当前位置:
文档之家› 第12讲 图像分割概述、阈值法
第12讲 图像分割概述、阈值法
图像分割
按分割途径分类:
1)区域分割 (相似性、不连续性)从图像出发,按“有 意义”的属性一致的原则,确定每个像元的归 属区域,形成一个区域图。这种方法目前占主 导地位。 2)基于边缘提取的分割法 (不连续性) 先提取区域边界, 再确定边界限定的区域。 3)区域增长(相似性) 从像元出发(种子),按“有意 义”的属性一致的原则,将邻域中满足相似性 准则的连通像元聚集成区域 。 4)分裂—合并法 综合利用上述两种方法,既存在图像的 划分,又有像元的合并。
适用于:目标和背景的灰度差较大,有明显谷的情况。
改进:可采用灰度加权产生新的直方图,得到更大的峰 谷比。
图像分割
3)全局门限处理法
以直方图视觉为基础,试探性 (1)选择一个t 的初始估计值(通常选平均灰度 值) (2)阈值t 将图像分为c1、c2两部分 (3)计算区域c1、c2中所有象素平均值m1 、 m2 (4)计算新的阈值 t=(m1+ m2)/2 (5)重复步骤(2)到(4),直到逐次迭代所得 的t值之差小于事先定义的参数。
Ht H Ht H (t ) H w H B ln Pt (1 Pt ) Pt 1 Pt
使熵H(t)取最大值的t,即最佳门限
图像分割
(a) 原图
(b)熵阈值法
( c ) otsu法
图像分割
6)最小误差分割
目标:正态分布,密度p1(z),均值μ1 方差σ12 背景:正态分布,密度p2(z),均值μ2 方差σ22 目标像点数占总点数的百分比为θ,背景(1 -θ) 则混合概率密度为
1、什么是区域?什么是图像分割?图像分割按途 径可分哪几类?
2、何谓阈值分割?分割的依据是什么?
3、Ostu 方法寻找阈值的依据是什么? 4、 P参数法适合分割何种特征的图像? 5、熵阈值法的依据是什么?Shannon熵是如何定 义的?
6、最小误差分割法的出发点是什么?试写出确定 阈值t的一般表达式。
图像分割
5) 最佳熵自动门限法
基本思想:选择阈值使前景和背景的两个灰度级分 布的有效信息为最大。 Shannon熵:灰度范围在[0,L–1]的图像,其熵为
H pi ln pi
i 0
L 1
门限t :目标W、 背景B,[0,t]的分布和[t+1,L–1]的分布 为 p p p p p p
0 g (i, j ) 1
f (i, j ) t f (i, j ) t
应用场合:图纸和公文图象中对象面积可估计
图像分割
2)状态法(峰谷法)
统计图像的灰度直方图,若其直方图呈双峰且有明显的 谷,则将谷所对应的灰度值t作为阈值。
0 g (i, j ) 1
f (i, j ) t f (i, j ) t
图像分割
编程: 编写程序,分别用Ostu 方法(最大类 间方差)和熵阈值法实现灰度图像的自动分 割。
图像分割
图像分割
今后主要的研究方向
提取有效的属性; 寻求更好的分割途径和分割质量评价体系;
分割自动化。
图像分割
三、区域分割法(阈值法)
依据:
属于同一区域的像元应具有相同或相似的 属性,不同区域的像元属性不同。
任务:
寻求具有代表性的属性(如灰度) 确定属性的阈值
图像分割
1、简单图像的阈值分割
图像分割
一般步骤:
①自动平滑直方图
②确定区域类数 平滑方图的峰:初始区域类数,进一步确认 ③自动搜索多门限值(阈值) 简单图像的分割方法 、各峰间的最佳门限
图像分割 开始 计算适应 值 停止准 则? 选择、杂交、 变异
求二维灰度直 方图
滤波
编码
模糊划 分
停止
初始化群体及 参数
图像分割
图像分割
L 1
( p ln p p ln P )
i 0 i i i t
t
pi pi H w (t ) ln 1 Pt i t 11 P t 1 L 1 ( pi ln pi (1 Pt ) ln(1 Pt )) 1 Pt i t 1 ln(1 Pt ) ( H H t ) /(1 Pt )
第十二讲
图像分割概述 阈值分割法
•图像分割概述 •阈值法
图像分割
一、图像分割概述
图像分割
在对图形的研究与应用中,人们往往对图像中的某些部 分感兴趣——目标或对象(一般对应于图像中特定的、具有 独特性质的区域)。
图像处理:着重图像之间进行变换以改善图像的视觉效果。 图像分析:图像中感兴趣的目标进行分割, 纹理、形状等 特征的提取、检测和测量, 以获得它们的客观 信息,从而建立对图像的描述。 图像理解:重点是在图像分析的基础上, 进一步研究图像中 各目标的性质和它们之间的相互联系,并得出对图 像内容含义的理解以及对原来客观场景的解释, 从 而指导决策.
图像分割
上 图(a)所示图像的直方图
图像分割
自动阈值的确定 1) P参数法(用于目标所占图象面积已知的情况)
设图像f(i,j)中目标所占的面积s0与图像面积s之比为 P=s0/s,则背景所占面积比为 1-P=(s-s0)/s。 设低灰度值为背景,高灰度值为目标。如果统计图象 f(i,j)灰度值不大于某一灰度t的像元数和图像总像元数之比为 1-p时,则以t为阈值,按照下式就可将目标从图象中分割出 来。
图像分割 图像分析的大致步骤: ①把图像分成不同的区域或把不同的对象分开: ②找出分开的各区域的特征; ③识别图像中要找的对象或对图像分类;
④对不同区域进行描述或找出不同区域的相互联系,进而 找出相似结构或将相关区域连成一个有意义的结构。
相互连通的、有一致属性的像元的结合 图像中层描述的符号
图像分割
简单: 只具有两类区域
0 g ( x, y ) 255
g 2 55
f ( x, y ) T f ( x, y ) T
0
T
2 55
f
图像分割
(a)
(b)
(c) (d) 不同阈值对阈值化结果的影响 (a) 原始图像; (b) 阈值T=91; (c) 阈值T=130; (d) 阈值T=4
二、图像分割定义
利用图像特征把图像分解成一系列有意义的目标或 区域的过程称为图像分割。 统计特征:直方图、矩、频谱等 图像特征 视觉特征:区域的亮度、纹理或轮廓等 图像分割目的:为图像理解和分析作准备。例如提取 出感兴趣目标区域,目标可以对应单个R代表整个图像区域,对R的分割可看做将R分成N 个满足以下五个条件的非空子集(子区域)R1,R2,…,RN: ① N
t
把背景点错划为目标点的概率
E2 (t ) p 2 ( z )dz
t
总错误概率
E(t ) E1 (t ) (1 ) E2 (t )
确定t, 使误差最小
图像分割
令
E (t ) 0 t
p1 (t ) (1 ) p2 (t ) 0
2 (t 1 ) 2 (t 2 ) 2 ln 2 2 (1 ) 1 2 1 2 2
R
i 1
i
R
②对所有的i和j,i≠j,有 Ri R j ; ③对i=1,2,…,N,有P(Ri)=TRUE; ④对i≠j,有P(Ri∪Rj)=FALSE; ⑤对i=1,2,…,N, Ri是连通的区域。
其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集。
图像分割
解释:
条件①:在对一幅图象的分割结果中全部子区域的总和(并 集)应能包括图象中所有象素(就是原图象)。 条件②:在分割结果中各个子区域是互不重叠的,或者说在 分割结果中一个象素不能同时属于两个区域。 条件③:属于同一个区域中的象素应该具有某些相同特性。 条件④:在分割结果中属于不同区域的象素应该具有一些不 同的特性。 条件⑤:分割结果中同一个子区域内的任两个象素在该子区 域内互相连通,或者说分割得到的区域是一个连通 组元。
B:
0
Pt Pt
t
,
1
, ,
t
Pt
W:
t 1
1 Pt 1 Pt 1 Pt
H t pi ln pi
i 0 t
,
t 2
,
L 1
Pt pi
i 0
图像分割
每个分布对应的熵分别为HW(t)和HB(t)
t
pi pi 1 H B (t ) ln Pt Pt i 0 P t ln Pt H t / Pt
p( z ) p1 ( z ) (1 ) p 2 ( z )
e 2 1
( z 1 ) 2
2 2 1
1 2 2
( z 2 ) 2
e
2 2 2
图像分割
当选定门限为t时,目标点错划为背景点的概率
E1 (t ) p1 ( z )dz
2 12 2 2
t
1 2
2
2 2 1
ln
1
若先验概率已知 ,如
1 2
t
1 2
2
图像分割
2、复杂图像分割
以上技术共同不足: 大部分方法都是针对二类问题的,在灰度范围 内搜索一个最佳门限值。当这类方法推广至多 类问题时,需要在全灰度范围内搜索出最佳的 门限组合,耗时较多,难于实际应用。 相当多的方法不能自动确定类数,需要人为事 先确定,显然不合适。 有的方法可以通过自动找直方图峰谷去确定类 数,实际直方图通常是不平滑的,需要作平滑 预处理,但平滑窗口的尺寸常常又是人为设臵 的,限制了多门限技术的自动化程度。
图像分割
(美国国家标准技术研究所提供)