第十章 图像分割 题目

第十章 图像分割

1. 简述边缘检测。（2010）

边缘检测是基于灰度不连续性的分割方法，通常采用梯度、拉普拉斯算子及各种高通滤波处理方法进行边缘检测。

1. 简述基于区域的图像分割（2010）

利用同一区域内灰度值的相似性，将相似的区域合并，不相似的区域分离，最终达到分割目的，常用的方法有区域生长法、区域分裂与聚合法。

1. 简述梯度法与拉普拉斯算子检测边缘的异同点。（2016）

梯度算子：gx=f(x+1,y)-f(x,y),gy=f(x,y+1)-f(x,y)

拉普拉斯算子：f(x+1,y)+f(x,y+1)+f(x-1,y)+f(x,y-1)-4f(x,y)

相同点：都是基于灰度不连续性的原理进行边缘检测，且都对噪声敏感

不同点：梯度算子检测边缘利用的是灰度变化的一阶导数特性，认为极值处对应边缘点，即用幅度来检测边缘；拉普拉斯算子检测边缘利用的是灰度变化的二阶导数特性，在每条边缘生成两个值，符号用于确认明暗过渡情况，利用零交叉点来确定粗边缘的中心

1. 对比robert算子和prewitt算子在边缘检测中的优缺点。（2020）

robert算子：交叉梯度算子。优点在于对边缘的定位准确；缺点在于对噪声敏感

prewitt算子：加权平均算子。优点在于对噪声有一定的抑制作用；缺点在于对边缘的定位不如robert算子

1. 简述sobel算子和laplace算子的优缺点。（2021）

sobel算子：一阶差分加权算子。优点在于对灰度渐变的图像处理效果好，对噪声不敏感。缺点在于对边缘定位不是很准确。

laplace算子：二阶各向同性算子。优点在于对任何方向的边缘都有响应。缺点在于对噪声敏感。

1. 阈值处理是图像分割中一种有效的技术，其中的阈值选择极为关键，请给出一种自动估计阈值的算法。（2015）

    

1. 简述霍夫变换用于边缘检测的原理。（2016）

霍夫变换利用了点和线的对偶性，图像空间中的每个点映射到参数空间中为一条直线，图像空间中的一条直线映射到参数空间中为一个点。那么在图像空间中寻找共线的点形成的直线边缘就转化为在参数空间中寻找公共点的问题。即在参数空间中找到一点有最多的直线交汇于此，则将该点映射回图像空间便找到了图像空间中的一条公共直线。

1. 对可能含有高斯噪声或椒盐噪声的齿轮图片，提出一种二值化方法，提取出连续没有噪声的齿轮轮廓。（2019）

1. 首先对图像使用修正的阿尔法滤波器进行滤波处理（适合去除椒盐噪声和其他噪声一起的混合污染）
2. 使用梯度算子或拉普拉斯算子对图像进行边缘提取
3. 将图像进行二值化处理
4. 对二值化图像进行闭运算，连接狭小缝隙，得到连续的边界

1. 有一个被正弦亮度遮蔽污染的文本图像，请设计基于局部图像特性的可变阈值处理方法恢复文本图像。（2016）

    

1. 简述canny边缘检测算子的基本步骤。（2020）

1. 用一个高斯滤波器平滑输入图像，避免边缘检测受到噪声影响
2. 计算梯度幅值图像和角度图像
3. 对梯度图像采用非极大值抑制，去除可能不构成边缘的像素
4. 用双阈值处理图像，大于最大阈值的判定为边缘，小于最小阈值的判定为非边缘，处于两个阈值之间的，通过连通性分析，仍连接到确定边缘的，则判定为边缘，否则判定其为非边缘

1. 为什么可以利用边缘信息改进全局阈值分割？请设计一个相应的算法。（2015）

因为用微分算子处理图像后只剩下了边界中心两边的像素，此时像素分布在物体和背景上的概率基本相等，避免了前景和背景所占图像区域面积差别较大时造成的灰度直方图波峰差异较大的情况，并且增加了波峰的对称性。

算法：（1）用梯度或拉普拉斯算子处理图像并取绝对值，得到边缘图像

      （2）指定一个阈值，对微分图像进行二值化处理

      （3）用二值化图像与原图像相乘，只关注原图像中边缘阈值处理后为1 处的像素的灰度值

      （4）使用otsu算法对图像进行阈值分割

1. 简述分裂聚合法的步骤。（2020）

1. 对图像进行分裂，一分为四，检验计算每个子区域的方差，判断其是否超过阈值E
2. 对方差超过E的区域再进行分裂，直到所有区域的方差小于E（习惯上会设定一个最小区域尺寸）
3. 对灰度级相近的子区域进行合并

1. 请简述利用区域生长方法进行图像分割的基本过程。（2015）

基本思想：从种子区域开始，逐步增长，获得满足一致性准则的最大区域

基本过程：（1）选择种子区域作为起点

          （2）按照预先确定的生长准则对相邻像素进行判断，生长区域

          （3）根据生长停止条件或生长准则判断生长停止，完成图像分割

1. 图像中背景像素的均值与标准差为110和20，目标像素的均值与标准差为200和45。请提出一种基于区域

生长的方法将目标和背景分割开来。（2019）

由于目标像素的标准差较大，考虑由背景像素进行生长，然后由原图像减去背景从而得到目标图像

过程：（1）逐个扫描图像中的每个像素点

      （2）将灰度值为110的像素点作为种子点，开始区域生长

      （3）若根据一致性准则无法再生产或达到图像边缘，停止生长，完成分割

一致性生长准则：与种子点的灰度值差值小于20x3=60的点，将其纳入生长范围（3sigma原则）

1. 简述分水岭算法及其基本步骤。（2018）

算法思想：把图像中每一点像素的灰度值表示成该点的海拔高度，每一个局部极小值及其周围区域称为集水盆，集水盆的边界形成分水岭。可通过模拟浸入过程来说明，首先在各极小值区域的表明打一个小孔，让水同时以相同的速率上升，从低到高淹没整个地形，不同区域的水流相遇时的边界，即为分水岭。

基本步骤：先把图像转化为灰度梯度图像，在梯度图像内逐渐增加灰度阈值，每当它大于一个局部极大值时，把当前的二值图像与前一个时刻的二值图像进行异或操作，从而确定灰度局部极大值，根据所有的灰度局部极大值的位置集合就可以确定分水岭所处的位置。

1. 给定包含两类对象的双驼峰直方图，并且每个驼峰形状可用高斯曲线来近似，其均值分别为m1和m2。根

据全局最优阈值选择原理，问在什么条件下图像的阈值可选为(m1+m2)/2？（2012）

   

   

结论：当背景和目标像素所占比例相同，且方差相同时，最佳阈值为二者均值的平均

1. 图像中物体和背景像素灰度值的分布由两个二次函数给出，（1）在平面坐标上描绘出这两个分布的图像，并确定阈值的变化范围（2）给定图像中物体所占整幅图像素的比例，确定阈值使得错分的像素最少。（2011）

    

1. 使用无人机对地面进行视频拍摄，对路面进行建模，使用什么样的方法可以发现运动中的物体。（2019）

首先要建立参考图像。将第一幅图像作为参考帧，当一个非固定成分完全移出参考帧时，将当前帧中的背景复制到参考帧中被该成分所占据的位置，重复该操作直到所有非固定成分都被移出，从而恢复出静止的参考图像。然后以该静止参考帧图像作为基础，比较观察图像的正ADI便能发现运动物体。