数字图像处理 图象分割

第十五章 图象分割

目录

1.    引言

2.    阈值与图象分割

3.    梯度与图象分割

4.    边界提取与轮廓跟踪

5.    Hough变换

6.    区域增长

作业

---

1.  引言

      图象分割是将图象划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的象素的连通集合，如物体所占的图象区域、天空区域、草地等。连通的概念是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分，如下图所示：

  
上图中每个格子表示一象素，中心的象素与周围的其它象素分别在四邻域和八邻域的意义下是相邻的，即彼此连通。

      图象分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。

      图象分割是图象理解的基础，而在理论上图象分割又依赖图象理解，彼此是紧密关联的。图象分割在一般意义下是十分困难的问题，目前的图象分割一般作为图象的前期处理阶段，是针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图象分割。

2.  阈值与图象分割

      阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图象处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。

·        全局阈值

        全局阈值是指整幅图象使用同一个阈值做分割处理。适用于背景和前景有明显对比的图象。

·        自适应阈值

      在许多情况下，物体和背景的对比度在图象中不是各处一样的，这时很难用统一的一个阈值将物体与背景分开。这时可以根据图象的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图象分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图象分割。

·        最佳阈值

      阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图象，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。

　 

　 

      在阈值化处理之后，可以通过直接跟踪物体边界的方法将物体区域分割出来，得到其轮廓并进一步分析其几何形状特征。

3.梯度与图象分割

当物体与背景有明显对比度时，物体的边界处于图象梯度最高的点上，通过跟踪图象中具有最高梯度的点的方式获得物体的边界，可以实现图象分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图象进行平滑等处理，再采用边界搜索跟踪算法来实现。

　梯度图象 阈值化梯度图象

　阈值图象经闭运算得到的图象

4.边界提取与轮廓跟踪

为了获得图象的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge, LoG（参见第七章）。在边缘图象的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。

　 阈值化图象抽取边缘 

　 边缘细化后的图象

• 边界链码

      链码是从物体边界上的任意一个点（x, y）出发，而后只记录下一个边界点的方向码，直至回到出发点为止的编码序列。在采用边界跟踪方法获取物体边界轮廓时，可以直接得到边界链码。

　

图片来自：MilanSonka(..\..\download_IPCVPR\DIP of MilanSonka\datastructureinimageprocessing.htm)

5.Hough变换

对于图象中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。

·        抽取线条特征

直线在极坐标系下具有如下的参数方程形式：

首先将参数空间量化为等间隔的小区域，然后针对超过给定阈值的所有边缘点，对于每个将其映射到的参数空间中的小区域中，记数落到每个小区域的点数。最后，取具有最大频度的若干小区域的参数作为线条特征的参数，得到图象中主导性的线条特征。

    不难看出，这种方法同样可以推广到圆或椭圆等其它可以表示成参数形式的特征的抽取中。

有关Hough变换的详细内容可以参考：Daisheng Luo,Pattern recognition and image processing, Chichester, Horwood Publishing, 1998 (This book is specifically aimed at objectshape,orientation, and arrangement analysis and classification)。

有关Hough变换的的综述可以参考：Illingworth, J. and Kittler, J. (1988) A survey of the Houghtransform. Comput.Vision, Graphics, Image Processing, Vol.22, pp.87-116.

6.区域增长

      区域增长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

      区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图象，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。

作业

1.    编制一个能够将工作台上薄平工件分割出来的程序，利用阈值化处理和边界跟踪方法将工件的轮廓得到。

2.    编制检测图象中主导线条特征和圆形特征的Hough变换程序。

3.    编制区域增长程序，将复杂的图像分割成小区域。

---

返回主目录 返回本章目录

清华大学计算机系 艾海舟

最近修改时间：2001年7月19日

出处：http://media.cs.tsinghua.edu.cn/~ahz/digitalimageprocess/CourseImageProcess.html