第07章圖像分割

第七章圖像分割

7.1概述圖像處理的重要任務:對圖像中的對象進行分析和理解在圖像分析中，輸出的結果是對圖像的描述、分類或其他的某種結論。7.1概述圖像分析主要包括以下幾部分內容：把圖像分割成不同的區域，或把不同的目標分開（分割）。即把圖像分成互不重疊的區域并提取出感興趣目標；找出各個區域的特征（特征提取）；識別圖像中的內容，或對圖像進行分類（識別與分類）；給出結論（描述、分類或其他的結論）。

典型的圖像分析和理解的系統

圖像分割的目的圖像分割是指通過某種方法，使得畫面場景被分為“目標物”（前景目標）及“非目標物”（背景）兩類,即將圖像的像素變換為黑、白兩種。因為結果圖像為二值圖像，所以通常又稱圖像分割為圖像的二值化處理。圖像分割的作用圖像分割是圖像識別和圖像理解的基本前提步驟，圖像分割質量的好壞直接影響后續圖像處理的效果。圖像圖像識別圖像預處理圖像理解圖像分割圖像分割在整個圖像處理過程中的作用圖像的增強和恢復可以看作預處理，其輸入、輸出均是圖像，傳統的圖像處理的內容;圖像分割、特征提取及結構分析等稱為圖像識別，其輸入是圖像，輸出是描述或解釋。圖像分割的作用圖像分割示例圖像分割示例——腎小球區域的提取?圖像分割示例——細菌檢測圖像分割示例——印刷缺陷檢測圖像分割示例——印刷缺陷檢測檢測結果局部放大圖圖像分割的基本策略：分割算法基于灰度值的兩個基本特性：不連續性和相似性。第一類性質的應用途徑是基于灰度的不連續變化分割圖像，比如圖像的邊緣。第二類性質的主要途徑是依據事先制定的準則將圖像分割為相似的區域。圖像分割的方法

從分割依據出發“相似性分割”就是將具有同一灰度級或紋理的像素聚集在一起，形成圖像中的不同區域。這種基于相似性原理的方法常稱為“基于區域相關的分割技術”圖像分割的方法

“相似性分割”就是將具有同一灰度級或紋理的像素聚集在一起，形成圖像中的不同區域。這種基于相似性原理的方法常稱為“基于區域相關的分割技術”兩種方法具有互補性，一般在不同的場合需要不同方法，有時也將它們的處理結果相結合，以獲得更好的效果。根據分割算法本身閾值法、邊緣檢測法、匹配法等圖像分割的方法

分割結果中同一個子區域內的像素應當是連通的；同一個子區域內的任兩個像素在該子區域內互相連通。圖像分割相似性檢測不連續性檢測區域分割閾值分割區域分裂與合并自適應邊界分割邊緣檢測邊緣跟蹤Hough變換圖像分割算法7.2像素的鄰域和連通性

4鄰域對一個坐標為的像素p，它可以有兩個水平和兩個垂直的近鄰像素。坐標分別為：這四個像素稱為p的4鄰域。互為4鄰域的像素又稱為4連通的。7.2像素的鄰域和連通性

8鄰域取像素p四周的8個點作為相鏈接的鄰域點，除掉p本身外，剩下的8個點就是p的8鄰域。互為8鄰域的像素又稱為8連通的。

目標和背景的連通性定義必須取不同，否則會引起矛盾。目標和背景連通性應用函數bwlabel根據4連通或8連通準則在二值圖像中判斷目標。BW=[11100000;11101100;11101100;11100010;11100010;11100010;11100110;11100000];%給定的二值圖像矩陣L4=bwlabel(BW,4)%根據4連通準則判定目標L8=bwlabel(BW,8)%根據8連通準則判定目標根據4連通準則，得到的目標是3個：

L4=1110000011102200111022001110003011100030111000301110033011100000根據8連通準則，得到目標是2個：

L8=11100000111022001110220011100020111000201110002011100220111000007.3圖像的閾值分割技術

灰度閾值分割方法：若圖像中目標和背景具有不同的灰度集合，且兩個灰度集合可用一個灰度級閾值T進行分割，這樣就可以用閾值分割灰度級的方法在圖像中分割出目標區域與背景區域。設圖像為，其灰度集范圍是[0,L]，在0和L之間選擇一個合適的灰度閾值T進行分割。圖像分割方法得到一幅二值圖像：（a）原圖像（b）直方圖（c）已分割的圖像閾值分割一、全局閾值分割整幅圖象使用同一個閾值做分割處理，是最簡單的圖像分割方法。根據不同的目標，選用最佳的閾值。最佳閾值的確定方法：實驗法需要知道圖像的某些特征直方圖法適用于目標和背景的灰度差較大，直方圖有明顯谷底的情況。最小誤差的方法基于灰度直方圖的峰谷方法設計思想假設某圖像的灰度直方圖具有二峰性，則表明這個圖像較亮的區域和較暗的區域可以較好地分離。

取二峰間的谷點為閾值點，可以得到好的二值處理的效果。基于灰度直方圖的峰谷方法示例基于灰度直方圖的峰谷方示例基于灰度直方圖的峰谷閾值方法特點簡單、有效的閾值方法局限性：圖像的灰度直方圖必須具有雙峰性二、自適應閾值分割當照明不均勻、有突發噪聲或者背景灰度變化比較大的時候，物體和背景的對比度在圖象中不是各處一樣的，這時很難用統一的一個閾值將物體與背景分開，可以根據圖象的局部特征分別采用不同的閾值進行分割。實際處理時，需按照具體問題將圖象分成若干子區域分別選擇閾值，或者動態地根據一定的鄰域范圍選擇每點處的閾值，進行圖象分割。與坐標相關的閾值稱為自適應閾值的方法或動態閾值方法。自適應閾值分割特點：算法的時間復雜度和空間復雜度比較大；抗噪聲的能力比較強。7.4圖像的邊緣檢測

基于灰度不連續性進行的分割方法。用差分、梯度、拉普拉斯算子及各種高通濾波處理方法對圖像邊緣進行增強，只要再進行一次門限化的處理，便可以將邊緣增強的方法用于邊緣檢測。邊緣檢測=圖像增強處理+門限化處理。其目的不是加強圖像中邊緣信息，而是抽取邊緣輪廓，并用于區域分割。7.4圖像的邊緣檢測

梯度算子圖像中不同區域其灰度值是不同的，灰度值的不連續變化導致灰度邊緣的存在，可利用導數檢測到這種不連續。梯度對應于一階導數，相應的梯度算子就對應于一階導數算子。

對于一個連續函數f(x,y)，其在(x,y)處的梯度:1.Roberts算子

2.Prewitt算子3.Sobel算子通過算子檢測后，還需作二值處理從而找到邊界點。三種模板中，Sobel算子的檢測效果最好。(a)原圖像(b)Roberts算子檢測

(c)Prewitt算子檢測(d)Sobel算子檢測

拉普拉斯算子

Laplacian是二階導數算子，也是借助模板來實現。對模板有一些基本要求：模板中心的系數為正，其余相鄰系數為負，且所有的系數之和為零。常用的模板有：方向算子利用一組模板對圖像中的同一像素求卷積，然后選取其中最大的值作為邊緣強度，而將與之對應的方向作為邊緣方向。優點：不僅僅只考慮水平和垂直方向，還可以檢測其他方向上的邊緣。缺點：計算量將大大增加。常用的有8方向Kirsch（3×3）模板，方向間的夾角為45o。3×3Kirsch算子的八方向模板

Canny邊緣檢測算子

圖像邊緣檢測必須條件：有效抑制噪聲，具有較高的信噪比；盡量精確確定邊緣的位置，使檢測出的邊緣在真正的邊界上。Canny邊緣檢測：一種具有較好邊緣檢測性能的算子，利用高斯函數的一階微分性質，把邊緣檢測問題轉換為檢測準側函數極大的問題，能在噪聲抑制和邊緣檢測之間取得較好的折中。考核邊緣檢測算子的指標是：低誤判率，即盡可能少地把邊緣點誤認為是非邊緣點；高定位精度，即準確地把邊緣點定位在灰度變化最大的像素上；抑制虛假邊緣。Canny算子設計過程：二維高斯函數為h1(x)=xh2(x),h1(y)=yh2(y),k為常數

將偏微分方程分別與圖像f(x,y)進行卷積，得到方向微分輸出A(i,j)是灰度梯度模值，反映了圖像上點（i,j）處的灰度變化強度，是梯度方向，反映了該點處的灰度變化最快的方向，即該點的法向矢量（正交于邊緣方向的方向）。

Canny算法過程：用高斯濾波器對圖像進行濾波；用高斯算子的一階差分對圖像進行濾波，得到每個像素的位置梯度大小和方向判斷一個像素是否為邊緣點的條件為：像素(i,j)的邊緣強度大于沿梯度方向的兩個相鄰像素的邊緣強度；與該像素梯度方向上相鄰兩點的方向差小于45o；以該像素為中心的3×3鄰域中的邊緣強度的極大值小于某個閾值。判斷一個像素是否為邊緣點的條件為：如果條件（1）、（2）同時滿足，那么在梯度方向上的兩個相鄰像素就從候選邊緣點集合中取消，這樣可以減少運算量。條件（3）相當于用區域梯度最大值組成的閾值圖像與邊緣點進行匹配，這一過程可以消除虛假的邊緣點。Canny算子的檢測比較優越，可以減少小模板檢測中邊緣中斷，有利于得到較完整的邊緣。MATLAB程序：I=imread('blood1.tif');

imshow(I);BW5=edge(I,'canny');figure,imshow(BW5,[]);

Canny算子邊緣檢測的結果圖

邊緣跟蹤上述方法僅得到處在邊緣上的像素點。噪聲和不均勻的照明而產生的邊緣間斷的影響，使得經過邊緣檢測后得到的邊緣像素點很少能完整地描繪實際的一條邊緣。可以在使用邊緣檢測算法后，緊接著使用連接方法將邊緣像素組合成有意義的邊緣。光柵掃描跟蹤法：一種簡單的利用局部信息、通過掃描的方式將邊緣點連接起來的方法。采用電視光柵行掃描順序對遇到的像素進行分析，從而確定其是否為邊緣。*由于光柵掃描跟蹤和掃描方向有關，因此最好沿其他方向再跟蹤一次。7.6區域生長法原理：將具有相似性質的像素集合起來構成區域步驟：對每個需要分割的區域找一個種子像素作為生長的起點；將種子像素周圍鄰域中與種子像素具有相同或相似性質的像素合并到這一區域中；將這些新像素當做新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。實質：把具有相似性質的像素連通，構成最終的分割區域。利用圖像的局部空間信息，可有效的客服其他方法存在的圖像分割空間不連續的缺點。在實際應用區域生長法時需要解決三個問題：選擇一組能正確代表所需區域的種子像素；種子像素的選取常可借助具體問題的特點進行。確定在生長過程中將相鄰像素包括進來的準則；生長準則的選取不僅依賴于具體問題本身，也和所用圖像數據的種類有關。制定讓生長過程停止的條件或規則。一般生長過程在進行到再沒有滿足生長準則需要的像素時停止。

(a)原圖像(b)T=3的生長結果(c)T=1的生長結果區域生長生長準則和過程區域生長的一個關鍵：選擇適合的生長準則大部分區域生長準則使用圖像的局部性（基于區域灰度差、基于區域內灰度分布統計性質、基于區域形狀等）。生長準則可根據不同的原則制定，而使用不同的生長準則會影響區域生長的過程。基于區域灰度差區域生長法將圖像以像素為基本單位進行操作。（1）對圖像進行逐行掃描找出尚沒有歸屬的像素；