(这里写自定图像分割把图像细分为其组成区域或物体,细分程度取决于要解决的问题。也就是说,细分
应在感兴趣物体已被隔离后停止。例如,在电子装配线的自动检测中,目的在于分析产品的图像,
以判断特定异常是否存在,如元件缺失或连线断裂等。没有必要进行超过识别这些元件所需细节
的分割。
特殊图像的分割是图像处理中最困难的任务之- - 。分割的精度决定了最终计算机分析过程的成功
与否。因此,应该仔细考虑稳定分割的可能性。在某些情况下,如工业检测应用,至少有时在控制环
境下的某些测量是可能的。在其他情形下,如在遥感应用中,用户对图像获取的控制主要受限于成像
传感器的选择。
单色图像的分割算法通常基于图像灰度值的两个基本性质:不连续性和相似性。在第-类算法中,
方法是基于灰度的突变(如边缘)来分割图像。第二类算法的主要方法是根据- -组预定义的规则,将图
像分割成相似的区域。
例1.1点检测。
图7.2(a)显示了一幅图像f,在球体的东北象限有- 个几乎看不见的黑点。我们按如下方式检测该点:
W=[-1-1-1; -18-1;-1-1 -1];
》> g= abs(imfilter(tofloat(f), w));
》> T= max(g();
g=g>=T;
imshow(g)
通过将T选为滤波后图像g中的最大值,然后在g中找到满足g >= T的所有点,我们就可识别出最大
响应的点。假设这些点是镶嵌在恒定或近似恒定背景上的孤立点。因为此时T被选定为g中的最大值,所
以g中不存在比T值大的点;为使表述上-致,我们使用运算符>=(代替=)。如图7.2(b)所示,T设置为
max(g()时,有一个孤立的点满足条件g >= T。
ab
图7.2 (a) 在球体东北象限中带有一个几乎看不见的孤立黑点的灰度图像;
(b)显示了所检测到的点的图像(为便于观看,该点已被放大)例子如下:
例2检测指定方 向的线。
图7.4(a)显示了一个电路连线板的数字化(二值)部分。图像大小是486x486像素。假设要找出一个像
素宽、方向为+450的所有线。为此,我们使用图7.3中的第二个模板。图7.4(b)到图7.4(f)是使用如下命
令生成的,其中f是图7.4(a)中的图像:
》> w=[2-1-1; -12-1;-1 -1 2];
g= imfilter(tofloat(f), w);
imshow(g,[ ]) % Fig. 7.4(b)
》> gtop = g(1:120, 1:120); % Top, left section.
》> gtop = pixeldup(gtop, 4);者Enlarge by pixel duplication.
figure, imshow(gtop, []) % Fig. 7.4©
gbot = g(end- 119:end, end一119:end) ;
》gbot = pixeldup(gbot, 4);
figure, imshow(gbot, []) % Fig.7 .4(d)
》> g= abs(g);
figure, imshow(g,[ ]) % Fig.7.4(e)
》>T= max(g();
g=g>=T;
》figure, imshow(g) % Fig. 7.4(f)
例.3使用Sobel 边缘检测器。
使用如下命令可提取并显示图7.6(a)中图像f的垂直边缘:
[gv, t]= edge(f, ‘sobel’,‘vertical’ );
》imshow(gv)
t
t=
0.0516