遥感图像的分割与描述课件

,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,遥感图像的分割与描述,图像分割,*,区域描述,*,遥感图像的分割与描述,图像分割,概念：把图像按一定的规则划分出感兴趣的部分或区域叫做分割。分割也是一种标记过程，即对分割所得属于同一区域的像元点给予相同的标记值，例如可将感兴趣的不同区域分别标为数字,1,、,2,、,3,、,，其余作为背景标为,0,。,0,0,1,1,1,1,2,2,2,2,2,2,2,2,2,2,2,2,0,0,3,3,3,3,3,3,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,图像分割,目的：把图像分成一些带有某种专业信息意义的区域。,分割原则：,依据各个像元点的灰度不连续性进行分割，称为,点相关,的分割技术。,依据同一区域具有相似的灰度特征和纹理特征，寻找不同区域的边界，称为,区域相关,的分割技术。,图像分割,分割技术,点相关的分割技术,灰度取阈法,边缘检测法,边缘跟踪,区域相关分割技术,模板匹配,区域生长,图像分割,点相关的分割技术,灰度取阈法,它是把灰度级分成许多区间，选用阈值来确定图像的区域或边界点的方法，是一种最常用、最简单的图像分割方法 。,直方图及阈值,图像分割,设一幅给定图像,f(x,y),中的灰度级，由图可知，在图像,f(x,y),中大部分像元是偏暗的，另外一些像元分布在较高的灰度级中。,可以认为这是由一些具有较高灰度值的物体叠加在一个偏暗背景上所组成的图像。可以设一个阈值,T,，把直方图分成两个部分，这样相应的在图像上也就勾画出了景物和背景之间的边界。,阈值,T,将直方图分为,A,和,B,两部分，其选择原则是：,使,A,部分尽量包含与背景相关联的灰度级，,而,B,部分则包含景物的所有灰度级。,图像分割,为了找出水平方向和垂直方向上的边界。需要两次扫描图像,f(x,y),。也就是说，在阈值,T,确定之后，可按下例步骤执行：,第一步，对图像,f(x,y),中的每一行进行检测，产生的中间图像,f,1,(x,y),的灰度级遵循如下原则：,图像分割,第二步，对图像,f(x,y),中的每一列进行检测，产生的中间图像,f,2,(x,y),的灰度级遵循如下原则：,图像分割,为了得到被阈值,T,所定义的景物和背景的边缘图像,g(x,y),，可用下述关系：,图像分割,这种灰度取阈法可以有以下各种具体形式。例如，适当地选择一个阈值后，再将每一像元灰度级和它进行比较，大于和等于阈值就重新分配以最大灰度,(,例如,1),，小于阈值就分配以最小灰度,(,例如,0),、这样处理后就可以得到一个二值图像，并把景物从背景中显示出来。即,图像分割,若在图像,f(x,y),的灰度动态范围内选取一个灰度区间,T1,T2,为阈值，则又可以得到下面两种二值图像，即,图像分割,另外，还有一种所谓半阈值方法，这种方法在保留边界的前提下，还保留景物的原来图像，分割时仅把背景表示成最白或最黑。实现方法如下：,图像分割,灰度阈值的选取是否合适将严重影响图像的分割质量。当阈值选得太高,(,低,),时，会把许多背景,(,景物,),像元点误分为景物,(,背景,),像元点。,对于两类对象的图像，若其灰度分布的百分比已知，则可用试探的方法选取阈值，需掌握的原则是：只要使阈值化后图像的灰度分布百分比能达到已知的百分比数就可以了。,图像分割,最佳阈值的设置,直方图分析法,曲线拟合法,边缘增强法,图像分割,直方图分析法,基本思想：边界上的点的灰度值出现次数较少,首先作出图像的直方图,P(g),，在直方图中找出两个局部极大值以及它们之间的极小值。设极大点分别为,g,l,和,g,h,，而在它们之间的直方图的极小值点为,g,T,。,图像分割,直方图分析法,可以用参数,K,T,进一步测定直方图双极性的强弱，从而判断所选阈值,g,T,的有效性：,当,K,T,值很小时，说明直方图谷底高和谷底较低的峰高在数值上相差悬殊，这表明直方图有较强的双极性，因此，,g,T,是一个有效的阈值。,图像分割,曲线拟合法,在用直方图分析法确定极大、极小值时，往往会遇到困难，原因是直方图往往很粗糙和参差不齐。此时，可以用一个二次曲线来拟合直方图的谷底部分，设该曲线方程为,式中,a,b,c,为拟合系数。,于是直方图的谷底极小值点可取为,其所对应的灰度值即可作为阈值。,图像分割,缺点：会受到噪音的干扰，极小值不是预期的阈值，而偏离期望的值；,改进：取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰,图像分割,边缘增强法,基本思想：,如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。,为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。,用微分算子，处理图像，使图像只剩下边界中心两边的值。,图像分割,边缘增强法,选取景物边界两侧点的灰度直方图的谷底作为阈值，具体实现方法如下：,第一步，对每个像元点进行边缘增强，即,图像分割,边缘增强法,第二步，将所得到的梯度图转化为二值图，即取一阈值,H,，令,第三步，用二值图像,h(i,j),乘以原图，从而组成新图,h(i,j)f(i,j),，新图便是仅包含景物边界两侧点的图像，则新图直方图双峰中间的谷底所对应的灰度，即为所求之阈值。,图像分割,边缘增强法,这种方法有以下优点：,1),在景物和背景所占区域面积差别很大时，,不会造一个灰度级的波峰过高，而另一个过低,2),边缘上的点在区域内还是区域外的概率是相等的，因此可以,增加波峰的对称性,3),基于梯度和拉普拉斯算子选择的像素，可以,增加波峰的高度,图像分割,边缘检测法,梯度边缘检测,连续图像,f(x,y),的梯度幅度和方向分别为：,因此，图像函数,f(x,y),沿梯度向量方向具有最大变化率，且变化率的大小为梯度幅度,f(x,y),。,图像分割,梯度边缘检测,其中，绝对相加法和取水平或垂直最大差分值法的计算简单一些。梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。一阶偏导采用一阶差分表示：,梯度边缘检测法可以采用下列三种公式，它们对检测水平方向或垂直方向上的边缘是一样的，分别是,图像分割,梯度边缘检测,为检测边缘点，选取适当的阈值,T,，对梯度图像进行二值化，则有,1,-1,-1,1,梯度算子模版,这样形成一幅边缘二值图像,g(x,y),。,特点：,仅计算相邻像素的灰度差，对噪声比较敏感，,无法抑止噪声的影响。,图像分割,拉普拉斯边缘检测,边缘点两旁像素的二阶导数异号。据此，对数字图像的每个像素计算关于行和列的二阶偏导数之和,2,f(i,j),它是一个与方向无关的各向同性边缘检测算子。若只关心边缘点的位置而不顾其周围的实际灰度差时，一般选择该算子进行检测。采用拉普拉斯算子对图,(a),进行边缘检测的结果如图,(b),所示。,图像分割,拉普拉斯边缘检测,其特点是：各向同性、线性和位移不变的；对细线和孤立点检测效果好。但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用。,由于梯度算子和拉普拉斯算子都对噪声敏感，因此一般在用它们检测边缘前要先对图像进行平滑。,a,原图,b,边缘二值图,0,1,0,1,-4,1,0,1,0,拉普拉斯算子,图像分割,边缘跟踪,跟踪法并不对图像的每一像元点都独立地进行计算。在决定每一像元点是否为目标像元点,(,包括边缘像元点,),时，依赖于以前处理过的像元点的信息。它的计算通常分为两部分,先对图像像元点进行检测运算，然后再作跟踪运算。,设图像是仅由黑色景物和白色背景组成的二值图像如图所示。现在要设法找出黑色景物的边缘轮廓。,图像分割,轮廓跟踪方法如下，靠近边缘任取一个起始点，然后按如下规律进行跟踪：,(1),每次只前进一个像元；,(2),当由白区跨进黑区时，以后各步向左转，直到穿出黑区为止；,(3),当由黑区跨进白区时，以后各步向右转，直到穿出白区为止,(4),重复,(1)(3),各步，直到环行景物一周后，回到起始点则跟踪过的轨迹就是景物的轮廓。,起点,黑,白,起点,a,起始点在左上方,b,起始点在右上方,图像分割,使用本方法时，有如下两点需要注意：,(1),景物的某些小凸部可能被迂回过去，如图,a,所示。为避免出现这种情况，应多选些起始点并取不同方向重复进行实验，然后选取相同的轨迹作为景标的轮廓。,(2),要防止“爬虫”掉入陷阱，即围绕某一区域重复跟踪爬行，回不到起点。为避免这种情况发生，可以使“爬虫”具有某种记忆能力，当发现其在重复走过的路径时，中断跟踪并重新选择起始点和跟踪方向。,图像分割,区域相关分割技术,模板匹配,一个模板可看作由各种权值所构成的。当模板中,nn,个权值具有不同数值时，模板就具有不同的几何性质。如果把权模板中的各行按首尾相连的规则接连起来，则可得权向量为,被权模板所覆盖的图像空间，若按同样规则连贯起来则有图像灰度,向量为,权模板对图像的卷积结果即为这两个向量的内积，它是,图像分割,模板匹配,当,X,为同一个区域，选择具有不同几何特征的模板结构,W,1, W,k,，则可得到不同的卷积结果,C,1,C,k,，对于这些卷积结果来说，只要是,C,i,C,j,(j=1,2,k,且,ij),就可以认为,X,具有与,W,i,相类似的结构特征，这样可以通过模板匹配来判定,X,中是否有边缘存在。这种匹配原则也可以用一个阈值,T,来表达，即对边缘的判断决定于,C,T,图像分割,区域生长,条件,已知待分割的区域数目以及在每个区域中已知某一个像元点,(,种子点,),的位置,原理,是从一个已知像元点开始，逐渐地加上与已知像元点相似的邻近像元点，从而形成一个区域。这个相似性准则可以是灰度级、彩色、结构、梯度或其它特性。相似性的测度可以由所确定的阈值来确定。,具体方法,是从某一满足检测准则,(,种子点,),的像元点开始，在各个方向上生长区域，当其邻近像元点满足检测准则就并入小块区域中，当新的像元点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时，生长过程终止。,图像分割,区域生长实例,这个例子的相似性准则是,邻近像元点的灰度级与景物的平均灰度级的差小于等于,1,。图像中起始像元点和被接受的像元点均用括号标出、其中,(a),是输入图像，像元点,(9),作为起始像元点；,(b),是第一步接受的邻近像元点；,(c),是第二步接受的邻近像元点，即对第一次检测出的区域求平均值，再次进行生长；,(d),是从,(6),开始生成的结果。,5,5,8,6,4,8,(9),7,2,2,8,3,3,3,3,3,5,5,(8),6,4,(8),(9),7,2,2,(8),3,3,3,3,3,5,5,(8),6,4,(8),(9),(7),2,2,(8),3,3,3,3,3,5,5,8,(6),4,8,9,(7),2,2,8,3,3,3,3,3,a,b,c,d,区域生长示例,区域描述,简单几何性质的描述与变换,图像的邻接性和连通性,为了判断目标边缘或内部各点是否连接在一起，首先要对像元的邻接性和连通性进行定义。通常有以下几种定义方法：,(1),四邻接：是把一个像元的上下左右四个相邻的像元点作为相连接的邻域点,;,(2),八邻接：是把一个像元周围的八个像元点作为相连接的邻域点,;,(i,j),(i,j),4-,邻接,8-,邻接,区域描述,图像的邻接性和连通性,(3),六邻接：是在四邻接的四个像元点的基础上，再加上两个相邻的像元点构成的，六邻接一般用于六角形网格采样。设,f(i,j),为一幅数字图像，对于点,(i,j),的六邻接的另外两点的具体加法如下，,当,i,为奇数,(,行,),时，加,f(i-1,j-1),，,f(i+1,j+1),两点；,当,i,为偶数,(,行,),时，加,f(i-1,j+1),，,f(i+1,j-1),两点,。,(i,j),(i,j),4-,邻接,8-,邻接,区域描述,距离量度,在对像元相互关系进行描述时，常常用到它们之间的距离。假设图像中两个像元点的位置分别为,(x,1,y,1,),和,(x,2,y,2,),，则它们之间的距离有以下几种定义方法：,区域描述,曲线的描述,数字图像多是一个矩形的阵列，由每一个像元连到其邻近像元最多有八个不同的路径、当给每一路径以一个代号，于是就出现了链码，用它可以对曲线或目标轮廓进行描述。,链码表示的具体作法如下：开始时选择曲线的一个端点为起始点,(,描述轮廓时可以从任意点开始,),，然后对曲线上各坐标点顺次找出其所对应的路径代号，并按顺序标注出来，最后就可以得出以数字形式表示的曲线。,(i,j),3,4,5,6,7,0,1,2,区域描述,链码编码示例,1,2,3,4,5,0,7,6,0,5,0 0 0 0 0 0,0 0,5,0 0 0 0 0,0 0 0 0 0 0 0 0,0,5,0 0 0 0 0 0,0 0,5 5,0 0 0 0,0 0 0,5,0 0 0 0,0 0,5,0 0 0 0 0,0 0 0 0 0 0 0 0,链码编码,：,2,，,2,，,6,，,7,，,6,，,0,，,6,，,5,区域描述,扩展、收缩,为了使目标景物的形态特征突出，或者为了压缩处理数据，常常用到扩展和收缩等变换技术。,设,S,为图像中目标景物像元点的集合，且,S,为,S,的补集,(,即图像中所有非目标景物点的集合,),。若把和,S,相邻的,S,中的像元点都归入,S,，则,S,扩展了一次，记为,S,(1),，经,k,次扩展后，目标区域便记为,S,(k),。反之，若把和,S,相邻的,S,中的邻点都归入,S,，则称把,S,收缩了一次，记为,S,(-1),；经,k,次收缩后，目标区域记为,S,(-k),。,区域描述,扩展、收缩,图中表示了一个孤点经一次和两次扩展以及由扩展后的图像再经一次两次收缩而形成孤点的情况。然而，并不是在所有的情况下扩展和收缩都是可逆的。,区域描述,目标大小的描述,面积和积分光学密度,积分光学密度是目标所包围的像元灰度之和，它反映了目标的质量或重量，实际上是关于目标明暗程度的一种度量。,长度与宽度的描述,图像中的长度与宽度可用它的水平方向和垂直方向的像元数来度量。,周长,(,或边界长,),取边缘点的数目作为其周长。,区域描述,形状描述,矩形度、圆度和投影比,可以用目标面积,A,0,和包围它的最小矩形面积,A,R,之比作为目标矩形度的一种度量参数。它的大小能够反映目标和矩形的接近程度，而且,R,值的取值范围永远在,01,之间,目标周长的平方,P,2,与其面积,A,之比定义为目标之圆度,C,，即,这个参量可以描述目标形状和圆接近的程度。对于圆形目标，,C=4,为最小值。目标形状越复杂、越粗糙，,C,值越大，所以可用这个参量来描述目标的复杂程度和粗糙情况。,区域描述,拓扑描述,图形的拓扑性质是指那些不因图形变形而改变的性质，只要变形不发生撕裂或连结变化。区域的连通性和区域中孔洞数就是拓扑性的。变形会影响区域中任何两点之间的距离，因此拓扑性质是直接或间接与任何距离测度无关的性质。,拓扑性质对区域的总体描述很有用。由于区域中的连通分量,C,和孔洞数,H,都是拓扑性的，所以欧拉,(Euler),数,E=C-H,区域描述,拓扑描述,对于线段表示的区域，也可用欧拉数来描述，如图中的多边形网，把这个多边形网内部区域分成面和孔。如果设顶点数为,W,，边数为,Q,，面数为,F,，则有下列关系式即欧拉公式,E=C-H=W-Q+F,图中，有,7,个顶点，,11,条边，,2,个面，因此，有,E=7-11+2=1-3=-2,具有欧拉数为,0,和,-1,的图形,思考题,什么是图像分割？图像分割的方法有哪些？,边缘跟踪的方法？,数字,0,，,4,，,8,和字母,B,，,i,，,r,，,d,的欧拉数各为多少,?,