第十章 圖像分割

• 第十章 圖像分割
  • 一點線和邊緣檢測
    • 1 背景知識
    • 2 孤立點的檢測
    • 3 線檢測
    • 4 邊緣模型
    • 5 基本邊緣檢測
      • 51 梯度及性質
      • 52 梯度算子
    • 6 更先進的邊緣檢測技術
      • 61 Marr-Hildreth邊緣檢測器
      • 62 坎尼邊緣檢測器
    • 7 邊緣連接和邊界檢測
  • 二閾值處理
    • 1 基本的全局閾值處理
    • 2 用Otsu方法的最佳全局閾值處理
  • 三區(qū)域分割
    • 1 基于區(qū)域的分割
      • 11 區(qū)域生長
      • 12 區(qū)域分割與聚合
    • 2 用形態(tài)學分水嶺的分割
    • 3 分割中運動的應用

本章中的多數分割算法均基于灰度值的兩個基本性質之一：不連續(xù)和相似性。對于不連續(xù)的灰度，方法是以灰度突變?yōu)榛A分割一幅圖像，例如邊緣。對于相似的灰度，主要方法是根據一組預定義的準則把一幅圖像分割為相似的區(qū)域，例如閾值處理、區(qū)域增長、區(qū)域分裂和區(qū)域聚合。

一：點、線和邊緣檢測

1.1 背景知識

一階導數：

二階導數：

在增強細節(jié)方面，二階導數遠強于一階導數：
1. 一階導數通常在圖像中產生較粗的邊緣；
2. 二階導數對精細細節(jié)，如細線、孤立點和噪聲有較強的響應；
3. 二階導數在灰度斜坡和灰度臺階過渡處會產生雙邊緣響應；
4. 二階導數的符號可用于確定邊緣的過渡是從亮倒暗還是從暗到亮。

1.2 孤立點的檢測

孤立點的檢測應以二階導數為基礎，使用拉普拉斯算子：

1.3 線檢測

線檢測同樣可以使用拉普拉斯模板，但拉普拉斯檢測子是各向同性的，因此其響應與方向無關，也可以使用與方向有關的改進算子：

1.4 邊緣模型

臺階模型；

斜坡模型；

屋頂邊緣模型。

一階導數的幅度可用于檢測圖像中的某個點處是否存在一個邊緣。二階導數的符號可用于確定一個邊緣像素是位于該邊緣的暗側還是亮側。二階導數的附加性質：

對圖像中的每條邊緣，二階導數生成兩個值；

二階導數的零交叉點可用于定位粗邊緣的中心。

1.5 基本邊緣檢測

1.5.1 梯度及性質

1.5.2 梯度算子

一維模板：



Roberts：



Prewitt：



Sobel：



用于檢測對角線邊緣的Prewitt和Sobel：

1.6 更先進的邊緣檢測技術

1.6.1 Marr-Hildreth邊緣檢測器

高斯拉普拉斯LoG：

1.6.2 坎尼邊緣檢測器

1.7 邊緣連接和邊界檢測

理想情況下，邊緣檢測應該僅產生位于邊緣上的像素集合。實際上，由于噪聲、不均勻照明引起的邊緣間斷，以及其他引入灰度值虛假的不連續(xù)的影響，這些像素并不能完全描述邊緣特性。因此，一般是在邊緣檢測后緊跟連接算法，將邊緣像素組合成有意義的邊緣或區(qū)域邊界。

二：閾值處理

圖像閾值處理在圖像分割應用中處于核心地位。

2.1 基本的全局閾值處理

2.2 用Otsu方法的最佳全局閾值處理

三：區(qū)域分割

3.1 基于區(qū)域的分割

3.1.1 區(qū)域生長

區(qū)域增長包含的三個條件為：（1）選定增長的起始點（核）；（2）確定增長的規(guī)則；（3）確定增長的結束條件。

3.1.2 區(qū)域分割與聚合

3.2 用形態(tài)學分水嶺的分割

3.3 分割中運動的應用

總結

以上是生活随笔為你收集整理的《数字图像处理 第三版》(冈萨雷斯)——第十章 图像分割的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。