1、圖像分割、課程內(nèi)容、計算機圖像處理的兩個目的：生成更適合人類觀察和識別的圖像計算機自動識別和理解圖像分割：圖像分割閾值選擇和閾值化處理的邊界提取和輪廓跟蹤Hough變換區(qū)域的增長、圖像分割， 圖像分割的目標是根據(jù)圖像中的物體對圖像的像素進行分類，提取關注目標的圖像分割是指，圖像識別和圖像理解的基本前提步驟、圖像、圖像分割例、圖像分割例、圖像分割在分解為構(gòu)成圖像的部件和對象的過程中， 著眼于強調(diào)目標的牌照并消除無關的圖像成分：非矩形區(qū)域，形式化定義r的劃分可認為將r劃分為多個滿足以下條件的非空間集(子區(qū)域) R1、R2、R3、Rn:并且分類劃分根據(jù)相似性進行劃分形成圖像中的不同區(qū)域。 基于此相似

2、原理的方法也稱為基于區(qū)域相關的分割技術不連續(xù)性分割：首先檢測局部不連續(xù)性，將它們連接以形成邊界，這些邊界將圖像分割為不同的區(qū)域。 兩種基于這樣的不連續(xù)性原理檢測物體的邊緣的方法是互補的，稱為基于點相關的分割技術。 將這些組合起來，有時會得到更好的分割效果。 人眼圖像的示例、分類連續(xù)性和處理策略連續(xù)性：不連續(xù)性：邊界相似性：區(qū)域處理策略：早期處理結(jié)果是否影響后期處理并行：不連續(xù)性：結(jié)果通過后期處理以四種方式并行邊界的串行邊界并行區(qū)域串行區(qū)域，可以根據(jù)問題的種類按圖像、應用程序進行提取分割方法也不同，目前沒有一般應用的最佳方法。 人的視覺系統(tǒng)對圖像分割相當有效，但非常復雜，分割方法的原理和模型不清

3、楚。 這是一個值得研究的問題。 分層圖像分割算法的圖像分割算法的評價和分割算法的評價方法與評價標準相比較的系統(tǒng)研究、圖像分割策略、圖像分割基本策略基于灰度值兩個基本特性：區(qū)域間的不連續(xù)性目標為點、線(寬度1 )、邊(不定寬度) 如果可以設定R=(-1 * 8 * 8 128 * 8)/9=106閾值t=64r=0，則說明如下：找到區(qū)域內(nèi)部的相似性，決定閾值，找到灰度值相似的區(qū)域的輪廓為對象的邊，點檢測用空間區(qū)域的高通濾波器檢測孤立點： R=(-1 * 8 * 8 128 * 8)/9=106閾值t=64r=0，則說明如何檢查，與汽輪機葉片對應的x射線圖像，檢查的結(jié)果，改變閾值的結(jié)果，線檢，通過

4、比較典型的模板的修正值，確定是否在某個方向的線上有點，也可以修正其他的模板：模板系數(shù)之和為0，感興趣在線檢測4種模板中分別校正r電平=-6 30=24 R45度=-14 14=0 R垂直=-14 14=0 R135度=-14 14=0，根據(jù)這些值找到絕對值的最大值，確定當前點更接近與該模板對應的直線， 邊緣檢測圖像的邊緣信息在圖像分析和人的視覺中都是十分重要的，是在圖像識別中提取圖像特征的重要屬性。 階梯型凸緣型屋頂型、邊緣導數(shù)、邊緣檢測、邊緣上的這種變化可以通過微分運算符來檢測：一次導數(shù)：根據(jù)梯度來修正二次導數(shù)：根據(jù)拉普拉斯運算符來修正，邊緣檢測、一次導數(shù)：根據(jù)梯度運算符來修正特征常數(shù)部分為

5、零。用途：檢測圖像中邊的存在、邊緣檢測、二次導數(shù)：用拉普拉斯校正特征：二次微分在亮邊為正，在暗邊為負。 常數(shù)部分為零。 用途：確定邊緣上的像素位于明邊緣還是暗邊緣，且0用于確定邊緣的精確位置，其中第一個邊緣檢測方法基于像素的數(shù)值導數(shù)，并施加差異而不是對數(shù)字圖像進行導數(shù)運算。 邊緣是圖像上的灰度變化比較劇烈的位置，由于如果灰度變化急劇的位置微分則產(chǎn)生高值，所以在數(shù)學上可以用灰度的導數(shù)表示變化。 差分定義：簡單的邊緣檢測方法、圖像可以通過梯度運算靈敏地檢測邊界，但梯度運算比較復雜。 梯度算子梯度是圖像處理中最常用的一階導數(shù)方法。 在圖像函數(shù)的各點處的梯度大小為這個方向，并且在數(shù)字圖像的情況下，如果

6、一階導數(shù)可以被一階差代替，則f(x，y )的梯度大小=？常用的邊緣檢測器、一個圖像中的一個3*3區(qū)域、使用下一個邊緣檢測器來檢測它。 它們都是線性導數(shù)、邊緣檢測器示例、邊緣檢測器問題、邊緣檢測器中經(jīng)常遇到的問題是圖像中細節(jié)太多。 例如，前一個例子中的煉瓦壁圖像受噪聲干擾，其中一個不能正確地檢測邊緣的解決方案是在邊緣檢測之前對圖像進行平滑，通常的平滑濾波器是高斯函數(shù)：對于圖像信號，Marr首先提議使用高斯函數(shù)進行平滑：圖像被線性平滑另外，由于邊緣點是圖像中的灰度值的變化劇烈，因此這樣的圖像強度的突變與在一次微分中產(chǎn)生峰值或者在二次微分中產(chǎn)生過零點等價，沿著梯度方向的二次微分是非線性的，校正運算復

7、雜。 Marr提議替換為以下式的零交叉點為邊緣點的拉普拉斯算子。 (1)該濾波器中的高斯函數(shù)部分能夠使圖像平滑化。 (2)該濾波器通過使用拉普拉斯算子可以減少補正量。 具體實現(xiàn)和的卷積運算時： (a )取nn的窗口，通常檢測效果好。 (b )窗口模板內(nèi)的各系數(shù)的和為0。 (1)該濾波器中的高斯函數(shù)部分能夠使圖像平滑化。 (2)該濾波器通過使用拉普拉斯算子可以減少補正量。 具體實現(xiàn)和的卷積運算時： (a )取nn的窗口，通常檢測效果好。 (b )窗口模板內(nèi)的各系數(shù)的和為0。 對于經(jīng)平滑的邊緣檢測的示例，Laplacian邊緣檢測器是單獨與經(jīng)平滑的Gaussian濾波器組合來不執(zhí)行邊緣檢測的高斯拉

8、普拉斯(LOG )，因為經(jīng)二階導數(shù)的Laplacian濾波器對噪聲過敏我曾經(jīng)遇到過高斯拉普拉斯安(Laplacian of Gaussian )， LOG或Mexican hat、墨西哥草帽)濾波器為采用Gaussian進行去噪并且采用Laplacian進行邊緣檢測的高斯拉普拉斯算法的一個示例，閾值圖像分割的典型方法是基于灰度閾值的分割將一個灰度圖像轉(zhuǎn)換為二值圖像的簡單的一值閾值可以用數(shù)學方法表現(xiàn)：一般的方法是求灰度直方圖的雙峰或多峰，將兩峰之間的谷底作為閾值。 閾值示例：假設計算機播放器手中的撲克，需要進行視覺分析，但如果您設定了錯誤的閾值，則結(jié)果嚴重，全局閾值、全局閾值是指整個圖像使用相同

9、閾值進行分割處理適用于背景和前景對比度大的圖像算法的實現(xiàn)。 選擇適當?shù)拈撝祎，當逐行圖像的灰度級大于t時，將顏色設定為255，灰度級小于t，顏色選擇0，基本全局閾值算法，基本全局閾值t選擇1，初始評價值t (一般是圖像的平均灰度值) 2 將含有灰度等級大于t的像素，G2將含有灰度等級為t以下的像素3的G2中的像素的平均值修正并分配給2 4，并修正新的閾值：重復步驟5、步驟2-4，直到連續(xù)2次的t間的差小于預先給定的上限t為止，將閾值例1、 選擇直方圖中的雙峰之間的谷底作為全局閾值的更多閾值、單一閾值和照明、不均勻照明使單一閾值方案無效，基本的自適應閾值、單一閾值不發(fā)揮功能的一種方法將圖像分割為

10、子圖像，分別進行閾值化處理。 由于每個像素的閾值取決于圖像中的位置，因此稱為“自適應閾值”(adaptive threshold )，下圖是上述圖像的自適應閾值圖像的基本自適應閾值示例。 圖像得到了改善，但是需要將錯誤的圖像進一步細分，取得更好的效果。 Hough變換、Hough變換可用于連接邊緣像素得到邊界曲線。 其主要優(yōu)點是噪聲和曲線間斷的影響小，Hough變換即Hough變換的基本思想： xy平面內(nèi)的直線可以將a、b表示為變量，ab平面內(nèi)的直線，如果點(x1，y1)和點(x2，y2)為同一直線， 這兩點殘奧儀表ab平面上的直線可以表示一個交點在殘奧儀表上的對應xy平面上的直線，從我們的解

11、這一線到點的變換可以進行Hough變換、Hough變換，所得到的點A(a，b )可以表示我們的解，(a，b )可以表示在圖像坐標系xy中求出的直線的斜率和截距算法思想：將a的量化值代入與a相對應的圖像中的每個(x0，y0)點，并計算各自的b，如果獲得的值(量化后的值)收納在某個單元內(nèi)，則將該單元的計數(shù)累加器加1，并在進行所有的(x，y )點轉(zhuǎn)換之后，將該單元的計數(shù)累加器加1 因此，a、b的量化需要同時進行殘奧儀表的量化精度和校正計算量。 Hough變換檢測直線的抗干擾性強，可以連接斷開的邊緣。 Hough變換也可用于檢測圓、橢圓等曲線。區(qū)域的成長、分割的目的是將圖像分割成幾個區(qū)域。 最直接的方

12、法是將圖像分割為滿足某個標準的區(qū)域，即點構(gòu)成區(qū)域。 為了實現(xiàn)分組，首先確定區(qū)域的數(shù)量，接著確定一個區(qū)域與其他區(qū)域的區(qū)別特征，最后生成有效分割的相似性判定標準。 劃分區(qū)域的一種方法稱為區(qū)域生長或區(qū)域生成。 假定區(qū)域的數(shù)量和各區(qū)域中各個點的位置是已知的，則可從一個已知點開始添加與已知點類似的鄰居來形成一個區(qū)域。 相似性的基準可以是灰度、顏色、組織、梯度等的特性，相似性的測度也可以由所確定的閾值來確定。 從滿足檢測基準的點開始在各個方向上生長區(qū)域，其附近點如果滿足檢測基準則編入小塊區(qū)域。 合并新點后，在新區(qū)域重復該過程，直到?jīng)]有可接受的鄰點為止，結(jié)束生成過程。 區(qū)域從滿足檢測標準的點(或從已知點)向不同方向生長。 例如，在各步中可接受