下载文档原格式
图像数字处理图像分割图像分割是图像数字处理中的一项重要技术，它将图像中的像素点划分成多个区域，以便更好地理解和分析图像。
在本文中，我将介绍图像分割的原理、常用方法及其应用领域。
一、图像分割的原理图像分割的目标是将图像划分成一系列具有相似特征的区域，使得每个区域内的像素点具有相同或相似的属性。
它的基本原理是通过寻找像素点之间的差异来确定区域边界。
常用的图像分割方法包括阈值分割、边缘检测和区域生长等。
阈值分割是最简单的分割方法，它根据像素点的灰度值与预设的阈值进行比较，将像素点分为不同的区域。
边缘检测通过检测图像中的边缘信息来进行分割，常用的方法有Sobel算子和Canny算子。
区域生长是利用像素之间的相似性来逐步迭代地合并像素点，直到形成连续的区域。
二、常用的图像分割方法1. 基于阈值的分割方法：阈值分割是最简单且常用的分割方法之一。
它根据像素点的灰度值与预设的阈值进行比较，将像素点分为不同的区域。
常用的阈值分割方法有全局阈值分割和自适应阈值分割。
2. 基于边缘检测的分割方法：边缘检测是一种常用的图像分割方法，它通过检测图像中的边缘信息来进行分割。
常用的边缘检测方法有Sobel算子、Canny算子等。
3. 基于区域生长的分割方法：区域生长方法是利用像素之间的相似性来逐步迭代地合并像素点，直到形成连续的区域。
它常用于分割具有明显纹理特征的图像。
三、图像分割的应用领域图像分割在计算机视觉、医学影像处理、遥感图像分析等领域具有广泛的应用。
以下列举几个典型的应用领域：1. 目标检测与识别：图像分割可以帮助检测和识别图像中的目标物体，如人脸识别、车辆检测等。
2. 医学影像处理：在医学影像中，图像分割可以帮助医生准确地定位和分析病变区域，如肿瘤检测、血管分割等。
3. 遥感图像分析：遥感图像通常包含大量的地物信息，通过图像分割可以将不同类型的地物区分开来，如土地利用分类、城市区域划分等。
4. 视频分析：图像分割在视频分析中扮演重要角色，可以提取视频中的运动目标，如行人检测、行为分析等。
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。
3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。
通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。
2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
Image Segmentation诸薇娜zhuweina@Image Segmentation•数字图像处理的目的之一是图像识别，图像分割与测量是图像识别工作的基础。
•图像分割将图像分为一些有意义的区域，然后可以对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。
图像分割举例•图像分割是把图像分解成构成的部件和对象的过程•把焦点放在增强感兴趣对象–汽车牌照•排除不相干图像成分：–非矩形区域图像分割的策略•图像分割的基本策略是基于灰度值的两个基本特性：–不连续性•是基于亮度的不连续变化分割图像，如图像的边缘–区域内部的相似性•通过选择阈值，找到灰度值相似的区域•区域的外轮廓就是对象的边Image Segmentation•间断检测• 点检测• 线检测• 边缘检测 寻找间断的一般方法：模板检测 点检测•使用如图所示的模板，如果|R| >=T，则在模板中心位置检测到一个点–其中，T是阈值，R是模板计算值•基本思想：如果一个孤立点与它周围的点不同，则可以使用上述模板进行检测。
•注意：如果模板响应为0，则表示在灰度级为常数的区域TRImage SegmentationImage Segmentation线检测: 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4个线检测模板• 第一个模板对水平线有最大响应• 第二个模板对45方向线有最大响应• 第三个模板对垂直线有最大响应• 第四个模板对-45方向线有最大响应Image Segmentation用R1,R2,R3和R4分别代表水平、45、垂直和-45方向线的模板响应，在图像中心的点，如果|Ri| >|Rj| , j !=i则此点被认为与在模板i方向上的线更相关例：如果|R1| > |R j| , j = 2,3,4则该点与水平线有更大的关联•在灰度恒定的区域，上述4个模板的响应为零•可以设计其它模板：•模板系数之和为0•感兴趣的方向系数值较大Image Segmentation边缘检测边缘检测•一阶–在边缘斜面上，一阶导数为正，–其它区域为零•二阶–在边缘与黑色交界处，二阶导数为正–在边缘与亮色交界处，二阶导数为负–沿着斜坡和灰度为常数的区域为零Image Segmentation边缘检测•结论– 一阶导数可用于检测图像中的一个点是否在–边缘上– 二阶导数可以判断一个边缘像素是在边缘亮–的一边还是暗的一边– 一条连接二阶导数正值和负值的虚构直线将–在边缘中点附近穿过零点– 一阶导数使用梯度算子，二阶导数使用拉普–拉斯算子边缘检测•一阶导数：用梯度算子来计算Image Segmentation边缘检测边缘检测边缘检测边缘检测•结论–Prewitt和Sobel算子是计算数字梯度时最常–用的算子–Prewitt模板比Sobel模板简单，但Sobel模–板能够有效抑制噪声Image SegmentationImage SegmentationImage SegmentationImage Segmentation边缘检测•二阶导数：通过拉普拉斯来计算边缘检测•拉普拉斯算子总结– 缺点：• 拉普拉斯算子对噪声具有敏感性• 拉普拉斯算子的幅值产生双边缘• 拉普拉斯算子不能检测边缘的方向– 优点：• 可以利用零交叉的性质进行边缘定位• 可以确定一个像素是在边缘暗的一边还是亮的一边边缘检测Image Segmentation边缘检测•高斯型拉普拉斯算子总结–高斯型函数的目的是对图像进行平滑处理–拉普拉斯算子的目的是提供一幅用零–交叉确定边缘位置的图像平滑处理减少了噪声的影响Image Segmentation边缘检测•对比二阶拉普拉斯算子和一阶Sobel梯度算子– 缺点• 边缘由许多闭合环的零交叉点决定• 零交叉点的计算比较复杂– 优点• 零交叉点图像中的边缘比梯度边缘细• 抑制噪声的能力和反干扰性能• 结论：梯度算子具有更多的应用边缘连接和边界检测• 为什么需要边缘连接？• 局部处理• 整体处理之霍夫变换边缘连接和边界检测•为什么需要边缘连接？–由于噪声、照明等产生边缘间断，使得一组像素难以完整形成边缘–因此，在边缘检测算法后，使用连接过程将间断的边缘像素组合成完整边缘边缘连接和边界检测•局部处理– 分析图像中每个边缘点(x,y)的一个邻域内的像素，根据某种准则将相似点进行连接，由满足该准则的像素连接形成边缘– 如何确定边缘像素的相似性• 边缘像素梯度算子的响应强度• 边缘像素梯度算子的方向边缘连接和边界检测Image Segmentation边缘连接和边界检测•通过Hough变换进行整体处理•Hough变换– 问题的提出– Hough变换的基本思想– 算法实现– Hough变换的扩展•Hough变换问题的提出– 在找出边界点集之后，需要连接，形成完整的边界图形描述•Hough变换的基本思想–对于边界上的n个点的点集，找出共线的点集和直线方程。
数字图像处理---图像分割图像分割概述图像分析概念：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步骤：1. 图像分割2. 特征识别3. 对象分类4. 建⽴联系概述图像分割概念：将图像划分为互不重叠的区域并提取感兴趣⽬标的技术基本策略：基于灰度值的两个基本特性：不连续性和相似性通过检测不连续性先找边，后确定区域通过检测相似性，在⼀定阈值下找到灰度值相似区域，区域外轮廓即为对象边界⽅法基于边缘的分割⽅法：先提取区域边界，再确定边界限定区域区域分割：确定每个像素归属区域，从⽽形成区域图区域⽣长：将属性接近的连通像素聚集成区域分裂-合并分割：即存在图像划分，也存在图像合并边缘检测算⼦---边缘分割法边缘定义：图像中像素灰度有阶跃变化或屋顶变化的像素的集合分类：阶跃状屋顶状特点：属于⾼频信号区域往往为闭合连线边缘检测流程滤波⇒增强⇒检测⇒定位边缘检测算⼦基本思想：计算局部微分算⼦⼀阶微分：⽤梯度算⼦进⾏运算特点：对于阶跃状变化会出现极⼤值（两侧都是正值，中间最⼤）对于屋顶状变化会过零点（两侧符号相反）不变部分为0⽤途：检测图像中边的存在注意事项：由于结果图中存在负值，因此需要处理后使⽤处理⽅法：取绝对值加最⼩值阈值法⼆阶微分：通过拉普拉斯算⼦计算特点：对于阶跃状变化会过零点（两侧符号相反）对于屋顶状变化会出现负极⼤值（两侧都是正值，中间最⼩）不变部分为0⽤途：检测图像中边的存在常⽤边缘检测算⼦Roberts 算⼦Prewitt 算⼦Sobel 算⼦Kirsch 算⼦Laplacian 算⼦Marr 算⼦交叉⽅向⼀阶锐化问题：锐化处理结果对具有矩形特征的物体的边缘提取较为有效，但是对于不规则形状的边缘提取，则存在信息上的缺损解决思想：利⽤⽆⽅向的锐化算法交叉微分算⼦交叉Roberts 算⼦公式：f ′x =|f (x +1,y +1)−f (x ,y )|f ′y =|f (x +1,y )−f (x ,y +1)|模板:f ′x =−1001,f ′y =01−1特点：算法简单,对噪声敏感，效果较梯度算⼦较好交叉Prewitt 算⼦模板:d ′x =011−101−1−10,d ′y =−1−10−101011特点：与Sobel 相⽐有⼀定抗⼲扰性，图像效果较⼲净交叉Sobel 算⼦模板:d ′x =012−101−2−10,d ′y =−2−10−101012特点：锐化的边缘信息较强kirsch 算⼦(⽅向算⼦)模板：特点在计算边缘强度的同时可以得到边缘⽅向各⽅向间的夹⾓为45°分析取其中最⼤的值作为边缘强度，与之对应的⽅向作为边缘⽅向若取最⼤值绝对值，则仅需要前四个模板即可Nevitia 算⼦[][][][][][]特点:各⽅向间的夹⾓为30°Laplacian算⼦同图像增强中的Laplacian算⼦优点：各向同性、线性和位移不变对细线和孤⽴点检测效果较好缺点对噪声敏感，有双倍加强作⽤不能检测出边缘⽅向常产⽣双像素边缘使⽤之前需要对图像进⾏平滑Marr算⼦在Laplacian算⼦基础上发展⽽来平滑函数采⽤⾼斯正态分布函数h(x,y)=e−x2+y2 2σ2σ为⽅差⽤h(x,y)对图像f(x,y)平滑克表⽰为g(x,y)=h(x,y)∗f(x,y) *代表卷积令r表⽰从原点出发的径向距离，即r2=x2+y2利⽤⾼斯-拉普拉斯滤波器（LOG滤波器）▽2h=(r2−2σ2σ4)e−r22σ2即可利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置在该算⼦中σ越⼩边缘位置精度越⾼，边缘细节变化越多；σ越⼤平滑作⽤越⼤，但是细节损失越⼤，边缘点定位精度越低过程1. 通过⼆维⾼斯函数对图像进⾏卷积降噪2. ⽤⼆阶导数差分算⼦计算图像强度的⼆阶导数3. 利⽤⼆阶导数算⼦过零点的性质，确定图像中阶跃边缘的位置优点：能快速得到⼀个闭合的轮廓缺点：对噪声敏感Canny边缘检测算⼦最优边缘检测算⼦应有的指标低误判率⾼定位精度抑制虚假边缘过程：1. 计算图像梯度2. 梯度⾮极⼤值抑制3. 双阈值提取边缘点计算图像梯度⾼斯函数的⼀阶导数模板：−11−11,−1−111⾮极⼤值抑制 NMS思想：梯度幅值图像M(x,y)，仅保留梯度⽅向上的极⼤值点过程初始化N(x,y)=M(x,y)对每⼀点在梯度⽅向和反梯度⽅向各找n 个点，若M(x,y)⾮最⼤值，则置零，否则保持不变对NMS 结果⼆值化（双阈值提取边缘点）使⽤两个阈值T 1,T 2:T 2>>T 1由T 1得到E 1(x ,y ),低阈值边缘图：更⼤的误检率由T 2得到E 2(x ,y ),⾼阈值边缘图：更可靠边缘连接初始化E (x ,y )=E 2(x ,y )对E (x ,y )中的每个点在E 1(x ,y )中寻找延长部分进⾏连接输出E (x ,y )Canny 边缘检测算⼦步骤1. ⾼斯滤波器平滑2. ⼀阶偏导计算梯度幅值与⽅向3. 对梯度幅值进⾏⾮极⼤值抑制4. 双阈值算法检测连接边缘Canny 边缘检测算⼦优点参数较⼩计算效率⾼得到边缘连续完整双阈值选择T Low =T HIGH ∗0.4曲⾯拟合法出发点：基于差分检测图像边缘的算⼦往往对噪声敏感四点拟合灰度表⾯法⽤⼀平⾯p (x ,y )=ax +by +c 来拟合四邻域像素灰度值定义均⽅差为ε=∑[p (x ,y )−f (x ,y )]2模板a =12−1−111,b =12−11−11特点：先平均后求差分，对噪声由抑制作⽤边缘跟踪出发点：噪声边检测需要归整边缘像素概念：将检测的边缘点连接成线过程：边缘提取连接成线⽅法光栅扫描跟踪法全向跟踪法光栅扫描跟踪法概念：采⽤电视光栅⾏扫描顺序，结合门限检测，对遇到的像素进⾏分析并确定其是否是边缘的跟踪⽅法具体步骤：[][][][]确定检测阈值d（较⾼）超过d的点作为对象点确定跟踪阈值t（较低）确定跟踪邻域扫描下⼀⾏，跟踪邻域内灰度差⼩于t的，接受为对象点若没有对象点，则该曲线跟踪结束重新从下⼀⾏开始利⽤d寻找对象点并进⾏跟踪扫描结束后跟踪结束特征可以不是灰度级跟踪准则根据具体问题灵活运⽤最好再进⾏⼀次其他⽅向的跟踪全向跟踪Hough变化检测法问题：如何连接边界点集基本思想利⽤xoy直⾓坐标系直线y=ax+b,待求极坐标系内点(ρ,θ),已知求点到线的变化ρ=xcosθ+ysinθ原理:过每个点的直线系分别对应极坐标系上的⼀条正弦曲线，如正弦曲线存在共同交点(ρ′,θ′),则必定在平⾯上共线实现：使⽤交点累积器或直⽅图，寻找相交线段最多的参数空间的点，再寻找对应的直线线段特点：对ρ、θ量化过粗会导致直线参数不精确，过细会导致计算量增加获得直线抗噪能⼒强可以⽤来检测直线阈值分割法基本思想：通过阈值T⽣成⼆值图，在四邻域中有背景的像素就是边界像素特点：适⽤于物体与背景有强对⽐的情况下，且物体或背景的灰度较单⼀可以先求背景再求物体可以得到封闭且连通区域的边界通过交互获得阈值通过直⽅图得到阈值基本思想：边界上的点灰度值出现次数较少⽅法：选取直⽅图⾕底的最⼩灰度值作为阈值缺点：会受到噪声⼲扰改进：取两个峰值之间的某个固定位置降噪简单图像的阈值分割判断分析法最佳熵⾃动阈值法复杂图像的阈值分割步骤⾃动平滑直⽅图确定区域类数⾃动搜索多个阈值特征空间聚类k均值聚类步骤任意选取K个初始聚类中⼼值使⽤最⼩距离判别，将新读⼊的像素分⾄K类重新计算中⼼值，等于⼀类元素的平均值重新聚类直⾄新旧差异不⼤区域增长通过像素集合的区域增长实现：根据应⽤选取种⼦选择描述符种⼦根据描述符扩张直⾄没有新的节点加⼊集合简单区域扩张法以未划分点与起点灰度差⼩于阈值T作为描述符优缺点：1. 不好确定阈值2. ⽆法分割缓慢变化边界质⼼区域增长法以未划分点与区域平均灰度值差⼩于阈值T作为描述符分裂合并法实现：1. 对于灰度级不同的区域划分为四个⼦区域2. 若相邻⼦区域所有像素灰度级相同，则合并3. 反复进⾏直⾄不再进⾏新的分裂合并操作Processing math: 100%。
