数字图像处理第六章图像分割第三讲阈值分割法、边缘检测分割法

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。

基于Mumford-Shah模 …
该方法可以获得更准确、更平 滑的分割结果，并且可以更好 地处理噪声和细节。此外，它 还可以更好地处理形状约束和 边界条件。
基于Mumford-Shah模 …
该方法需要更多的计算资源和 时间来处理每个时间点的水平 集，并且可能难以处理大规模 的形状变化和复杂的形状约束 。
响。
图像分割还可以帮助缩小处理和 分析的规模，提高处理效率，并 为后续的图像分析提供可靠的预
处理结果。
图像分割的分类
01
02
03
04
按照处理方式
图像分割可以分为阈值法、区 域生长法、边缘检测法、图切
割法等。
按照应用领域
图像分割可以分为医学图像分 割、遥感图像分割、人脸识别
等。
按照分割对象
图像分割可以分为二维图像分 割和三维图像分割。
该方法具有能够处理复杂的图像内容和噪声等优点，但也可能需要更多的计算资源和时间。
07
实例展示与结果分析
基于阈值的图像分割实例
总结词
简单、快速、有效的图像分割方法
详细描述
基于阈值的图像分割是一种基本的图像分割方法，通过设置不同的阈值将图像分 割成不同的区域。其优点是简单、快速、有效，适用于简单背景和对比明显的图 像。但是，对于复杂背景和低对比度图像，分割效果较差。
些方法可以自动适应不同图像的特点，且能够根据图像内容的变化自适
应调整阈值。
03
自适应阈值
根据图像的局部特征自适应地设置阈值，例如基于区域生长的方法、基
于边缘检测的方法等。这些方法能够更好地适应图像的局部特征，提高
分割的精度和鲁棒性。
阈值法的优缺点
优点
阈值法简单易行，适用于简单背景和 对比度较高的图像；对于实时性要求 较高的应用场景，阈值法具有较快的 处理速度。

设平面上有若干点，过每点的直线族分别对应于极坐标上的 一条正弦曲线。若这些正弦曲线有共同的交点（ρ′，θ′），如图 (e),则这些点共线，且对应的直线方程为 ρ′=xcosθ′+ysinθ′
这就是Hough变换检测直线的原理。
y
A 60
B
F E
C
G 60
D 120
x
x-y空间的边缘点
D
120
C
w1 w 2 w3
可以指定模板为：
w
4
w5
w
6
w 7 w 8 w 9
9
模板响应记为： R | w i z i | i1
输出响应R>T时对应孤立点。
888 8 128 8 888
图像
-1 -1 -1 -1 8 -1 -1 -1 -1
模板
R = (-1 * 8 * 8 + 128 * 8) / 9 = (120 * 8) / 9 = 960 / 9 = 106
3、阈值分割法（相似性分割）
根据图像像素灰度值的相似性
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
阈值分割法(thresholding)的基本思想： 确定一个合适的阈值T（阈值选定的好坏是此方法成败 的关键）。 将大于等于阈值的像素作为物体或背景，生成一个二值 图像。
f(x0,y0) T
2h
r2 2 4
exp
r2 2 2
是一个轴对称函数：
2h
-σ
σ
0
由图可见，这个函数 在r=±σ处有过零点，在 r │r│<σ时为正，在│r│>σ 时为负。
由于图像的形状，马尔算子有时被称为墨西哥草帽函数。 用▽2h对图像做卷积，等价于先对图像做高斯平滑，然后再用▽2对 图像做卷积。 因为▽2h的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较 大时，利用▽2h检测过零点能提供较可靠的边缘位置。

图像分割方法图像分割是计算机视觉领域中的一个重要问题，它旨在将图像分成具有语义信息的区域。

图像分割在许多应用中都扮演着重要的角色，比如医学图像分析、自动驾驶、图像检索等。

针对不同的应用场景，有多种图像分割方法被提出并应用于实际问题中。

本文将介绍几种常见的图像分割方法，并对它们的原理和特点进行简要的分析。

1. 阈值分割。

阈值分割是一种简单而有效的图像分割方法。

其基本思想是将图像的灰度值按照设定的阈值进行划分，从而将图像分成不同的区域。

对于灰度图像，可以根据像素的灰度值与设定的阈值进行比较，将像素分为目标和背景两类。

阈值分割方法简单易行，但对光照变化和噪声敏感，对于复杂背景和多目标分割效果有限。

2. 边缘检测分割。

边缘检测分割是一种基于图像边缘信息的分割方法。

其基本思想是利用图像中目标与背景之间的边缘信息进行分割。

常用的边缘检测算子有Sobel、Prewitt、Canny等。

通过检测图像中的边缘信息，可以将图像分成具有明显边界的区域。

边缘检测分割方法对光照变化和噪声具有一定的鲁棒性，但在边缘连接处容易出现断裂和断点。

3. 区域生长分割。

区域生长分割是一种基于像素生长的分割方法。

其基本思想是从种子点开始，根据一定的生长准则逐步将与种子点相邻且满足条件的像素加入到同一区域中，直到满足停止准则为止。

区域生长分割方法适用于具有明显区域特征的图像，对于光照变化和噪声具有一定的鲁棒性，但对于种子点的选择和生长准则的确定比较敏感。

4. 基于深度学习的分割方法。

随着深度学习技术的发展，基于深度学习的图像分割方法逐渐成为研究热点。

深度学习模型如FCN、U-Net等在图像分割领域取得了显著的成果。

这些方法利用卷积神经网络对图像进行端到端的学习，能够有效地提取图像的语义信息，对于复杂背景和多目标分割效果较好。

总结。

图像分割是计算机视觉领域中的重要问题，有许多方法可以用来实现图像分割。

不同的方法适用于不同的应用场景，具有各自的特点和局限性。