系统学习数字图像处理之图像分割

图像分割,有区域法,直接确定边界,边缘检测法,大多数算法基于灰度的不连续性(边缘检测)和相似性(阈值处理,区域生长,区域分裂,区域聚合)。

边缘分类:台阶边缘,斜坡边缘,屋顶边缘,一阶导数会产生粗边缘,二阶导数会产生精细边缘,在增强剧烈变化方面,二阶导数比一阶导数更加激进,同时二阶导的正负号反应边缘的类型(亮到暗或者暗到亮),即二阶导数有双边缘效应,二阶导的零交叉点可以确定粗边缘的中心位置。实际中,常见的都是斜坡边缘,台阶边缘更用于算法推导,例如Canny算法。而屋顶边缘常见于道路这样的特征。屋顶边缘的宽度,也叫基底是由该线的宽度和尖锐度决定。

一阶导数,可以确定一个点是否存在一个边缘,二阶导数可以确定该点是在亮侧还是暗侧。

基本的边缘检测有:

梯度,即一阶导数,梯度方向与边缘方向正交,常见算子有罗伯特交叉算子,普瑞维特算子,索贝尔算子

更先进的边缘检测技术:

即二阶导数

LOG算子

http://blog.sina.com.cn/s/blog_73428e9a0101abwb.html

canny算子

http://www.cnblogs.com/CBDoctor/archive/2011/10/21/2220331.html


灰度阈值分割核心点:
1.直方图波峰距离,
2.噪声
4.光源的均匀性
5.图像反射特性的均匀性
光照和反射是是核心考虑问题,可以用三种方式矫正阴影
1.直接矫正阴影
2.顶帽变换
3.可变阈值近似,即由领域决定指定像素的阈值

大津算法 http://blog.csdn.net/timidsmile/article/details/8493468

阈值分割方法:
1.物体和背景的相对大小 分布明显时(即背景和物体的直方图存在相当清晰的波谷时),可全局阈值,给出一个估计初始值,然后不断计算阈值上/下像素的均值,阈值等于该均值的均值,如此迭代,直到T值间差在一定范围内。
2.OTSU最佳全局阈值算法。
3.利用边缘位置像素的直方图,全局分割图像。
4.多阈值处理,即Otsu分多个类,与Otsu类似,但在求k时,要嵌套循环讨论,例如k1从1~k2时,每增加一次,则k2在k1~L-1范围内遍历一次。
5.可变阈值分析,包括:
图像分块,即将图像划分成若干小矩形,进行近似均匀。补偿光照和反射的不均匀性。
基于局部图像特性,即领域内的均值和标准差值,计算出局部阈值。
移动平均,即滑动窗口计算出平均阈值。可减少光照偏差。
6.多个变量阈值,例如彩色,利用欧式距离,以及更有用的马氏距离。
区域分割方法:
其思想是,选择与输入图像相同大小的种子阵列,种子阵列中种子点的位置为1,其他为0.然后在输入图像中每个p(x,y)出判断是否满足一定的属性,满足该属性的点形成一幅二值图像fQ,那么分割图像是fQ中满足8连接的所有1值点添加到种子阵列中的种子点。然后标记处分割图像中的每个连通分量。
区域分裂和聚合:
将原始图像分割成四象限数据,不满足属性的象限数据再分裂,即四叉树。然后对任意两个满足属性的区域进行聚合、直到聚合停止。

分水岭分割算法
http://blog.sina.com.cn/s/blog_725866260100rz7x.html

图像分割完整总结
http://baike.baidu.com/link?url=X3uqhj3SnAfLM77VgX4ndqH5_ZZr4RZ7re4YhoxVRQvQ7XIYgNBE1zTI7fuErt08_mnb3kes3jIsr7_JjCy3sa



你可能感兴趣的:(图像处理)