【计算机视觉】02数字图像处理基础：图像分割（基于边缘、阈值、区域）

ShiTianL

已于 2022-09-30 23:12:16 修改

阅读量1.7k

点赞数

分类专栏：计算机视觉OpenCV 文章标签：计算机视觉人工智能图像处理

于 2022-09-30 20:33:19 首次发布

本文链接：https://blog.csdn.net/weixin_40629850/article/details/127127763

版权

计算机视觉OpenCV 专栏收录该内容

6 篇文章 3 订阅

订阅专栏

1. 图像分割基础

依据：各个区域具有不同的特征（灰度、颜色、纹理），这些特征在同一区域内表现出一致性或相似性，而在不同区域之间表现出显著区别。

不连续性：基于特征（如灰度）的不连续变化分割图像，如边缘检测
相似性：根据指定的准则将图像分割为相似的区域，如阈值分割、区域增长

2. 基于边缘（非连续性分割）

💡 基于边缘检测的图像分割首先确定图像中的边缘像素，然后将它们连接在一起构成边界

💡 边缘特征有方向和幅度两个属性，沿边缘方向像素灰度值变化平缓或不发生变化，而垂直于边缘方向像素灰度值变化剧烈
💡 边缘检测算法可分为两类：一阶差分和二阶差分

💡 灰度梯度指向边缘的垂直方向
💡 一种好的边缘检测算子具备以下三点：①低错误率：抑制噪声，边缘检测错误率低；②高定位性：标识出的边缘要与图像中的实际边缘尽可能接近；③最小响应：对同一边缘具有低的响应次数，最好只响应一次

一阶差分算子通过寻找图像一阶差分中最大值来检测边缘，将边缘定位在一阶差分最大的方向
二阶差分算子通过寻找图像二阶差分过零点来定位边缘，最常用的是拉普拉斯过零点

2.1 Roberts 交叉梯度算子

Roberts算子利用一阶差分检测边缘，边缘定位精度较高，但抑制噪声能力较差，适用于陡峭边缘且信噪比高的图像

2.2 Prewitt 梯度算子

2.3 Sobel梯度算子

Prewitt和Sobel算子是计算数字梯度时最常用的算子
Prewitt模板比Sobel模板简单，但Sobel模板能够有效抑制噪声
对4领域采用带权方法计算差分，能进一步抑制噪声，但检测的边缘较宽
Sobel与Prewitt算子等效于首先对图像进行加权平滑处理，然后再计算差分，因此，对噪声有一定的抑制能力，但检测出的边缘具有一定宽度，且不能形成闭合、连通的轮廓

2.4 拉普拉斯算子

二阶差分算子在图像分割中的主要作用

二阶差分在边缘处产生零交叉，其过零点可以确定边缘的位置
二阶差分的符号可以确定边缘像素在边缘暗的一边还是亮的一边

拉普拉斯算子是一个用于检测边缘的二阶微分算子。在拉普拉斯结果中，边缘并不处于最大值处，而是处于最大正值和最小负值之间的零值处，称为过零点、零交叉（Zero Crossing)。
定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个负数，而且其周围像素的系数是正数，系数之和必为0
缺点：①对噪声敏感，对噪声有双倍加强作用；②幅值产生双边缘；③不能检测出边缘方向
应用：①利用二阶导数零交叉，确定边的位置；②检测一个像素是在边的亮的一边还是暗的一边；③不直接用于边的检测，通常只起辅助的角色；④对细线和孤立点检测效果较好

2.5 高斯拉普拉斯算子（LoG）

因为 LoG 的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用LoG检测过零点能提供较可靠的边缘位置，当然这种方法的计算复杂度比较大
LoG算子克服了拉普拉斯算子抗噪能力差的弱点，并能产生闭合、连通的轮廓，但在抑制噪声的同时也模糊了边缘，从而造成弱边缘漏检。

2.6 高斯差分算子（DoG）

二阶差分算子，两个高斯函数之差的形式，降低计算复杂度

2.7 Canny算子

四个步骤：
- 高斯图像平滑
- 边缘检测：利用 Sobel 算子计算每一个像素 (x, y) 处的局部梯度幅度及其梯度方向
- 梯度幅度的非极大值抑制：追踪梯度幅度中所有脊的顶部，保留局部梯度极大值点，形成单像素宽度的边缘，这个过程称为非极大值抑制
- 双阈值法的边缘检测和连接：设置两个不同的阈值T1、T2，T1＜T2 。梯度幅度大于 T2 的像素称为强边缘像素，梯度幅度在其间的像素称为弱边缘像素，将强边缘像素连接成轮廓，当到达间断点时，在低阈值图像的 8 邻域内寻找可以连接到强边缘的弱边缘像素，直至将强边缘连接起来为止。
Canny算子可以形成闭合、连通且单像素宽度的边缘，但也会产生类似意大利式细面条盘子效应的虚假边缘。