【图像分割】

---

引言

图像分析系统的基本结构

图像分割的概念

把图像空间按照一定的要求分成一些“有意义”的区域的技术叫图像分割。
例如：
（1）要确定航空照片中的森林、耕地、城市区 域等，首先需要将这些部分在图像上分割出来。
（2）要辨认文件中的个别文字，也需先将这些文字分选出来。
（3）要识别和标定细胞的显微照片中的染色体，需要用图像分割技术。
一幅图像通常是由代表物体的图案与背景组成，简称物体与背景。若想从一幅图像中“提取”物体，可以设法用专门的方法标出属于该物体的点，如把物体上的点标为“1”，而把背景点标为“0”，通过分割以后，可得一幅二值图像。

图像分割的应用邻域

• 机器阅读理解
• OCR录入
• 遥感图像自动识别
• 在线产品检测
• 医学图像样本统计
• 医学图像测量
• 图像编码
• 图像配准的预处理

图像分割的意义

• 把图像分解成构成它的部件和对象的过程
• 有选择性地定位感兴趣对象在图像中的位置和范围

图像分割的基本思路

• 从简到难，逐级分割
• 控制背景环境，降低分割难度
• 把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上

图像分割方法分类

大致可以分为基于边缘检测的方法和基于区域生成的方法。

• 第一类为找出图像的边缘信息，首先检出局部特性的不连续性，再将它们连成边界，这些边界把图像分成不同的区域，从而分割出各个区域，常用边缘检测方法有基于边缘检测的图像分割、基于阈值选取的图像分割；

• 第二类为基于区域生成的方法，是将像素分成不同的区域，根据相应的区域特性在图像中找出与其相似的部分并进行处理，常用的方法有区域生长、分裂-合并分割方法。

  以上这两类方法互为对偶，相辅相成，有时还要将它们结合起来，以得到更好的分割效果。

图像分割的基本策略

图像分割的基本策略，基于灰度值的两个基本特性：

1. 不连续性——区域之间
2. 相似性——区域内部

根据图像像素灰度值的不连续性

• 先找到点、线（宽度为1）、边（不定宽度）
• 再确定区域

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

• 不连续性

1. 边界分割法
2. 边缘连接分割法

• 相似性

1. 阈值分割法
2. 面向区域的分割
3. 数学形态学图像处理

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、点、线和边缘检测

点的检测-用空域的高通滤波器来检测孤立点

设定阈值 T，如T = 32、64、128等,并计算高通滤波值R
如果R值等于0，说明当前检测点与的灰度值与周围点的相同
当R的值足够大时，说明该点的值与周围的点非常不同，是孤立点。通过阈值T来判断
|R| > T 检测到一个孤立点

线检测

通过比较典型模板的计算值，确定一个点是否在某个方向的线上

• 线的检测——算法描述

  • 依次计算4个方向的典型检测模板，得到Ri i=1,2,3,4
  • 如 |Ri| > |Rj| 对于所有的j = i，那么这个点被称为在方向上更接近模板i 所代表的线

• 设计任意方向的检测模板

  • 可能大于3*3
  • 模板系数和为0
  • 赶兴趣的方向的系数大。

边缘检测

• 边界的定义：
  两个具有相对不同灰度值特性的区域的边界线
  适用于：
  假定问题中的区域是非常类似的，两个区域之间的过渡，仅仅根据灰度的不连续性便可确定
  不适用于：
  当假定不成立时，阈值分割技术一般来说比边缘检测更加实用

边缘检测的基本思想

计算局部微分算子

一阶微分：用梯度算子来计算

特点：对于亮的边，边的变化起点是正的，结束是负的。对于暗边，结论相反。常数部分为零。
用途：用于检测图像中边的存在

二阶微分：通过拉普拉斯来计算

特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零。

梯度算子

函数f(x,y)在(x,y)处的梯度为一个向量：
▽f = [f / x , f / y]
计算这个向量的大小为：
▽f = mag(▽f ) = [(f / x)2 +(f / y)2]1/2
近似为: ▽f ≈ 篇|▽x| + |▽y|

Sobel梯度算子的使用与分析

1. 直接计算y、x可以检测到边的存在， 以及从暗到亮，从亮到暗的变化
2. 仅计算|x|，产生最强的响应是正交 于x轴的边； |y|则是正交于y轴的边。
3. Soleb算子具有平滑效果，由于微分增强 了噪音，这一点是特别引人注意的特性

拉普拉斯

拉普拉斯算子的分析

• 缺点：对噪音的敏感；会产生双边效果；不能检测出边的方向
• 应用：拉普拉斯算子不直接用于边的检测，通常只起辅助的角色；
  – 检测一个像素是在边的亮的一边还是暗的一边
  – 利用零跨越，确定边的位置

---

二、边缘连接和边界检测

边缘连接

• 边缘连接法
  – 局部处理法
  – Hough变换

边缘连接的意义——边检测算法的后处理

• 由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断
• 因此典型的边检测算法后面总要跟随着连接过程和其它边界检测过程，用来归整边像素，成为有意义的边

局部连接处理

-- 连接处理的时机和目的
	时机：对做过边界检测的的图像进行
	目的：连接间断的边
-- 连接处理的原理
-- 局部连接算法描述

连接处理的原理

• 对做过边检测的图象的每个点(x,y)的特性进行分析
• 分析在一个小的邻域（3x3或5x5）中进行
• 所有相似的点被连接，形成一个享有共同特性象素的边界
• 用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

当梯度值和方向角都是相似的，则点(x’,y’)，与边点界(x,y)是连接的

局部连接算法描述

1）设定A、T的阈值大小，确定邻域的大小
2）对图像上每一个像素的邻域点进行分析， 判断是否需要连接。
3）记录像素连接的情况，另开一个空间， 给不同的边以不同的标记。
4）最后，删除孤立线段，连接断开的线段

---

三、边缘线跟踪

局部边缘连接法

将边缘点连成边缘线的最简单的方法是依据事先确定的准则，把相似的边缘点连成线。该方法以局部梯度算子处理后的梯度图像作为输入，连接过程分为两步：
第一步：选择可能位于边缘线上的边缘点。
第二步：对于相邻的候选边缘点，根据事先确定的相似准则判定是否连续。如果在相邻的小领域内的两个候选点的梯度和方向差值都在某阈值之内，则这两点被认为属于同一边缘线，可以连接起来 。相似准则定义为：

霍夫(Hough)变换

• 问题的提出
• Hough变换的基本思想
• 算法实现
• Hough变换的扩展

Hough变换问题的提出

• 在找出边界点集之后，需要连接，形成完整的边界图形描述

Hough变换的基本思想

• 对于边界上的n个点的点集，找出共线的点集和直线方程。
• 对于任意两点的直线方程：y = ax + b，构造一个参数a，b的平面，从而有如下结论：

• xy平面上的任意一条直线y = ax + b ，对应在参数ab平面上都有一个点

• 过xy平面一个点(x,y)的所有直线，构成参数ab平面上的一条直线。

• 如果点(x1,y1)与点(x2,y2)共线，那么这两点在参数ab平面上的直线将有一个交点

• 在参数ab平面上相交直线最多的点，对应的xy平面上的直线就是我们的解

Hough变换算法实现

• 由于垂直直线a,为无穷大，我们改用极坐标形式： xcos θ + ysinθ = ρ
• 参数平面为θ,ρ ，对应不是直线而是正弦曲线
• 使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点
• 然后找出该点对应的xy平面的直线线段

---

四、门限处理(阈值分割法)

• 阈值分割法
  — 通过交互方式得到阈值
  — 通过直方图得到阈值
  — 通过边界特性选择阈值
  — 简单全局阈值分割
  — 基于多个变量的阈值

基础

— 阈值分割法的基本思想：

• 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。
  If f(x,y) ≥ T set 255
  Else set 0
• 在四邻域中有背景的像素，既是边界像素。

门限处理（阈值分割法）

可被看做一种涉及测试下列形式函数T的一种操作
T = T[ x,y,p(x,y),f(x,y)]
如果T取决于f(x,y)时，门限（阈值）就称为全局的
如果T取决于f(x,y)和p(x,y），门限（阈值）就称为局部的

门限处理（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。（可通过先求背景，然后求反得到物体）
• 这种方法总可以得到封闭且连通区域的边界。

通过直方图得到阈值

• 基本思想
  边界上的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：会受到噪音的干扰，最小值不是预 期的阈值，而偏离期望的值；

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，可排除噪音的干扰

---

基本全局阈值分割

– 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景
– 算法实现：

• 规定一个阈值T，逐行扫描图像。
• 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0

– 适用场合：明度图像是可以控制的情况，例如用于工业监测系统中

基本自适应门限（阈值）

问题：不均匀亮度这样的成像因素导致用直方图得到单一全局门限处理（阈值）分割法无法有效分割。

方法：将图像进一步细分为子图像，并对不同的子图像使用不同的门限处理（阈值）进行分割。这类门限处理（阈值）是自适应的。

---

五、基于区域的分割

• 区域的分割
  基本概念
  像素集合的区域增长
  区域分裂与合并

基本概念

区域增长

算法实现：
1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点
2）选择一个描述符（条件）
3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合
4）上一过程进行到不再有满足条件的新结点加入集合为止

通过像素集合的区域增长

区域分离与合并

算法实现：
1）对图像中灰度级不同的区域，均分为四个子区域

算法实现：
2）如果相邻的子区域所有像素的灰度级相同，则将其合并
3）反复进行上两步操作，直至不再有新的分裂与合并为止