【正文】 致圖像中出現(xiàn)很多低洼。避免過分割現(xiàn)象的有效方法之一就是分割前先對圖像進行平滑，以減少局部最小點數(shù)目；另一種就是對分割后的圖像按照某種準則合并相鄰區(qū)域。另一種有效控制過分割現(xiàn)象的方法是基于標記 (Marker)的分水嶺分割算法，它使用內(nèi)部標記 (Internal Marker)和外部標記(External Marker)。一個標記就是屬于圖像的一個連通成分，內(nèi)部標記與某個感興趣的目標相關，外部標記與背景相關。標記的選取包括預處理和定義一組選取標記的準則。標記選擇準則可以是灰度值、連通性、尺寸、形狀、紋理等特征。有了內(nèi)部標記之后，就只以這些內(nèi)部標記為低洼進行分割，分割結果的分水線作為外部標記，然后對每個分割出來的區(qū)域利用其它分割技術 (如閾值化 )將背景與目標分離出來。 第 5章 圖像分割與邊緣檢測 圖 522(b)是利用 VincentSoille算法對圖 522(a)的梯度圖像進行分割的結果。圖中出現(xiàn)了大量的細小區(qū)域，這對研究原圖的深色圓狀目標毫無意義。究其原因，是由于梯度圖像存在大量局部最小點，如圖 (d)所示。通過圖像平滑在一定程度上可以減少局部最小點的數(shù)目，如用 3 3的方形結構元素對梯度圖像進行形態(tài)學開啟和閉合運算。圖 (c)是對開閉運算后的梯度圖像的分水嶺分割結果，可見過分割現(xiàn)象受到了一定程度的抑制，但該分割結果對于圖像分析仍無用處。借助于某些先驗知識，可以找出一些內(nèi)部標記和外部標記，基于標記來分割圖像。 第 5章 圖像分割與邊緣檢測 根據(jù)原圖像的特點，指定內(nèi)部標記的選取準則為：每一個內(nèi)部標記都應該是由相同灰度的像素構成的一個連通區(qū)域，周圍像素與內(nèi)部標記的灰度之差應大于 2。外部標記的選取準則為：內(nèi)部標記之間的分水線作為外部標記?？梢韵葘?nèi)部標記圖像作距離變換，再進行分水嶺分割得到外部標記。圖 (e)是把內(nèi)部標記與外部標記疊加到原始圖像中的效果，淺灰色區(qū)域為內(nèi)部標記，白色線條為外部標記。圖 (f) 是基于內(nèi)部標記和外部標記對梯度圖像的分水嶺分割結果。由此可見，只要指定恰當?shù)臉擞涍x取準則，基于標記的分水嶺分割可以得到比較滿意的結果。 第 5章 圖像分割與邊緣檢測 圖 522 基于標記的分水嶺分割 第 5章 圖像分割與邊緣檢測 投影法與差影法 投影法 顧名思義，投影法就是把圖像在某一方向 (常用水平方向和垂直方向 )上進行投影，在投影圖上便可反映出圖像中目標對象的位置、尺寸等信息。圖 523是一幅圖像分別在水平方向和垂直方向上的投影。 可以看出投影法是一種很自然的方法，有點像灰度直方圖。為了得到更好的效果，投影法經(jīng)常和閾值化一起使用。由于噪聲點對投影有一定的影響，所以處理前最好用平滑法去除噪聲，然后進行閾值化處理，再對閾值化后的二值圖像在某個方向上進行投影運算。 第 5章 圖像分割與邊緣檢測 圖 523 投影法 第 5章 圖像分割與邊緣檢測 圖 524(a)是著名的華盛頓紀念碑的一幅圖像。仔細觀察圖像可以發(fā)現(xiàn)，紀念碑上像素的灰度都差不多，而且和其它區(qū)域的灰度值不同。如果選取合適的閾值對該圖進行二值化處理，便可將紀念碑突出顯示出來，如圖 (b)所示。利用投影法，可以從圖中自動檢測到水平方向上紀念碑的位置。由于紀念碑所在的那些列的白色點比起其它列多得多，如果將圖 (b)在垂直方向做投影，則如圖 (c)所示，其中黑色線條的高度代表了該列上白色點的個數(shù)，圖中間的高峰部分就是要找的水平方向上紀念碑所在的位置。 第 5章 圖像分割與邊緣檢測 圖 524 投影法檢測目標位置 第 5章 圖像分割與邊緣檢測 差影法 1. 圖像的代數(shù)運算 圖像的代數(shù)運算是指對兩幅輸入圖像進行點對點的加、減、乘、除四則運算而得到輸出圖像的運算。如果記輸入圖像為 A(x， y)和 B(x， y)，輸出圖像為 C(x， y)，則四種圖像代數(shù)運算的表達式如下： C(x， y)＝ A(x， y)＋ B(x， y) C(x， y)＝ A(x， y)－ B(x， y) C(x， y)＝ A(x， y) B(x， y) C(x， y)＝ A(x， y) / B(x， y) 第 5章 圖像分割與邊緣檢測 另外，還可通過適當?shù)慕M合，形成涉及幾幅圖像的復合代數(shù)運算方程。 圖像相加一般用于對同一場景的多幅圖像求平均，以便有效降低加性噪聲。通常，圖像采集系統(tǒng)中采集圖像時此類參數(shù)可供選擇。若直接采集的圖像品質較好，則無需該處理，但是對于經(jīng)過長距離模擬通信方式傳送的圖像 (如太空航天器傳回的星際圖像 )，這種處理是不可缺少的。但利用求圖像平均降低噪聲的方法，只有當噪聲可以用同一個獨立分布的隨機模型描述時才會有效。 第 5章 圖像分割與邊緣檢測 圖像相減運算又稱為圖像差分運算，常用于檢測圖像中的變化及運動物體。差分方法可以分為控制環(huán)境下的簡單差分方法和基于背景模型的差分方法。在控制環(huán)境下，或者在很短的時間間隔內(nèi)，可以認為背景是固定不變的，直接使用差分運算檢測出圖像中的變化及運動的物體。該方法與閾值化處理結合，是建立機器視覺系統(tǒng)最有效的方法之一。在相對穩(wěn)定的環(huán)境下，可以假設背景變化緩慢，且符合一定的分布規(guī)律，通過建立背景模型，利用差分方法來檢測運動物體，也可獲得很好的效果。 第 5章 圖像分割與邊緣檢測 乘法運算可以用來實現(xiàn)掩模處理，即屏蔽掉圖像的某些部分。此外，由于空間域的卷積和相關運算與頻率域的乘積運算對應，乘法運算有時也作為一種技巧來實現(xiàn)卷積或相關處理。 除法運算可用于校正成像設備的非線性影響，在特殊形態(tài)的圖像 (如 CT等醫(yī)學圖像 )處理中用到。 第 5章 圖像分割與邊緣檢測 2. 差影法 所謂差影法，實際上就是圖像的相減運算 (又稱減影技術 )，是指把同一景物在不同時間拍攝的圖像或同一景物在不同波段的圖像相減。差值圖像提供了圖像間的差異信息，能用以指導動態(tài)監(jiān)測、運動目標檢測和跟蹤、圖像背景消除及目標識別等。其算法流程如圖 525所示。 第 5章 圖像分割與邊緣檢測 圖 525 差影法檢測變化目標的流程圖 第 5章 圖像分割與邊緣檢測 差影法是非常有用的，比如在銀行金庫監(jiān)控系統(tǒng)中，攝像頭每隔一小段時間拍攝一幅圖像，并與上一幅圖像做差影。如果圖像差別超過了預先設置的閾值，說明有異常情況發(fā)生，這時就應該拉響警報。 在利用遙感圖像進行動態(tài)監(jiān)測時，用差值圖像可以發(fā)現(xiàn)森林火災、洪水泛濫，監(jiān)測災情變化及估計損失等；也能用來監(jiān)測河口、海岸的泥沙淤積及監(jiān)視江河、湖泊、海岸等的污染。利用差值圖像還能鑒別出耕地及不同的作物覆蓋情況。 第 5章 圖像分割與邊緣檢測 利用差影技術消除圖像背景也有很明顯的效果。例如，在血管造影技術中，腎動脈造影術對診斷腎臟疾病就有獨特效果。為了減少誤診，人們希望提供反映游離血管的清晰圖像。 通常的腎動脈造影在造影劑注入后，雖然能夠看出腎動脈血管的形狀及分布，但由于腎臟周圍血管受到脊椎及其它組織影像的重疊，難以得到理想的游離血管圖像。對此，可拍攝腎動脈造影前后的兩幅圖像，相減后就能把脊椎及其它組織的影像去掉，僅保留血管圖像。類似的技術也可用于診斷印刷線路板及集成電路掩模的缺陷。電影特技中應用的“藍幕”的技術，其實也包含差影法的原理。 第 5章 圖像分割與邊緣檢測 對圖像進行差影法運算時，必須使兩相減圖像的對應像點位于空間同一目標點上。否則，必須先作幾何校正與配準。 當將一個場景中系列圖像相減用來檢測運動或其它變化時，難以保證準確對準。這時，就需要更進一步的考慮。假定差圖像由式 (531)給定： C(x, y)=A(x, y)A(x+Δx, y) (531) 如果 Δx很小，則式 (531)可以近似為 xyxAxyxC ???? ),(),((532) 第 5章 圖像分割與邊緣檢測 由式 (532)可知，減去稍微有些不對準的一幅圖像的復制品可得到偏導數(shù)圖像。偏導數(shù)的方向為圖像位移的方向。 運用差影法對一幅混疊圖像進行處理的效果如圖 526所示。原始圖像中有兩幅圖像混合在一起，將該圖像與已知的背景圖像進行差影處理，便可將戴草帽女士的圖像分離出來。 第 5章 圖像分割與邊緣檢測 圖 526 差影法示例 第 5章 圖像分割與邊緣檢測 圖像分割實例 現(xiàn)有如圖 527(a)所示的大米圖像，要求從背景中將大米目標分割出來。由于圖像獲取過程中非均勻光照的影響，導致大米圖像背景灰度不均勻，中上部的背景比下部的背景亮。 因而使得大米目標與背景之間的對比度不一致，即隨位置變化。由圖 (b)可見，大米圖像的直方圖的雙峰性質不明顯，用單一的全局閾值難以取得理想的分割結果。圖 (c)是利用Otsu閾值法對圖 (a)的分割結果，圖像底部的大米目標殘缺不全，分割效果不理想。如果利用動態(tài)閾值方法分割大米圖像，則容易產(chǎn)生分塊效應。 第 5章 圖像分割與邊緣檢測 圖 527 非均勻光照下的大米圖像分割 第 5章 圖像分割與邊緣檢測 為了有效消除非均勻光照的影響，可以采用以下三種方法：背景照度估計、灰值形態(tài)學和同態(tài)濾波 (Homomorphic Filtering)。通過調整同態(tài)濾波器的參數(shù)，可以較好地消除非均勻光照的影響，但同時也可能會增強噪聲，導致不理想的分割結果。本實例主要介紹背景照度估計法，并簡要提及灰值形態(tài)學法，讀者可選擇合適的方法分割同態(tài)濾波之后的大米圖像。 第 5章 圖像分割與邊緣檢測 1. 通過背景照度估計消除非均勻光照 消除非均勻光照的一種簡單方法就是通過對圖像采樣來重建背景照度。首先將大米圖像分割成一系列尺寸一致的子塊，如 32 32，取每個子塊的最小灰度值作為該子塊的背景亮度。 用這些子塊的最小灰度值可以形成一個小圖像，它是關于大米圖像背景照度分布的粗略估計。然后通過雙三次樣條插值或雙線性插值將前面得到的小圖像擴展成與大米圖像同樣大小的圖像，如圖 (d)所示，用它來估計大米圖像的背景照度。 第 5章 圖像分割與邊緣檢測 從大米圖像中減去背景照度的估計值，就得到消除了非均勻光照的大米圖像，如圖 (e)所示。顯而易見，消除了非均勻光照后，大米圖像各點處的對比度比較一致，其直方圖也表現(xiàn)出良好的雙峰性質，如圖 (f)所示。因此，可以直接利用全局閾值法對圖 (e)進行分割，圖 (g)是 Otsu閾值分割后的結果，大米目標比圖 (c)更完整，具有理想的效果。消除非均勻光照后，圖像變暗，灰度動態(tài)范圍變窄，可以通過線性灰度變換等方法擴展其對比度，再進行分割。 第 5章 圖像分割與邊緣檢測 2. 利用灰值形態(tài)學消除非均勻光照 由于大米圖像中的大米目標亮度較高且寬度較小，因而可以通過灰值形態(tài)學的方法除去這些高亮度的大米目標，而保持背景基本不變。選用尺寸比大米目標稍大的結構元素(如半徑為 15的圓形結構元素 )對圖 (a)進行灰值開啟運算，就可以得到與圖 (d)類似的背景照度分布圖，如圖 (h)所示。從輸入圖像中減去背景照度，就可以消除非均勻光照。關于灰值形態(tài)學的詳細內(nèi)容，將在數(shù)學形態(tài)學一章中探討。 第 5章 圖像分割與邊緣檢測 習 題 1. 設一幅二值圖像中含有水平、垂直、傾斜 45176。 和135176。 的各種直線，設計一組可以用來檢測這些直線中單像素間斷的 3 3模板。 2. 設計一組 3 3模板，使其可以用于檢測二值圖像中的各種角點。 3. 證明類間方差最大法與類內(nèi)方差最小法確定的閾值相同。 4. 如果圖像背景和目標灰度均為正態(tài)分布，其均值分別為 μ和 ν，而且圖像與背景面積相等，試確定其最佳閾值。 第 5章 圖像分割與邊緣檢測 5. 根據(jù)本章介紹的輪廓跟蹤算法，編寫一個標記圖像的輪廓跟蹤程序。為什么算法中每次的起始搜索方向要在上次搜索方向的基礎上旋轉 1~2個方向？如果不這樣做，對于有毛刺的區(qū)域，輪廓跟蹤時會出現(xiàn)什么問題？ 6. 試編寫區(qū)域標記程序，并用一幅有多個對象的二值圖像進行檢驗。 7. 查閱文獻，分析如何自動確定邊緣檢測中的閾值。 8. 編寫利用哈夫變換實現(xiàn)直線檢測的程序。 9. 找一些灰度圖像進行試驗，用多種方法分割圖像，看看哪一種圖像分割方法的效果更理想，為什么？