数字图像处理 模式识别W.pdf
文本预览下载声明
模式识别：图像分割
• 图像模式识别：分析图像中的内容。
输入：图像； 输出：图像的描述
• 统计模式识别的三个阶段：
图像分割：检测出各个物体，并使之相互分离
特征抽取：对物体进行度量，产生特征向量
分类估计：确定物体特征类型。
x1
x2
...
xn
图像分割 特征提取 分类
物体图像 特征向量 物体类型
模式识别示例
• 特征向量：直径和颜色
模式识别系统设计
• 物体检测器设计：
– 选择能够将图像中各个物体分离开的景物分割算法。
• 特征选择：
– 确定能够最好地辨别物体类型的物体性质以及如何度量这些
性质的方法。
• 分类器设计：
– 建立分类算法的数学基础并选择所使用的分类器的结构类
型。
• 分类器训练：
– 确定分类器中各种可调整的参数（决策界限等）使之适应被
分类的物体。
• 性能评估：
– 估计各种可能的错分类率的预期值。
图像分割处理
• 图像分割：
– 将数字图像划分成互不相交(不重叠)区域。
• 区域是像素的连通集。
• 连通：
– 任意两个像素之间存在一条完全由这个集合的元素构成的连
通路径。连通路径是一条可在相邻像素间移动的路径。
• 连通性准则：
– 4连通和8连通
• 图像分割与人类视觉没有对照关系。
• 图像分割可以采用三种不同的原理来实现：
– 区域方法：把各像素划归到各个物体或区域中。
– 边界方法：只需确定存在于区域间的边界。
– 边缘方法：先确定边缘像素，并把它们连接在一起以构成所
需的边界。
图像分割：阈值方法
• 阈值方法是一种区域分割技术，通过将图像分为内部
点集和外部点集来对图像进行分割。它适合于物体与
背景有较强对比的景物。
• 当使用阈值规则进行图像分割时，所有灰度值大于或
等于某阈值的像素都被判属于物体。所有灰度值小于
该阈值的像素被排除在物体之外。
• 如果感兴趣的物体在其内部具有均匀一致的灰度值并
分布在一个具有另一个灰度值的均匀背景上，使用阈
值方法效果就很好。
• 如果物体同背景的差别在于某些性质而不是灰度值
（如纹理等），那么，可以首先把那个性质转化为灰
度，然后，利用灰度阈值化技术分割待处理的图像。
图像分割：阈值方法
阈值方法：全局阈值
• 采用阈值确定边界的最简单做法是在整个图像中将灰
度阈值的值设置为常数。
• 如果背景的灰度值在整个图像中可合理地看作为恒
定，而且所有物体与背景都具有几乎相同的对比度，
那么，只要选择了正确的阈值，使用一个固定的全局
阈值一般会有较好的效果。
Background Threshold 255 f ≥t
Object f t 0 f t (thresholding)
f f
显示全部