冈萨雷斯《数字图像处理》学习笔记（5）--图像分割

一、点、线和边缘检测

这里用的图像检测方法主要是滤波操作。模板在图像中任意一点的响应R由下式给出：

$$R=\sum_{i=1}^9 \omega_{i}z_i$$
其中， $z_i$ 是与模板系数 $\omega_{i}$ 相关的像素的灰度。
下面是点检测的模板：

线检测的模板如下（分别检测水平，45度，垂直和-45度的线）：

在谈边缘检测前，先看些基础知识：
二维函数的梯度定义如下：

$$\triangledown f=\begin{bmatrix} \frac{\partial f}{\partial x}\\ \frac{\partial f}{\partial y} \end{bmatrix}$$
幅值定义为： $mag(\triangledown f)=[(\frac{\partial f}{\partial x})^{2}+(\frac{\partial f}{\partial y})^{2}]^{\frac{1}{2}}$
可以用下列两种方式近似：
$mag(\triangledown f)\approx (\frac{\partial f}{\partial x})^{2}+(\frac{\partial f}{\partial y})^{2}$
$mag(\triangledown f)\approx |\frac{\partial f}{\partial x}|+|\frac{\partial f}{\partial y}|$
边缘检测使用如下两个准则之一来找到图像中灰度快速变化的位置：

1. 寻找灰度的一阶导数的幅度大于某个指定的阈值。
2. 寻找灰度的二阶导数有零交叉的位置。

我们可以从下面的图看出为什么要使用上面两个准则。

很明显一阶导数幅度大的地方表示图像灰度变化十分剧烈，同理二阶导数的零交叉点也是灰度变化十分剧烈的位置。

又根据导数在数值上可近似为差分。我们利用如下滤波器可以达到边缘检测的目的。

LoG检测器
考虑高斯函数：

$$G(x,y)=e^{\frac{x^{2}+y^{2}}{2\sigma ^{2}}}$$
该函数的拉普拉斯算子是（即二阶微分）：

使用它卷积的效果： 平滑图像，降低噪声，产生一幅双边缘图像。因此可以通过双边缘之间的零交叉来定位边缘。

二、霍夫变换

采用Hough变换时，我们考虑一个点 $(x_i,y_i)$ 和所有通过该点的直线。很明显，有无数条经过点 $(x_i,y_i)$ 的直线，这些线对某些a值和b值来说，均满足 $y_i=ax_i+b$ 。将该公式写为 $b=-ax_i+y_i$ 并考虑ab平面(也称为参数空间)，可对一个固定点 $(x_i,y_i)$ 产生单独的一条直线。此外，第二个点 $(x_j,y_j)$ 也有这样一条在参数空间上与它相关的直线，这条直线和与 $(x_i,y_i)$ 相关的直线相交于点 $(a',b')$ ，其中a’和b’分别是xy平面上包含点 $(x_i,y_i)$ 和 $(x_j,y_j)$ 的直线的斜率和截距。事实上，在这条直线上的所有点都有在参数空间中相交于点 $(a',b')$ 的直线。下图说明了这些概念。

但这种方法在直线趋近于垂直时，a 的值将趋于无穷大。因此我们用法线来表示直线：

$$xcos\theta +ysin\theta =\rho$$
下图（a）说明了 $\rho$ 和 $\theta$ 的几何意义。图（b）中每一条曲线表示通过 $(x_i,y_i)$ 的一族直线。图（c）是将参数空间离散化进行计算。

霍夫变换把参数空间细分为 累加器单元。其中， $-D\leqslant \rho \leqslant D$（D是图像中两个对角之间的最远距离）。 $-90度\leqslant \theta \leqslant 90度$。最初每一个累加器单元数值设置为0。然后对图像中的每一个点 $(x_k,y_k)$ ，使用所有离散化后的 $\theta$ 值代入公式 $\rho=x_kcos\theta +y_ksin\theta$ 求出相应的 $\rho$ 值（将 $\rho$ 值四舍五入为沿 $\rho$ 轴最接近的允许单元值 ）。同时相应的累加器单元加1。上面的过程结束后，累加器表上记录下来的每个单元 (i,j) 的数值Q就意味着在xy平面上有Q个点位于线 $xcos\theta_j +ysin\theta_j=\rho_i$ 上。该表中最大的所对应的 $(\rho_0,\theta_0)$ 就是xy平面上共线点数数目最多的直线方程的参数。

三、阈值处理

全局阈值处理

使用 Otsu 方法进行最佳全局阈值处理

类间方差最大化的思想是方差越大，越接近正确分割图像的阈值。下面给出类间方差的表达式（假设选定一个阈值k，C1是灰度级为[0,1,2,3,…,k]的一组像素，C2是灰度级为[k+1,..,.L-1]的一组像素）：

其中，$p_1(k)$ 是集合C1发生的概率， $p_2(k)$ 是集合C2发生的概率：
$P_1(k)=\sum_{i=0}^kp_i$
$P_2(k)=\sum_{i=k+1}^{L-1}p_i$

$m_1(k)$ 是集合C1像素的平均灰度， $m_2(k)$ 是集合C2像素的平均灰度， $m_G$ 是全局均值：
$m_1(k)=\sum_{i=0}^kip_i$
$m_2(k)=\sum_{i=k+1}^{L-1}ip_i$
$m_G(k)=\sum_{i=0}^{L-1}ip_i$

定义类间方差与图像总灰度方差的比值为：$\eta(k)=\frac{\sigma^2_B(k)}{\sigma^2_G}$

使用移动平均值的图像阈值处理

令 $z_{k+1}$ 表示第 k+1 步扫描时所遇到的点的灰度，那么这个新点处的移动平均由下式给出：

$$m(k+1)=m(k)+\frac{1}{n}(z_{k+1}-z_{n-k})$$
使用下式实现分割：
$$f(x,y)=\left\{\begin{matrix} 1, f(x,y)>Km_{x,y}\\ 0,\ other\ situation \end{matrix}\right.$$
其中K是[0,1]区间的常数， $m_{xy}$ 是输入图像中点（x,y）处的移动平均。

四、分水岭图像分割

构建大坝（Dam Construction）

最简单的构建大坝的方法就是利用形态学运算——膨胀。
下图展示了第n-1步淹没的两个集水盆地：

接着展现了第 n 步淹没的结果：

最后构建水坝：

为了说明下文，令M1和M2表示两个区域中的最小值点坐标的集合。将集水盆地点的坐标集合与这两个在溢出的第n-1步的最小值点的坐标集合联系起来，在第n-1步溢出处，两个最小值分别表示为 $C_{n-1}(M_1)$ 和 $C_{n-1}(M_2)$。它们代表上图第一幅图的两个灰色区域。再令C[n-1]表示这两个集合的并集。上图第一幅图有两个连通分量，第二幅图只有一个连通分量。令q表示第二幅图的连通分量。注意到，第一幅图的两个连通分量可以由“与”操作（$q\cap C[n-1]$）从q中提取出来。

分水岭算法

令 $M_1$, $M_2$ $\ldots$ 表示图像g(x,y)的区域最小值的坐标的集合， $C(M_i)$ 表示与区域最小值 $M_i$ 联系的集水盆地的点的坐标集合。令$C_n(M_i)$ 表示集水盆地与淹没阶段n的区域最小值 $M_i$ 联系的的点的坐标集合，最后令T[n] 表示满足 $g(s,t)<n$ 的坐标(s,t) 的集合。根据上面的理解，可看出 $C_n(M_i)$ 是由下式给出的一幅二值图像：

$$C_n(M_i)=C(M_i)\cap T[n]$$
接下来，我们令C[n]表示在阶段n 中已被水淹没的集水盆地的并：
$$C[n]=\cup_{i=1}^RC(M_i)$$
我们可以理解为：C[n-1]中的每一个连通分量都恰好包含在T[n]的一个连通分量。下面是分水岭算法的步骤：