图像处理总复习5、图像分割和分析

图像增强和图像复原是对整幅图像的质量进行改善，输入输出均为图像。
图像分析研究并描述组成一幅图像的各个不同部分的特征及其相互关系，输入为图像、输出为从这些图像中提取出来的属性。图像分析的结果不是一幅完美的图像，而是用数字、文字、符号、几何图形或其组合表示的图像内容和特征，对图像景物的详尽描述和解释

在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分一般称为目标或前景。
为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和测量。
图像分割是把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。这里特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域

图像分割基本策略：基于灰度值的两个基本特性
基于边界的算法：基于灰度的不连续性检测边界
间断分割（非连续性分割）
边缘连接法
基于区域的算法：基于灰度的相似性进行聚类
阈值分割法
基于区域的分割

1、间断分割（非连续性分割）
根据图像像素灰度值的不连续性，找到图像中的点、线（宽
度为1）、边（不定宽度）
 点检测
 线检测
 边缘检测

1. 点检测(Point Detection)
   基本思想：如果一个孤立点（此点的灰度级别和其背景的差别相当大，并且其所在的区域是一个均匀的或近似均匀的区域）与周围的点不同，用模板检测。
   
2. 线检测(Line Detection)
   依次计算4个方向的典型检测模板，得到Ri i=1,2,3,4
   3） 边缘检测(Edge Detection)
   边缘检测首先检出图像局部特性的不连续性，然后再将这些不连续的边缘像素连接成完整的边界。
   边缘的特性是沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。
   所以，从这个意义上说，检测边缘的算法就是检出符合边缘特性的边缘像素的数学算子，目前，边缘检测常采用边缘算子法和模板匹配法等

边缘：图像中灰度发生突变或不连续的微小区域（一组相连的像素集合）,即两个具有相对不同灰度值特性的区域的边界线。在一幅图像中，边缘有方向和幅度两个特性。一般认为沿边缘走向的灰度变化较为平缓，而垂直于边缘走向的灰度变化剧烈。即灰度梯度指向边缘的垂直方向。
边缘检测基本思想：计算局部微分算子

a)局部微分算子：一阶微分，用梯度算子计算
特点：常数部分为零；左图中左侧的边是正的（由暗到亮），右侧的边是负的（由亮到暗）；右图结论相反。
用途：用于检测图像中边的存在。





局部微分算子：二阶微分，用拉普拉斯算子计算
特点：常数部分为零；拉普拉斯算子的结果在亮的一边是正的，在暗的一边是负的。
用途：二次导数的符号用于确定像素是在亮的一边，还是暗的一边；0跨越（零交叉），确定边的准确位置。




边缘连接(Edge Linking)

在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。
将检测的边缘点连接成线就是边缘跟踪。线是图像分析中一个基本而重要的内容，它是图像的一种中层符号描述。
 局部连接处理（边界闭合
针对边缘图像，目的是连接间断的边。
原理：1) 分析每个边缘点(x, y)邻域内像素。
2)分析在一个小的邻域（3×3或5×5）中进行。
3)比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边

根据图像像素灰度值的相似性
 通过选择阈值，找到灰度值相似的区域
 区域的外轮廓就是对象的边
阈值分割法(thresholding)的基本思想：
 确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。
 将大于等于阈值的像素作为物体或背景，生成一个二值图像
阈值分割法的特点：
适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。
这种方法总可以得到封闭且连通区域的边界。
两个问题：
阈值选定：交互方式、灰度直方图、局部特征
图像阈值化

1）阈值选定
a) 交互方式

b) 利用灰度直方图选阈值
状态法（the mode method ）（双峰法）
基本思想：边界点的灰度值出现次数较少。  取值的方法：取直方图谷底(最小值)的灰度值为阈值T。


缺点：易受到噪声干扰偏离期望的值。 改进：取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪声的干扰
B. 最佳阈值(Optimal Threshoding)：使图像中目标物和背景分割错误最小的阈值
有时目标和背景的灰度值有部分交错，用一个全局阈值并不能将它们绝对分开。这时常希望能减小误分割的概率，选取最优阈值是一种常用的方法。
设一幅图像仅包含两类主要的灰度值区域（目标和背景），它的直方图可看成灰度值概率密度函数p(z)的一个近似。这个密度函数实际上是目标和背景的两个单峰密度函数的混合。

基于区域的分割(Region-Based Segmentation, 相似性分割)
图像灰度阈值分割技术没有考虑像素空间的连通性。
区域增长把图像分割成特征相同的若干小区域，比较相邻小区域特征的相似性，若足够相似则作为同一区域合并，以此方式将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。
区域内像素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
区域增长要解决三个问题：①确定区域的数目；②选择有意义的特征；③确定相似性准则
区域生长(Region Growing)

1）根据图像的特点选择一个或一组种子，最亮、最暗或位于点簇中心的点；
2）选择一个描述符（条件）； 3）从种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与结果集合中各个像素连通、且满足描述符的像素加入集合；
4）以上过程进行到不再有满足条件的新结点加入集合为止

统计检测法（statistical detection method）
前述方法把灰度差作为区域合并的判定标准，此外还有根据小区域内的灰度分布相似性进行区域合并的方法。

1. 把图像分割成相互稀疏的、大小为n×n的小矩形区域；
2. 比较邻接区域的灰度直方图，如果灰度分布情况相似，就合并成一个区域；
3. 反复进行2)的操作，直至区域合并完为止。
   
   上述基于灰度分布相似性的区域扩张法，也可用于分割具有相同纹理特性的区域。
   以n×n矩形区域作为单位时，n过大则小的对象就会漏过；n过小则可靠性减弱。实际中，n常取值5-10。
   
   分割(目标(边界或区域)提取) 特征提取

特征表示要使数据变得更有利于下一步的计算工作。下一步工作是基于所选的表达方式描述这个区域，一般情况下：
关注焦点是形状特性，选择边界表示
链码；多边形逼近；外形特征；边界分段
关注焦点是反射率特性，如颜色、纹理，选择区域表示
区域骨架
所选表示方式，应对尺寸、变换、旋转等变量尽可能的不敏感

1. 链码(Chain Codes)
   
   
   
   
   
   2、 多边形逼近(Polygonal Approximations)
   基本思想：用一包含尽量少线段的多边形刻画边界形状的本质。
   寻找最小基本多边形的方法一般有两种：
   1）点合并法
   2）边分裂法
   点合并法：
   (1) 沿边界选相邻点对，计算首尾连接直线段与原始折线段的误差R。
   (2) 如果误差R小于阈值T，去掉中间点，选新点对与下一相邻点对，重复(1)；
   否则存储线段参数置误差为0，选被存储线段的终点为起点，重复(1)、(2)。
   (3) 当另一个端点或第一个起点被遇到，程序结束。
   边分裂法：
   (1) 连接边界线段的两个端点（如果是封闭边界，连接最远点）；
   (2)如果最大垂直距离大于阈值，将边界分为两段最大值点定位一个顶点重复(1)；
   (3)如果没有超过阈值的垂直距离，结束。
   
   问题：函数过分依赖于旋转和缩放变换。
   改进：
   对于旋转——两种改进：
   a.选择离质心最远的点作为起点。
   b.选择从质心到主轴上最远的点作为起点。  对于缩放变换：
   对函数进行归一化，使函数值总是分布在相同的值域里，比如说[0，1]。

4、 区域骨架(Region Skeletons)
平面区域削减成图形，即区域骨架。  定义骨架的中轴变换方法。设R是一个区域，B为R的边界，对R中的点p，找p在B上“最近”的邻居。如果p有多于一个的这样的邻居，称它属于R的中轴（骨架）。

提取区域骨架的细化二值区域的算法：
 假设区域内的点值为1，背景值为0
 对给定区域边界点连续进行两个基本操作（基本操作1、基本操作2），直
到没有点可删除。  边界点指任何值为1且至少有一个8邻域上的点为0的象素

基本操作1：标记满足以下四个条件的边界点，准备删除：


2、 傅立叶描述符(Fourier Descriptors)

1）较少的傅立叶描述符（如4个），就可以获取边界的整体轮廓。
2）使用复数作为描述符，对旋转、平移、放缩等操作和起始点的选取不十分敏感。
3）几何变换的描述符可通过对函数作简单变换来获得。下表表示傅立叶描述符的基本性质：

3、 矩(Moments)
将描述形状的任务减化为描述一个一维函数。
矩的定义：连接边界的两个端点，并将得到的线段旋转到水平方向得到函数g®。注意边界点的坐标旋转相同角度。

1、 简单描述符
面积：区域内像素数。
周长：区域边界点数量。
复杂度：区域形状的复杂程度，常使用e = (周长)2/面积。图形形状接近圆形时e最小（为4π），形状复杂时值较大。
其它用做简单区域描述符的量包括：灰度的均值和中值、最小和最大灰度级值、大于和小于均值的像素数等。

2、 拓扑描述符(Topological Descriptors)

拓扑学研究图形不受畸变变形（不包括撕裂或粘贴）影响的性质，拓扑性质是全局性质，与距离无关。


3、 纹理
纹理是图像分析中常用的概念，但目前尚无对它正式的（或者说尚无一致的）定义，一般说，可以认为是由许多相互接近的、互相编织的元素构成，它们常富有周期性。直观来说，纹理描述可提供区域的平滑、稀疏、规则性等特性。常用的三种纹理描述方法是：
① 统计法；② 结构法；③ 频谱法
共生矩阵的大小：在不对原图像灰度级别进行压缩的情况下，共生矩阵的大小为原图像灰度的级数的平方；在实际应用中，从纹理特征的计算效率以及共生矩阵的存储方面考虑，通常先把原始图像的灰度等级进行压缩，比如从灰度级别为0-255的8bit图像压缩为灰度级别为0-31的5bit图像，相应的共生矩阵的维数从256256降低到3232
基准窗口：当前像素为中心的某一个窗口，尺寸通常为奇数方阵，大小可设为33,55,7*7等
移动窗口：以基准窗口为参考窗口，通过设定的移动方向和步长进行移动的窗口。尺寸大小与基准窗口的一样，位置由移动方向与步长决定
移动方向：基准窗口与移动窗口的相对方向。移动方向可以任意设定，通常为0°，45°，90°，135°
移动步长：基准窗口中心像元和移动窗口中心像元的距离（用像素表示）

灰度共生矩阵提供了影像灰度方向、间隔和变化幅度的信息，但它并不能直接提供区别纹理的特性，因此需要在灰度共生矩阵的基础上提取用来定量描述纹理特征的统计属性。
Haralick定义了14种纹理特征。常用的用于提取遥感影像中纹理信息的特征统计量主要有：均值(Mean) 、方差(Variance) 、同质性(Homogeneity)、对比度 (Contrast)、非相似性 (Dissimilarity)、熵 (Entropy )、角二阶矩( Angular Second Moment )、相关性 ( Correlation ) 等。