1、第七章 圖像分割技術(shù)7.1 基于閾值選取的圖像分割方法7.2 基于區(qū)域的圖像分割方法7.3 基于邊緣檢測(cè)的圖像分割7.4 圖像分割的MATLAB實(shí)現(xiàn)圖像分割 把圖像空間按照一定的要求分成一些“有意義”的區(qū)域的技術(shù)叫圖像分割。 例如： （1）要確定航空照片中的森林、耕地、城市區(qū)域等，首先需要將這些部分在圖像上分割出來。 （2）要辨認(rèn)文件中的個(gè)別文字，也需先將這些文字分選出來。 （3）要識(shí)別和標(biāo)定細(xì)胞的顯微照片中的染色體，需要用圖像分割技術(shù)。 一幅圖像通常是由代表物體的圖案與背景組成，簡(jiǎn)稱物體與背景。若想從一幅圖像中“提取”物體，可以設(shè)法用專門的方法標(biāo)出屬于該物體的點(diǎn)，如把物體上的點(diǎn)標(biāo)為“1”，而

2、把背景點(diǎn)標(biāo)為“0”，通過分割以后，可得一幅二值圖像。 圖像分割方法分類： 大致可以分為基于邊緣檢測(cè)的方法和基于區(qū)域生成的方法。 第一類為找出圖像的邊緣信息，首先檢出局部特性的不連續(xù)性，再將它們連成邊界，這些邊界把圖像分成不同的區(qū)域，從而分割出各個(gè)區(qū)域，常用邊緣檢測(cè)方法有基于邊緣檢測(cè)的圖像分割、基于閾值選取的圖像分割；圖像分割方法分類： 第二類為基于區(qū)域生成的方法，是將像素分成不同的區(qū)域，根據(jù)相應(yīng)的區(qū)域特性在圖像中找出與其相似的部分并進(jìn)行處理，常用的方法有區(qū)域生長、分裂-合并分割方法。以上這兩類方法互為對(duì)偶，相輔相成，有時(shí)還要將它們結(jié)合起來，以得到更好的分割效果。7.1 閾值選取的圖像分割方法7

3、.1.1 灰度閾值分割7.1.2 直方圖閾值7.1.3 最大熵閾值7.1.4 二維直方圖閾值7.1.5 局部閾值法 常用的幾種二值化方法 1 令二值化圖像為： 2 令二值化圖像為： 常用的兩種半閾值化方法 1 2 直方圖閾值的雙峰法 當(dāng)灰度圖像中畫面比較簡(jiǎn)單且對(duì)象物的灰度分布比較有規(guī)律，背景和對(duì)象物在圖像的灰度直方圖上各自形成一個(gè)波峰，由于每兩個(gè)波峰間形成一個(gè)低谷，因而選擇雙峰間低谷處所對(duì)應(yīng)的灰度值為閾值，可將兩個(gè)區(qū)域分離。我們把這種通過選取直方圖閾值來分割目標(biāo)和背景的方法稱為直方圖閾值雙峰法。 細(xì)胞原灰度圖像 圖像直方圖 T=140時(shí)閾值分割后的圖像動(dòng)態(tài)閾值法 在有些情況下，整幅圖像用一個(gè)固

4、定的閾值來分割，可能得不到好的分割效果。此時(shí)可以利用取動(dòng)態(tài)門限值的方法分割圖像。取動(dòng)態(tài)門限值是先將圖像分成若干塊，對(duì)每一塊按其局部直方圖由上述方法選擇門限值。 最大熵閾值 圖像閾值最大熵分割方法是應(yīng)用信息論中熵的概念對(duì)圖像閾值化，使選擇的閾值t分割圖像目標(biāo)區(qū)域、背景區(qū)域兩部分灰度統(tǒng)計(jì)的信息量為最大，所采用的一種圖像閾值分割方法。 對(duì)數(shù)字圖像閾值分割的圖像灰度直方圖如圖，其中，灰度級(jí)低于t的像素點(diǎn)構(gòu)成目標(biāo)區(qū)域O，灰度級(jí)高于t的像素構(gòu)成背景區(qū)域B，由此得到目標(biāo)區(qū)域O的概率分布和背景區(qū)域B的概率分布分別是目標(biāo)區(qū)域O的概率灰度分布： 背景區(qū)域B的概率灰度分布： 7.2.1 區(qū)域生長法 分割的目的是把一

5、幅圖像劃分成一些區(qū)域，對(duì)于這個(gè)問題的最直接的方法是把一幅圖像分成滿足某種判據(jù)的區(qū)域。要?jiǎng)澐殖蓞^(qū)域，要確定一個(gè)區(qū)域與其它區(qū)域相區(qū)別的特征，還要產(chǎn)生有意義分割的相似性判據(jù)。 分割區(qū)域的一種方法叫區(qū)域生成或區(qū)域生長?？梢詮臐M足區(qū)域特征的一點(diǎn)開始，加上與已知點(diǎn)相似的鄰點(diǎn)形成一個(gè)區(qū)域。這個(gè)相似性準(zhǔn)則可以是灰度級(jí)、彩色值、結(jié)構(gòu)、梯度或其它特征。相似性的測(cè)度可以由所確定的閾值來判定。所以，此方法是從滿足檢測(cè)準(zhǔn)則的點(diǎn)開始，在各個(gè)方向上生長區(qū)域。當(dāng)其鄰近點(diǎn)滿足檢測(cè)準(zhǔn)則，就并入?yún)^(qū)域中。不斷重復(fù)這一過程，直到?jīng)]有可接受的鄰近點(diǎn)為止。區(qū)域生長法時(shí)需要由以下 3 個(gè)步驟來實(shí)現(xiàn) （1）確定選擇一組能正確代表所需區(qū)域的起始

6、點(diǎn)種子像素。 （2）確定在生長過程中將相鄰像素包括進(jìn)來的（相似性判別生長）準(zhǔn)則。 （3）確定區(qū)域生長過程停止的條件或規(guī)則。 當(dāng)然，區(qū)域生長分割方法針對(duì)不同的實(shí)際應(yīng)用，需要根據(jù)具體圖像的具體特征來確定種子像素和生長及停止準(zhǔn)則。1灰度差判別式 相似性的判別值可以選取像素與鄰域像素間的灰度差，也可以選取微區(qū)域與相鄰微區(qū)域間的灰度差?；叶炔钆袆e式為 當(dāng)CT，說明基本單元(i,j)與(m,n)相似， (i,j)應(yīng)與(m,n)合并，計(jì)算合并后微區(qū)域的平均灰度值；當(dāng)CT，說明兩者不相似，f (i,j)保持不變，仍為不屬于任何區(qū)域的基本單元。 （a）輸入圖像 （b）第一次區(qū)域生長 （c）第二次區(qū)域生長 （d）

7、結(jié)束并重新開始區(qū)域生長的簡(jiǎn)單圖示 （a）給定原圖像 （b）處理過程 （c）處理過程 （d）處理過程 （e）處理過程 （f）處理過程 （g）處理結(jié)果7.2.2 分裂-合并1.樹結(jié)構(gòu)2.圖像四叉樹結(jié)構(gòu)3.金字塔數(shù)據(jù)結(jié)構(gòu)圖7.2.5 圖像金字塔分裂-合并基本數(shù)據(jù)結(jié)構(gòu)【例7.2.3】分裂-合并算法的例子。設(shè)有88圖像的0層、1層、2層、3層如圖7.2.6 所示，3層為樹葉，其中的數(shù)值為灰度值以及各層的小區(qū)域平均灰度值。根的灰度值表示圖像的平均亮度。7.3 基于邊緣檢測(cè)的圖像分割 數(shù)字圖像的邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)，也是圖像識(shí)別中提取圖像特征的一個(gè)重要屬

8、性。在進(jìn)行圖像理解和分析時(shí)，第一步往往就是邊緣檢測(cè)， 由于邊緣廣泛存在于目標(biāo)與目標(biāo)、物體與背景、區(qū)域與區(qū)域（含不同色彩）之間，它是圖像分割所依賴的重要特征。 目前它已成為機(jī)器視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。 邊緣 邊緣是指周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。 常見的邊緣點(diǎn)有三種： 第一種是階梯形邊緣，即從一個(gè)灰度到比它高好多的另一個(gè)灰度。 第二種是屋頂形邊緣，它的灰度是慢慢增加到一定程度然后慢慢減少。 第三種是線性邊緣，它的灰度從一個(gè)級(jí)別跳到另一個(gè)灰度級(jí)別之后然后回來。邊緣檢測(cè)Sobel算子 它是對(duì)數(shù)字圖像f(x,y)的每一個(gè)像素，考查其相鄰點(diǎn)像素灰

9、度的加權(quán)差.2. Roberts算子圖像f(x,y)的梯度定義為 3. LOG算子 噪聲點(diǎn)對(duì)邊緣檢測(cè)有較大的影響， 效果更好的邊緣檢測(cè)器是高斯-拉普拉斯(LOG)算子。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(cè)，所以效果更好。 拉普拉斯高斯算法是一種二階邊緣檢測(cè)方法。它通過尋找圖像灰度值中二階微分中的過零點(diǎn)來檢測(cè)邊緣點(diǎn)。 常用的LOG算子是55的模板： LOG算子中心點(diǎn)的距離與位置加權(quán)系數(shù)的關(guān)系4. Prewitt算子 與使用Sobel算子的方法一樣，圖像中的每個(gè)點(diǎn)都用這兩個(gè)和作卷積，取最大值作為輸出Prewitt算子也產(chǎn)生一幅邊緣幅度圖像，也是對(duì)灰度漸變和噪

10、聲較多的圖像處理得較好。圖5-10 用Prewitt算子進(jìn)行邊緣檢測(cè)的結(jié)果 圖5-105. Canny算子 Canny邊緣檢測(cè)法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測(cè)之間取得較好的平衡。具體步驟如下： (1) 用高斯濾波器來對(duì)圖像濾波，可以去除圖像中的噪聲。 (2) 用高斯算子的一階微分對(duì)圖像進(jìn)行濾波，得到每個(gè)像素的大小和方向。4. 梯度進(jìn)行“非極大抑制” 3. 通過梯度方向，找到這個(gè)像素梯度方向的鄰接像素。 若某個(gè)像素的灰度值與其梯度方向上前后兩個(gè)像素的灰度值相比不是最大的，那么這個(gè)像素值置為0,即不是邊緣。例如，如果中心像素x的梯度方向?qū)儆诘?區(qū)，則把x的梯度值與它的左上和右下相

11、鄰像素的梯度值比較，看x的梯度值是否是局部極大值。如果不是，就把像素x的灰度設(shè)為0，這個(gè)過程稱為“非極大抑制”。 5. 使用累計(jì)直方圖計(jì)算兩個(gè)閾值。凡是大于高閾值（累積直方圖0.8處的值作為高閾值Th）的一定是邊緣，凡是小于低閾值（0.4Th）的一定不是邊緣。如果檢測(cè)結(jié)果大于低閾值但又小于高閾值，那就要看這個(gè)像素的鄰接像素中是否有超過高閾值的邊緣像素。如果有的話，它就是邊緣，否則它不是邊緣。圖7.4.6 采用各種邊緣檢測(cè)算子得到的邊緣圖像效果 圖7.4.7 對(duì)圖像加入椒鹽噪聲后邊緣檢測(cè)圖像效果 圖7.4.9 四叉樹分解圖7.4.10 選取不同閾值圖像分割的效果7.4 投影法與差影法 5.5.1

12、 投影法 投影法就是把圖像在某一方向（常用的是水平方向和垂直方向）上進(jìn)行投影。在投影圖上便可反映出圖像中目標(biāo)對(duì)象的位置、尺寸等信息。 可以看出投影法是一種很自然的方法，有點(diǎn)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(diǎn)對(duì)投影有一定的影響，所以處理前最好先做一次平滑，去除噪聲，然后進(jìn)行閾值化處理，再對(duì)閾值化后的二值圖像在某個(gè)方向上進(jìn)行投影運(yùn)算。 投影法閾值化后的華盛頓紀(jì)念碑 華盛頓紀(jì)念碑圖 垂直方向投影 5.5.2 差影法 1. 圖像的代數(shù)運(yùn)算 圖像的代數(shù)運(yùn)算是指對(duì)兩幅輸入圖像進(jìn)行點(diǎn)對(duì)點(diǎn)的加、減、 乘、 除四則運(yùn)算而得到輸出圖像的運(yùn)算。如果記輸入圖像為A(x, y)和B

13、(x, y)，輸出圖像為C(x, y)，則四種圖像代數(shù)運(yùn)算的表達(dá)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) 圖像相加一般用于對(duì)同一場(chǎng)景的多幅圖像求平均，以便有效地降低加性噪聲。 圖像相減常用于檢測(cè)變化及運(yùn)動(dòng)物體，圖像相減運(yùn)算又稱為圖像差分運(yùn)算。 乘法運(yùn)算可以用來實(shí)現(xiàn)掩模處理，即屏蔽掉圖像的某些部分，也作為一種技巧來實(shí)現(xiàn)卷積或相關(guān)處理。 除法運(yùn)算可用于校正成像設(shè)備的非線性影響，在特殊形態(tài)的圖像（如CT等醫(yī)學(xué)圖像）處理中用到。 2. 差影法 所謂差影法，實(shí)際上就是圖像的相減運(yùn)算(又稱減影技術(shù))， 是指把同一景物在不同時(shí)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