模式识别-图像分割.ppt

第18章　模式识别：图像分割;18.1.1　统计模式识别 ;　　图像分割或物体分离阶段：检测出各个物体，并把它们的图像和其余景物分离。（MPEG-4所关心的核心问题之一就是视频对象的分离）。 　　特征抽取阶段：对检测出的物体进行度量，得到某个度量值（如尺寸、颜色、形状等），而特征则是一个或多个度量的函数。通过计算，可以对物体的一些重要特征进行定量化表示，形成一组特征，从而构成特征向量。实际上，度量抽取的特征向量可以是n维的，引入n维空间的概念，于是，任一特定物体都对应于特征空间中的一点。 　　分类阶段：以物体的特征向量为依据对物体进行分类，输出一种决策，也就是确定了每个物体应该归属的类别。在这一阶段，每一个物体都会被指定属于若干预先定义好的组（类）中的某一个组。出现分类错误的概率称为误判率。 ;10cm Red Circle;18.1.2 模式识别的一个例子;18.1.3　模式识别系统的设计 ;目的：将图像划分成互不相交的区域;图像分割采用三种不同的原理来实现： 　　区域分割：把具有同属性各像素划归到各个物体或区域中。 　　边界分割：确定存在于区域间的边界。 　　边缘分割：先确定边缘像素并把它们连接在一起以构成所需的边界。;18.3　使用阈值进行图像分割 ;18.3.1　全局阈值化 ;18.3.3　最佳阈值的选择 ;18.3.3.2　自适应阈值 二次处理，即先将图像分成100?100的像素块，根据各块的灰度直方图确定阈值（背景与主体的峰的中点） 第一次：由各块阈值定边界，目的是计算出物体内部的平均灰度。 第二次：每个物体使用各自的阈值，如A浅一些而B深一些。这个阈值由其内部灰度值和它的主块的背景灰度值的中间值定义。 A的平均灰度　A主块的背景灰度 　　　中间值即阈值;18.3.4　点状物体的分析 ;　　显然，对CCS来说，Bp(r,?)与?无关（各向同性），称其为点轮廓函数（Spot profile function）。;18.3.4.2　直方图与轮廓 　　假定一幅CCS图像B(x,y)的轮廓函数为Bp(r) 。;18.3.4.3　由面积函数导出的轮廓函数;18.3.4.4　由周长函数导出的轮廓函数;18.3.4.5　非圆形的或是有噪声的点状物体;18.3.5　平均边界梯度 ;18.3.6　一般形状的物体 ;18.3.7　分水岭算法 ;　　不是根据物体内、外部点集找阈值，而是用高梯度值直接找边界。;前一点;　　是分水岭算法在梯度图像中的应用。;18.4.3　拉普拉斯边缘检测 ;0;　　确定图像中物体边界的另一种方法是：先检测每个像素和其直接邻域的状态，以决定该像素是否确实处于一个物体的边界上。具有所需特性的像素被标为边缘点。当图像中各个像素的灰度级用来反映各像素符合边缘像素要求的程度时，这种图像被称为边缘图像，即边缘图（edge map）。 　　边缘图通常用边缘点勾画出各个物体的轮廓，但不一定形成闭合且连通的边界，因此需进行边缘点连接，以形成闭合的连通边界。;18.5.1　边缘检测 ;以Sobel边缘算子为例。;直接求梯度;18.5.2　边缘连接 ;(0, 0.5);　　把一幅图像分成许多小区域，因而出现许多边界（小邻域甚至单个像素）。然后在每个区域中对经过适当定义的能反映一个物体内成员隶属程度的性质（度量）进行计算。;　　只有两个灰度级的图像。是数字图像的重要子集。通常由图像分割操作产生。当初始分割不满意时，用二值图像处理可提高其质量。;　　这种方法可以用一个“击中－击不中”变换（HMT）的逻辑运算实现。此时，查表用来寻找特定模式。;3x3全黑模板;18.7.1　数学形态学图像处理 ;18.7.1.1　集合论术语 　　在形态学处理语言中，二值图像B和结构元素S都是定义在二维笛卡尔网格上的集合，“1”即是集合中的元素。 　　当一个结构元素的原点位移到点（x,y）时，记为Sxy。形态学运算的输出是另一个集合。;18.7.2.1　腐蚀（Erosion） 　　消除物体的所有边界点，使剩下的物体沿周边内缩一个像素。;18.7.3　开运算和闭运算 ;18.7.4　腐蚀和膨胀的变体;18.7.4.3　抽骨架（Skeletonization） 　　又称中轴变换（Medialaxis transform）或焚烧草地（Grass-fire technigue）。与细化类似，但中轴骨架在拐角处延伸到边界。这里，中轴是所有与物体在两个或更多非边界点处相切的圆心的轨迹。;18.7.4.4　剪枝（Pruning） 　　细化或抽骨架会在图中留下毛刺，通过消除端点的3×3运算（导致所有分支缩短）实现消毛刺，然后再重建留下的分支。;18.7.5　距离变换;　　二维距离变换，用一个类似于卷积核的模板，以一种类似于卷积的操作，在整幅图像中移动。 　　像一维距