第七講圖像分割楊冰計算機學院概念：將圖像劃分成若干具有特征一致性且互不重疊的圖像區(qū)域的過程。目的：有選擇性地定位感興趣對象在圖像中的位置和范圍。目標分割的概念和目的區(qū)域?qū)τ趫D像理解和識別非常重要，往往表征場景中的目標，或部分目標。一幅圖像可以包含多個目標，每個目標包含多個區(qū)域，每個區(qū)域?qū)繕说牟煌糠?。圖像分割是將圖像劃分為一組有意義的區(qū)域。圖像分割的意義基于圖像亮度圖像分割舉例基于紋理圖像分割舉例基于運動圖像分割舉例光流估計基于深度圖像分割舉例OriginalimageRangeimageSegmentedimage理想的圖像分割：能夠無指導地、自動分割出完整目標。圖像分割應用SegmentationObjectCategoryModelCowImageSegmentedCow圖像分割方法圖像分割通?；诹炼取㈩伾?、紋理、深度或運動?；谶吘壍姆指罘椒ǎ合忍崛^(qū)域邊界，再確定邊界限定的區(qū)域；基于區(qū)域的分割方法：確定每個像素的歸屬區(qū)域，從而完成分割圖像分割的方法圖像分割方法分類：a）自動分割算法聚類方法基于邊緣的方法區(qū)域融合和區(qū)域增長混合優(yōu)化方法b）交互式圖像分割算法“Snake”或“主動輪廓法”“魔棒”或“魔筆”圖像分割的方法：目標應具有相似的亮度、顏色、紋理等：目標輪廓等：目標區(qū)域應具有連續(xù)性和相鄰性等：指導輪廓收縮的方向：提供背景或前景目標的樣本信息基于邊緣的分割方法輪廓搜索圖像中的目標輪廓往往是圖像邊緣所在。對應于目標輪廓的邊緣意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始，表現(xiàn)出圖像局部特征不連續(xù)的特性。目標輪廓信息在圖像分析和人的視覺中都是十分重要的，是圖像識別中提取圖像特征的一個重要屬性?；谳喞膱D像分割然而，輪廓≠邊緣基于輪廓的目標分割方法核心：輪廓搜索上一講提出的Hough變換和下一講中的鏈碼跟蹤：先檢測局部邊緣點，再連接邊緣點。輪廓搜索：局部邊緣點檢測和邊界連接同時完成。是全局搜索策略（全局代價函數(shù)）。輪廓搜索輪廓搜索的基本思想：沿大梯度方向搜索和延伸。最佳輪廓應是該輪廓所經(jīng)過的所有像素梯度和最大。是一種全局最優(yōu)求解，而非局部最優(yōu)。輪廓搜索的基本思想一個圖可表示為：其中節(jié)點集為像素構(gòu)成邊集合代表像素間鄰域連接邊的代價為相鄰像素梯度的函數(shù)一次圖割的代價為：基于圖的輪廓搜索思想Why？構(gòu)建圖輪廓搜索轉(zhuǎn)換為最大流最小割問題?；趫D的輪廓搜索思想基于區(qū)域的分割方法全局閾值分割基本思想：根據(jù)圖像數(shù)據(jù)的特征將圖像空間劃分為互不重疊的區(qū)域，從而達到分割的目的。問題：選用哪種特征？灰度值、顏色值隱含條件：同一區(qū)域的像素應具有相同或相似的特征，如灰度或顏色。基本思想閾值分割實質(zhì)：灰度映射中的二值化方法，將圖像像素分為兩類：前景目標和背景圖像閾值分割問題：如何確定合適的閾值？60年代中期，Prewitt提出了直方圖雙峰法如果灰度級直方圖呈明顯的雙峰狀，則選取兩峰之間的谷底所對應的灰度級作為閾值。直方圖閾值分割若灰度級直方圖能呈現(xiàn)多個明顯的峰值，如三個峰值，可取兩個峰谷處的灰度值T1，T2作為閾值。同樣，可以進行閾值化。直方圖閾值分割若在圖像中存在背景和n個有意義的目標S1，S2，…,Sn。背景的灰度最小，目標間的灰度的差異較大，則可在兩兩之間差異度較大處設置門限：T0，T1，…,Tn-1，則分割后的圖像為：直方圖閾值分割問題：如何自動獲取最優(yōu)閾值？思路：使圖像中目標物和背景分割錯誤最小的閾值。設一幅圖像只由目標和背景組成，已知像素灰度概率密度分別為和，目標像素占整幅圖像像素比為，則圖像總的灰度級概率密度函數(shù)為：對于某個閾值，有：最優(yōu)閾值公式說明：全概率公式：目標像素和背景像素是圖像I的一個劃分，有最優(yōu)閾值背景錯歸為目標的概率:目標錯歸為背景的概率：總的錯分概率最佳閾值的目標：尋找閾值，使得最小。最優(yōu)閾值問題：如何找到最??？Why？最佳閾值的目標：求導，并令假設目標和背景的概率密度函數(shù)為高斯模型最優(yōu)閾值最優(yōu)閾值兩邊取對數(shù)，并化簡方程在一般情況下存在兩個解。當且僅當時，有唯一解：若，則最優(yōu)閾值均值迭代閾值分割方法Step1.選擇一個初始的估計閾值T（可以用圖像的平均灰度值作為初始閾值）Step2.用該閾值把圖像分割成兩個部分R1和R2Step3.分別計算R1和R2的灰度均值μ1和μ2Step4.選擇一個新的閾值T＝(μ1＋μ2)/2Step5.重復2-4直至后續(xù)迭代中平均灰度值μ1和

μ2保持不變均值迭代閾值分割方法均值迭代閾值分割結(jié)果思路：基于二元統(tǒng)計分析理論，選取一個閾值k，構(gòu)造兩個統(tǒng)計量Cbg和Cobj，滿足這兩個統(tǒng)計量的類內(nèi)方差最小，類間方差最大，則此時的k為最佳閾值。類間方差閾值分割Why？給定一幅圖像，其歸一化直方圖表示為：設分割的閾值為k，則背景和目標類的概率為：

；

背景類的均值為：最大類間方差法——OTSU方法目標類地均值為滿足最大類間方差法——OTSU方法背景類的方差目標類的方差最大類間方差法——OTSU方法類內(nèi)方差為：類間方差為：最大類間方差法——OTSU方法參考文獻：K,Fukunage,IntroductiontoStatisticulPatternRecogniition.NewYork:

Academic,1972,pp.260-267.尋找使得類間方差最大的閾值步驟1： BYTE*ptr=pimg; for(i=0;i<imsize;i++) //統(tǒng)計直方圖 histogram[*ptr++]++;步驟2：

floatprob[256],miu[256],miuT=0;

for(i=0;i<256;i++){ prob[i]=(float)histogram[i]/imsize;

//各灰度級的概率

miuT+=miu[i]=i*prob[i];

//各灰度級的質(zhì)量矩，

}OTSU方法具體實現(xiàn)步驟3：尋找最大類間方差OTSU方法具體實現(xiàn)BYTEt=0;

//閾值tfloatmiu0=0,miu1,miuk=0,wk=0,w0,w1,sigma,sigma_max=-1;for(i=0;i<256;i++){

wk+=prob[i]; miuk+=miu[i];

w0=wk;

w1=1-wk;

miu0=miuk/w0;

miu1=(miuT-miuk)/w1;

sigma=w0*w1*(miu1-miu0)*(miu1-miu0);

//尋找最大sigma值

if(sigma>=sigma_max){

t=i;

sigma_max=sigma;

}}OTSU分割結(jié)果閾值分