《图象分割》.ppt

该【《图象分割》 】是由【相惜】上传分享，文档一共【27】页，该文档可以免费在线阅读，需要了解更多关于【《图象分割》 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。V图象分割图象分割是计算机视觉领域中极为重要的内容之一,是实现自动图象分析时首先要完成的操作。它是根据图象的某些特征或特征集合的相似性准那么,对图象象素进行分组聚类,把图象平面划分为一系列“有意义〞的区域,使其后的图象分析、识别等高级处理阶段所需要处理的数据量大大减少,同时又保存有关图象结构特征的信息。由于分割中出现的误差会传播至高层次阶段,因此,分割精度是至关重要的。精选课件精选课件图象分割方法可分为结构分割法和非结构分割法两大类。 〔1〕结构分割法是根据图象的局部区域象素的特征来实现图象分割。如灰度阈值、区域生长、纹理结构分析,基于边界信息的图象分割法等。 〔2〕非结构分割法是根据图象的二维随机线性模型来构造分类的特征矢量,以实现图象分割。如应用统计模式识别、神经网络方法或利用景物的先验知识实现的图象分割方法。 自适应图象分割是近年来提出的一种新方法,它将局部并行区域感知与全局随机统计最正确逼近相结合,实现了一种非监督的图象分割。 应注意,图象分割目前还不存在一个通用的方法,也没有一个判断分割是否成功的客观标准。,这些区域是不相交的,每一个区域都满足特定区域的一致性。将一幅图象,其中进行分割就是将图象划分为满足如下条件的子区域 〔1〕,即所有子区域组成了整幅图象; 〔2〕是连通的区域; 〔3〕,即任意两个子区域不存在公共元素; 〔4〕区域满足一定的均匀性条件。 均匀性一般是指同一区域内的象素点之间的灰度值差异较小或灰度值的变化较缓慢。 图象分割最简形式:把灰度图(grayimage)转换成二值图。、灰度阈值分割的根本概念 灰度阈值分割法是一种简单的基于区域的技术,该方法把每个象素的灰度值与一个给定的阈值T进行比较,根据它是否超过该阈值而将该象素归于两类中的一类〔目标或背景〕。由此可见,阈值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划分象素。 选择阈值是分割的关键,如果能确定一个适宜的阈值就可方便地将图象分割开来。 在用阈值法分割灰度图象时是基于一定的图象模型的。最常用的模型可描述如下:假设图象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异。即,它的灰度直方图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。精选课件进一步如果这两个峰分布大小接近且均值相距足够远,而且两局部的均方差也足够小,那么直方图应为较明显的双峰。类似地,如果图象中有多个单峰灰度分布的目标,那么直方图有可能表现为较明显的多峰。对这类图象采用阈值方法可实现较好的分割。 要把图象中各种灰度的象素分成两个不同的类需确定一个阈值。如果要把图象中各种灰度的象素分成多个不同的类,那么需要选择一系列阈值以将每个象素分到适宜的类别中去。 〔1〕单阈值分割法 〔2〕多阈值分割法 单阈值分割可看作是多阈值分割的特例,许多单阈值分割算法可推广以进行多阈值分割。相反,有时也可将多阈值分割问题转化为一系列单阈值分割问题来解决。 对一幅原始图象取单阈值T分割后的图象定义为: 当 当精选课件单阈值分割和多阈值分割例在一般的多阈值分割情况下,分割后的图象可表示为:如 其中Ti是一系列分割阈值。 以下图为多阈值分割的例如。精选课件图〔a〕为一含有多个不同灰度值区域的原始图象;图〔b〕给出分割的1维示意图;图〔c〕为分割结果。由于是多阈值分割,分割得到的结果仍包含多个灰度区域。 应注意,无论是单阈值分割还是多阈值分割,分割结果都有可能出现不同区域具有相同标号或区域值的情况,这是因为选取阈值时只考虑了象素本身的值,而未考虑象素的空间位置,所以划分到同一类的象素有可能分属于图象中不相连通的区域,这往往需借助一些对场景的先验知识来进一步确定目标区域。精选课件二、阈值化方法分类 1、按对文档图象的阈值化技术可分成以下五类: 〔1〕考虑分割过程是否需要人工参与,分为交互的和自动的; 〔2〕根据阈值的不同作用范围,分为全局的和局部的; 〔3〕考虑阈值选取中所采用的灰度分布统计特性,分为上下文相关的和上下文无关的。前者基于灰度分布的一阶统计,后者基于灰度分布的二阶统计; 〔4〕从处理策略角度考虑,分为迭代的和非迭代的; 〔5〕根据为进行分割是否选用训练象素集以估计目标或背景的特性参数,分为有监督的和无监督的。精选课件2、考虑算法所用特征或准那么的特点进行分类 〔1〕直方图方法与直方图变换法; 〔2〕最大类间方差法; 〔3〕最小误差法与均匀化误差法; 〔4〕共生矩阵法; 〔5〕矩保持法; 〔6〕最大熵法; 〔7〕简单统计法与局部特性法; 〔8〕概率松弛法; 〔9〕模糊集法; 〔10〕其它方法。 这些分类方法考虑的角度不同,但结果常互相有重叠;另外有一定的时效性,不易包容新技术;还有就是各类算法之间的关系也不明确。精选课件