关闭

图像分割的三类方法

144人阅读 评论(0) 收藏 举报

分为3类:

一.基于边缘检测的分割方法:

(1)并行边缘检测

         定义:并行边缘检测当前正在检测的像素点以及该像素点相邻的一些像素点,决定该像素点是否属于欲检测的边缘 并行微分算子法

         基于曲面拟合的方法:用一个曲面来拟合一个小窗口内的数据,然后根据该曲面决定边缘点进行边缘检测。
         活动轮廓与水平集:通过使用图像数据获得的约束信息和目标的位置、大小和形状等先验知识,对目标进行分割、匹配和跟踪分析

(2)串行边缘检测

         当前像素点是否属于欲检测的边缘,取决于先前像素的验证结果
         具体步骤:
         (1)确定起始边界点,顺序搜索将从此开始。
         (2)选择搜索策略,并根据一定的机理依次检测新的边界点
         (3)设定终止条件,并当搜索进程结束时使之停下来
         举例:边界跟踪:由梯度图中一个边缘点出发,依次搜索并连接相邻边缘点从而逐步检测出目标的边界。(噪声较小的图像分割效果好)

二.基于区域的分割方法:

        阈值分割算法:利用图像中要提取的目标和背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域的总和,选取合适的阈值。
        步骤:
       (1)确定一个处于图像灰度级范围内的灰度阈值T
       (2)将图像中每个像素的灰度值都与这个阈值比较,若大于阈值为1,小于阈值为0.
       (1)灰度直方图峰谷法:依据图像的直方图确定图像二值化的过程就是在直方图双峰之间的谷底处灰度值作为阈值

        (2)最大类间方差法
      最小二乘法的基础上推导得出求最佳阈值的方法,以灰度t为门限将图像分割成2个区域,灰度级1~t为像素区域A(背景类),t+1~L-1为像素区域B(目标类),AB的概率,
       注:方差越大,两部分图像的差别越大,错分的概率变小

       (3)最大熵自动阈值法:一幅图像中灰度起伏值变化较大,计算出的熵越小。
         图像中的目标和背景各自对应区域中灰度值的变化比较平缓的部分,只要将目标和背景正确分割,目标和背景中所求信息量都大,反之,如果阈值选取不当,会引目标     中的信息量或背景中的信息量减少,而达不到总的信息量最大

        区域分割算法:
        实质就是把具有某种相似性质的像素点连通起来,构成最终的分割区域。
      1.区域生长:从全图出发,按照区域属性特征一致的准则,决定每个像素的区域归属,形成区域图
         具体做法
         选定图像中要分割的目标内的一小块作为种子区域,再在种子区域的基础上不断地将其周围的像素点以一定的准则加入其中,将这些新像素点作为新的种子区域,最后 将          代表该物体的所有像素点结合成一个区域

      2.分裂合并
         基本思想是从整幅图像开始通过不断分裂得到各个区域,实际中常先把图像分成任意大小且不重叠的区域,然后再合并或分裂达到分割的要求。

      三.基于特定理论的分割方法

      1.基于数学形态学的分割算法
       腐蚀:对一个图像进行探测,以便找到图像中放置该结构元素的区域,可以消除小且无意义的物体
       膨胀:结构元素B膨胀输入图像A,将B相对原点旋转180度,得-B,-B对A的补集腐蚀,再求补集。
       开启:先腐蚀再膨胀,去掉目标外的孤立点消除细小物体,在纤细处分离物体和平滑较大物体边界的作用
       闭合:先膨胀再腐蚀,去掉目标内的孔具有填充物体内细小空间,连接临近物体和平滑边界的作用
       应用:图像的平滑滤波、图像的边缘检测
      2.基于小波变换的图像分割算法

       涉及的算法很多,需要实时补充。


0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:7434次
    • 积分:209
    • 等级:
    • 排名:千里之外
    • 原创:12篇
    • 转载:16篇
    • 译文:0篇
    • 评论:0条