《数字图像处理与分析基础》第八章图像分割与描述
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。
遥感数字图像处理第8章 图像分割
腐蚀运算
目的：消除目标的边界点，用于消除无意义的小目标
(毛刺，小突起)
方法：
1.原点在集合Ｂ(结构元素)中
2.原点不在集合Ｂ(结构元素)中
腐蚀运算(erosion)
腐蚀运算(erosion)
A B x | ( B )x A .
对结构元素B作平移x，B全包含在A中时，
原点的集合就是计算结果
(1)直方图方法：直方图的谷底位置
最佳阈值的选择
(2)自适应阈值方法
A.将目标分割成大小固定的块
B.确定每一个块的目标峰值和背景峰值
C.第一次处理：对每一个块进行分割（边界阈值采用目标和背 景峰值的中点） D.计算每一个块的目标灰度和背景灰度平均值 E.第二次处理：对每个块再次分割（边界阈值采用目标和背景灰 度平均值的中值）
四连通 八连通
工作流程
1.确定待分割对象
2.选择敏感波段
3.选择分割方法
4.对分割的结果进行矢量化
分割原理和方法
边界（边缘）方法： 阈值分割技术，微分算子
边缘检测
假设：图像分割结果中的子区域在原来图像中有边缘存在，或
不同子区域间有边界的存在（像素值灰度不连续性）
区域方法：区域增长技术，聚类分割技术
图像分割的目的
图像分割的目标：根据图像中的物体将图像的像素分
类，并提取感兴趣目标
图像分割是图像识别和图像理解的基本前提步骤
图像
图像预处理
图像识别
图像理解
图像分割
图像分割的目的
图像分割是把图像分解成构成的部件和对象的过程
把焦点放在增强感兴趣对象：汽车牌照（前景）
排除不相干图像成分：其它区域（背景）
最佳阈值的选择
[课件]数字图像处理 第八讲 图像分割PPT
![[课件]数字图像处理 第八讲 图像分割PPT](https://img.taocdn.com/s3/m/6a1cf84b7e21af45b307a87a.png)
图像分割
拉普拉斯(Laplacian)算子是不依赖于边缘方向的 二阶微分算子。它是一个标量而不是向量，具有旋 转不变即各向同性的性质，在图像处理中经常被用 来提取图像的边缘。其表示式为
f x ,y f x ,y f x ,y 2 2 x y
2 2 2
f(x-1,y-1) f(x-1,y)
f(x,y-1) f(x,y-1) f(x,y) f(x,y) f(x,y+1)
f(x+1,y-1) f(x+1,y) f(x+1,y+1)
图像分割
选取适当的门限TH，作如下判断：G[f(x,y)]>TH， (x,y)为阶跃状边缘点。
二、Sobel梯度算子（3×3个像素） 先做加权平均，再作微分，即
2
图像增强
f(x-1,y)
f(x,y-1)
f(x,y)
f(x,y+1)
f(x+1,y)
图像分割
当拉普拉斯算子输出出现过零点时就表明有边 缘存在。该算子有两个缺点：其一就是边缘方向信 息的丢失，其二它是二阶差分，双倍加强了图像中 噪声的影响。
改进的LOG算法：
在进行拉普拉斯运算前先进行平滑去噪，然后 再提取边缘。平滑去噪采用高斯滤波器，然后与拉 普拉斯边缘检测合并在一起，形成LOG（Laplacian Of Gaussian）。
图像分割
对于数字图像，可用一阶差分替代一阶微分：
f f x,yf x x ,y 1 ,y x f x f f x,yf x,y x ,y 1 y f y
此时梯度的幅度可表示为：
G f x , y f x , y f x , y x y
第八章 图像分割与描述
1 0 1 1 0 1 1 0 1
W0(0)
0 1 1 1 0 1 1 1 0
W1(45)
1 1 1 0 0 0 1 1 1
W2(90)
1 1 0 1 0 1 0 1 1
2、基于差分(梯度)算子的边缘检测
两个方向梯度分量的合成原则：
(1) G1 ( x, y) (2) G2 ( x, y )
x f ( x, y) y f ( x, y)
2
2
x f ( x, y ) y f ( x , y )
(3) G3 ( x, y ) max
X方向
1 2 1 0 0 0 1 2 1
Y方向
一、边缘检测(Edge detection)
原图
梯度算子
Roberts
Prewitt
Sobel
各向异性Sobel
W2 W3 W1 W0
W4
一、边缘检测(Edge detection)
W5
W7
W6
(4) 方向梯度算子——平均差分8方向梯度模板
一、边缘检测(Edge detection)
为使中心为正值，也可写为：
f ( x, y ) [ f ( x 1, y ) f ( x 1, y )
2
f ( x, y 1) f ( x, y 1)] 4 f ( x, y)
掩模表示:
0 1 0 1 4 1 0 1 0
(3) Sobel 算子——各向异性Sobel
1 0 2 0 1 0 1 2 1
由 Frei 和 Chen 提 出 ：以使水平、垂直 和对角边缘的梯度 相同。
W0(0)
0 1 1 1 0 1 1 1 0
W1(45)
1 1 1 0 0 0 1 1 1
W2(90)
1 1 0 1 0 1 0 1 1
2、基于差分(梯度)算子的边缘检测
两个方向梯度分量的合成原则：
(1) G1 ( x, y) (2) G2 ( x, y )
x f ( x, y) y f ( x, y)
2
2
x f ( x, y ) y f ( x , y )
(3) G3 ( x, y ) max
X方向
1 2 1 0 0 0 1 2 1
Y方向
一、边缘检测(Edge detection)
原图
梯度算子
Roberts
Prewitt
Sobel
各向异性Sobel
W2 W3 W1 W0
W4
一、边缘检测(Edge detection)
W5
W7
W6
(4) 方向梯度算子——平均差分8方向梯度模板
一、边缘检测(Edge detection)
为使中心为正值，也可写为：
f ( x, y ) [ f ( x 1, y ) f ( x 1, y )
2
f ( x, y 1) f ( x, y 1)] 4 f ( x, y)
掩模表示:
0 1 0 1 4 1 0 1 0
(3) Sobel 算子——各向异性Sobel
1 0 2 0 1 0 1 2 1
由 Frei 和 Chen 提 出 ：以使水平、垂直 和对角边缘的梯度 相同。
数字图像处理第八章课件
消除心理视觉冗余会导致数量信息的损失，又称量化。
Chapter 8 Image Compression
量化,不可逆，信息损失
IGS, Improved Gray-Scale quantization
IGS意识到眼睛对边缘特有的敏感性，通过加入伪随机数 来破坏边缘：
伪随机数从邻近像元的低4位获得，加入当前像元灰度值后 才量化。（图像的低bit面很象随机数，见p.89） 低4位的初值为0000，对高4位为1111的像素不加随机数。
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 ImaCompression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
8.1 基础
数据压缩——表示定量信息所需数据量的减少过程
数据、信息、知识。
比如，不同人讲相同的事件。
数据冗余：是数字图像压缩的中心问题。
这不是抽象的概念，而是可以用数学式子度量的实体：
如果表示相同信息的两组数据所用的信息载体单元数量
分别为n1和n2, 则第一组数据的相对(第二组数据的)
a
Chapter 8 Image Compression
量化,不可逆，信息损失
IGS, Improved Gray-Scale quantization
IGS意识到眼睛对边缘特有的敏感性，通过加入伪随机数 来破坏边缘：
伪随机数从邻近像元的低4位获得，加入当前像元灰度值后 才量化。（图像的低bit面很象随机数，见p.89） 低4位的初值为0000，对高4位为1111的像素不加随机数。
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 ImaCompression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
8.1 基础
数据压缩——表示定量信息所需数据量的减少过程
数据、信息、知识。
比如，不同人讲相同的事件。
数据冗余：是数字图像压缩的中心问题。
这不是抽象的概念，而是可以用数学式子度量的实体：
如果表示相同信息的两组数据所用的信息载体单元数量
分别为n1和n2, 则第一组数据的相对(第二组数据的)
a
《数字图像处理与分析基础》电子教案-2930 第八章图像分割与描述
这两种方法具有互补性，一般来说在不同的场合需要不同 的方法，有时也将它们的处理结果相结合，以获得更好的 效果。
根据分割算法本身
阈值法、边缘检测法、匹配法等
数字图像处理与分析基础
路
路
路
(a)
(0,0) A1
A3 A A2
B1 C5
B2
B4
C4
B3
y (0,511)
分割的两种方法
(511,0)
x
g(x,y)10,,T1f(x,y)其 T2它
数字图像处理与分析基础
11111111 1 4 5 6 5 6 5 1 30
15788861
1 6 8 8 8 7 6 1 20 15788861
14877761 16545651
10
11111111
(a)
0
Th=4
Th=7
(c)
象 素 点
1 2 3 4 5 6 7 8 灰度级 (b)
f i f i , i 1 ,2 , ,N ,i j
其中ki是不同区域的增长核心。 基本要素：
1）区域的数目，各区域的生长核心（种子）； 2）区域间相区别的性质特征，由此构造同质判据。
数字图像处理与分析基础
区域生长算法
1）给定同质判据H； 2）扫描图像，获得不属于任何已分割区域的像素 点，作为生长核心ki； 3）以ki为核心，H为判据进行生长：将该像素与 它的4邻域或8邻域像素相比较，若满足规则H，就 将它们合并为同一个区域，并标记同样的区域符 号； 4）对于那些新并入的像素，重复3）的操作； 5）反复进行3）、4），直至区域不能再增长为止； 6）返回2），寻找新的区域核心，直至图像中的 所有像素点都已经归入某一个区域。
根据分割算法本身
阈值法、边缘检测法、匹配法等
数字图像处理与分析基础
路
路
路
(a)
(0,0) A1
A3 A A2
B1 C5
B2
B4
C4
B3
y (0,511)
分割的两种方法
(511,0)
x
g(x,y)10,,T1f(x,y)其 T2它
数字图像处理与分析基础
11111111 1 4 5 6 5 6 5 1 30
15788861
1 6 8 8 8 7 6 1 20 15788861
14877761 16545651
10
11111111
(a)
0
Th=4
Th=7
(c)
象 素 点
1 2 3 4 5 6 7 8 灰度级 (b)
f i f i , i 1 ,2 , ,N ,i j
其中ki是不同区域的增长核心。 基本要素：
1）区域的数目，各区域的生长核心（种子）； 2）区域间相区别的性质特征，由此构造同质判据。
数字图像处理与分析基础
区域生长算法
1）给定同质判据H； 2）扫描图像，获得不属于任何已分割区域的像素 点，作为生长核心ki； 3）以ki为核心，H为判据进行生长：将该像素与 它的4邻域或8邻域像素相比较，若满足规则H，就 将它们合并为同一个区域，并标记同样的区域符 号； 4）对于那些新并入的像素，重复3）的操作； 5）反复进行3）、4），直至区域不能再增长为止； 6）返回2），寻找新的区域核心，直至图像中的 所有像素点都已经归入某一个区域。
第8章 图象分割(08) 数字图像处理课件
第8章 图像分割
Log算子边缘检测
第8章 图像分割
8.2.3 算法的特点 • Roberts算子采用对角线方向相邻像素之差近似 检测边缘，定位精度高，在水平和垂直方向效果较 好，但对噪声敏感。 • Sobel算子利用像素的上、下、左、右邻域的灰 度加权算法进行边缘检测。该方法提供较为精确的 边缘方向信息，而且对噪声具有平滑作用，能产生 较好的检测效果。但是增加了计算量，而且也会检 测伪边缘。
所以分割算法可据此分为2大类： 利用区域间灰度不连续性的基于边界的算法； 利用区域内灰度相似性的基于区域的算法。
第8章 图像分割
图像分割方法的分类： 现今，对一些经典方法和新出现的方法进行总
结，可将图像分割方法分为四类: 边缘检测方法 阈值分割方法 区域提取方法 结合特定理论工具的分割方法。
第8章 图像分割
（1）基于边缘的分割方法： 图像最基本的特征是边缘，它是图像局部特性不
连续(或突变)的结果。例如，灰度值的突变、颜色的 突变、纹理的突变等。
边缘检测方法是利用图像一阶导数的极值或二 阶导数的过零点信息来提供判断边缘点的基本依据， 经典的边缘检测方法是构造对图像灰度阶跃变化敏感 的差分算子来进行图像分割，如Robert算子、Sobel算 子、Prewitt算子、Laplacian算子等。
另外，还没有制定出选择适用分割算法的标准。
第8章 图像分割
8.2 边 缘 检 测 的 分 割 方 法
8.2.1 原理及算法
目的：检测出局部特性的不连续性，再将它们连成 边界，这些边界把图像分成不同的区域。
图像边缘对图像识别和计算机分析十分有用，边缘 能勾画出目标物体，使观察者一目了然；边缘蕴含了 丰富的内在信息（如方向、阶跃性质、形状等），是 图像识别中重要的图像特征之一。
遥感数字图像处理：第八章 图像分割
图像分割—形态学处理
闭运算通过填充图像的凹角点来平滑图像。
S1
S2
B 〇 S1= (BC 〇 S1)C
B 〇 S2
图像分割—形态学处理
采用开、闭运算交替使用（级联滤波）达到双边 滤波的目的。
B
S
B 〇S
B 〇S
(B 〇 S) S
(B 〇 S) 〇 S
图像分割—形态学处理
4.3.5 腐蚀和膨胀的变体 1）细化
–结果：使二值图像减小一圈。任何方向上，不 大于2个像元的物体将被除去。
图像分割—基本的形态学运算
结构元素不同，腐蚀的结果也不同
E
图像分割—基本的形态学运算
2）膨胀：将与物体接触的所有背景点合并 到该物体中的过程。
–定义：B S = { x,y | Sxy∩B ≠Ф} –算法：
•用3x3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，结果图像的该像素为0。否则为1 –结果：使二值图像扩大一圈
图像分割—基本的形态学运算
能否将图像中的噪声点去掉，而保持原来 图像的尺寸不变？
在经过腐蚀的图像上，用同样的结构元素再进行 一次膨胀（“开运算”）就可以达到这个目的。
图像分割—基本的形态学运算
4.3.4 开运算与闭运算
1）开运算 –思路：先腐蚀，再膨胀
–定义：B S = （B S） S
–结果： 1）消除细小对象 2）在细小粘连处分离对象 3）在不改变形状的前提下，平滑对象的边缘
腐蚀可以看作将图像中每一个与结构元素全等的子集收缩为 一点；膨胀是将每一个点扩大为结构元素。
图像分割—基本的形态学运算
相当于原图像左上、下、左、右平以后的四个新图 与原图一起5个图像重叠的结果。 改变结构元素的形状，膨胀的结果不同。 如果结构元素中不包含原点（0,0），膨胀后 的结果不一定是原图像的扩充。 如果结构元素是不在原点的一个点，膨胀后 的结果与原图像一样，只是位置发生了平移。 膨胀对填补图像分割后产生的空洞很有用。
- 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)。
(0,511)
数字图像处理与分析基础
特征集 对象1 图像 分块 化 对象n 分块化和描述
描述1
描述2 描述3 特征集
数字图像处理与分析基础
8.1.2基于灰度的分割 （区域相关技术）
两大类
基于阈值分割的技术 基于灰度均匀性的区域分裂——合并算法。
阈值分割算法实施时各像素间无相关性，原图 像可以分成几部分同时进行分割，又称为并行 区域技术（Region-Based Parallel Techniques）。 区域分裂——合并算法实施时，要利用像素间 的相关性，是一种串行区域技术。
根据分割算法本身
数字图像处理与分析基础
路
路 路
(b)
分割结果
对象 A B A1 B1 C1 A2 B2 C2 坐标点 A3 B3 C3 B4 C4 C5
(a)
(0,0) A1 A3
分割的两种方法
(511,0)
x
分割
A
B1
A2 C5 B2 C4
C1 C2 C3
B4
原 图
C
B3
y
图像与分割结果的表示 (511,511)
2 h ( z ) 0 2 z
数字图像处理与分析基础
T=120
（a）原图
（b）直方图 （c）二值化结果 图8-2 Rice图像双峰法分割
数字图像处理与分析基础
2、最优阈值算法
其中：“1”表示物体（对象、目标）， “0”表示背景。
数字图像处理与分析基础
多阈值二值化
有时对象的灰度分布相对集中，而背景的灰度分布 很散，就需要设置两个灰度阈值T1、T2, T1>T2，这 两个阈值间的灰度范围都对应于对象，即：
1 ,T x ,y ) T 1 f( 2 g ( x ,y ) 0 , 其它
数字图像处理与分析基础
Th=4
Th=7
(c)
1、极小值点阈值
“直方图双峰法”：如果灰度直方图呈现明显的双峰状，则选 取两峰之间的谷底对应的灰度级作为阈值。谷底就是直方图 的极小值。将各端点相连，形成直方图的包络线h(z)，这是 一条曲线，它的极小值满足
h ( z ) 0 , z
h(z)——直方图
数字图像处理与分析基础
连通性有两种度量准则，如果只依据四邻域 （上下左右）确定连通，就称为4连通（fourconnectivity），物体也被称为是4连通的。如 果依据八邻域（加上四个对角像素）确定连 通，就称为8连通（eight-connectivity）。在 同一类问题的处理中，应当采用一致的准则。 通常8连通的结果误差小，与人的感觉更相近。
数字图像处理与分析基础
并行区域技术
Region-Based Parallel Techniques
1、原理和分类 2、依赖像素的阈值选取 3、依赖区域的阈值选取
数字图像处理与分析基础
图像阈值分割（Image Segmentation ： Thresholding）
最常用的图像分割技术 主要利用图像中背景与对象之间的灰度差异。 理想状态下图像的灰度直方图上呈明显的双峰 分布，两类物体灰度级间无交叠。在直方图中 处于谷底的区域选取一个灰度值作为阈值，根 据灰度与阈值的关系将像素判定为对象点或背 景点，这个过程称为图像二值化。对二值图像 进行进一步的分析就可以获得图像的分割结果。
“同质”分割依据：灰度、颜色、纹理、灰度变化 分割结果 以区域的边界坐标表示
。
数字图像处理与分析基础
分割方法分类
从分割依据出发
“相似性分割”就是将具有同一灰度级或纹理的像素聚集 在一起，形成图像中的不同区域。这种基于相似性原理的 方法常称为“基于区域相关的分割技术” “非连续性分割”需要先检测图像的局部不连续性，然后 将它们连接起来形成边界，这些边界将图像分割成不同的 区域。这种基于不连续原理检测图像中物体边缘的方法也 称为“基于点相关的分割技术”。 这两种方法具有互补性，一般来说在不同的场合需要不同 的方法，有时也将它们的处理结果相结合，以获得更好的 效果。 阈值法、边缘检测法、匹配法等
数字图像处理与分析基础意义的区域与背景分离开， 并按其不同的内涵将它们分割开。 “区域”是图像中相邻的具有类似性质的点 组成的集合。同一区域（region）中的像素 是相邻的，就是说区域是像素的连通集。 “连通”（connectedness）：在连通集的任 意两个像素间，存在一个完全由这个集合中 的元素构成的路径。同一区域中的任意两个 像素间至少存在一条连通路径。
1、概述和分类 2、基于灰度的分割技术 3、基于梯度的分割技术 4、彩色图像分割技术 5、分割评价
数字图像处理与分析基础
7.1.1 概述与分类
General Introduction and Classification
图像分量以及相互关系 图像分析与理解、自动景物分析、模式 识别 机器抽取信息
ISBN 7-5084-2930
新世纪电子信息与自动化系列课程改革教材
数字图像处理与分析基础
第八章 图像分割与描述
黄爱民 安向京 骆力
第八章 图像分析基础
Image Analysis theory
1、图像分割 2、图像描述
数字图像处理与分析基础
8.1 图像分割 Image Segmentation
数字图像处理与分析基础
1 1 1 1 1 1 1 1
1 4 5 6 5 4 6 1
1 5 7 8 7 8 5 1
1 6 8 8 8 7 4 1
1 5 8 8 8 7 5 1
1 6 8 7 8 7 6 1
1 5 6 6 6 6 5 1
1 1 1 1 1 1 1 1
30 20 10
象 素 点
(a)
0
1 2 3 4 5 6 7 8 灰度级 (b) 灰度取域法，阈值对分割结果 影响很大 （a）数字图像 （b）直方图 （c）取阈结果Th=4,Th=7
数字图像处理与分析基础
二值化
设f(x,y)表示原图像，g(x,y)表示分割后的图像，T为 选定的灰度阈值，分割算法表示为
1 , f( x ,y ) T g ( x ,y ) 0 , f( x ,y ) T
或
1 , f( x ,y ) T g ( x ,y ) 0 , f( x ,y ) T