【正文】 第六章 圖像分割 主要內(nèi)容 ? 圖像分割概述 ? 閾值分割 ? 邊緣檢測 ? 區(qū)域分割 ? Hough變換檢測法 圖像分割概述 ? 圖像分割是指通過某種方法，使得畫 ? 面場景中的目標物被分為不同的類別。 ? 通常圖像分割的實現(xiàn)方法是，將圖像 ? 分為“黑”、“白”兩類，這兩類分別代 ? 表了兩個不同的對象。 ? 因為結(jié)果圖像為二值圖像，所以通常 ? 又稱圖像分割為圖像的二值化處理 。 ? 圖像分割是比較困難的事情，原因是畫面中的場景通常是復(fù)雜的，要找出兩個模式特征的差異，并且可以對該差異進行數(shù)學(xué)描述都是比較難的。 圖像分割概述 圖像分析系統(tǒng)的基本構(gòu)成如下圖 ： 知識庫 表示與描述 預(yù)處理 分割 低級處理 高級處理 中級處理 識別 與 解釋 結(jié)果 圖像獲取 問題 在該系統(tǒng)中，圖像的增強和恢復(fù)可以看作預(yù)處理，其輸入、輸出均是圖像，它是傳統(tǒng)的圖像處理的內(nèi)容。而圖像分割、特征提取及結(jié)構(gòu)分析等稱為圖像識別，其輸入是圖像，輸出是描述或解釋。 ?圖像分割的目的 ? 把圖像分解成構(gòu)成它的部件和對象； ? 有選擇性地定位感興趣對象在圖像中的位置和范圍 。 圖像分割 — 引言 ? 從簡到難，逐級分割 ? 控制背景環(huán)境，降低分割難度 ? 注意力集中在感興趣的對象，縮小不相干圖像成分的干擾。 圖像分割 — 引言 圖像分割的基本思路 提取輪廓 車牌定位 車牌識別 令集合 R代表整個圖像區(qū)域，對 R的分割可看作將 R分成 N個滿足以下五個條件 的非空子集（子區(qū)域） R1， R2， … ， RN： ? ； ? 對所有的 i和 j， i≠j，有 Ri∩Rj =φ； ? 對 i = 1,2,…,N ，有 P(Ri) = TRUE； ? 對 i≠j,有 P(Ri∪ Rj) = FALSE； ? 對 i =1,2,…,N ， Ri是連通的區(qū)域。 ? 其中 P(Ri)是對所有在集合 Ri中元素的邏輯謂詞 ,φ代表空集。 RRNii ???1 圖像分割 — 引言 圖像分割的基本策略： ? 把像素按灰度劃分到各個物體對應(yīng)的 區(qū)域中去； ? 確定存在于區(qū)域間的邊界； ? 先確定邊緣像素點，然后將它們連接起來 構(gòu)成所需的邊界； 區(qū)域：像素的連通集 連通準則： 4連通 8連通 1) 基于邊緣的分割方法 :先提取區(qū)域邊界，再確定邊界限定的區(qū)域。 2) 區(qū)域分割 :確定每個像素的歸屬區(qū)域，從而形成一個區(qū)域圖。 3) 區(qū)域生長 :將屬性接近的連通像素聚集成區(qū)域。 4) 分裂－合并分割 :綜合利用前兩種方法，既存在圖像的劃分，又有圖像的合并。 分割對象 分割對象 ? 圖像分割 將圖像中有意義的特征或需要應(yīng)用的特征提取出來 1）按幅度不同來分割各個區(qū)域：幅度分割 2）按邊緣不同來劃分各個區(qū)域：邊緣檢測 3）按形狀不同來分割各個區(qū)域：區(qū)域分割 總結(jié) 圖像閾值分割是一種廣泛應(yīng)用的分割技術(shù)，利用圖像中要提取的 目標 物與其背景在灰度特性上的差異 ，把圖像視為具有不同 灰度級 的兩類區(qū)域 (目標和背景 )的組合，選取一個合適的閾值，以確定圖像中每個象素點應(yīng) 該屬于目標還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。 閾值分割法的特點是： 適用于物體與背景有較強對比的情況，重要的 是背景或物體的灰度比較單一；而且總可以得到封閉且連通區(qū)域的邊界。 圖像二值化 設(shè)原始圖像 f(x,y)，以一定的準則在 f(x,y)中找出一個合適的灰度值，作為閾值 t，則分割后的圖像 g(x,y)，可由下式表示： g(x,y)= 1 f(x,y)≥t 0 f(x,y)t g(x,y)= 1 f(x,y)≤t 0 f(x,y)t 或 閾值分割 另外，還可以將閾值設(shè)置為一個灰度范圍 [t1,t2]，凡是灰度在范圍內(nèi)的象素都變?yōu)?1，否則皆變?yōu)?0，即 g(x,y)= 1 t1≤f(x,y)≤t2 0 其它 某種特殊情況下，高于閾值 t的象素保持原灰度級，其它象素都變?yōu)?0，稱為半閾值法，分割后的圖像可表示為： g(x,y)= f(x,y) f(x,y)≥t 0 其它 閾值分割圖像的基本原理，可用下式表示： g(x,y)= ZE f(x,y)∈ Z ZB 其它 閾值 閾值的選取時閾值分割技術(shù)得關(guān)鍵，如果過高，則過多的目標點被誤歸為背景；如果閾值過低，則會出現(xiàn)相反的情況。 由此可見，閾值化分割算法主要有兩個步驟： 1) 確定需要的分割閾值； 2) 將分割閾值與象素值比較以劃分象素 。 在利用閾值方法來分割灰度圖像時一般都對圖像有一定的假設(shè)?；谝欢ǖ膱D像模型的。最常用的模型： 假設(shè)圖像由具有單峰灰度分布的目標和背景組成，處于目標或背景內(nèi)部相鄰象素間的灰度值是高度相關(guān)的，但處于目標和背景交界處兩邊的象素在灰度值上有很大的差別。 如果一幅圖像滿足這些條件，它的灰度直方圖基本上可看作是由分別對應(yīng)目標和背景的兩個單峰直方圖混合構(gòu)成的。 ?簡單直方圖分割法 雙峰法閾值 (根據(jù)直方圖來確定閾值） 60年代中期， Prewitt提出了直方圖雙峰法，即如果灰度級直方圖呈明顯的雙峰狀，則選取兩峰之間的谷底所對應(yīng)的灰度級作為閾值。 Z1 Zi Zt Zj Zk 暗 亮 P 背景 目標 圖像灰度直方圖 雙峰法選取閾值的缺點： 會受到噪音的干擾，最小值不是預(yù)期的閾值， 而偏離期望的值。 改進辦法： 1）取兩個峰值之間某個固定位置，如中間位置上。由于峰 值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除 噪音的干擾； 2）加強對噪音的處理。對直方圖進行平滑處理，如最小 二乘法等補點插值。 直方圖閾值法 matlab實現(xiàn) ? 函數(shù)： im2bw，全局閾值函數(shù) ? BW=im2bw（ I ,level)。 ? BW=im2bw（ I ,map ,level)。 ? BW=im2bw（ RGB ,level)。 ? 分別將灰度圖像、索引圖像、彩色圖像轉(zhuǎn)化為二值圖像， ? level，為歸一化閾值 例子 ? Clear all ? I=imread(‘’) ? figure,imshow(I)。 ? Figure。imhist(I) ? I1=im2bw(I,110/255) ? figure,imshow(I1)。 最佳閾值 所謂 最佳閾值 是指圖像中目標