文章目录
对于给定的一幅含有多个物体的数字图像,模式识别的过程由三个阶段组成,如图所示
定义
将图像分成各具特性的区域,并提取出感兴趣目标的技术和过程
借助集合概念进行正式的定义:令R代表整个图像区域,对R的分割可看做将R分成若干个满足以下条件的非空子集(子区域)R1,R2,R3…Rn
图像分割方法
- 基于阈值的分割-通过阈值对不同物体进行分割
- 基于边缘的分割-先确定边缘像素,并把它们连接在一起,以构成所需的边界
- 基于区域的分割-把各像素划归到各个物体或区域中
1 基于阈值的分割
定义
图像阈值分割是一种广泛应用的分割技术,利用图像中要提取的目标物与其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(目标和背景)的组合,选取一个合适的阈值,以确定图像中每个像素点应该属于目标还是背景区域,从而产生相应的二值图像
可以大量压缩数据,减少存储容量,而且能大大简化其后的分析和处理步骤
但是,它对物体与背景具有较强对比的景物的分割很有效,而且总能用封闭连通的边界定义不交叠的区域
设原始图像f(x,y),以一定的准则在f(x,y)中找出一个合适的灰度值,作为阈值t,则分割后的图像g(x,y),可由下式表示:
另外,还可以将阈值设置为一个灰度范围[t1,t2],凡是灰度在范围内的像素都变为1,否则皆变为0,即
某种特殊情况下,高于阈值t的像素保持原灰度级,其它像素都变为0,称为半阈值法,分割后的图像可表示为:
阈值分割图像的基本原理,可用下式表示:
阈值的选取是阈值分割技术的关键,如果过高,则过多的目标点被误归为背景;如果阈值过低,则会出现相反的情况
阈值化分割算法主要有两个步骤:
1、确定需要的分割阈值
2、将分割阈值与像素值比较以划分像素
在利用阈值方法来分割灰度图像时一般都对图像有一定的假设。基于一定的图像模型。
最常用的模型:假设图像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像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像素在灰度值上有很大的差别。
如果一幅图像满足这些条件,它的灰度直方图基本上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。
总结:
- 最古老的分割技术,计算简单。
- 特别适用于目标与背景有较强对比的景物–图像中组成感兴趣对象的灰度值是均匀的,并且和背景的灰度值不一样
- 不适合于由许多不同纹理组成一块块区域的图像
阈值选取依据
- 全局阈值:仅取决于图像灰度值,仅与各个图像像素本身性质相关的阈值选取
- 局部阈值:取决于图像灰度值和该点邻域的某种局部特性,即与局部区域特性相关的的阈值选取
- 动态阈值或者自适应阈值:除取决于图像灰度值和该点邻域的某种局部特性之外,还取决于空间坐标,即得到的阈值与坐标相关的阈值选取
1.1 全局阈值
原理:
- 假定物体和背景分别处于不同灰度级,图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图,出现两个分离的峰值。
- 依据最小误差理论等准则求出两个峰间的波谷,其灰度值即分割的阈值
确定最佳全局阈值的常用方法: - P片
- 直方图分析法(极小值点阈值选取)
- 最小误差自动门限法
- 类别方差门限法
- 迭代法
- 最佳熵自动门限法
p片法
如果已知分割正确的图像的一些特征,阈值确定比较简单,只要试验不同的值,看是否满足特征即可
此方法不适合于事先不知道目标面积比的情况
设图像f(i,j)中目标所占的面积s0与图像面积s之比为P=s0/s,则背景所占面积比为1-P=(s-s0)/s。
设低灰度值为背景,高灰度值为目标。
如果统计图像f(i,j)灰度值不大于某一灰度t的像元数和图像总像元数之比为1-p:1时,则以t为阈值,按照下式就可将目标从图像中分割出来
应用场合:图纸和公文图像中对象面积可估计
直方图分析法(极小值点阈值选取)
检查/观察图像的直方图,然后选择一个合适的阈值。
双峰情况:目标物体内部具有均匀一致的灰度值&