第七章圖像分割

7.1概述圖像處理的重要任務(wù):對(duì)圖像中的對(duì)象進(jìn)行分析和理解在圖像分析中，輸出的結(jié)果是對(duì)圖像的描述、分類或其他的某種結(jié)論。7.1概述圖像分析主要包括以下幾部分內(nèi)容：把圖像分割成不同的區(qū)域，或把不同的目標(biāo)分開（分割）。即把圖像分成互不重疊的區(qū)域并提取出感興趣目標(biāo)；找出各個(gè)區(qū)域的特征（特征提?。蛔R(shí)別圖像中的內(nèi)容，或?qū)D像進(jìn)行分類（識(shí)別與分類）；給出結(jié)論（描述、分類或其他的結(jié)論）。

典型的圖像分析和理解的系統(tǒng)

圖像分割的目的圖像分割是指通過某種方法，使得畫面場(chǎng)景被分為“目標(biāo)物”（前景目標(biāo)）及“非目標(biāo)物”（背景）兩類,即將圖像的像素變換為黑、白兩種。因?yàn)榻Y(jié)果圖像為二值圖像，所以通常又稱圖像分割為圖像的二值化處理。圖像分割的作用圖像分割是圖像識(shí)別和圖像理解的基本前提步驟，圖像分割質(zhì)量的好壞直接影響后續(xù)圖像處理的效果。圖像圖像識(shí)別圖像預(yù)處理圖像理解圖像分割圖像分割在整個(gè)圖像處理過程中的作用圖像的增強(qiáng)和恢復(fù)可以看作預(yù)處理，其輸入、輸出均是圖像，傳統(tǒng)的圖像處理的內(nèi)容;圖像分割、特征提取及結(jié)構(gòu)分析等稱為圖像識(shí)別，其輸入是圖像，輸出是描述或解釋。圖像分割的作用圖像分割示例圖像分割示例——腎小球區(qū)域的提取?圖像分割示例——細(xì)菌檢測(cè)圖像分割示例——印刷缺陷檢測(cè)圖像分割示例——印刷缺陷檢測(cè)檢測(cè)結(jié)果局部放大圖圖像分割的基本策略：分割算法基于灰度值的兩個(gè)基本特性：不連續(xù)性和相似性。第一類性質(zhì)的應(yīng)用途徑是基于灰度的不連續(xù)變化分割圖像，比如圖像的邊緣。第二類性質(zhì)的主要途徑是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域。圖像分割的方法

從分割依據(jù)出發(fā)“相似性分割”就是將具有同一灰度級(jí)或紋理的像素聚集在一起，形成圖像中的不同區(qū)域。這種基于相似性原理的方法常稱為“基于區(qū)域相關(guān)的分割技術(shù)”圖像分割的方法

“相似性分割”就是將具有同一灰度級(jí)或紋理的像素聚集在一起，形成圖像中的不同區(qū)域。這種基于相似性原理的方法常稱為“基于區(qū)域相關(guān)的分割技術(shù)”兩種方法具有互補(bǔ)性，一般在不同的場(chǎng)合需要不同方法，有時(shí)也將它們的處理結(jié)果相結(jié)合，以獲得更好的效果。根據(jù)分割算法本身閾值法、邊緣檢測(cè)法、匹配法等圖像分割的方法

分割結(jié)果中同一個(gè)子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的；同一個(gè)子區(qū)域內(nèi)的任兩個(gè)像素在該子區(qū)域內(nèi)互相連通。圖像分割相似性檢測(cè)不連續(xù)性檢測(cè)區(qū)域分割閾值分割區(qū)域分裂與合并自適應(yīng)邊界分割邊緣檢測(cè)邊緣跟蹤Hough變換圖像分割算法7.2像素的鄰域和連通性

4鄰域?qū)σ粋€(gè)坐標(biāo)為的像素p，它可以有兩個(gè)水平和兩個(gè)垂直的近鄰像素。坐標(biāo)分別為：這四個(gè)像素稱為p的4鄰域?；?鄰域的像素又稱為4連通的。7.2像素的鄰域和連通性

8鄰域取像素p四周的8個(gè)點(diǎn)作為相鏈接的鄰域點(diǎn)，除掉p本身外，剩下的8個(gè)點(diǎn)就是p的8鄰域。互為8鄰域的像素又稱為8連通的。

目標(biāo)和背景的連通性定義必須取不同，否則會(huì)引起矛盾。目標(biāo)和背景連通性應(yīng)用函數(shù)bwlabel根據(jù)4連通或8連通準(zhǔn)則在二值圖像中判斷目標(biāo)。BW=[11100000;11101100;11101100;11100010;11100010;11100010;11100110;11100000];%給定的二值圖像矩陣L4=bwlabel(BW,4)%根據(jù)4連通準(zhǔn)則判定目標(biāo)L8=bwlabel(BW,8)%根據(jù)8連通準(zhǔn)則判定目標(biāo)根據(jù)4連通準(zhǔn)則，得到的目標(biāo)是3個(gè)：

L4=1110000011102200111022001110003011100030111000301110033011100000根據(jù)8連通準(zhǔn)則，得到目標(biāo)是2個(gè)：

L8=11100000111022001110220011100020111000201110002011100220111000007.3圖像的閾值分割技術(shù)

灰度閾值分割方法：若圖像中目標(biāo)和背景具有不同的灰度集合，且兩個(gè)灰度集合可用一個(gè)灰度級(jí)閾值T進(jìn)行分割，這樣就可以用閾值分割灰度級(jí)的方法在圖像中分割出目標(biāo)區(qū)域與背景區(qū)域。設(shè)圖像為，其灰度集范圍是[0,L]，在0和L之間選擇一個(gè)合適的灰度閾值T進(jìn)行分割。圖像分割方法得到一幅二值圖像：（a）原圖像（b）直方圖（c）已分割的圖像閾值分割一、全局閾值分割整幅圖象使用同一個(gè)閾值做分割處理，是最簡單的圖像分割方法。根據(jù)不同的目標(biāo)，選用最佳的閾值。最佳閾值的確定方法：實(shí)驗(yàn)法需要知道圖像的某些特征直方圖法適用于目標(biāo)和背景的灰度差較大，直方圖有明顯谷底的情況。最小誤差的方法基于灰度直方圖的峰谷方法設(shè)計(jì)思想假設(shè)某圖像的灰度直方圖具有二峰性，則表明這個(gè)圖像較亮的區(qū)域和較暗的區(qū)域可以較好地分離。

取二峰間的谷點(diǎn)為閾值點(diǎn)，可以得到好的二值處理的效果。基于灰度直方圖的峰谷方法示例基于灰度直方圖的峰谷方示例基于灰度直方圖的峰谷閾值方法特點(diǎn)簡單、有效的閾值方法局限性：圖像的灰度直方圖必須具有雙峰性二、自適應(yīng)閾值分割當(dāng)照明不均勻、有突發(fā)噪聲或者背景灰度變化比較大的時(shí)候，物體和背景的對(duì)比度在圖象中不是各處一樣的，這時(shí)很難用統(tǒng)一的一個(gè)閾值將物體與背景分開，可以根據(jù)圖象的局部特征分別采用不同的閾值進(jìn)行分割。實(shí)際處理時(shí)，需按照具體問題將圖象分成若干子區(qū)域分別選擇閾值，或者動(dòng)態(tài)地根據(jù)一定的鄰域范圍選擇每點(diǎn)處的閾值，進(jìn)行圖象分割。與坐標(biāo)相關(guān)的閾值稱為自適應(yīng)閾值的方法或動(dòng)態(tài)閾值方法。自適應(yīng)閾值分割特點(diǎn)：算法的時(shí)間復(fù)雜度和空間復(fù)雜度比較大；抗噪聲的能力比較強(qiáng)。7.4圖像的邊緣檢測(cè)

基于灰度不連續(xù)性進(jìn)行的分割方法。用差分、梯度、拉普拉斯算子及各種高通濾波處理方法對(duì)圖像邊緣進(jìn)行增強(qiáng)，只要再進(jìn)行一次門限化的處理，便可以將邊緣增強(qiáng)的方法用于邊緣檢測(cè)。邊緣檢測(cè)=圖像增強(qiáng)處理+門限化處理。其目的不是加強(qiáng)圖像中邊緣信息，而是抽取邊緣輪廓，并用于區(qū)域分割。7.4圖像的邊緣檢測(cè)

梯度算子圖像中不同區(qū)域其灰度值是不同的，灰度值的不連續(xù)變化導(dǎo)致灰度邊緣的存在，可利用導(dǎo)數(shù)檢測(cè)到這種不連續(xù)。梯度對(duì)應(yīng)于一階導(dǎo)數(shù)，相應(yīng)的梯度算子就對(duì)應(yīng)于一階導(dǎo)數(shù)算子。

對(duì)于一個(gè)連續(xù)函數(shù)f(x,y)，其在(x,y)處的梯度:1.Roberts算子

2.Prewitt算子3.Sobel算子通過算子檢測(cè)后，還需作二值處理從而找到邊界點(diǎn)。三種模板中，Sobel算子的檢測(cè)效果最好。(a)原圖像(b)Roberts算子檢測(cè)

(c)Prewitt算子檢測(cè)(d)Sobel算子檢測(cè)

拉普拉斯算子

Laplacian是二階導(dǎo)數(shù)算子，也是借助模板來實(shí)現(xiàn)。對(duì)模板有一些基本要求：模板中心的系數(shù)為正，其余相鄰系數(shù)為負(fù)，且所有的系數(shù)之和為零。常用的模板有：方向算子利用一組模板對(duì)圖像中的同一像素求卷積，然后選取其中最大的值作為邊緣強(qiáng)度，而將與之對(duì)應(yīng)的方向作為邊緣方向。優(yōu)點(diǎn)：不僅僅只考慮水平和垂直方向，還可以檢測(cè)其他方向上的邊緣。缺點(diǎn)：計(jì)算量將大大增加。常用的有8方向Kirsch（3×3）模板，方向間的夾角為45o。3×3Kirsch算子的八方向模板

Canny邊緣檢測(cè)算子

圖像邊緣檢測(cè)必須條件：有效抑制噪聲，具有較高的信噪比；盡量精確確定邊緣的位置，使檢測(cè)出的邊緣在真正的邊界上。Canny邊緣檢測(cè)：一種具有較好邊緣檢測(cè)性能的算子，利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測(cè)問題轉(zhuǎn)換為檢測(cè)準(zhǔn)側(cè)函數(shù)極大的問題，能在噪聲抑制和邊緣檢測(cè)之間取得較好的折中?？己诉吘墮z測(cè)算子的指標(biāo)是：低誤判率，即盡可能少地把邊緣點(diǎn)誤認(rèn)為是非邊緣點(diǎn)；高定位精度，即準(zhǔn)確地把邊緣點(diǎn)定位在灰度變化最大的像素上；抑制虛假邊緣。Canny算子設(shè)計(jì)過程：二維高斯函數(shù)為h1(x)=xh2(x),h1(y)=yh2(y),k為常數(shù)

將偏微分方程分別與圖像f(x,y)進(jìn)行卷積，得到方向微分輸出A(i,j)是灰度梯度模值，反映了圖像上點(diǎn)（i,j）處的灰度變化強(qiáng)度，是梯度方向，反映了該點(diǎn)處的灰度變化最快的方向，即該點(diǎn)的法向矢量（正交于邊緣方向的方向）。

Canny算法過程：用高斯濾波器對(duì)圖像進(jìn)行濾波；用高斯算子的一階差分對(duì)圖像進(jìn)行濾波，得到每個(gè)像素的位置梯度大小和方向判斷一個(gè)像素是否為邊緣點(diǎn)的條件為：像素(i,j)的邊緣強(qiáng)度大于沿梯度方向的兩個(gè)相鄰像素的邊緣強(qiáng)度；與該像素梯度方向上相鄰兩點(diǎn)的方向差小于45o；以該像素為中心的3×3鄰域中的邊緣強(qiáng)度的極大值小于某個(gè)閾值。判斷一個(gè)像素是否為邊緣點(diǎn)的條件為：如果條件（1）、（2）同時(shí)滿足，那么在梯度方向上的兩個(gè)相鄰像素就從候選邊緣點(diǎn)集合中取消，這樣可以減少運(yùn)算量。條件（3）相當(dāng)于用區(qū)域梯度最大值組成的閾值圖像與邊緣點(diǎn)進(jìn)行匹配，這一過程可以消除虛假的邊緣點(diǎn)。Canny算子的檢測(cè)比較優(yōu)越，可以減少小模板檢測(cè)中邊緣中斷，有利于得到較完整的邊緣。MATLAB程序：I=imread('blood1.tif');

imshow(I);BW5=edge(I,'canny');figure,imshow(BW5,[]);

Canny算子邊緣檢測(cè)的結(jié)果圖

邊緣跟蹤上述方法僅得到處在邊緣上的像素點(diǎn)。噪聲和不均勻的照明而產(chǎn)生的邊緣間斷的影響，使得經(jīng)過邊緣檢測(cè)后得到的邊緣像素點(diǎn)很少能完整地描繪實(shí)際的一條邊緣?？梢栽谑褂眠吘墮z測(cè)算法后，緊接著使用連接方法將邊緣像素組合成有意義的邊緣。光柵掃描跟蹤法：一種簡單的利用局部信息、通過掃描的方式將邊緣點(diǎn)連接起來的方法。采用電視光柵行掃描順序?qū)τ龅降南袼剡M(jìn)行分析，從而確定其是否為邊緣。*由于光柵掃描跟蹤和掃描方向有關(guān)，因此最好沿其他方向再跟蹤一次。7.6區(qū)域生長法原理：將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域步驟：對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn)；將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中；將這些新像素當(dāng)做新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來。這樣一個(gè)區(qū)域就長成了。實(shí)質(zhì)：把具有相似性質(zhì)的像素連通，構(gòu)成最終的分割區(qū)域。利用圖像的局部空間信息，可有效的客服其他方法存在的圖像分割空間不連續(xù)的缺點(diǎn)。在實(shí)際應(yīng)用區(qū)域生長法時(shí)需要解決三個(gè)問題：選擇一組能正確代表所需區(qū)域的種子像素；種子像素的選取?？山柚唧w問題的特點(diǎn)進(jìn)行。確定在生長過程中將相鄰像素包括進(jìn)來的準(zhǔn)則；生長準(zhǔn)則的選取不僅依賴于具體問題本身，也和所用圖像數(shù)據(jù)的種類有關(guān)。制定讓生長過程停止的條件或規(guī)則。一般生長過程在進(jìn)行到再?zèng)]有滿足生長準(zhǔn)則需要的像素時(shí)停止。

(a)原圖像(b)T=3的生長結(jié)果(c)T=1的生長結(jié)果區(qū)域生長生長準(zhǔn)則和過程區(qū)域生長的一個(gè)關(guān)鍵：選擇適合的生長準(zhǔn)則大部分區(qū)域生長準(zhǔn)則使用圖像的局部性（基于區(qū)域灰度差、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)、基于區(qū)域形狀等）。生長準(zhǔn)則可根據(jù)不同的原則制定，而使用不同的生長準(zhǔn)則會(huì)影響區(qū)域生長的過程?；趨^(qū)域灰度差區(qū)域生長法將圖像以像素為基本單位進(jìn)行操作。（1）對(duì)圖像進(jìn)行逐行掃描找出尚沒有歸屬的像素；