【正文】 種運算可簡化 為模板求卷積進行，計算 a和 b對應的模板如下： ：其過程是求平均后再求差分，因而對噪聲有抑制作用。 用一平面 p(x,y)=ax+by+c來擬合空間四鄰像素的灰度值 f(x,y)、 f(x,y+1)、 f(x+1,y)、 f(x+1,y+1)。 通過閾值 T來判斷 : |R| T ， 則 檢測到一個孤立點 。 用空域的高通濾波器來檢測孤立點。線檢 測模板如下： 1 1 1 2 2 2 1 1 1 水平模板 1 1 2 1 2 1 2 1 1 45度模板 1 2 1 1 2 1 1 2 1 垂直模板 2 1 1 1 2 1 1 1 2 135度模板 例 ： 1 1 1 5 5 5 1 1 1 1 1 1 5 5 5 1 1 1 1 1 1 5 5 5 1 1 1 圖像 用 4種模板分別計算： R水平 = 6 + 30 = 24 R45度 = 14 + 14 = 0 R垂直 = 14 + 14 = 0 R135度 = 14 + 14 = 0 ? 檢測線的算法描述 – 依次計算 4個方向的典型檢測模板 ， 得到 Ri i=1,2,3,4 – 如 |Ri| |Rj| 對于所有的 j = i， 那么這個點被稱為在方向上更接 近模板 i 所代表的線 。下面是 σ＝ 10時， Marr算子的模板： h2? 基于一階導數(shù)法的邊緣檢測 檢測圖像一階導數(shù)的峰值或者谷值確定邊緣，可用一階微分算子和圖 像卷積實現(xiàn)。 稱為高斯－拉普拉斯濾波算子，也稱為 LOG濾波器，或 “ 墨西哥草帽 ” 。 ? 平滑函數(shù)應能反映不同遠近的周圍點對給定像素具有不同的平滑作用，因此，平滑函數(shù)采用正態(tài)分布的高斯函數(shù)，即： 2222),( ?yxeyxh???其中 σ是方差。 – 缺點： ? 對噪音的敏感 ， 對噪聲有雙倍加強作用 ； ? 不能檢測出邊的方向； ? 常產(chǎn)生雙像素的邊緣 。 。 – 梯度算子 – Roberts算子 – Prewitt算子 – Sobel算子 – Kirsch算子 – Laplacian算子 – Marr算子 1）梯度算子 函數(shù) f(x,y)在 (x,y)處的梯度為一個向量： ?f = [?f / ?x , ?f / ?y] 計算這個向量的大小為： G = [(?f / ?x)2 +(?f / ?y)2]1/2 近似為 : G ? |?fx| + |?fy| 或 G ? max(|?fx|, |?fy|) 梯度的方向角為： φ(x,y) = tan1(?fy / ?fx) 可用下圖所示的模板表示： 1 1 1 1 為了檢測邊緣點，選取適當?shù)拈撝?T，對梯度圖像進行二值化，則有： 這樣形成了一幅邊緣二值圖像 g(x,y). 特點 :僅計算相鄰像素的灰度差，對噪聲比較敏感，無法抑止噪聲的影響。 對 (c)而言，脈沖狀的剖面邊緣與 (a)的一階導數(shù)形狀相同，所以 (c)的一階導數(shù)形狀與 (a)的二階導數(shù)形狀相同，而它的 2個二階導數(shù)過 0點正好分別對應脈沖的上升沿和下降沿，通過檢測脈沖剖面的 2個二階導數(shù)過 0點就可確定脈沖的范圍。其算法原理是：將一幅圖像劃分為 35?35或 65?65的互不重疊的圖像塊，求出每個子圖像塊的直方圖及閾值，子圖像的中心像素點就使用求出的閾值，而區(qū)域內(nèi)的其它像素點的閾值通過插值的方法“自適應”地確定。imhist(I) ? I1=im2bw(I,110/255) ? figure,imshow(I1)。 ? BW=im2bw（ I ,map ,level)。 改進辦法： 1）取兩個峰值之間某個固定位置，如中間位置上。最常用的模型： 假設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。 圖像二值化 設原始圖像 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得關鍵，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。 3) 區(qū)域生長 :將屬性接近的連通像素聚集成區(qū)域。 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。 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，圖像的增強和恢復可以看作預處理，其輸入、輸出均是圖像，它是傳統(tǒng)的圖像處理的內(nèi)容。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。 ? 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)學描述都是比較難的。 圖像分割 — 引言 ? 從簡到難，逐級分割