当前位置：文档之家 › 第七章 图像分割

第七章 图像分割

  • 格式：pptx
  • 大小：19.60 MB
  • 文档页数：104

下载文档原格式

  / 104

合集下载

数字图像处理课程第七章_图像分割

数字图像处理课程第七章_图像分割

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。
Roberts算子
• 公式：
fx f (x 1, y 1) f (x 1, y 1) f y f (x 1, y 1) f (x 1, y 1)
• 模板： -1
1
• 特点：
fx’
1
fy’ -1
– 与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算 子略好
数字图像处理
第七章 图像分割
陈震中 武汉大学遥感信息工程学院
2016-2017学年上学期
7.1 概述
• 图像分析的概念 – 对图像中感兴趣的目标进行检测和测量，以获得它们的 客观信息，从而建立对图像的描述.
• 图像分析的步骤 – 把图像分割成不同的区域或把不同的对象分开 – 找出分开的各区域的特征 – 识别图像中要找的对象或对图像进行分类 – 对不同区域进行描述或寻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
– 区域生长 • 将属性接近的连通像素聚集成区域
– 分裂－合并分割 • 综合利用前两种方法，既存在图像的划分，又有图像的合并。
7.2 边缘检测算子
• 边缘的定义：
图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合
• 边缘的分类
– 阶跃状 – 屋顶状
阶跃状
屋顶状
7.2 边缘检测算子
• 几种常用的边缘检测算子
333 3 0 -5 3 -5 -5
3 3 -5 3 0 -5 3 3 -5
3 -5 -5 3 0 -5 333
-5 -5 -5 303 333
-5 -5 3 -5 0 3 333
特点
在计算边缘强度的同时可以得到边缘的方向 各方向间的夹角为45º

07-图像分割

07-图像分割
-1 -1
2
-1 -1
-1
2 -1
-1
-1 2
水平模板
45度模板
垂直模板
135度模板
43
例： 图像
1
1
1
1
1
1
1
1
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
用4种模板分别计算 R水平 = -6 + 30 = 24
R45度 = -14 + 14 = 0
R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0
相同；

当R的值足够大时，说明该点的值与周围的点非常不
同，是孤立点。通过阈值T来判断： |R| > T 检测到一个孤立点。
42
2. 线的检测
通过比较典型模板的计算值，确定一个点是否在某个 方向的线上:
-1
2 -1
-1
2 -1
-1
2 -1
-1
-1 2
-1
2 -1
2
-1 -1
-1
-1 -1
2
2 2-1128 8 源自 8-1-18
-1
-1
-1
R = (-1 * 8 * 8 + 128 * 8) / 9
= (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
41
算法描述：

设定阈值 T，如T = 32、64、128等,并计算高通滤波值
R；

如果R值等于0，说明当前检测点的灰度值与周围点的

图像分割

图像分割
阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边 缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用 微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点 来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。
图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结 构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。 这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘 ，利用此特征可以分割图像。
形状特征
通常情况下，形状特征有两类表示方法，一类是 轮廓特征，另一类是区域特征。图像的轮廓特征 主要针对物体的外边界，而图像的区域特征则关 系到整个形状区域。
各种基于形状特征的检索方法都可以比较有效地 利用图像中感兴趣的目标来进行检索，但它们也 有一些共同的问题，包括：
1.目前基于形状的检索方法还缺乏比较完善的 数学模型；
面向对象图像分析方法是目前遥感图像分析中的新技术，分割是 其核心步骤之一。对象是一个抽象术语，具体来说表现为图像上的一 个区域，是具有某些相似性质的相邻像素的集合体，通过像素间的这 种集合，表现的不再仅仅是光谱信息，更多的是包含了上下文，形状 ，大小，纹理，统计特征等信息以及来自其他对象的信息。而且面向 对象的思想模仿了人类大脑认知过程，人类大脑对眼睛看到的东西不 是简单的反映，而是基于已有知识和经验的重构，看到对象的某些部
其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图 像元素g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适 的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度 值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接 给出图像区域。

数字图像处理第七章 图像分割

数字图像处理第七章 图像分割

第七章图像分割1、什么是区域？什么是图像分割？答：在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。

这些感兴趣的部分常称为目标或图像，它们一般对应图像中的特定的、具有独特性质的区域。

这里的区域是指相互连通的、有一致属性的像素的集合。

图像分割是指把图像分成互不重叠区域并提取感兴趣目标的技术。

2、边缘检测的理论依据是什么，有哪些方法？各有哪些特点？答：边缘是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合。

它存在于目标和背景、目标与目标、区域与区域、基元与基元之间。

他对图像识别和分析十分有用，边缘能够画出目标物体轮廓，使观察者一目了然，包含了丰实的信息，是图像识别中抽取的重要属性。

利用边缘灰度变化的一阶或二阶导数特点，可以将边缘点检测出来。

方法包括：（1）梯度算子；特点是仅计算相邻像素的灰度差，对噪音敏感，无法抑制噪声的影响。

（2）Roberts梯度算子；与梯度算子检测边缘的方法类似，但效果较梯度算子略好。

（3）Prewitt和Sobel算子；该算子不仅能检测边缘点，且能进一步抑制噪声的影响，但检测的边缘较宽。

（4）方向算子；检测能力强，抗噪能力好。

（5）拉普拉斯算子；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较好。

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。

（6）马尔算子；马尔算子用到的卷积模板一般较大，不过这些模板可以分解为一维卷积来快速计算。

（7）Canny算子；可以减少小模板检测中的边缘中断，有利于得到较为完整的线段。

3、什么是hough变换？hough变换检测直线时，为什么不采用y=kx+b的表达式？试述采用hough变换检测直线的原理。

答：设在直线坐标系中有一条直线L,在原点到该直线的垂直距离为Ρ，垂线与x周的夹角为θ，则可用Ρ、θ来表示该直线，其直线方程为：Ρ=xcosθ+ysinθ而这条直线用极坐标表示则为一点（Ρ，θ）,可见，直角坐标系中的一条直线对应极坐标系中的一点，这种线到点的变换叫做hough变换。

第七章图像分割 海事 朱虹

第七章图像分割 海事 朱虹

均匀性度量法



所谓的均匀性度量方法，是根据“物以类 聚”的思想而设计的。 其基本设计思想是：属于“同一类别”的 对象具有较大的一致性。 实现的手段是：以均值与方差作为度量均 匀性的数字指标。
均匀性度量法算法步骤

1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类

P-参数法算法步骤
1）设图像的大小为m*n，计算得到原图的 灰度直方图h；
2）输入目标物所占的画面的比例p；

3）尝试性地给定一个阈值 Th=Th0; 4）计算在Th下判定的目标物的像素点数N；

5）判断ps=N/(m*n)是否接近p? 是，则输出结果； 否则，Th=Th+dT; (if ps<p,则dT>0; else dT<0); 转至第四步，直到满足条件。

图像分割说明示例

图像分割示例：条码的二值化

图像分割示例：肾小球区域的提取

图像分割示例：细菌检测

图像分割示例：印刷缺陷检测

图像分割示例：印刷缺陷检测
图像分割的难点

从前面的例子可以看到，图像分割是比较 困难的。原有是画面中的场景通常是复杂 的，要找出两个模式特征的差异，并且可 以对该差异进行数学描述都是比较难的。

均匀性度量法处理效果示例
聚类方法

基本设计思想： 1. 聚类方法是采用了模式识别中的聚类思 想。 2. 以类内保持最大相似性以及类间保持最 大距离为最佳阈值的求取目标。
聚类方法算法步骤

1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类

图像分割与特征提取 ppt课件

图像分割与特征提取 ppt课件

ppt课件
5
7.1 图像分割的概念
2. 图像分割的依据和方法
◆图像分割的依据是各区域具有不同的特性，这些 特性可以是灰度、颜色、纹理等。而灰度图像分割的 依据是基于相邻像素灰度值的不连续性和相似性。也 即，子区域内部的像素一般具有灰度相似性，而在区 域之间的边界上一般具有灰度不连续性。
◆灰度图像分割是图像分割研究中最主要的内容，其 本质是按照图像中不同区域的特性，将图像划分成不 同的区域。
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
上升阶跃边缘 （a）
下降阶跃边缘 （b）
脉冲状边缘 （c）
屋顶边缘 （d）
图7.1 图像边缘及其导数曲线规律示例
ppt课件
11
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述，图像中的边缘可以通过对它们求导数 来确定，而导数可利用微分算子来计算。对于数字图 像来说，通常是利用差分来近似微分。
方向：
f (x, y) = arctan(Gx / Gy )
（7.5）
ppt课件
14
7.2.2 梯度边缘检测
(1) Roberts算子
是一个交叉算子，其在点(i,j)的梯度幅值表示为：
G(i, j) = f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1) （7.6）
ppt课件
2
7.1 图像分割的概念
◆目标或前景 ◆背景 ◆目标一般对应于图像中特定的、具有独特性质的 区域。
ppt课件
3
7.1 图像分割的概念
1. 图像分割
图像分割就是依据图像的灰度、颜色、纹理、边 缘等特征，把图像分成各自满足某种相似性准则或具 有某种同质特征的连通区域的集合的过程。

7-第七章图像分割1、2


30
拉普拉斯算子
0 1 0
1 -4 1
0 1 0
1 1
1 -8
1 1
1
1
1
图7.5 两种常用的拉普拉斯算子模板
31
拉普拉斯算子一般不以其原始形式用于边缘检测，原因在于： (1)它是一个二阶导数，对噪声非常敏感。 (2)拉普拉斯算子的幅值产生双边缘。(最大负值和最大正值) (2)不能检测边缘的方向。（无方向模版） 那么它在分割中所起的作用: (1)利用它的零交叉性质进行边缘定位----该算子与平滑过程一起利 用零交叉作为找到边缘的前兆。 (2)确定一个象素在边缘暗的一边还是亮的一边。
I=imread(„rice.tif‟);
imshow(I); BW1=edge(I,‟prewitt‟); BW2=edge(I,‟canny‟); figure;
Imshow(BW1); figure; imshow(BW2);
37
38
7.3
边缘连接（跟踪）
利用前面的方法检测出边缘点,但由于噪声、光照 不均等因素的影响，获得边缘点有可能是不连续的，必 须使用连接过程将边缘像素组合成有意义的边缘信息， 以备后续处理。 边缘跟踪的方法 1. 局部边缘连接法； 2. 光栅扫描跟踪法； 3. Hough 变换法。
第七章 图像分割
1
2
图像分割
作用
图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏 直接影响后续图像处理的效果。
图 像
图像 预处理 图像 分割
图像 识别
图像 理解
图7.1图像分割在整个图像处理过程中的作用
3
4
图像分割
◘灰度图像分割的依据 基于亮度值的两个基本特性： 不连续性 --- 区域之间； 相似性 ----- 区域内部。

(完整版)图像分割-数字图像处理


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

第7章图像分割技术2


19
自动阈值
分水岭算法
(a)原始图像
(b)图像对应的拓扑地形图 图7.5 图像对应的拓扑表面图
20
自动阈值
分水岭算法
三类点：①属于局部性最小值的点；②当一滴水放在
某点的位置上时，水一定会下落到一个单一的最小值点；
③当水处在某个点的位置时，水会等概率地流向不止一个 这样的最小值点。 对于一个特定的区域最小值，满足条件②的点的集合称 为这个最小值的“汇水盆地”或“分水岭”。满足条件③ 的点的集合组成地形表面的峰线，称为“分水线”或“分 割线”。
灰度变化等，固定的全局阈值分割，效果不好。
解决方法：利用与坐标相关的一组阈值对图像进行分割 ——变化阈值法、自适应阈值法。
18
自动阈值
分水岭算法
分水岭算法(watershed)是一种借鉴了形态学理论的分
割方法，它将一幅图象看成为一个拓扑地形图，其中灰度
值被认为是地形高度值。高灰度值对应着山峰，低灰度值 处对应着山谷。
g (i, j ) k k 0,1,...,K ; Tk 1 f (i, j ) Tk
阈值选择直接影响分割效果，通常可以通过对灰度直方图
的分析来确定它的值。
9
阈值选择
利用灰度直方图求双峰或多峰 选择两峰之间的谷底作为阈值
10
人工阈值
人工选择法是通过人眼的观察，应用人对图像的知识，在 分析图像直方图的基础上，人工选出合适的阈值。也可以 在人工选出阈值后，根据分割效果，不断的交互操作，从 而选择出最佳的阈值。
11
人工阈值
原始图像
T=155的二值化图像
T=210的二值化图像
图像直方图
12
自动阈值
迭代法

第7章_图像分割


f(x,y) g(x,y)= 0 其它
f(x,y)≥T
阈值分割图像的基本原理，可用下式表示： 阈值 Z f(x,y)∈Z
g(x,y)=
E
ZB
其它
阈值的选取时阈值分割技术得关键，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。由此可见，阈值化 分割算法主要有两个步骤： 1) 确定需要的分割阈值；2) 将分割阈值与象素值比较以划分象素。 在利用阈值方法来分割灰度图像时一般都对图像有一定的假设。基于 一定的图像模型的。最常用的模型： 假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内 部相邻象素间的灰度值是高度相关的，但处于目标和背景交界处两边的象 素在灰度值上有很大的差别。 如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别 对应目标和背景的两个单峰直方图混合构成的。
1 ini q i 0 1k
L 1
k 1
ip
i 0 L 1 i k
k 1
i
(1)
1 ini q i k 2k
(Zt 1 ) 2 (Zt 2 ) 2 ln 1 ln P ln 2 ln P2 1 2 2 2 1 2 2
• 由于上式是Zt的二次方程，有两个解，要使分割误差最小，需要设置两 个门限，也就是方程的两个根，如果设 2 12 22 ，则方程存在唯一解， 即： 2

t
• 将将背景象素错认为是目标象素的概率是：
e2 p2 ( x)dx
t

• 因此，总的错误概率e(t)为 e(t)=P1 e1(t)+P2e2(t)， 最佳门限就是使e(t)为最小值时的t，将e(t)对t求导，并令 其等于零，得:
  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

– 带阈值法 (Band thresholding)
– 多阈值法 (Multi-thresholding)
• 7.3 阈值法 —— 全局阈值法
• 数学模型
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T？ – 迭代法 – 大津法 (OTSU) – 最优阈值法 – 最大熵法 – 众数法 – 矩不变法 ……
– 2.搜索生长点的邻域，比较邻域像素与生长点像素的特征相似性 ，若满足合并条件，则合并为同一区域，形成新的生长点。
– 3.重述步骤2直到没有新的生长点出现。
• 7.4 区域法 —— 区域生长法
• 关键问题
1）选择一组能正确代表所需区域的生长点像素； 2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括 进来的； 3）确定相似性准则，即获取生长过程停止的准则。
• 从优化的角度看，迭代阈值法的目标函数：
• 7.3 阈值法 —— 全局阈值法
• 大津法（OTSU）
– 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
• P0(T), P1(T): 两类像素各自在总像素数量中所占的比例； • u0(T), u1(T): 两类像素各自的特征(例如亮度)均值； • u: 图像中所有像素的均值 Matlab函数： T本概念
1）特征相似性：生长或合并区域的准则的依据与基础，如灰度差； 2）像素相邻性：生长或合并区域时所取的邻域方式； 3）生长准则：如何利用特征相似性与特征相邻性进行区域生长与合 并的方式，如单一型，质心型混合型等。
• 7.4 区域法 —— 区域生长法
• Matlab实现
– Matlab自带的形态学处理工具箱函数
• 依据图像特征与空间策略的分类方法
并行策略(Global) 不连续性 (Discontinuity) 并行边界技术(GB) ♦ 霍夫变换 串行策略(Local) 串行边界技术(LB) ♦ 边缘跟踪 ♦ 图论法
边界 (Boundary)
相似性 (Similarity)
区域 (Region)
并行区域技术(GR) ♦ 全局阈值法 ♦ 局部阈值法
7.4 区域法 —— 区域分裂与合并
• 区域分割与合并基本算法步骤
– 1）从整幅图像开始，如果 P(Ri)=FALSE，就将图像分割为 4个区域； – 2）对分割后得到的区域，如果 依然有P(Ri)=FALSE，则将Ri继 续分为四个区域；依此类推，直 到没有任何区域需要继续分割为 止。 – 3）对相邻的两个区域Ri和Rj， 如果满足P(Ri U Rj)=TRUE，则 进行合并。当再也没有可以进行 合并的区域，则分割操作完成。
• 7.3 阈值法 —— 全局阈值法
• 最优阈值法
– 将目标和背景的像素特征分布看做是两个相互独立的随机变量， 则整个图像的像素特征概率分布函数可以描述为：
– 当给定一个阈值T，假设前景较亮而背景较暗，根据概率模型可以 估计出背景被错判为前景的概率Eb(T)和背景被错判为前景的概率 Ef(T)。 – 两者的概率加权和即为总的错误概率E(T)，使得总错误概率最小 的阈值即为最优阈值
众数法
最优阈值法
迭代阈值法
T=0.2549
T=0.11482
T=0.3652
大津法
最大熵法
矩不变法
T=0.3626
T=0.1177
T=0.4667
• 阈值法 —— 全局阈值法
• 算法特点总结
众数法 复杂度 计算量 抗噪能力 效果 理想度 一般 较小 差 较差 最优 阈值法 复杂 大 好 好 迭代 阈值法 简单 较小 较好 一般 Otsu法 简单 较小 一般 较好 KSW法/ 最大熵法 简单 较小 较差 好 矩不变法 复杂 较大 一般 一般
– IPT工具箱函数
• 7.4 区域法 —— 区域生长法
原 始 图 像
种 子 图 像
阈 值 图 像
分 割 结 果
• 7.4 区域法 —— 区域生长法
• 基本的区域生长法的优缺点
– 这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交 于一点时，如图，两个区域会合并起来。
• 区域生长法的改进原则 灰度
• 直方图
– 统计特征，抗线性几何变换
• 变换系数
– 频域统计特征，提供一种完全不同的视角
• 边缘
– 符合视觉习惯，是形状信息的基础
• 纹理
– 局部不连续性和全局相似性的统一
• 关键点
– 鲁棒局部特征，抗变形能力强，适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈 值不等式判断像素的类别。
• 7.1 图像分割概述 —— 应用
• 工件视觉检测
• 7.1 图像分割概述 —— 应用
• 遥感图像处理
• 7.1 图像分割概述 —— 应用
• 自然图像理解
• 7.2 图像特征概述
• • • • • • 亮度 直方图 变换系数 边缘 纹理 关键点
• 7.2 图像特征概述
• 亮度
– 空间连续性，稠密性，直观，敏感性
• 7.3 阈值法 —— 自适应阈值法
• 三个问题
1）如何确定一个子图像内是否存在边缘 2）如何处理块状效应 3）对于平坦区域灰度均值的判别能否保证准确
• 解决方案
1）图像预处理（去噪，去光照） 2）采用具有重叠区域的图像分块策略 3）根据子图像的方差、灰度直方图的双峰特性、梯度直方图等统计 信息判别其是否包含边缘区域。 4）根据包含边缘区域的阈值对平坦区域的阈值进行插值补足。
• 7.3 阈值法 —— 自适应阈值法
• 从一个例子开始
– 全局阈值法无法解决目标与背景的灰度范围过度重叠的情况（该 情况通常由不均匀的光照所引起）
• 7.3 阈值法 —— 自适应阈值法
• 思路
– 将原图像分割为多块子图像。将每一个存在边缘的子图像作为一 整张图像使用全局阈值法；将不存在明显边缘的子图像按照其平 均灰度，判别为目标或背景
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异，而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看，具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 7.3 阈值法 —— 全局阈值法
• 阈值法分类
– 全局阈值法 (Global thresholding)
– 自适应阈值法 (Adaptive thresholding)
• 7.4 区域法 —— 区域分裂与合并
• 思路
– 首先将图像分割成一系列任意不相交的区域，然后将他们进行合 并或分裂得到各个区域。 – 四叉树是该方法中最常用到空间结构
• 7.4 区域法 —— 区域分裂与合并
• 分裂(合并)条件的数学描述
– 判别函数P(R) • P(R)是一个判别函数，输出为True or False (1或0) • 在分裂过程中，如果P(R)为True，则认为区域R不需要进一步 分割；否则，继续分割。 • 在合并过程中，如果合并后的区域满足P(R)为true，则执行合 并；否则不执行。
• 优点
– – – – – – – – 考虑了像素特征的空间相关性，能够有效筛除一些背景干扰。 提供了人机交互接口和自主分割框架的结合通道。 分割结果具有比较清晰的边缘。 相对于阈值法具有更自由的参数调节空间。 终止准则的设计比较困难。 区域生长法过于依赖种子点选择的合理性。 生长和合并过程中的串行顺序对最终结果有显著影响。 计算时间明显长于阈值法。
– 区域生长的算法核心是生长准则，所有针对区域生长法的改进均 区域1 区域2 着眼于如何修改生长准则
区域2
• 几种基本的改进方法
区域1 – 双阈值法：在生长准则中加入一个阈值条件，即新生长区域的灰 度与初始种子点的灰度的差应小于某一个阈值； – 质心法：对基本方法的阈值进行改变，即新生长区域的灰度与已 （a）平缓的边缘 （b）边缘的缝隙 经生长得到的区域的平均灰度值的差应小于某一个阈值； 边缘对区域扩张的影响 – 混合型：对生长过程的顺序进行修改，即每次只生长与相邻像素 差值（或与种子点灰度的差值）最小的像素，但需要制定结束条 件
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大 于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 思路
– 综合考虑待分割区域内部像素的特征同质性和近邻性，通过反复 地将相邻且特征相似的像素或区域纳入同一分割区域，最终实现 分割。
• 两种区域分割算法框架
– 区域生长法 – 区域分裂与合并
• 7.4 区域法 —— 区域生长法
• 基本思想（步骤）
– 1.寻找一组生长点，可以是单个像素，也可以是某个小区域。可 以是人工指定，也可以设计专门的初始化算法。
• 7.4 区域法 —— 区域分裂与合并
• 设计区域分裂与合并算法的关键在于设计P(R)
• 例子：下图为天鹅星座环x射线频段图像，对改图的分割目的是获取 环绕致密中心的稀疏环，该部分的最少有两个特征是与背景不同的， 即其局部方差C(Ri)与局部均值M(Ri)，因此算法设计如下：
• 7.4 区域法 —— 总结
串行区域技术(LR) ♦ 区域生长 ♦ 区域分裂与合并
• 7.1 图像分割概述
• 基于方法论的分类
– – – – – – – 阈值法 区域法 边界法 聚类法 分类法 图论法 概率模型法
• 7.1 图像分割概述 —— 应用
• 医学影像计算机辅助诊断