典型的图像分析和理解的系统： 系统分为图像输入、预处理、图像分割（image segment）、图像识别、结构句法分析。
图7.1 图像分析系统
分割结果中同一个子区域内的像素应当是连通的
同一个子区域内的任两个像素在该子区域内互相连通。 图像分割
不连续性检测
相似性检测
边界分割 边缘检测 边缘跟踪 Hough变换
BW = [1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0; 1 1 1 0 0 0 0 0];
L4 = bwlabel(BW,4) L8 = bwlabel(BW,8)
区域分割 阈值分割
区域分裂与合并
自适应
图7.2 图像分割算法
7.2 像素的邻域和连通性
1. 4邻域
对一个坐标为 (x, 的y)像素p，它可以有两个水平和两个垂
直的近邻像素。它们的坐标分别是
(x 1, y),(x 1, y),(x, y 1),(x, y 1)
这四个像素称为p 的4邻域。
互为4邻域的像素又称为4连通的。
%给定的二值图像矩阵 %根据4连通准则判定目标 %根据8连通准则判定目标
➢根据4连通准则，得到的目标 是3个： L4 = 1 1 1 0 0 0 0 0 11102200 11102200 11100030 11100030 11100030 11100330 11100000
➢ 根据8连通准则，得到目标 是2个： L8 =1 1 1 0 0 0 0 0 11102200 11102200 11100020 11100020 11100020 11100220 11100000
2. 8邻域
取像素p四周的8个点作为相链接的邻域点，除掉 p本身外，剩下的8个点就是p的8邻域。
互为8邻域的像素又称为8连通的 。
目标和背景的连通性定义必须取不同，否 则会引起矛盾。
00000 01100 01010 01110 00000 图7.3 目标和背景连通性
根据连通性定义图像特征点
• 边界点：如果目标点集S中的点p有邻点在S的补集
• S 中，则p称为S的边界点。边界点集称为边界，
记为S’。 • 边界的内点：目标点集S与边界S’的差S-S’称为S
的内（部）点 • 孤点：没有邻接点的点。 • 封闭曲线：连通域S中所有点都有两个邻点，则称
此连通域为封闭曲线。
【例7.1】根据4/8连通准则在二值图像中判断目标。
解：应用函数bwlabel可以根据4连通或8连通准则，在给定 的二值图像矩阵BW中寻找目标。MATLAB程序：
(a) 原图像
(b) Roberts算子检测
(c) Prewitt算子检测
(d) Sobel算子检测
I = imread('blood1.tif'); • imshow(I); • BW1 = edge(I,'roberts'); • %进行Roberts算子边缘检测，门限值采用默认值 • BW2 = edge(I,'prewitt'); • %进行Prewitt算子边缘检测，门限值采用默认值 • BW3 = edge(I,'sobel'); • %进行Sobel算子边缘检测，门限值采用默认值 • figure,imshow(BW1,[]); • figure,imshow(BW2,[]); • figure,imshow(BW3,[]);
梯度对应于一阶导数，相应的梯度算子就对 应于一阶导数算子。
对于一个连续函数f (x,y)，其在(x,y)处的梯度:
f
f
Gx G y
x f
y
（7.2）
常采用小型模板，然后利用卷积运算来近似，
Gx 和 Gy 各自使用一个模板。
1. Roberts算子
1 0 0 1
0 1 1 0
这类算法的时间复杂度和空间复杂度比较大，但是 抗噪声的能力比较强 。
任何一种分割方法都有其局限性。
实际的算法只能根据实际情况选择方法和阈值。
7.4 图像的边缘检测
基于灰度不连续性进行的分割方法。 用差分、梯度、拉普拉斯算子及各种高通滤
波处理方法对图像边缘进行增强，只要再进 行一次门限化的处理，便可以将边缘增强的 方法用于边缘检测。 7.4.1 梯度算子
1 g(x, y) 0
f (x, y) T f (x, y) T
这样得到的是一幅二值图像。
图7.4给出了利用阈值分割图像的实例。
（a）是原图 （b）是对应的直方图 （c）是选择分割阈值为110的结果图。
（a）原图像
110点
（b）直方图
（c）已分割的图
图7.4 阈值分割
7.3.1 全局阈值分割 全局阈值是最简单的图像分割方法。根据不同
的目标，选用最佳的阈值。 1．实验法
需要知道图像的某些特征
2．直方图法
适用于目标和背景的灰度差较大，直方图有明显谷 底的情况。
3．最小误差的方法
要求已知图像像素的概率密度函数和目标像素占整 个图像的百分比（PP138）。
7.3.2 自适应阈值的选取
当照明不均匀、有突发噪声或者背景灰度变化 比较大的时候，可以对图像进行分块处理，对 每一块分别选定一个阈值进行分割，这种与坐 标相关的阈值称为自适应阈值的方法。
2. Prewitt算子
1 0 1 1 0 1 1 0 1
1 1 1
0
0
0
1 1 1
3. Sobel算子
1 0 1 2 0 2 1 0 1
1 2 1
0
0
0
1 2 1
通过算子检测后，还需作二值处理从而找到边界模板中，Sobel算子的检测效果最好。
7.3 图像的阈值分割技术
灰度阈值分割方法。 若图像中目标和背景具有不同的灰度集合， 且两个灰度集合可用一个灰度级阈值T进行分 割，在图像中分割出目标区域与背景区域。
设图像为 f (x, y) ，其灰度集范围是[0,L]，在0 和L之间选择一个合适的灰度阈值T。
图像分割方法可由下式描述：
（7.1）
第七章 图像分割
7.1 概 述
图像处理的重要任务就是对图像中的对象进行分析和 理解。
在图像分析中，输出的结果是对图像的描述、分类或其 他的某种结论 。
图像分析主要包括以下几部分内容：
（1）把图像分割成不同的区域，或把不同的目标分开（分 割）。即把图像分成互不重叠的区域并提取出感兴趣目标。
（2）找出各个区域的特征（特征提取）。 （3）识别图像中的内容，或对图像进行分类（识别与分类）。 （4）给出结论（描述、分类或其他的结论）。