數(shù)字圖像處理第5章圖像分割與邊緣檢測(cè)-wenkub.com
2025-05-10 22:14 本頁(yè)面
【正文】 ??????????????????????????????????????244424080448*24844080424442第五章 圖像分割 原圖 Sigma＝ Sigma＝ Sigma＝ 圖 512 LoG算子 Sigma在不同取值時(shí)的邊緣檢測(cè)圖 的選取對(duì)邊緣的提取影響很大 。 第五章 圖像分割 圖 510 Roberts算子、 Prewitt算子與 Sobel算子的邊緣檢測(cè)結(jié)果 第五章 圖像分割 3. 二階微分算子 拉普拉斯算子 由于 Laplacian算子沒有邊緣方向的信息 ， 并且對(duì)噪聲非常敏感 ， 因此 ， 實(shí)際應(yīng)用中往往不直接用來獲取邊緣 。39。39。39。 因此更多的時(shí)候是采用梯度運(yùn)算來檢測(cè)邊緣 。 一般認(rèn)為沿邊緣方向的灰度變化比較平緩 ， 而邊緣法線方向的灰度變化比較劇烈 。一方面是因?yàn)閳D像的內(nèi)容往往非常復(fù)雜 ， 很難用純數(shù)學(xué)的方法來描述；另一方面則是因?yàn)槿祟惐旧砭哂懈兄繕?biāo)邊界的高層視覺機(jī)理 ， 目前人類對(duì)這些機(jī)理的認(rèn)識(shí)還很膚淺 。 第五章 圖像分割 邊 緣 分 割 邊緣的定義 圖像的邊緣對(duì)人類的視覺系統(tǒng)具有重要意義 ， 是人類判別物體重要依據(jù) ， 是圖像的最基本特征 。 首先假定整幅圖像是一致的 ， 通過判別準(zhǔn)則如果發(fā)現(xiàn)與實(shí)際不一致 ， 則將其分裂為四個(gè)子圖像 ， 重復(fù)上面的過程 ， 直到所有的子區(qū)域都滿足一致性準(zhǔn)則 。 ? 區(qū)域合并的過程可以通過下面的過程來實(shí)現(xiàn)： ? 比較相鄰區(qū)域的灰度統(tǒng)計(jì)特性 ， 如果滿足合并要求 ， 則把兩個(gè)區(qū)域合并成更大的區(qū)域 ， 并計(jì)算大區(qū)域的灰度統(tǒng)計(jì)特性； ? 如果不滿足合并要求 ， 則把該區(qū)域標(biāo)記為沒有合并 。 ? 區(qū)域合并的分割方法是一個(gè)迭代過程 ， 每一步都要重新計(jì)算被擴(kuò)大的區(qū)域成員隸屬關(guān)系 ， 并消除弱邊界 。 (a) 原圖像數(shù)據(jù) (b) 第一次生長(zhǎng) (c) 第二次生長(zhǎng) (d) 最終生長(zhǎng)結(jié)果 圖 55 區(qū)域生長(zhǎng)示例 (閾值為 2,均一性準(zhǔn)則 : ) ThRxf ?? ? |)(|[例 ] 第五章 圖像分割 (a) 原圖像數(shù)據(jù) (b) 閾值為 2區(qū)域生長(zhǎng)結(jié)果 (c) 閾值為 6區(qū)域生長(zhǎng)結(jié)果 圖 56 不同閾值時(shí)的區(qū)域生長(zhǎng)結(jié)果 這里 ， 閾值和生長(zhǎng)點(diǎn)的選取對(duì)區(qū)域分割至關(guān)重要 ， 需要使用者對(duì)每一個(gè)區(qū)域選擇生長(zhǎng)點(diǎn) ， 并慎重選擇閾值 ， 下圖則說明了閾值選擇的重要性 。 第五章 圖像分割 ? 區(qū)域生長(zhǎng)法在用來分割圖像的時(shí)候 ， 首先需要選定一些代表不同區(qū)域的起始象素 ， 稱作生長(zhǎng)點(diǎn) 。 基于直方圖的分割方法獲得了廣泛的應(yīng)用 。若一幅圖像由亮背景和黑目標(biāo)組成 ， 已知目標(biāo)占圖像的(100p)%面積 ， 則使得至少 (100－ p)%的像素閾值化后匹配為目標(biāo)的最高灰度 ， 將選作用于二值化處理的閾值 。 k0=0, kM=L），則各類 Cj的發(fā)生概率 ωj和平均值 μj為
高考資料相關(guān)推薦
鄂ICP備17016276號(hào)-1