数字图像与模式识别06PPT课件

霍夫变换的复杂性是与给定函数表达式的坐标和 系数的数目成比例的。
31
２、通过霍夫变换进行整体处理
一种基于霍夫变换的连接方式： • 计算图像的梯度并对其设置门限得到一幅二值图像； • 在ρθ平面内确定细分； • 对像素高度集中的地方检验其累加器单元中的数目； • 检验选择的单元中像素之间的关系（主要针对连续
Gy
15度
２、通过霍夫变换进行整体处理
特点：考虑像素之间的整体关系
例：在图像中有n个点，假设我们希望找到 这些点中位于直线上的点组成的子集。
26
２、通过霍夫变换进行整体处理
一个 xi,点 yi
yi axi b bxiayi
xy平面
参数空间
算法：
1. 在参数空间(u,v)内建立两维数组 A(u,v);
➢ 图像分割算法基于亮度值的两个特性：
➢ 不连续性（边缘） ➢ 相似性（区域）
3
图像分割
➢ 间断检测 ➢ 边缘连接和边界检测 ➢ 门限处理 ➢ 基于区域的分割 ➢ 基于形态学分水岭的分割 ➢ 分割中运动的应用
4
一、间断检测
➢ 点检测 ➢ 线检测 ➢ 边缘检测
方法：利用模板进行检测
mn
Rw 1z1w 2z2 w mzn m n w izi i 1
性）；
32
例：通过霍夫变换进行边缘连接
判断相连像素准则： •这些像素属于3个 最高计数的累加器 单元之一。 •像素之间的间隔小 于5个像素。
三、门限处理
优势： 直观性 易于实现 在图像分割中处中心地位
34
基础
1 f(x,y)T g(x,y)0 f(x,y)T
T T x ,y ,p ( x ,y )f( , x ,y )
拉普拉斯算子在分割中所起的作用： •利用它的零交叉的性质进行边缘定位； •确定一个像素在一条边缘暗的一边还是亮的一边。
19
３、边缘检测
拉普拉斯高斯算子
拉普拉斯算子与平滑过程一起利用零交叉性质进行边缘 定位:
h(r)高斯平滑滤波器：
h(r)
e
r2
2 2
r2 x2 y2,是标准偏差
h 的拉普拉斯算子是：
图像分割
1
W.X.J
整体 概述
一 请在这里输入您的主要叙述内容
二
请在这里输入您的主要 叙述内容
三 请在这里输入您的主要叙述内容
2
图像分割
➢ 图像分割的目的是理解图像的内容，提取出感兴趣的对象。 ➢ 分割是将图像细分为一个个子区域或对象。 ➢ 分割的成度取决于要解决的问题。 ➢ 精确的分割决定着图像分析的成败。
5
１、点检测
当 R T 在模板中心的位置上已经检测到一个点。
基本思想：如果一个孤立的点与它周围的点很不相同，则 很容易被这类模板检测到。
-1 -1 -1 -1 8 -1 -1 -1 -1
6
１、点检测
涡轮叶片的X射线图
T90%R max
２、线检测
R1
R2
R3
R4
Ri Rj , j i,则此点被认为与 在i方向上的线更相关。
2. 在开始时将数组置零
3. 对图像空间的每一个待检测点(xi, yi)，令 u 取遍所有可能的取值，并计算对应 的 v。
v = - xi u + yi
v 4. 对计算得到的(u,v)，对A(u,v)中相应单元进行累加:
A(u,v) = A(u,v) + 1
5. 根据 A(u,v)的值，确定有多少点是共线的， 同时可以知道线条的参数 (u,v)。
二阶导数判断一个边缘 像素在亮的一边还是在 暗的一边。
噪声边缘附近的一阶和二阶导数性质
标准差为0.1 高斯噪声
标准差为1.0 标准差为10.0
梯度算子
检 测 对 角 边 缘
例：利用梯度进行边缘检测
Gx
Gy
Gx Gy
３、边缘检测
梯度算子
原图用 55的均值滤波器处理
Gx
Gy
Gx Gy
３、边缘检测 梯度算子
确定边缘像素相似性的两个主要性质：
•在幅度上相似性
x,y邻域内 x0,y0 坐 的标 边为 缘
fx ,y fx 0,y0E
•在梯度向量方向(角度)上的相似性
ax,yax0,y0A
24
例：基于局部处理的边缘点连接
找到适合车牌照大小的矩形。
Sobel算子
Gx
连接：
•梯度值同时大于25；
•梯度方向差不超过
y=ux+v
u
２、通过霍夫变换进行整体处理
问题：yaxb 表示一条直线，当直线接近垂直时，
斜率接近无限大。
xco sysin
9090
29
例：霍夫变换说明
２、通过霍夫变换进行整体处理
霍夫变换适用于任何形式为 g(v,c)的0函数。 v是坐标向量，c是系数向量
例：位于圆上的点
x c 12 y c22c3 2
全局
门限 局部 自适应
１、亮度的作用
f(x,y) i(x,y)r(x,y)
目的：讨论亮度对门限处理的影响，特别是对全 局门限处理的影响。
36
１、亮度的作用
由于噪声、不均匀照明或其他因素而产生边缘间断，使得 一组像素不能描绘一条边缘，则应通过边缘连接将边缘像素组 合成有意义的边缘。
➢局部处理 ➢通过霍夫变换进行整体处理
23
１、局部处理
分析图像中每个点的一个小邻域内像素的特点，依据事先 规定的准则，将相似的点连接起来，形成由共同满足这些准则 的像素组成的一条边缘。
对角边缘检测
17
３、边缘检测
拉普拉斯算子
拉普拉斯算子是对二维函数进行运算的二阶导数标量算子。 它定义为：
2 f
2 f x2
2 f y2
可用下面的模板来实现
0 -1 0 -1 4 -1 0 -1 -1 -1
18
３、边缘检测
拉普拉斯高斯算子
拉普拉斯算子边缘检测的缺点： •对噪声具有强敏感性 •产生双边缘 •不能检测边缘的方向
2h(r)r242e2r22
高斯型的拉普拉斯算子LoG
３、边缘检测 高斯型的拉普拉斯算子LoG
小模板仅对基本无噪声的图像有用
高斯型函数的目的：对图像进行平滑。 拉普拉斯算子的目的：提供一幅零交叉确定边缘位置的图像。
例：利用零交叉性质进行边缘定位
Sobel梯度
27*27高斯型平滑模板
二、边缘连接和边界检测
例：线检测
找一个像素宽，且方向为-45度的线条。
TmaR x
３、边缘检测
一条边缘是一组相连的像素集合。这些像素位于两个区域的边界 上。 边缘：灰度级跃变。 边缘的模糊程度：取决于图像采集系统的性能、取样率和照明 条件等。
10
３、边缘检测
理想边缘模型
斜坡边缘模型
３、边缘检测
12
一阶导数判断一个点是 否是边缘上的点。