第七章 图像分割技术

第35页
? ? ? ?
? ? ? ? ?
? ? ? ? ?
? ? ? ? ?
第36页
P190 图7.2.3 图7.2.4
第37页
7.2 边缘检测
MatLab函数 函数
– J=edge(I, type)
» Type取’roberts’、’sobel’、’log’等 取 、 、 等
– 例子： 例子：
0 0 0 − 1 1 0 0 0 0
第18页
7.2 边缘检测
微分方法 横向微分运算
– 相减的结果反映了原图像亮度变化率的大小 ∆y f( x, y) = f( x, y) - f (x, y-1) – 图像水平边缘得到增强 – 模板（卷积核） 模板（卷积核）
0 − 1 0 0 1 0 0 0 0
第5页
第6页
主要内容： 主要内容：
分割定义和方法分类 边缘检测 哈夫变换 阈值分割 区域生长
第7页
7.1分割定义和方法分类 7.1分割定义和方法分类
地位
图像 预处理 图像1分割定义和方法分类 7.1分割定义和方法分类
图像分割定义
– 按照一定的规则将一幅图像分成各具特性的区域， 并提取 按照一定的规则将一幅图像分成各具特性的区域， 出感兴趣目标的技术和过程 – 其它名称： 其它名称：
第14页
7.2 边缘检测
边缘导数
阶跃型
凸缘型
房顶型
在数字图像中应用差分代替导数运算。 在数字图像中应用差分代替导数运算。 差分代替导数运算
第15页
7.2 边缘检测
导数
– 二维连续函数 二维连续函数f(x, y) 偏导数
f x' = ∂f ( x, y ) / ∂x
f y' = ∂f ( x, y ) / ∂y
– 图像：二维离散函数f(x, y) 图像：二维离散函数 » 导数转换为微分 ∆ x f ( x, y ) = f ( x, y ) − f ( x − 1, y ) ∆ y f ( x, y ) = f ( x, y ) − f ( x, y − 1)
第16页
7.2 边缘检测
例
0 1 f ( x, y ) = 0 1 0 1 255 255 255 255 1 1 254 253 254 254 0 0 255 255 253 253 1 0 254 254 254 254
第10页
7.1分割定义和方法分类 7.1分割定义和方法分类
分类—连续性与处理策略 分类 连续性与处理策略
连续性： 连续性：
不连续性： 不连续性：边界 相似性： 相似性：区域
处理策略： 处理策略：早期处理结果是否影响后面的处理
并行：不 并行： 串行： 串行：结果被其后的处理利用
四种方法
并行边界；串行边界；串行区域； 并行边界；串行边界；串行区域；并行区域
第27页
7.2 边缘检测
锐化方法
（4）由梯度二值化图像 ）
La G ( x, y ) = Lb G ( f ( x, y )) ≥ T 其它
可以令L ， 可以令 a=0，Lb=255
第28页
7.2 边缘检测
常用梯度算子
Roberts Prewitt Sobel 高斯拉普拉斯算子
第29页
1
2
1
-1
-2
1
第32页
梯度算子作用于图像中所得的结果（ 用Sobel梯度算子作用于图像中所得的结果（设范数为 ） 梯度算子作用于图像中所得的结果 设范数为1）
1 2 2 1 3 1 1 1 3
第33页
7.2 边缘检测
3、拉普拉斯（ Laplacian ）算子 、拉普拉斯（
–二阶微分算子 二阶微分算子 –表示 表示
» 目标轮廓技术（object delineation ） 目标轮廓技术（ » 目标检测（target detection） 目标检测（ ） » 阈值化技术（thresholding） ） 阈值化技术（
– 图像处理到图像分析的关键步骤
第9页
7.1分割定义和方法分类 7.1分割定义和方法分类
形式化定义
1 0 0 −1
0 1 − 1 0
第30页
7.2 边缘检测
2）Prewitt算子 Prewitt算子
-1 -1 -1
0 0 0
1 1 1
1 0 -1
1 0 -1
1 0 -1
第31页
7.2 边缘检测
3）Sobel梯度算子 ） 梯度算子
-1 -2 -1
1 2 1
第26页
7.2 边缘检测
锐化方法
（3）赋边缘点特定的灰度级 ）
La G ( x, y ) = f ( x, y )
G ( f ( x, y )) ≥ T 其它
将边缘的灰度值统一化，可以使边缘更加清晰明显。 将边缘的灰度值统一化，可以使边缘更加清晰明显。 该方法基本上不破坏图像的背景， 该方法基本上不破坏图像的背景，又可以根据需要增强 边缘。 边缘。
G ( x, y ) = f x' = f ( x, y ) − f ( x − 1, y )
0 1 0 0 G ( x, y ) = 0 0 0 − 1
254 0 0 253 − 1 1 255 0 − 2 254 0 0
第17页
0 0 0 0
注意： 注意：原图像第 1列像素无微分
7.2 边缘检测
（1）Roberts算子 ） 算子
方法：计算对角方向相邻的两个像素灰度之差。 方法：计算对角方向相邻的两个像素灰度之差。 特点：边缘定位准，但对噪声敏感。 特点：边缘定位准，但对噪声敏感。
G ( x, y ) = f ( x, y ) − f ( x + 1, y + 1) + f ( x + 1, y ) − f ( x, y + 1)
第23页
7.2 边缘检测
梯度
– f( x, y)的梯度定义为 的梯度定义为
∂f ( x, y ) ∂f ( x, y ) G[ f ( x, y )] = + ∂y ∂x – 离散图像 离散图像P73
2 2
G[ f ( x, y )] =
( f ( x, y ) − f ( x − 1, y ) ) + ( f ( x, y) − f ( x, y − 1)
第19页
7.2 边缘检测
微分方法
(3)双向一次微分运算 双向一次微分运算
g ( x, y ) =
( f ( x, y ) − f ( x, y − 1) ) + ( f ( x, y ) − f ( x − 1, y ) )
2
2
0 0 0 模板（卷积核） 模板（卷积核） − 1 1 0 0 0 0
– 图像函数 f ( x , y ) 在点 ( x, y ) 的梯度幅值为
∂f ∂ f + ∂x ∂ y
2
2
各用1个 对Gx和Gy各用 个 和 各用 模板，需要2个模板 模板，需要 个模板 组合起来构成一个梯 度算子。 度算子。
其方向为
∂f ∂y θ = arctg ∂f ∂x
研究层次
–图像分割算法 图像分割算法 –图像分割算法的评价和比较 图像分割算法的评价和比较 –对分割算法的评价方法和评价准则的系统研究 对分割算法的评价方法和评价准则的系统研究
第12页
7.2 边缘检测
第13页
7.2 边缘检测
1、概述 、
–物体的 边缘 是以图像局部特性的不连续性的形式出现的 物体的边缘 物体的 边缘是以图像局部特性的不连续性的形式出现的 从本质上说， ， 从本质上说 ， 边缘意味着一个区域的终结和另一个区 域的开始。 域的开始。 –图像边缘信息在图像分析和人的视觉中都是十分重要的 图像边缘信息在图像分析和人的视觉中都是十分重要的 是图像识别中提取图像特征的一个重要属性。 ，是图像识别中提取图像特征的一个重要属性。
7.2 边缘检测
微分方法 纵向微分运算
– 相减的结果反映了原图像灰度变化率的大小 ∆x f( x, y) = f( x, y) - f (x-1, y) – 原图像中像素灰度值不变的区域，相减的结果为 原图像中像素灰度值不变的区域，相减的结果为0 – 原图像中像素灰度值变化剧烈的区域，相减的结果值较大 原图像中像素灰度值变化剧烈的区域， – 如果用相减的值的绝对值作为灰度值，则变化小的像素为黑，反之 如果用相减的值的绝对值作为灰度值，则变化小的像素为黑， 为白。 为白。 – 图像垂直边缘得到增强 – 模板（卷积核） 模板（卷积核）
第21页
7.2 边缘检测
实例
f(x,y)
纵向 双向
横向
第22页
7.2 边缘检测
2、梯度算子 、
– 梯度是图像处理中最为常用的一阶微分方法。 梯度是图像处理中最为常用的一阶微分方法。
梯度算子是一阶导数算子
∂f Gx ∂x ∇f ( x , y ) = = G y ∂f ∂y
第11页
7.1分割定义和方法分类 7.1分割定义和方法分类
问题
–不同种类的图像、不同的应用要求所要求提取的区域是不相 不同种类的图像、 不同种类的图像 同的。分割方法也不同，目前没有普遍适用的最优方法。 同的。分割方法也不同，目前没有普遍适用的最优方法。 –人的视觉系统对图像分割是相当有效的，但十分复杂，且分 人的视觉系统对图像分割是相当有效的， 人的视觉系统对图像分割是相当有效的 但十分复杂， 割方法原理和模型都未搞清楚。 割方法原理和模型都未搞清楚。这是一个很值得研究的问题 。