图像分割
依据跳变性与相似性,令集合R代表一幅图像占据的整个空间区域,图像分割就是将R按照完整性,连通性,独立性,单一性,互斥性的条件划分为若干非空子集的过程。
- 分割方法分类
边缘分割法和区域分割法
并行分割法和串行分割法
孤立点的检测
基于空域模板运算,使用拉普拉斯算子
对图像进行基于空域拉普拉斯的模板运算,若某像素值处的模板运算结果明显不同于0,则为孤立点
线检测
- 基于拉普拉斯运算的线检测
运算的正值相应 - 基于线性模板的特定方向直线检测
边缘检测
边缘:一组相连的像素集合,这些像素为于图像中两个相邻区域的边界上。
基于灰度突变的一种方法
-
边缘类型
-
边缘特性
-
基本步骤
- 对输入图像进行噪声抑制处理(平滑处理)
- 基于局部操作的候选边缘点的检测(梯度幅值)
- 从候选边缘点中选择最终的边缘点(阈值化)
基本边缘检测
Marr-hildreth 边缘检测器
拉普拉斯算子
可利用其零交叉的性质进行边缘定位
可以确定一个像素在边缘暗的一边还是亮的一边
不能检测边缘的方向,各向同性运算模板
二阶导数对噪声敏感
应于平滑有机结合,才能实现边缘位置的有效定位。
LoG算子(墨西哥草帽)
高斯-拉普拉斯
对二维图像先进行高斯平滑,在进行拉普拉斯运算
构造LoG算子模板的方法
DoG算子
使用高斯差分(DoG)来近似计算LoG滤波器
Marr-Hidreth边缘检测步骤:
1.对图像进行高斯低筒滤波后,再进行拉普拉斯运算,等价于直接利用log或dog算子对输入图像进行运算,
2. 最后对中间图像进行过零点检测,得到边缘图像。
Canny边缘检测器
基于边界的跳变性
- 基本步骤
- 对输入图像进行噪声抑制
- 梯度计算。计算每一个像素点的梯度幅值,梯度方向
- 基于非极大值抑制的边缘细化。对每一个像素点局部最大值保留,否则置为0。确定边缘强度,细化边缘
- 基于梯度幅值‘双阈值处理’的候选边缘检测,以及启发式边缘连接。
上诉边缘检测的方法都是基于灰度图像边缘的跳变性,进行检测,下面介绍利用连通性进行检测边缘。
色调,亮度基本一致
阈值分割法
A.迭代自适应单阈值估计
取两部分的中心进行迭代
基于otsu法的最佳全局阈值处理-类间方差最大
以背景为主的小目标区域分割-基于图像的边缘特性改进全局阈值
为改善直方图波峰的形状,直方图的构建只利用位于或靠近图像区域边缘的像素,而不考虑目标区域中间的像素。有助于形成相对对称的直方图模式。
基于Otsu法的图像多阈值处理-类间方差最大法。
分割为多类,使得各类间灰度方差尽可能大
可变阈值的处理
让阈值不在是一个全局固定量,可以随位置而变化
基于图像分块的可变阈值处理
- 前提
感兴趣的目标区域和背景空间占比合理
图像中存在光照或反射的不均匀性 - 步骤
将输入图像划分为若干个互不重叠的矩形,确保矩形区块足够小,使得每个区块光照近似均匀。
分别针对每一个区块进行阈值估计,阈值化处理。
将各个区块阈值化结果合并,得到输出的阈值图像。
基于图像局部统计特性的可变阈值处理
基于移动平均的可变阈值处理
- 前提
光照不均匀
目标与背景占比不合理,尺寸很小或目标过细,如手写文本图像 - 步骤
逐行逐列扫描,黑的更黑,亮的更亮
多通道/彩色图像的阈值化-多变量阈值处理(阈值向量)
区域分割法
区域生长法
区域合并法
自顶向下,实现是一般利用图像数据的金字塔或四叉树数据结构。重复进行先分裂再将其中一致的合并,直到图像分成数量最少的均匀区域为止。