數(shù)字圖像處理第5章圖像分割與邊緣檢測(文件)
【正文】 R1和 R2； ?計算這兩組的平均灰度值 m1和 m2； ?然后重新選擇閾值 Th， 新的 Th定義為： Th=(m1+m2) /2； ?循環(huán)做第二步到第四步 ， 一直到兩組的平均灰度值 m1和 m2不再發(fā)生改變 ， 那么就獲得了所需的閾值 Th。 但采用直方圖閾值法基于象素灰度的 ， 沒有涉及到區(qū)域的連通性 ， 因此在圖像較為復(fù)雜的時候 ， 閾值的選取往往會失敗 。 然后從這些生長點出發(fā) ， 按照一定的規(guī)則 ， 一般是檢查它與周圍象素 (或區(qū)域 )的一致性 ， 把那些通過一致性測試的象素 (或區(qū)域 )合并進(jìn)來 ，直到這些區(qū)域覆蓋整個圖像區(qū)域為止 。 生長點也可以根據(jù)圖像的灰度直方圖自動選取，一般，圖像中的生長點有多個，這就需要將具有相同灰度統(tǒng)計特性的相鄰圖像區(qū)域合并起來。 沒有弱邊界可消除時 ， 合并過程才結(jié)束 。 ?不斷重復(fù)上述過程 ， 若某區(qū)域不能與它周圍的所有區(qū)域合并 ， 則被標(biāo)記成終結(jié) ， 當(dāng)所有區(qū)域終結(jié)時 ， 合并過程結(jié)束 。 圖 57 圖像的四叉樹表示 第五章 圖像分割 區(qū)域分裂 合并法 區(qū)域的分裂方法存在一個缺陷：在最后可能出現(xiàn)分裂的兩個區(qū)域是相鄰的 ， 而且兩個區(qū)域滿足均一性條件 ， 但是卻不能合成一個區(qū)域的現(xiàn)象 。 邊緣中包含著有價值的景物邊界信息 ， 這些信息可以用于圖像分析 、 目標(biāo)識別以及圖像濾波 ， 并且通過邊緣檢測可以極大的降低后繼圖像分析處理的數(shù)據(jù)量 。 我們定義邊緣為兩個具有不同灰度的均勻圖像區(qū)域的邊界 ， 即邊界反映局部的灰度變化 。 第五章 圖像分割 基本的灰度變化可以是階躍形或者斜坡形或者脈沖形等 ，這些只是理想的情況 ， 考慮到圖像是二維的 ， 而且往往圖像上疊加有噪聲 ， 因此灰度的變化要復(fù)雜的多 。 ),1(),(),(39。 jifjiff yx ??第五章 圖像分割 圖像 f(x,y)在 方向沿著極徑 r的梯度： 梯度方向： 梯度幅值： 實際應(yīng)用中 ， 為了避免開方運算 ， 簡化為下面兩個公式： ??? s i nc os 39。 xyr ff??239。 yxr ffg ?? |)||m a x (| 39。 因此一般總是先通過先圖像濾波后再使用 Laplacian算子 。 如果選擇的過大 ， 一些細(xì)微邊緣會被平滑丟失 ， 鄰近的邊緣會發(fā)生融合現(xiàn)象 ， 因此造成重要邊緣信息的丟失；如果較小 ， 會帶來很多不必要的細(xì)節(jié)邊緣和噪聲邊緣 ， 一般來講的取值也和圖像的復(fù)雜度和處理的要求有關(guān) 。 它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來 ， 先平滑掉噪聲 ， 再進(jìn)行邊緣檢測 ， 所以效果更好 。 yxr ffg ，?常用的梯度算子有 Robert算子、 Prewitt算子和 Sobel算子等。yxr ffg ??|||| 39。 yx ffryyfrxxfrf ?????????????????)/a r c t a n ( 39。 ??? jifjifjif y? ??? s i n),(c o s),( 39。 圖 59 邊緣截面及導(dǎo)數(shù)圖 第五章 圖像分割 檢測 X方向上的灰度變化： 檢測 Y方向上的灰度變化： 檢測 方向上的灰度變化： 導(dǎo)數(shù)運算簡單可行 ,但具有方
高考資料相關(guān)推薦
鄂ICP備17016276號-1