9--图像分割教学课件

机器视觉及应用第九章图像分割3/主要内容基于灰度值的阈值分割全局阈值分割局部阈值分割区域生长分割算法分水岭分割算法图像分割图像分割的目的图像分割的基本思路图像分割的策略4/1、图像分割是指通过某种方法，使得图像中的目目标标物物被被分分为为不不同同的的类类别别，以便进一步的分析。是图像处理中重要的基础环节重要的基础环节，一般也比较困难比较困难。2、图像分割准确的分割影响决定其他部分分析的准确程度。3、至今仍没没有有一个判断分割是否完完全全正正确确的的准准则则，也没有一种标准的方法能够解决所有的分割问题。分割的好坏必须从分割的效果来判断。图像分割图像分割5/1、把图像分解分解成构成它的部件和对象部件和对象；2、有选择性地定定位位感感兴兴趣趣对对象象在图像中的位置和范围。图像分割图像分割图像分割的目的图像分割的目的6/1、从简到难，逐级分割控制背景环境，降低分割难度2、注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。提取轮廓车牌定位车牌识别图像分割图像分割图像分割的基本思路图像分割的基本思路7/1、把像素按灰度划分按灰度划分到各个物体对应的区域区域中去；3、确定确定存在于区域区域间的边界边界；2、先确定边缘先确定边缘像素点，然后将它们连接起来构成所需的边界；区域：像素的连通集连通准则：4-连通 8-连通图像分割图像分割图像分割的基本策略图像分割的基本策略8/1、阈值分割法是一种基于灰度值的图像分割技术，原理是把图像象素点分为若干类。图像阈值化分割是一种传统的最常用的图像分割最常用的图像分割方法。方法。2、阈值分割法实现实现简单、计算量小、性能较简单、计算量小、性能较稳定。稳定。3、阈值分割特别适用于目标和背景占据不同灰度级目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。阈值阈值分割分割9/4、按照阈值的选择方式，可以分为全局阈值分割、全局阈值分割、局部阈值分割局部阈值分割两种方法5、全局阈值分割全局阈值分割方法依据整副图像来选择一个或多个阈值对图像进行分割。局部阈值分割局部阈值分割依据图像每个局部区域选择阈值对图像进行分割。6、常用全局阈值分割方法：固定阈值分割、固定阈值分割、OTSUOTSU算法、基于直方图选择阈值算法、基于直方图选择阈值的方法。7、常用局部阈值分割方法：动态阈值分割、动态阈值分割、SauvolaSauvola算法算法阈值阈值分割分割10/1、最简单的阈值分割算法，计算简单，速度快计算简单，速度快。2、适用条件：亮度均一的目标放在另一种亮度的背亮度均一的目标放在另一种亮度的背景上景上。比如，白纸上的文字，显微镜下的生物医学样本等。是两类问题，区分物体（前景）与背景。不能适用于复杂景物的正确分割，比如自然场景。全局阈值分割全局阈值分割固定阈值分割方法固定阈值分割方法11/3、设原始图像f(x,y)，在f(x,y)中找出一个固定的固定的灰度灰度值值，作为阈值t，则分割后的图像g(x,y)，可由下式表示：全局阈值分割全局阈值分割固定阈值分割方法固定阈值分割方法g(x,y)=1 f(x,y)t0 f(x,y)t或或12/4、可以将阈值设置为一个灰度范围灰度范围t1,t2，凡是灰度在范围内的象素都变为1，否则皆变为0，即全局阈值分割全局阈值分割固定阈值分割方法固定阈值分割方法g(x,y)=1 t1f(x,y)t20 其它其它5、某种特殊情况下，高于阈值t的象素保持原灰度级，其它象素都变为0，称为半阈值法半阈值法，分割后的图像可表示为：g(x,y)=f(x,y)f(x,y)t0 其它其它13/7、阈值的选取是阈值的选取是阈值分割的关键关键，如果过高，则过多的目标点被误归为背景；如果阈值过低，则会出现相反的情况。全局阈值分割全局阈值分割固定阈值分割方法固定阈值分割方法6、阈值分割图像的通用表示：g(x,y)=ZE f(x,y)ZZB 其它其它阈值阈值14/1、OTSU是日本学者,该方法又名大津法，最大类间最大类间方差法方差法。2、根据图像灰度值，将图像分为背景和前景，两者之间方差越大方差越大，说明构成图像的两部分差别越大差别越大，当部分前景中有背景或背景中有前景时，导致两者的方差变小，因此，类间方差最大意味着错分概率最小。全局阈值分割全局阈值分割OTSU阈值分割方法阈值分割方法15/3、算法过程（1）将图像f(x,y)的前景和背景分割阈值设为T。（2）设前景像素点占整个图像的比例为w0,其平均灰度为U0，（3）设背景像素点占整个图像的比例为w1,其平均灰度为U1（4）图像平均灰度，类间方差S设图像大小MN，灰度值小于T的个数为N0，大于T的为N1，则它们之间存在以下关系：全局阈值分割全局阈值分割OTSU阈值分割方法阈值分割方法16/前景比例:背景比例像素点总数前景和背景概率之和平均灰度值类间方差由此可以得到：全局阈值分割全局阈值分割OTSU阈值分割方法阈值分割方法17/按照 ,遍历0255个灰度级，求出使其最大的 灰度值 就是要寻找的阈值。全局阈值分割全局阈值分割OTSU阈值分割方法阈值分割方法4、该算法的理论依据：假定图像包含两类像素（前景像素和背景像素），直方图为双峰直方图。5、优点优点：算法简单，当目标与背景的面积相差不大时，能够有效地对图像进行分割。缺点缺点：当图像中的目标与背景的面积相差很大时，表现为直方图没有明显的双峰，或者两个峰的大小相差很大，分割效果不佳，或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开。18/全局阈值分割全局阈值分割基于直方图的阈值分割基于直方图的阈值分割1、OTSU作为全局自适应阈值分割算法，其适应范围有限。2、图像中的直方图是灰度分布的概率，直方图上的波谷代表了不同灰度的边界，通过直方图计算，将位于直方图波谷位置的灰度值作为阈值，对图像进行全局阈值分割。19/全局阈值分割全局阈值分割基于直方图的阈值分割基于直方图的阈值分割20/全局阈值分割全局阈值分割基于直方图的阈值分割基于直方图的阈值分割例 全局阈值分割示例read_image(Image,E:/示例/pellets.png)threshold(Image,Regions,115,204)binary_threshold(Image,Region2,max_separability,light,UsedThreshold)auto_threshold(Image,Regions3,2)gray_histo(Image,Image,AbsoluteHisto,RelativeHisto)histo_to_thresh(AbsoluteHisto,2,MinThresh,MaxThresh)threshold(Image,Region4,MinThresh,MaxThresh)21/全局阈值分割全局阈值分割基于直方图的阈值分割基于直方图的阈值分割原图固定阈值OTSU自动从直方图分割先计算直方图阈值，再阈值分割22/局部阈值分割局部阈值分割1、图像受到光照不均的影响，如果采用全局阈值，分全局阈值，分割图像效果不好割图像效果不好。2、根据图像中每个局部区域每个局部区域，设定不同的阈值不同的阈值，对图像进行分割。3、常用局部阈值分割算法：动态阈值分割、动态阈值分割、SauvolaSauvola算算法法23/局部阈值分割局部阈值分割1、在图像的局部局部感兴趣区域区域，物体物体通常比背景更亮或更亮或者更暗者更暗。2、采用均值滤波、高斯滤波等方法，对图像进行平滑处理，可以计算当前像素邻域内邻域内的灰度均值灰度均值。3、将滤波结果作为背景灰度值进行估计，将图像与局图像与局部背景进行比较部背景进行比较，得到阈值分割结果。动态阈值动态阈值分割分割24/局部阈值分割局部阈值分割4、为了避免图像与局部背景比较之后的值过小，一般再添加一个偏移量添加一个偏移量。动态阈值动态阈值分割分割f(x,y)原图g(x,y)滤波结果图b偏移量25/局部阈值分割局部阈值分割5、动态阈值算法简单，运算速度快，能适应不同光照算法简单，运算速度快，能适应不同光照的影响的影响。6、平滑滤波器的大小对结果影响比较大滤波器的大小对结果影响比较大，一般滤波器尺寸越大，越能代表局部背景。动态阈值动态阈值分割分割26/局部阈值分割局部阈值分割1、Sauvola算法以当前像素点为中心，根据当前像素点邻域内的灰度均值与灰度均值与标准偏差标准偏差来动态计算动态计算该像素点的阈值阈值。Sauvola算法算法2、当前像素点的坐标为(x,y)，以该点为中心的领域为r*r，f(x,y)表示(x,y)处的灰度值，Sauvola算法的步骤如下：27/局部阈值分割局部阈值分割（1）计算rr邻域内的灰度均值和标准偏差Sauvola算法算法28/局部阈值分割局部阈值分割（2）计算像素点的阈值Sauvola算法算法R是标准偏差的假定最大值，对于Byte数据类型的图像，R=128。K是修正系数，用Sauvola方法进行图像分割时，选择的处理模板窗窗口大小口大小的选择很关键的选择很关键，选择的空间太小，则噪声抑制的效果不理想，目标主体不够突出，选择的空间太大，则目标的细节会被去除而丢失信息29/局部阈值分割局部阈值分割例 局部阈值示例read_image(Image,E:/示例/pellets.png)mean_image(Image,ImageMean,19,19)dyn_threshold(Image,ImageMean,RegionDynThresh,5,light)local_threshold(ImageMean,Region,adapted_std_deviation,light,mask_size,51)Sauvola算法算法30/局部阈值分割局部阈值分割Sauvola算法算法原图动态阈值Sauvola算法31/阈值分割阈值分割1、基于灰度的阈值分割算法有很多，以上介绍的是主流的阈值分割算法，还有很多根据以上算法进行改进的算法。2、每种算法适应的图像不一样，在实际使用中，需要根据图像的特点，选择不同的阈分割算法。32/1、基本思想：将具有相似性质的象素集合相似性质的象素集合起来构成区域。2、算法实现步骤实现步骤：（1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点;（2）选择一个描述符（条件）；（3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合 （4）上一过程进行到不再有满足条件的新结点加入集合为止。区域生长分割区域生长分割算法算法33/区域生长分割区域生长分割算法算法区域生长算法取决于初始种子点的选取、生长准则、终止条件。生长准则包括灰度值的差值差值、彩色图像的颜色颜色、梯度梯度特征、该点周围的区域区域特征特征等。种子点的选取包括人工交互人工交互，自动提取自动提取物体内部点或者利用其它算法找到的特征点等。34/区域生长分割区域生长分割算法算法取门限T=135/区域生长分割区域生长分割算法算法例 区域生长法示例read_image(Image1,E:/示例/pellets.png)regiongrowing(Image1,Regions2,3,3,10,100)select_shape(Regions2,SelectedRegions,area,and,0,62645.6)36/分水岭算法分水岭算法1、根据分水岭的构成来来考虑图像的分割。该算法是一种基于拓扑理论的分割方法。2、把图像中的每个像素点表示为海拔高度，每一个局部极小值及其影响区域成为集水盆，集水盆的边界形成分水岭。3、通过模拟浸入过程，在每个局部极小值表面，慢慢向外扩展，在两个集水盆汇合处形成分水岭。37/分水岭算法分水岭算法4、分水岭计算过程：（1）排序过程，将每个像素值的灰度级进行从低到高排序；（2）淹没过程，从低到高实现淹没过程，对每个局部极小值在h阶高度的影响域采用先进先出结构进行判断和标注。5、分水岭表示的是输入图像的极大值点。为了得到图像的边缘信息，通常把梯度图像作为输入6、图像中的噪声以及表面细微变化会产生过度分割的现象。38/分水岭算法分水岭算法例：区域生长和分水岭算法示例read_image(Image1,E:/示例/pellets.png)regiongrowing(Image1,Regions2,3,3,10,100)select_shape(Regions2,SelectedRegions,area,and,0,62645.6)gauss_filter(Image1,ImageGauss,9)watersheds(ImageGauss,Basins,Watersheds)watersheds_threshold(ImageGauss,Basins1,10)sobel_dir(ImageGauss,EdgeAmplitude,EdgeDirection,sum_abs,3)watersheds(EdgeAmplitude,Basins2,Watersheds1)watersheds_threshold(EdgeAmplitude,Basins3,10)select_shape(Basins3,SelectedRegions1,area,and,0,61397.7)regiongrowing(EdgeAmplitude,Regions,3,3,2,100)select_shape(Regions,SelectedRegions2,area,and,0,61980)39/分水岭算法分水岭算法例：区域生长和分水岭算法示例