【图像处理与机器学习】图像分割

1.引言

1.1为什么要进行图像分割

• 只对图像中的部分区域感兴趣：目标或前景
• 为了辨识和分析目标

1.2什么是图像分割

图像分割即将图像划分成多个互不相交的区域。
区域即具有相同属性的像素的连通集合。
属性代表灰度、颜色、纹理、同一个模式等

1.3如何进行图像分割

• 基于阈值的分割方发法
• 基于边缘的分割方法
• 基于区域的分割方法
• 基于学习的分割方法

2.基于阈值的分割方法

原理：

2.1阈值选取方法

2.1.1直方图技术

步骤：
1.初始化阈值T
2.将图像像素分为两组，即G1和G2
3.计算G1和G2平均灰度u1和u2
4.计算新的阈值T=1/2（u1+u2）
5.重复2-4，直至逐次迭代产生的T之差小于事先设定的参数

2.1.2最小误差阈值法

目标及背景灰度分布概率密度函数分别为p(z),q(z)
设目标占整体图像的比例为θ
则此时整体图像的灰度概率密度为：
θp(z)+(1-θ)q(z)

2.1.3最大方差阈值法

• 利用直方图选取初始阈值
• 阈值将图像像素分为两组
• 计算两组像素之间的方法
• 找到使方差最大时的阈值
  
  
  优点：
• 算法可操作性强
• 直方图是否有双峰均可得到满意效果

3.基于边缘的分割方法

3.1图像边缘及提取

图像边缘：

• 图像中一组相连的像素集合
• 这些像素位于两个区域边界

边缘提取：

• 一阶或二阶导数
• 图像高通滤波器

3.2图像运算

边缘提取算子：

• 检测精度：边缘算子应该只对真正的边缘有响应
• 定位精度：检测边缘与真边缘像素距离应尽可能小
• 单边响应：在单边存在的地方，结果不应出现多边

1986年学者John F. Canny提出了一种多级边缘检测方法简称为“Canny”算子

3.3Canny算子

1.降低噪声：高斯低通滤波，平滑图像
2.计算梯度：采用4个方向检测算子提取梯度
3.非极大值抑制：沿着梯度方向寻找局部最大值
4.边缘跟踪：采用双阈值检测和跟踪边缘

4.霍夫变换

4.1边缘提取问题

噪声、光照等原因导致图像边缘出现间断，边界点不连续
解决方法：
——连接边缘点

4.2算法实现

Hough变换

• 一种检测、定位直线和解析曲线的方法
• 把二值图变换到Hough参数空间
• 在参数空间用极值点的检测完成目标的检测

4.3应用举例

倾斜图像的矫正

4.4优缺点

优点：
抗噪声能力强能够在信噪比较低的条件下
检测出直线或解析曲线。

缺点：
需要首先做二值化以及边缘检测损失掉原始图像中的许多信息。

5.基于区域的分割方法

5.1 基本概念

• 利用图像像素的空间性质
• 分割出有相似性质属于同一个区域像素
  

5.2区域生长法

1.首先在需要进行分割的地方找一个种子像素作为起点
2.判断种子像素周围邻域中与种子像素是否具有相似性质
3.若具有相似性质，则将该像素合并到种子像素所在的区域
4.将这些新像素当作新的种子像素继续进行上面的过程
如何确立种子像素间相似性
1.基于区域灰度差
2.基于区域灰度分布统计性质

5.2.1基于区域灰度差的生长方法

1.像素分成互不重叠的小区域
2.比较相邻区域累计灰度直方图
3.根据灰度分布相似性进行区域合并

5.3区域分裂合并法

内容：
1.把图像分成任意大小且不重叠的区域
2.再合并或分裂这些区域以满足分割要求
3.一致性测度
步骤：


参考于【北京交通大学】图像处理与机器学习