第5章图像分割与边缘检测

《第5章图像分割与边缘检测》由会员分享，可在线阅读，更多相关《第5章图像分割与边缘检测（62页珍藏版）》请在装配图网上搜索。

1、第5章 图像分割与边缘检测1第一章第一章 概概 论论 第二章第二章 数字图像处理基础数字图像处理基础 第三章第三章 VC图像编程基础图像编程基础 第四章第四章 图像增强与平滑图像增强与平滑 第五章第五章 图像分割与边缘检测图像分割与边缘检测 第六章第六章 图像的几何变换图像的几何变换 第七章第七章 频域处理频域处理 第八章第八章 数学形态学及其应用数学形态学及其应用 第九章第九章 图像特征与理解图像特征与理解 第十章第十章 图像编码图像编码 第十一章第十一章 图像复原图像复原 目目 录录第5章 图像分割与边缘检测2预处理预处理图像分割图像分割特征提取特征提取图像识别图像识别图像理解图像理解第第

2、5章章 图像分割与边缘检测图像分割与边缘检测第5章 图像分割与边缘检测3图像分割与特征提取第5章 图像分割与边缘检测4边缘检测边缘检测第5章 图像分割与边缘检测5边缘检测边缘检测第5章 图像分割与边缘检测6RS Application in Monitoring the Changes of Landuse(1)第5章 图像分割与边缘检测7RS Application in Monitoring the Changes of Landuse(2)第5章 图像分割与边缘检测8第第5 5章章 图像分割与边缘检测图像分割与边缘检测 5.1 阈值分割阈值分割 5.2 基于区域的分割基于区域的分割 5.

3、3 边缘检测边缘检测 5.4 区域标记与轮廓跟踪区域标记与轮廓跟踪 5.5 分水岭分割分水岭分割 5.6 投影法与差影法投影法与差影法第5章 图像分割与边缘检测9 5.1 5.1 阈值分割阈值分割5.1.1 5.1.1 概述概述阈值分割阈值分割适用范围：适用范围：目标和背景占据不同灰度级范围的图像，具有双峰性质。目标和背景占据不同灰度级范围的图像，具有双峰性质。方法：方法：把图像灰度分成不同的等级，然后设置灰度门限（阈值把图像灰度分成不同的等级，然后设置灰度门限（阈值T T），用），用T T将图像分为将图像分为2 2个或多个部分，从而确定有意义的区域或分割物体的边界。个或多个部分，从而确定有意

4、义的区域或分割物体的边界。假设前提：假设前提：1.图像目标或背景内部的相邻像素间的灰度值是图像目标或背景内部的相邻像素间的灰度值是高度相关高度相关的的.2.目标与背景之间的边界两侧像素的灰度值差别很大，目标与背景之间的边界两侧像素的灰度值差别很大，图像目标与背景图像目标与背景的灰度分布都是的灰度分布都是单峰单峰的。的。用途：用途：阈值分割常用做图像的阈值分割常用做图像的二值化二值化处理，即选择一阈值，将图像转换为黑白二处理，即选择一阈值，将图像转换为黑白二值图像，用于图像分割及边缘跟踪等预处理值图像，用于图像分割及边缘跟踪等预处理.第5章 图像分割与边缘检测10阈值化处理的变换函数表达式阈值化

5、处理的变换函数表达式:TyxfTyxfyxg),(0),(255),(2550T255gf图5-2(a)阈值变换曲线 TyxfTyxfyxg),(255),(0),(TyxfTyxfyxg),(0),(1),(第5章 图像分割与边缘检测11其它255),(0),(21TyxfTyxg其它0),(255),(21TyxfTyxg2550 T1 T2 255 fg2550 T1 T2 255 fg图5-2(b)阈值变换曲线 第5章 图像分割与边缘检测12有多个目标且灰度差别较大时，有多个目标且灰度差别较大时，可以设置多个阈值可以设置多个阈值mkkTyxfKkTyxfTkTyxfyxg),(2551

6、,2,1 ),(),(0),(11多阈值分割多阈值分割第5章 图像分割与边缘检测13 注意：注意：阈值的选取不能过大或过小：阈值的选取不能过大或过小：阈值过大，阈值过大，会过多地把背景像素错分为目标；会过多地把背景像素错分为目标；阈值过小，又会过多地把目标像素错分为背景。阈值过小，又会过多地把目标像素错分为背景。例如：例如：第5章 图像分割与边缘检测14图图5-3 不同阈值对阈值化结果的影响不同阈值对阈值化结果的影响(a)原始图像；原始图像；(b)阈值阈值T=91；(c)阈值阈值T=130；(d)阈值阈值T=43(a)(b)(c)(d)图5-4 细胞图像的直方图 背景目标第5章 图像分割与边缘

7、检测15确定阈值的方法确定阈值的方法阈值仅与各个像素的灰度有关阈值仅与各个像素的灰度有关阈值与像素本身及其局部性质阈值与像素本身及其局部性质(如如邻域的平均灰度值邻域的平均灰度值)有关有关全局阈值：全局阈值：局部阈值：局部阈值：阈值阈值动态阈值：动态阈值：/自适应阈值自适应阈值阈值不仅与局部性质有关，阈值不仅与局部性质有关，还还与像素的位置有关与像素的位置有关第5章 图像分割与边缘检测16 当图像目标与背景之间具有当图像目标与背景之间具有高对比度高对比度时，利用全局阈时，利用全局阈值可以成功地分割图像。值可以成功地分割图像。5.1.2 全局阈值全局阈值图5-2 直方图具有双峰性质的阈值分割 第

8、5章 图像分割与边缘检测17极小点阈值法极小点阈值法迭代阈值法迭代阈值法最优阈值法最优阈值法Otsu阈值法阈值法最大熵法最大熵法 p参数法等参数法等 确定全局阈值的方法确定全局阈值的方法第5章 图像分割与边缘检测181 极小点阈值法极小点阈值法将直方图的包络线看做一条曲线，求曲线的将直方图的包络线看做一条曲线，求曲线的极小值，极小值，找找 到直方图的谷底点，将其作为分割阈值。到直方图的谷底点，将其作为分割阈值。设设 p(z)代表直方图，极小点应满足：代表直方图，极小点应满足：p(z)=0 且且 p(z)0 第5章 图像分割与边缘检测192 迭代阈值法迭代阈值法1 1）基本思想基本思想：开始时选

9、择一个开始时选择一个阈值阈值作为初始估计值，然后按某种作为初始估计值，然后按某种策略策略不断地改进不断地改进这一估计值，直到满足给定的准则为止。这一估计值，直到满足给定的准则为止。注意：在迭代过程中，关键之处在于选择什么样的阈值改进策略，注意：在迭代过程中，关键之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。在每一个迭代过程中，新产生阈值优于上一次的阈值。第5章 图像分割与边缘检测20 (1)选择一个选择一个初始阈值初始阈值T1（通常取中间值）。

10、（通常取中间值）。(2)根据阈值根据阈值T1将图像分割为将图像分割为G1和和G2两部分。分别求出两部分。分别求出G1和和G2的的平均灰度值平均灰度值1和和2。(3)计算计算新的阈值新的阈值 T2=(1+2)/2。(4)如果如果|T2-T1|T0(T0为预先指定的很小的正数为预先指定的很小的正数)，即迭代过程中，即迭代过程中前后两次阈值很接近时，终止迭代，否则前后两次阈值很接近时，终止迭代，否则T1=T2，重复，重复(2)和和(3)。最后。最后的的T2就是所求的阈值。就是所求的阈值。101210,iiiiLTiii TiTLiii Tiininuunnni：灰度为：灰度为i的像素个数的像素个数第

11、5章 图像分割与边缘检测21 设定常数设定常数T0的目的是为了加快迭代速度，如果不关心的目的是为了加快迭代速度，如果不关心迭代速度，则可以设置迭代速度，则可以设置T0 0。当目标与背景的面积相当时，可以将初始阈值当目标与背景的面积相当时，可以将初始阈值T1置置为整幅图像的为整幅图像的平均灰度平均灰度。当目标与背景的面积相差较大时，更好的选择是将初当目标与背景的面积相差较大时，更好的选择是将初始阈值始阈值T1置为最大灰度值与最小灰度值的置为最大灰度值与最小灰度值的中间值中间值。说明：说明：第5章 图像分割与边缘检测22迭代式阈值二值化图像适用范围：适用范围：对于直方图双峰明显，谷底较深的图像，迭

12、代方法可以较快地获得满对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果。但是对于直方图双峰不明显，或图像目标和背景比例差异大，意结果。但是对于直方图双峰不明显，或图像目标和背景比例差异大，迭代法效果不好。迭代法效果不好。第5章 图像分割与边缘检测233 最优阈值法最优阈值法 当目标与背景的灰度值有部分相同时，用一个全局阈值当目标与背景的灰度值有部分相同时，用一个全局阈值会出现分割误差。一部分目标像素被错分为背景，一部分会出现分割误差。一部分目标像素被错分为背景，一部分背景像素被错分为目标。背景像素被错分为目标。基本思想：基本思想：选择一个阈值，使总的选择一个阈值，使总的分类误

13、差概率最小分类误差概率最小。第5章 图像分割与边缘检测24F 方法：方法：假定图像中仅包含两类主要的灰度区域假定图像中仅包含两类主要的灰度区域(目标和背景目标和背景)，z：灰度值，：灰度值，p(z)：混合概率密度：混合概率密度P1：背景像素出现的概率，背景像素出现的概率，P2：目标像素出现的概率：目标像素出现的概率(P1+P2=1)。p1(z)：背景的概率密度函数：背景的概率密度函数p2(z)：目标的概率密度函数，：目标的概率密度函数，混合概率密度函数混合概率密度函数p(z)：)()()(2211zpPzpPzp第5章 图像分割与边缘检测25把目标像素分割为背景的误差概率把目标像素分割为背景的

14、误差概率E1(T)为为 TdzzpTE)()(21把背景像素分割为目标的误差概率把背景像素分割为目标的误差概率E2(T)为为 TdzzpTE)()(12灰度概率密度函数灰度概率密度函数 背景背景目标目标第5章 图像分割与边缘检测26总的误差概率总的误差概率E(T)为为)()()(2112TEPTEPTE将将E(T)对对T求导并使其导数为求导并使其导数为0当当P1=P2时，灰度概率密度函数时，灰度概率密度函数p1(z)与与p2(z)的交点对应的灰的交点对应的灰度值就是所求的最优阈值度值就是所求的最优阈值T。)()(1221TpPTpP第5章 图像分割与边缘检测27事实上事实上，目标与背景像素的出

15、现概率，目标与背景像素的出现概率P1和和P2，和两者，和两者的概率密度函数的概率密度函数p1(z)与与p2(z)，往往未知，需要估计，但是，往往未知，需要估计，但是很很难估计难估计。所以，一般假设目标与背景的灰度均服从所以，一般假设目标与背景的灰度均服从高斯高斯分布，可分布，可以简化估计。以简化估计。第5章 图像分割与边缘检测282222212122221122)(zzePePzp代入式代入式 可得可得 02CBTAT)()(1221TpPTpPPPCBA122221212222212122212221ln22其中其中)()(1221TpPTpP第5章 图像分割与边缘检测291)若若12，有两

16、个解，确定一个最优阈值。，有两个解，确定一个最优阈值。2)若若1=2=，只有一个最优阈值：，只有一个最优阈值：l若若P1=P2，则则 ，即最优阈值为目标的平均灰度与，即最优阈值为目标的平均灰度与背景的背景的平均灰度的平均灰度的中值中值。1221221ln2PPT02CBTAT对于对于第5章 图像分割与边缘检测304.Otsu法法 确定最佳阈值的准则：确定最佳阈值的准则：使阈值分割后各个像素类的使阈值分割后各个像素类的类内方差最小类内方差最小，或，或类间方类间方差最大差最大。类内方差最小类内方差最小=类间方差最大，因为类间方差与类内方类间方差最大，因为类间方差与类内方差之和即整幅图像的方差，是一

17、个常数。分割的目的就是差之和即整幅图像的方差，是一个常数。分割的目的就是要使类别之间的差别最大，类内之间的差别最小。要使类别之间的差别最大，类内之间的差别最小。第5章 图像分割与边缘检测31设图像总像素数为设图像总像素数为N，灰度级总数为，灰度级总数为L，灰度值为，灰度值为i的像的像素数为素数为Ni。令。令(k)和和(k)分别表示从灰度级分别表示从灰度级0到灰度级到灰度级k的像的像素的出现概率和平均灰度，分别表示为素的出现概率和平均灰度，分别表示为 kiiNNk0)(kiiNNik0)(5-15)(5-16)则，所有像素的总概率为则，所有像素的总概率为(L-1)=1，图像的平均灰度，图像的平均

18、灰度为为T=(L-1)。第5章 图像分割与边缘检测32设有设有M-1个阈个阈值值(0t1t2tM-1L-1)，将图像分成，将图像分成M个个像素类像素类Cj(Cjtj-1+1，tj；j=1，2，M；t0=0，tM=L-1)，则，则Cj的出现概率的出现概率j、平均灰度、平均灰度j和方差和方差j2为为:)()(1jjjtt)()()()(11jjjjjttttjjttijjjii1221)(5-17)(5-18)(5-19)第5章 图像分割与边缘检测33由此可得类内方差为由此可得类内方差为MjjjMWttt121212),(5-20)各类的类间方差为各类的类间方差为MjTjjMBttt121212)

19、(),(5-21)将使式将使式(5-20)最小或使式最小或使式(5-21)最大的阈值组最大的阈值组(t1，t2，tM1)作为作为M阈值化的最佳阈值组。若取阈值化的最佳阈值组。若取M为为2，即分割，即分割成成2类，则可用上述方法求出二值化的最佳阈值。类，则可用上述方法求出二值化的最佳阈值。第5章 图像分割与边缘检测34第5章 图像分割与边缘检测35第5章 图像分割与边缘检测365.p参数法参数法基本思想：基本思想：选取一个阈值选取一个阈值T，使得目标面积在图像中占的比例为，使得目标面积在图像中占的比例为p，背景所占的，背景所占的比例为比例为1-p。适用范围：事先已知目标所占全图像百分比。适用范围

20、：事先已知目标所占全图像百分比。例：例：若一幅图像由亮背景和黑目标组成，已知目标占图像的若一幅图像由亮背景和黑目标组成，已知目标占图像的(100p)%面积。在图像直方图上找到合适的阈值面积。在图像直方图上找到合适的阈值T，f(x,y)=T的象素为背景，将选作用于二值的象素为背景，将选作用于二值化处理的阈值。化处理的阈值。优点：简单高效优点：简单高效缺点：如果图像的先验概率难于估计则无法处理缺点：如果图像的先验概率难于估计则无法处理第5章 图像分割与边缘检测37适用范围：适用范围：1.图像含有图像含有噪声时噪声时，直方图双峰之间的波谷被填充或者双峰相距很，直方图双峰之间的波谷被填充或者双峰相距很

21、近，用全局阈值法无法检出近，用全局阈值法无法检出T。2.当图像目标与背景当图像目标与背景面积差别很大面积差别很大时，在直方图上较小的一方被另时，在直方图上较小的一方被另一方淹没，难以检测到波谷。一方淹没，难以检测到波谷。解决方法：解决方法：利用像素自身的性质，和利用像素自身的性质，和像素邻域的局部性质像素邻域的局部性质(如像素的梯度值与拉如像素的梯度值与拉普拉斯值普拉斯值)来确定阈值，这就是来确定阈值，这就是局部阈值局部阈值。常用的方法：常用的方法：直方图变换法和散射图法直方图变换法和散射图法。5.1.3 局部阈值局部阈值第5章 图像分割与边缘检测38 1.1.直方图变换法直方图变换法基本思想

22、：基本思想：利用像素的某种局部性质，将原来的直方图变换成具利用像素的某种局部性质，将原来的直方图变换成具有有更深波谷更深波谷的直方图，或者使的直方图，或者使波谷变换成波峰波谷变换成波峰，使得谷点，使得谷点或峰点更易检测到。或峰点更易检测到。由微分算子的性质可以推知，目标与背景内部像素的由微分算子的性质可以推知，目标与背景内部像素的梯度小，而目标与背景之间的边界像素的梯度大。于是，梯度小，而目标与背景之间的边界像素的梯度大。于是，可以根据像素的梯度值或灰度级的平均梯度作出一个可以根据像素的梯度值或灰度级的平均梯度作出一个加权加权直方图。直方图。第5章 图像分割与边缘检测39例如，可以作出仅具有低

23、梯度值像素的直方图，即对梯度大的像素例如，可以作出仅具有低梯度值像素的直方图，即对梯度大的像素赋予权值赋予权值0，而梯度小的像素赋予权值，而梯度小的像素赋予权值1。这样，新直方图中对应的波峰基本不变，但因为减少了边界点，所这样，新直方图中对应的波峰基本不变，但因为减少了边界点，所以波谷应比原直方图更深。以波谷应比原直方图更深。也可赋予相反的权值，作出仅具有高梯度值的像素的直方图，它的也可赋予相反的权值，作出仅具有高梯度值的像素的直方图，它的一个峰主要由边界像素构成，对应峰的灰度级可作为分割阈值。一个峰主要由边界像素构成，对应峰的灰度级可作为分割阈值。第5章 图像分割与边缘检测40图图5-4 灰

24、度级平均梯度变换直方图及分割结果灰度级平均梯度变换直方图及分割结果 图图5-4(a)是图是图5-2(a)的直方图；的直方图；图图5-4(b)是原直方图是原直方图除以除以对应灰度级的平均梯对应灰度级的平均梯度得到的新的直方图，可见波谷更深、波峰更高。利用度得到的新的直方图，可见波谷更深、波峰更高。利用Otsu法由新直方图求法由新直方图求得新的最佳阈值为得新的最佳阈值为132，图，图5-4(c)是新的分割结果。是新的分割结果。第5章 图像分割与边缘检测41散射图也可看做是一个二维直方图，其横轴表示灰度散射图也可看做是一个二维直方图，其横轴表示灰度值，纵轴表示某种局部性质值，纵轴表示某种局部性质(如

25、梯度如梯度)，图中各点的数值是，图中各点的数值是同时具有某个灰度值与梯度值的像素个数。同时具有某个灰度值与梯度值的像素个数。2.散射图法散射图法第5章 图像分割与边缘检测42图5-5 图像的灰度和梯度散射图 图图5-5(b)是对图是对图5-5(a)作出的灰度和梯度散射图的一部分，只取实际散射图作出的灰度和梯度散射图的一部分，只取实际散射图左下角左下角12832大小的区域并放大大小的区域并放大3倍，其它部分均为黑色。散射图中某点倍，其它部分均为黑色。散射图中某点的颜色越亮，表示图像中同时具有与该点坐标对应的灰度值和梯度值的像的颜色越亮，表示图像中同时具有与该点坐标对应的灰度值和梯度值的像素越多。

26、素越多。第5章 图像分割与边缘检测43由图可见，散射图中有两个接近横轴且沿横轴相互分开的较大的亮由图可见，散射图中有两个接近横轴且沿横轴相互分开的较大的亮色聚类，分别对应目标与背景的内部像素。离横轴稍远的地方有一些较色聚类，分别对应目标与背景的内部像素。离横轴稍远的地方有一些较暗的点，位于两个亮色聚类之间，它们对应目标与背景边界上的像素点。暗的点，位于两个亮色聚类之间，它们对应目标与背景边界上的像素点。如果图像中存在噪声，则它们在散射图中位于离横轴较远的地方。如果如果图像中存在噪声，则它们在散射图中位于离横轴较远的地方。如果在散射图中将两个聚类分开，根据每个聚类的灰度值和梯度值就可以实在散射图

27、中将两个聚类分开，根据每个聚类的灰度值和梯度值就可以实现图像的分割。现图像的分割。散射图中，聚类的形状与图像像素的相关程度有关。如果目标与背散射图中，聚类的形状与图像像素的相关程度有关。如果目标与背景内部的像素都有较强的相关性，则各个聚类会很集中，且接近横轴，景内部的像素都有较强的相关性，则各个聚类会很集中，且接近横轴，否则会远离横轴。否则会远离横轴。第5章 图像分割与边缘检测44适用范围：适用范围：图像光照不均匀时，背景的灰度值不恒定，目标与背景图像光照不均匀时，背景的灰度值不恒定，目标与背景的对比度也有变化，图像中还可能存在不同的阴影。的对比度也有变化，图像中还可能存在不同的阴影。如果只使

28、用单一的全局阈值对整幅图像进行分割，则某如果只使用单一的全局阈值对整幅图像进行分割，则某些区域的分割效果好，而另外一些区域的分割效果可能很些区域的分割效果好，而另外一些区域的分割效果可能很差。差。5.1.4 动态阈值动态阈值第5章 图像分割与边缘检测45解决方法：解决方法：使阈值随图像中的位置变化，不同区域使阈值随图像中的位置变化，不同区域使用不同的阈值。使用不同的阈值。1)分解图像为多个子图像。子图像目标与背景的对比度也分解图像为多个子图像。子图像目标与背景的对比度也更一致更一致 2)选用全局阈值方法确定各个子图像的阈值。选用全局阈值方法确定各个子图像的阈值。第5章 图像分割与边缘检测46图

29、图5-6(a)中各圆形目标与背景的对比度不一致，左上角的目标与背景的中各圆形目标与背景的对比度不一致，左上角的目标与背景的对比度很小。图对比度很小。图(b)为用为用Otsu法全局阈值化的结果。图法全局阈值化的结果。图(c)用分区网格，用分区网格，它把原始图像均匀地分解为它把原始图像均匀地分解为16幅子图像。对每幅子图像单独使用幅子图像。对每幅子图像单独使用Otsu阈阈值法进行分割，分割结果如图值法进行分割，分割结果如图(d)所示。由图可见，左上角的目标被清所示。由图可见，左上角的目标被清晰地从背景中分离出来。晰地从背景中分离出来。图图5-6 自适应阈值分割自适应阈值分割 第5章 图像分割与边缘

30、检测47一个动态阈值方法的基本步骤：一个动态阈值方法的基本步骤：(1)将整幅图像分解成一系列相互之间有将整幅图像分解成一系列相互之间有50%重叠的子图重叠的子图像。像。(2)检测各子图像的直方图是否具有双峰性质。如果是检测各子图像的直方图是否具有双峰性质。如果是,则采用最优阈值法确定该子图像的阈值，否则不进行处理。则采用最优阈值法确定该子图像的阈值，否则不进行处理。(3)根据已得到的部分子图像的阈值，插值得到其它不具根据已得到的部分子图像的阈值，插值得到其它不具备双峰性质的子图像的阈值。备双峰性质的子图像的阈值。(4)根据各子图像的阈值插值得到所有像素的阈值。对于根据各子图像的阈值插值得到所有

31、像素的阈值。对于每个像素，如果其灰度值大于该点处的阈值，则分为目标像每个像素，如果其灰度值大于该点处的阈值，则分为目标像素，否则分为背景像素。素，否则分为背景像素。第5章 图像分割与边缘检测485.2 5.2 基于区域的分割基于区域的分割区域分割算法区域分割算法FF 阈值分割法没有或很少考虑空间关系，使阈值选择受到限制阈值分割法没有或很少考虑空间关系，使阈值选择受到限制FF 区域的分割方法考虑图像中像素的位置，它利用的是图像的空间性质区域的分割方法考虑图像中像素的位置，它利用的是图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质。，认为分割出来的属于同一区域的像素应具有相似的性质

32、。FF 传统传统的的区域分割算法区域分割算法有有区域生长法区域生长法和和区域分裂合并法区域分裂合并法。该类方法。该类方法在没在没有先验知识可以利用时，有先验知识可以利用时，对含有复杂场景或自然景物等先验知识不足对含有复杂场景或自然景物等先验知识不足的图像进行分割，的图像进行分割，也可以取得较好的性能也可以取得较好的性能。但是，空间和时间开销都但是，空间和时间开销都比较大。比较大。第5章 图像分割与边缘检测49 5.2.1 5.2.1 区域生长区域生长 区域生长的目的是把一幅图像划分成一些区域。最直接区域生长的目的是把一幅图像划分成一些区域。最直接的方法就是把一些的方法就是把一些相似性相似性的点

33、组成区域。相似性准则可以是的点组成区域。相似性准则可以是灰度级、彩色、纹理、梯度或其他特性，相似度可用阈值来灰度级、彩色、纹理、梯度或其他特性，相似度可用阈值来判定。判定。选取的种子像素可以是单个像素，也可以是包含若干个选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。种子像素的选取一般需要先验知识，若没有像素的小区域。种子像素的选取一般需要先验知识，若没有则可借助生长准则对每个像素进行相应计算。则可借助生长准则对每个像素进行相应计算。第5章 图像分割与边缘检测50区域生长的区域生长的步骤步骤：1.从要分割区域找种子（已知）点。从要分割区域找种子（已知）点。2.从种子点开始，找邻域

34、中有相同或相似性质的像素点，从种子点开始，找邻域中有相同或相似性质的像素点，合并到种子点所在区域，从而逐步增长区域。合并到种子点所在区域，从而逐步增长区域。3.将新的像素点作为新的种子点重复将新的像素点作为新的种子点重复24.直到没有可接受的邻近点生成，直到没有可接受的邻近点生成，过程终止。过程终止。第5章 图像分割与边缘检测51 区域生长的区域生长的条件条件：1.已知区域的数目已知区域的数目 2.已知每个区域中各点的位置已知每个区域中各点的位置 3.要确定一个区域与其他区域相区别的特征要确定一个区域与其他区域相区别的特征第5章 图像分割与边缘检测52 区域区域A A 区域区域B B 种子像素

35、种子像素 种子像素种子像素区域生长区域生长第5章 图像分割与边缘检测53相似性准则相似性准则:邻近像素与种子像素的灰度值差邻近像素与种子像素的灰度值差小于小于3。图5-7 区域生长示例 待分割的图像待分割的图像 第一步接受的像素第一步接受的像素 第二步接受的像素第二步接受的像素 最后的生长结果最后的生长结果有有1个种子像素个种子像素第5章 图像分割与边缘检测54553962961(a)初始情形例：利用区域生长法选取种子点分割图像例：利用区域生长法选取种子点分割图像相似性准则：邻近点的灰度值与种子点灰度值的差相似性准则：邻近点的灰度值与种子点灰度值的差 T。536959261(b)T155396

36、2961(c)T2553962961(d)T3图图5-7 区域生长示例区域生长示例第5章 图像分割与边缘检测55第5章 图像分割与边缘检测56 区域分裂合并法：没有先验知识时，按某种一致性原区域分裂合并法：没有先验知识时，按某种一致性原则（灰度均值、方差、边界、纹理）分裂或合并区域，当则（灰度均值、方差、边界、纹理）分裂或合并区域，当一个区域不满足一致性原则时被分裂成几个小的区域，当一个区域不满足一致性原则时被分裂成几个小的区域，当相邻区域性质相似时合并为一个区域。相邻区域性质相似时合并为一个区域。5.2.2 区域分裂合并法区域分裂合并法第5章 图像分割与边缘检测57v 区域分裂区域分裂算法用

37、四叉树数据表示法，算法用四叉树数据表示法，P P：具有的相似性，：具有的相似性，RiRi：子区：子区域域(i=1,2,3,4)(i=1,2,3,4)实现方法：实现方法：FF设整幅图像为初始区域设整幅图像为初始区域R RFF对每一区域对每一区域RiRi，如果，如果P P(RiRi)=FALSE)=FALSE，则把该区域分裂成，则把该区域分裂成四个子区域四个子区域FF如果如果P P(R R)=True)=True或或RiRi为单个像素，分裂停止为单个像素，分裂停止 第5章 图像分割与边缘检测58 第5章 图像分割与边缘检测59第5章 图像分割与边缘检测60v 区域合并区域合并第5章 图像分割与边缘检测61 v 区域分裂合并区域分裂合并第5章 图像分割与边缘检测