行图像分割的 。
26
9.2 基于图像灰度空间分布的阈值方法
9.2.1 灰度-局部灰度均值散布图法

下图是采用该方法进行处理的结果，经计算得到该图例的分 割阈值为Th*=（93，93）。
27
9.2 基于图像灰度空间分布的阈值方法
9.2.2 二维熵法


二维熵方法的设计思想是：采用二维熵来度量像素以及其邻 域中像素之间的信息相关性。 度量邻域相关信息，最简单有效的方法是以其一定大小模板 （如3x3模板）中的像素灰度均值来描述。这样，当空间相 关信息量为最大时，认为为最佳阈值。

=1，所以可以证明当p1 = p2 = … = ps 时 熵取最大值，也就是说，得到的信息量最大。 最大熵方法的设计思想是，选择适当的阈值将图像分为两类 ，两类的平均熵之和为最大时，可从图像中获得最大信息量 ，以此来确定最佳阈值。
由于p1+p2+…+ps
17
9.1 基于图像灰度分布的阈值方法
9.1.4 类间最大距离法
下图是采用该方法对一幅国际标准测试图像进行处
理的结果，计算得到该图的分割阈值为Th* =88。
16
9.1 基于图像灰度分布的阈值方法
9.1.5 最大熵方法


熵是信息论中对数据中所包含信息量大小的度量。熵取最大 值时，就表明获得的信息量为最大。 在介绍本方法之前，先简单对熵的数学定义进行论述。 设一些事件以概率p1，p2，…，ps发生，则这些事件发生 的信息量，即熵定义为：
9.1.3 均匀性度量法
下图是采用该方法对一幅国际标准测试图像进行处
理的结果，计算得到该图的分割阈值为Th* =82。
13
9.1 基于图像灰度分布的阈值方法
9.1.4 类间最大距离法
类间最大距离法的设计思想是：在某个适当的阈值
下，图像分割后的前景目标与背景两个类之间的差 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，该方法的具体步骤如下：
28
9.2 基于图像灰度空间分布的阈值方法
9.2.2 二维熵法
根据以上的设计思想，二维熵方法的具体步骤如下：
① 对每一个像素计算其联合概率p(i,j）：
其中，Nij为图像中，像素灰度值为i，模板中像素均 值为j的像素个数；Nimege为图像的总像素数 ② 给定一个初始阂值Thst=Thst（0），将图像分为C1和 C2两类；
9.1.5 最大熵方法
根据上面的原理，最大熵方法的具体步骤如下：
①求出图像中的所有像素的分布概率p0，p1，…，p255 （ 图像的灰度分布范围为〔0，255〕）:
其中，N i为灰度值为i的像素个数 Nimege为图像的总像素数。 ②给定一个初始阈值Th=Th*，将图像分为C1和C2两类； ③分别计算两个类的平均相对熵
①给定一个初始阈值Th=Th0，将图像分为C1和C2两类； ②分别计算两类中的灰度均值μ1和μ2：
14
9.1 基于图像灰度分布的阈值方法
9.1.4 类间最大距离法
③计算相对距离度量值S：
④选择最佳的阈值Th=Th*，使得图像按照该阈值分为C1 和C2两类后，满足
15
9.1 基于图像灰度分布的阈值方法
11
其中Nci为第i类中的像素个数。
9.1 基于图像灰度分布的阈值方法
9.1.3 均匀性度量法
③分别计算两类在图像中的分布概率pl和p2：
其中， Nimege为图像中的总像素数。 ④选择最佳的阈值Th= Th*，使得图像按照该阈值分为C1 和C2两类后，满足
12
9.1 基于图像灰度分布的阈值方法
20

9.1 基于图像灰度分布的阈值方法 9.1.7 聚类方法

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。
21
9.1 基于图像灰度分布的阈值方法 9.1.8 局部阈值方法


前面给出了七种常用的阈值方法，均采用单一阈值。对于较 为简单的图像（即目标与背景比较容易区分）简单且有效。 但对于较为复杂的图像，则往往会产生一些问题。 下图给出了一个提取水中气泡的示例。
22
9.1 基于图像灰度分布的阈值方法 9.1.8 局部阈值方法
由图可见，因为光照不均（光源位于画面的左侧） 的缘故，如果采用单一阈值（即使是前面所介绍的 最佳阈值方法）进行分割，会导致远离光源的右侧 的气泡区域，提取出的面积远远小于实际面积，这 样，就会影响后续进行定量分析的结果。 如果将图像进行一定的等分，在每个子块上，光照 不均的影响就可以忽略不计，这时，在每个子块上 采用前面给出的阈值方法，最终就可以达到理想的 效果。
32
9.3 边缘检测法
9.3.1 梯度直方图法


由于目标和背景内部的像素具有较低的梯度值，而边界具有 较高的梯度值，故可通过对图像中梯度值的统计来进行阈值 的选取。 下图是对前图进行Sobel锐化结果的梯度值统计直方图。由 于图像中像素间的相关性较强，故低梯度（接近0处）的像 素个数为大多数，从该直方图无法获得直接选择阈值的提示 信息。对该直方图进行修正，获得一个加权梯度直方图。

23
9.2 基于图像灰度空间分布的阈值方法
前一节中所采用的阈值可以称作为全局阈值（或者 是单一阈值），即对整个图像采用一个被确定为最 佳的单一阈值进行分割处理。 这类方法只对比较简单的图像有效。 我们知道，图像之所以可以呈现给大家景物的概念 ，是因为像素与像素之间存在着一定的相关性，如 果在确定阈值时，除了当前像素本身的灰度值外， 再考虑其与邻近像素之间的关系，就可以获得更加 科学的判别分割。
29
9.2 基于图像灰度空间分布的阈值方法
9.2.2 二维熵法
根据以上的设计思想，二维熵方法的具体步骤如下：
③ 分别计算两个类的平均相对二维熵
④ 选择最佳的阈值Thst三通=Thst*，使得图像按照该 阈值分为C1和C2两类后，满足
30
9.2 基于图像灰度空间分布的阈值方法
9.2.2 二维熵法
③计算累计分布Pk（k=0，1，2，…，255）。
④计算阈值Th。
8
9.1 基于图像灰度分布的阈值方法
9.1.2 p-参数法

下图是采用p参数法对两幅印章图像进行图像分割的例子。
9
9.1 基于图像灰度分布的阈值方法
9.1.2 p-参数法
因为盖印条件的差异，即使是相同的印章，一也
不能采用固定的阈值来进行图像的分割。 同时观察灰度直方图，其灰度分布的两峰之间的 谷底是一个很宽的平坦段，要采用峰谷法很难确 定适当的阈值。 在这个例子中，事先可以从理想的印章中获得印 章在图像中所占的像素比为p= 15. 07％，可按前 述公式计算得到两幅印章图像的阈值。 可以看到，采用该方法可以获得好的图像分割效 果。
33
9.3 边缘检测法
9.3.1 梯度直方图法
加权梯度直方图的设计方法是，通过对梯度分布进 行加权修正，增大直方图的分布细节。一般采用的 方法是，对高梯度区加较大的权值，以减小均匀区 域内像素点对直方图的贡献，增加边界上的点对直 方图的贡献。如前图 (b)所示，通过这样的处理之后 ，选择第一个峰值为最佳阈值点即可。 前图 (c)所示，是采用该方法对一幅国际标准测试图 像进行处理的结果，经过计算得到该图例的分割阈 值为Th* =190。

下图是采用该方法进行处理的结果，经计算得到该图例的分 割阈值为Th*=（88，94）。
31
9.3 边缘检测法


关于边缘检测类的阈值方法，在前一章中的边缘检测一节中 已经介绍了Canny算子以及LOG滤波方法下的边缘检测。这 些方法都是通过对边缘变化率的分析而获得的。 本节介绍在另外思路下的边缘检测类的阈值方法。