數(shù)字圖像處理第5章圖像分割與邊緣檢測(完整版)
【正文】 閾值 。 設(shè)圖像總像素?cái)?shù)為 N， 灰度值為 i的像素?cái)?shù)為 Ni， 則至灰度級 K的灰度分布的 0階矩及 1階矩分別定義為 0階矩： ???KiiNNk0)(?第五章 圖像分割 1階矩： ???? KiiNNik0)(? 當(dāng) K=L1時(shí) ， ω(L1)=1； μ(L1)＝ μT， μT稱為圖像的平均灰度 。 常用的閾值化處理就是圖像的二值化處理 ， 即選擇一閾值 ，將圖像轉(zhuǎn)換為黑白二值圖像 ， 用于圖像分割及邊緣跟蹤等預(yù)處理 。如不同目標(biāo)物體所占的圖像區(qū)域等 。 第五章 圖像分割 圖像分割有三種不同的途徑： ? 將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法 , 即區(qū)域法； ? 通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割的邊界方法； ? 首先檢測邊緣像素 ， 再將邊緣像素連接起來構(gòu)成邊界形成分割 。 此時(shí)，用其雙峰之間的谷低處灰度值作為閾值 T進(jìn)行圖像的閾值化處理，便可將目標(biāo)和背景分割開來。 第五章 圖像分割 由此可得各類的類間方差為 ??? ???MjrjjMkkk121212 )(),( ???? ? 將使上式的 σ2值為最大的閾值組 (k1,k2,…,kM－ 1)， 作為 M值化的最佳閾值組 。 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(shí)候 ， 閾值的選取往往會(huì)失敗 。 生長點(diǎn)也可以根據(jù)圖像的灰度直方圖自動(dòng)選取，一般，圖像中的生長點(diǎn)有多個(gè)，這就需要將具有相同灰度統(tǒng)計(jì)特性的相鄰圖像區(qū)域合并起來。 ?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(shí) ， 合并過程結(jié)束 。 邊緣中包含著有價(jià)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 。 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 。 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(shí)際應(yīng)用中 ， 為了避免開方運(yùn)算 ， 簡化為下面兩個(gè)公式： ??? s i nc os 39。 yxr ffg ?? |)||m a x (| 39。 如果選擇的過大 ， 一些細(xì)微邊緣會(huì)被平滑丟失 ， 鄰近的邊緣會(huì)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(huì)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) 。 yxr ffg ，?常用的梯度算子有 Robert算子、 Prewitt算子和 Sobel算子等。 yx ffryyfrxxfrf ?????????????????)/a r c t a n ( 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
高考資料相關(guān)推薦
鄂ICP備17016276號-1