图像识别模式(5-8章)课件.pptx

1、第五章第五章 图像分割图像分割5.1 图像分割方法概述 5.2 基于区域的图像分割方法 5.3 基于边缘检测的图像分割方法 5.4 基于改进的主动轮廓模型的图像分割方法 5.5 结合其他理论的图像分割方法 5.6 基于图像分割的运动目标检测 5.7 基于图论的分割方法 5.8 实际应用 1图像分割是图像模式识别的关键技术，特别是视频图像分割是很多图像处理和计算机视觉系统的重要组成部分，是图像处理、分析与理解中的一个基本问题。图像分割是设计和实现图像分析、文本字符识别、目标自动获取等系统所面临的首要任务。由于图像分割问题的重要性和基础性，一直受到国内外学者的高度重视，并涌现出了很多图像分割方法。

2、本章介绍图像分割的基本方法。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。25.1 图像图像分割方法概述分割方法概述数字图像处理常用的图像分割数字图像处理常用的图像分割算法：算法：基于阀值的分割方法基于边缘的分割方法基于区域的分割方法基于聚类分析的图像分割方法基于小波变

3、换的分割方法基于数学形态学方法基于人工神经网络的方法基于遗传算法的方法31.基于阈值的分割方法：可在各种颜色空间或不同通道中完成阈值、自适应阈值2.基于边缘的分割方法：各种边缘检测算子3.基于区域的分割方法：分水岭、区域归并与分裂4.图割分割：最大流（最小割）算法5.基于深度信息的分割：6.基于先验信息的分割：常见的图像分割方法有以下几种：常见的图像分割方法有以下几种：1.基于阈值的基于阈值的分割分割方法。方法。灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。2.基于区域的基于区域的分割分割方法。方法。区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤

4、的处3.基于边缘的基于边缘的分割分割方法。方法。基于边缘的分割方法是指通过边缘检测，即检测灰度级或者结构具有突变的地方，确定一个区域的终结，即另一个区域开始的地方。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。4.基于特定理论的基于特定理论的分割分割方法。方法。图像分割至今尚无通用的自身理论。随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法，等。45.基于基因编码的分割方法基于基因编码的分割方法 基于基因编码的分割方法是指把图像背景和目标像素用不同的基因编码表示，通过区域性的划分，

5、把图像背景和目标分离出来的方法。该方法具有处理速度快的优点，但算法实现起来比较难。6.基于小波变换的分割方法基于小波变换的分割方法 小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，并且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。7.基于神经网络的基于神经网络的分割分割方法。方法。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。5评价准则评价准则为了使评价准则实用、准确，评价准则应满足以下基本要求：具备通用性，即所选定的评价准则能够适用于不同类型

6、的分割算法及各种应用领域；使评价结果具有可比性。选取通用的图像作为参照进行测试以使各评价结果具有可比性，这些图像应尽可能的反映客观世界的真实情况和实际应用的共同特点的图像进行测试；应采用定量的和客观的性能评价准则，这里的定量是指能够客观的描述算法的性能，客观指评价结果脱离的人为因素的干扰。评价标准应不仅可以摆脱人为因素且能精准描述算法性能的评价准则；制定评价准则的关键在于：1)分析分割算法的机制或实验分割算法的途径；2)用来评判算法的性能准则。65.2基于基于区域的图像分割方法区域的图像分割方法区域分割具有下列特点：(1)均匀性：在一个区域内，各个部分或各个象元应该具有相同的图像属性；(2)连

7、通性：一个区域应该是整块的，即内部各象元相互连通，很少出现空洞或裂缝；(3)边缘完整性：一个区域与其他区域的分界处，存在边缘或边界，一个区域的边界曲线显然应该是封闭的；(4)反差性：两个不同类型的区域有着不同的图像属性，特别是那些相邻区域应该有明显不同的图像特性。缺陷在于它仅仅考虑图像的灰度信息，而忽略图像中的空间信息，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。区域生长区域生长区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于：初始点(种子点)的选取、生长准则和终止条件。区域生

8、长一般步骤为：选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。当不再有像素满足加入这个区域的准则时，区域生长停止。一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会停止。区域生长是串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。8区域分裂、合并区域分裂、合并首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。若把一幅图像分裂到像

9、素级，那么就可以判定该像素是否为前景像素。当所有像素点或子区域完成判断后，把前景区域或像素合并就可得到前景目标。当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就将相似区域进行合并，最后达到分割的作用。9区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割等类似先验知识不足的图像分割，效果较为理想。优点：对复杂图像的分割效果较好，不需要预先指定种

10、子点；缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。区域增长的缺点是图像分割效果依赖于种子点的选择及增长顺序；区域分裂技术的缺点是可能会使边界被破坏。10混合模型混合模型一般应用时，将区域增长和区域分裂+合并技术相结合，以便把相似的子区域合并成尽可能大的区域，提高后续处理的效率。对图像分割合并前一般需要定义图像区域的同一性准则。经常采用的有颜色分量的一维直方图准则、最小色差准则等。若图像中较小的区域有噪声，合并过程中噪声会被作为一个色组保留下来，这时可以采用最小误差准则，即在考虑色差的同时也考虑所包含的像素点。与最小色差准则法比较发现，最小色差准则法产生误差的原因一般是在合并的初期保

11、留了噪声色，而最小误差准则法的误差则是在合并的后期不适当的合并了小区域而引起的。因此，若在聚类初期采用最小误差准则法合并掉图像中大量的像素点数很小的噪声色，在颜色数合并到一定数时再采用最小色差准则法以保留面积较小的区域，可以使两者相互结合，取长补短，达到最佳聚类分割的效果。11利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的子块的像素即

12、位置信息，返回值vals是dimdimk矩阵，k是符合dimdim大小的子块个数，qtsetblk将四叉树分解得到的子块中符合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀值为0.2进行四叉树分解，结果如图所示。12基于阈值的灰度图像分割方法基于阈值的灰度图像分割方法阈值分割是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对应单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称

13、为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点，成本低廉，实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下，该算法能非常有效地实现对图像的分割。阈值分割方法的关键是如何取得一个合适的阈值，近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等，更多的情况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。13最小误差分割最小误差分割1415基于最小误差的图像分割方法程序代码：function threshold=Minmum

14、(im)tt=cputime;out_im=im;M,N=size(im);MAX=double(max(im(:);tab(1:MAX+1)=0;h=imhist(im);h=h/(M*N);p=0.0;u=0.0;for i=0:MAXp=p+h(i+1);u=u+h(i+1)*i;end for t=0:MAX p1=0.0;u1=0.0;k1=0.0;k2=0.0;pp1=0.0;pp2=0.0;kk1=0.0;kk2=0.0;for i=0:t%计算1阶统计矩u1,u2 p1=p1+h(i+1);u1=u1+h(i+1)*i;end if(p-p1)=0)u2=(u-u1)/(p-p

15、1);else u2=0;endif(p1=0)u1=u1/p1;else u1=0;end for j=0:t%计算2阶统计矩K1,K2k1=k1+(j-u1)*(j-u1)*h(j+1);endfor m=t+1:MAXk2=k2+(m-u2)*(m-u2)*h(m+1);end if(p1=0)k1=sqrt(k1/p1);pp1=p1*log(p1);end if(p-p1)=0)k2=sqrt(k2/(p-p1);pp2=(p-p1)*log(p-p1);endif(k1=0)kk1=p1*log(k1);endif(k2)=0)kk2=(p-p1)*log(k2);end tab(

16、t+1)=1+2*(kk1+kk2)-2*(pp1+pp2);%判别函数endMin=min(tab);th=find(tab=Min);temp1=size(th);if(temp1(2)=1)threshold=th;elsethreshold=fix(mean(th);threshold=threshold/255;endBW=im2bw(I,threshold);imshow(BW);%图像二值转换、画图，如图所示end1617基本全局阈值分割方法基本全局阈值分割方法为了自动选择阈值，根据图像中目标的灰度分布情况，选取一个近似阈值作为初始阈值，较好的方法就是将图像的灰度均值作为初始阈值

17、；然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值。其选取过程描述如下。n选取一个初始估计阈值T；n利用阈值T把给定图像分割成两组图像，记为G1和G2，其中G1由所有灰度值大于T的像素组成，G2由所有灰度值小于等于T的像素组成；n分别计算G1和G2图像的所有灰度值的均值u1和u2；n选取新的阈值T，且T=(u1+u2)/2；n重复第(2)(4)步，直到在连续两次迭代中，T的差异小于预先设定的参数T为止。n使用Matlab函数im2bw分割图像：g=im2bw(img,T/den)，其中den是整数(8比特图像为255)，是T/den比率为1的数值范围内的最大值，正如函数im2bw要求的那

18、样。18%基本全局阈值法代码如下：img=imread(fig.jpg);count=0;T=mean2(img);%求均值is_done=false;while is_done%阈值迭代r1=img(img T);temp1=mean(r1(:);if isnan(temp1)temp1=0;end temp2=mean(r2(:);if isnan(temp2)temp2=0;end T_new=(temp1+temp2)/2;is_done=abs(T_new-t)=1000 Error=Error:Cannot find the ideal threshold.;break;end e

19、nd%迭代结束b1=im2bw(mat2gray(img),T/256);%阈值分割图像，得二值化图像，如图5.5所示imshow(b1),xlabel(迭代式阈值分割法)1920最佳图像分割利用Matlab中的函数imhist和cumsum以及熵的定义，能够得到最佳图像分割阈值，然后对图像进行分割，代码如下，分割结果如图5.6所示，最佳阈值为126。Imag=imread(bi.jpg);X,Y=size(Imag);%读取图像figure();imhist(Imag);hist=imhist(Imag);%计算图像直方图p=hist/(X*Y);%各灰度概率sumP=cumsum(p);s

20、umQ=1-sumP;%将256个灰度作为256个分割阈值，分别计算各阈值下的概率密度函数c0=zeros(256,256);c1=zeros(256,256);for i=1:256 for j=1:i if sumP(i)0 c0(i,j)=p(j)/sumP(i);%计算各个阈值下的前景概率密度函数 else c0(i,j)=0;end for k=i+1:256 if sumQ(i)0;c1(i,k)=p(k)/sumQ(i);%计算各个阈值下的背景概率密度函数 else c1(i,k)=0;end end end end%计算各个阈值下的前景和背景像素的累计熵21H0=zeros(2

21、56,256);H1=zeros(256,256);for i=1:256 for j=1:i if c0(i,j)=0 H0(i,j)=-c0(i,j).*log10(c0(i,j);%计算各个阈值下的前景熵 end for k=i+1:256 if c1(i,k)=0 H1(i,k)=-c1(i,k).*log10(c1(i,k);%计算各个阈值下的背景熵 end end end endHH0=sum(H0,2);HH1=sum(H1,2);H=HH0+HH1;value,Threshold=max(H);BW=im2bw(Imag,Threshold/255);figure();imsh

22、ow(BW);xlabel(最大熵,num2str(Threshold);22分割结果23最大类间方差最大类间方差(Otsu)24Otsu是一单阈值的分割方法，其基本思想是把直方图分割成目标和背景2组，当分割的2组数据的类间方差最大时，也即背景和目标之间足够离散，求得最佳分割阈值，由此阈值对图像进行分割。该方法可以推广到多阈值分割。其算法过程是针对每个可能阈值T，计算利用阈值T分割图像后得到的背景和目标两类的之间的方差，然后利用类间方差最大准则确定最终的最佳分割阈值。25植物病害叶片图像的病斑分割：利用Matlab的graythresh使用大津法求得分割阈值T=graythresh(img)，

23、利用函数BW=im2bw(img,T)进行二值化，对于直方图有两个峰值的图像，利用Otsu求得的近似等于两个峰值之间的低谷，代码如下，结果如图所示。如下图的直方图，由Otsu求得的0.2941，转换在0,255之间为75，基本上在两个峰值之间低谷处。利用最大熵法得到的阈值为96。可以得知，Otsu法比最大熵法效果较好，而改进的Otsu法的修改更好，如图所示I=imread(e:role0003i.bmp);subplot(1,2,1),imshow(I);title(原始图像)grid on;axis on;%显示网格线、显示坐标系level=graythresh(I);%确定灰度阈值BW=i

24、m2bw(I,level);%图像二值转换subplot(1,2,2),imshow(BW);title(阈值法分割图像)2627基于Bersen算法的图像分割%局部阈值操作Bersen算法代码如下，效果如图5.9所示：I=imread(card8.bmp);m,n=size(I);w=1;max=0;min=0;T=zeros(m-2*w,n-2*w);%初始化%根据Bersen算法计算每个像素点的阈值for i=(w+1):(m-w)for j=(w+1):(n-w)max=uint8(I(i,j);min=uint8(I(i,j);for k=-w:w for l=-w:w if max

25、 uint8(I(i+k,j+l)min=uint8(I(i+k,j+l);end end end T(i,j)=0.5*(max+min);endendfor i=(w+1):(m-w)for j=(w+1):(n-w)if I(i,j)T(i,j)I(i,j)=uint8(255);else I(i,j)=uint8(0);end endendimshow(I);2829 图 基于Bersen算法的图像分割动态阈值图像分割方法和与全动态阈值图像分割方法和与全局阈值相结合的分割方法局阈值相结合的分割方法基本原理：(1)将图像分割成一系列子图像；(2)计算出每个子图像的阈值；(3)将计算出来的

26、阈值构成一个矩阵，并对其进行插值，使之成为与原图像像素数目相同大小的矩阵，设得到的矩阵为y；(4)将图像每一像素的灰度大小与矩阵y比较，假设目标物体为图像中较亮的部分，如该点灰度值比矩阵y对应的元素值大，则判为物体，反之则判为背景。一般情况下，动态阈值分割的效果比全局阈值分割的效果较好。但是当图像中背景灰度并不是非常均匀时，分割的二值图像中可能包含很多碎片，而且采用动态阈值分割图像时，由于人们人为地对图像分块，比较容易产生阴影和人为边界，可以把动态阈值与全局阈值结合起来，以改善图像分割效果。30基本步骤如下：(1)将图像分割成一系列子图像；(2)计算出每个子图像的阈值；(3)将计算出来的阈值构

27、成一个矩阵，并对其进行插值，使之成为与原图像的像素值相同大小的矩阵，设得到的矩阵为Y；(4)利用计算出原图像的全局阈值T，构造一个与原图像像素数目相同大小的矩阵F，令F的每个元素大小都为T；(5)构造一个矩阵M，令M=kF+(1-k)Y，其中k为0和1之间的常数。以M作为图像的灰度阈值，将图像的每个像素与M进行比较。设目标物体为图像中较亮的部分，若Y的值比M大，则判为物体，反之则判为背景。当背景与物体相差比较大时，可选用较小的k值；而当背景与物体比较接近时，可选用较大的k值。具体的k值的选定可通过实验来确定。动态阈值结合全局阈值对图像进行分割结合了动态阈值图像分割与全局阈值图像分割的特点。当k

28、取值较小时，分割效果接近动态阈值图像分割；当k取值较大时，分割效果接近全局阈值图像分割.31基于动态阈值算法图像分割法主要代码I2=blkproc(I,64 64,Minmum);%对图像分块64*64I2=medfilt2(I2,symmetric);%滤波rec=imresize(I2,1024 1024,bilinear);%还原为1024*1024，%动态阈值算法image=zeros(1024,1024);for i=1:1024 for j=1:1024 if(rec(i,j)I(i,j)image(i,j)=0;else image(i,j)=255;end endend 基于全

29、局阈值和动态阈值相结合分割方法function Out_img=MinAndDyThresh(I)MinThresh=Minmum(I);%求取最小误差法得到的阈值%对图像分块：64*64，对每块采用最小误差求的每块的灰度值blkImg=blkproc(I,64 64,Minmum);I1=medfilt2(blkImg,symmetric);%滤波rec=imresize(I1,1024 1024,bilinear);%还原为1024*1024,采用双线性插值法Out_img=zeros(1024,1024);%动态阈值和极小值误差相结合for i=1:1024 for j=1:1024 t

30、emp=0.7*rec(i,j)+0.3*MinThresh;if(I(i,j)temp)Out_img(i,j)=255;else Out_img(i,j)=0;end endend3233分水岭分割方法分水岭概念是以对图像进行三维可视化处理为基础：其中两个是坐标，另一个是灰度级。基于“地形学”的这种解释，考虑三类点：a.属于局部性最小值的点，也可能存在一个最小值面，该平面内的都是最小值点；b.当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点；c.当水处在某个点的位置上时，水会等概率地流向不止一个这样的最小值点。对一个特定的区域最小值，满足条件(b)的点的集合称为这个最小值的

31、“汇水盆地”或“分水岭”。满足条件(c)的点的集合组成地形表面的峰线，称做“分割线”或“分水线”。34把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，基本思想是：假设在每个区域最小值的位置上打一个洞并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将达到在水线上只能见到各个水坝的顶部这样一个程度。这些大坝的边界对应于分水岭的分割线。所以，它们是由分水岭算法提取出来的(连续的)边界线。35标记分水岭分割就是在使用分水岭算法之前的预处理阶段加入一种标记技术，并将标记运用到整个分割过程中，从而对区

32、域数目进行严格控制来防止过分割现象。标记分为外部标记和内部标记，内部标记处于每一个目标区域，外部标记即为背景。基于标记控制的分水岭分割方法的基本步骤如下：计算分割函数：图像中较暗的区域是要分割的对象。计算前景标志：这些是每个对象内部连接的斑点像素。计算背景标志：这些是不属于任何对象的像素。修改分割函数，使其仅在前景和后景标记位置有极小值。对修改后的分割函数做分水岭变换计算。36采用MATLAB两个函数实现分水岭图像分割。分水岭函数L=watershed(A)，其中A为输入矩阵(任意维数)，L为分水岭标记矩阵(可由labelmatrix,bwlabel,bwlabeln,watershed返回)

33、。L为整数(=0)，标记0不属于分水岭区域，标记1属于第1个分水岭区域，标记2属于第2个分水岭区域，以此类推。默认对二维矩阵使用8连通，三维矩阵使用26连通，高维矩阵使用conndef(ndims(A),maximal)来定义连通性。标记函数RGB=label2rgb(L)，其中L为标记矩阵，RGB为彩色图像。根据L的数值对应，默认对应到colormap(jet)的色彩，返回RGB矩阵。L=watershed(A);rgb=label2rgb(L,jet,.5.5.5);figure,imshow(rgb,InitialMagnification,fit);title(分水岭)37类内内聚性和

34、类间离散度相类内内聚性和类间离散度相结合分割方法结合分割方法38综合阈值选取算法流程图395.3 基于基于边缘检测的图像分割方法边缘检测的图像分割方法基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题。通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检测方法得以实现的主要假设之一。边缘检测方法一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。边缘检测技术通常可以按照处理的技术分为串行边缘检测和并行边缘检测。串行边缘检测，即要想确定当前像素点是否属于检测边缘上的一点，取决于先前像素的验证结果。并行边缘检测，即一个像素点是否属于检测边缘上

35、的一点取决于当前正在检测的像素点以及与该像素点的一些相邻像素点。40基本步骤41比较n一般情况下，用于计算梯度的导数用一幅图像中的一个小邻域上的像素值的差来近似。求出的梯度作为边缘检测的一个判别准则。边缘检测使用如下两个基本准则之一：在图像中找到亮度快速变化的灰度，(1)找到亮度的一阶导数(即梯度)比指定阈值大之处；(2)找到亮度的二阶导数有零交叉之处。对于第一种情况：若像素(x，y)处梯度阈值T，则此点被当作边缘(输出二值图像的对应像素被置1)；否则不是。nSobel、Priwitt、Roberts、LOG、Canny即是滤波模板，又可以称作导数估计器不管是滤波还是求梯度还是边缘检测，最基本

36、的知识是线性空间的卷积操作。n彩色图像的梯度操作有点复杂，但结构与处理二维灰度图像相似。具体参colorgrad函数，注重理解向量梯度和求和梯度即合成梯度。利用matlab函数Gx,Gy=gradient(G)计算图像梯度，其中G为灰度图像，垂直方向的梯度用Gx给出，水平梯度用Gy给出。图图像的垂直和水平方向的梯度图。42比较比较利 用 M a t l a b 边 缘 检 测 函 数BW=edge(I,type,thresh,direction)能够得到不同算子对应的边缘。根据所指定的敏感度阈值thresh在所指定的方向direction上，利用不同的算子类型type，进行边缘检测。Direc

37、tion可取的字符串值为horizontal(水平方向)、vertical(垂直方向)或both(两个方向)。图为 边 缘 函 数 e d g e 和 梯 度 函 数gradient在robert算子下得到的图像边缘图和梯度图。5.4 基于基于改进的主动轮廓模型的图像分割改进的主动轮廓模型的图像分割方法方法 主动轮廓模型是图像分割的一种重要方法，具有统一的开放式的描述形式，为图像分割技术的研究和创新提供了理想框架。在实现主动轮廓模型时，可以灵活的选择约束力、初始轮廓和作用域等，以得到更佳的分割效果，所以主动轮廓模型方法受到越来越多的关注。主动轮廓模型能够分割不规则目标，是在给定图像中利用曲线演

38、化来检测目标的一类方法，基于该方法可以得到精确的边缘信息。传统的主动轮廓模型大致分为参数主动轮廓模型和几何主动轮廓模型。441.SnakeSnake模型称为动态轮廓模型,是基于参数的模型，轮廓的模型为C(s),s为参数。Snake模型与水平集模型都是基于能量的方法，其思想是以轮廓为参数构造能量，使轮廓在与目标重合的时候能量最小，不重合时始终大于零。通过最小化能量方程，即可求出目标的轮廓.Snake主要原理是先提供待分割图像一个初始轮廓的位置，并对其定义个能量函数，是轮廓沿能量降低的方向靠近。当能量函数达到最小时，提供的初始轮廓收敛到图形中目标的真实轮廓。Snake模型发展10多年来，许多学者对

39、于经典的snake模型做了改进，提出各种改进的snake模型，其中梯度矢量流（Gradient Vector Flow,GVF）模型扩大了经典snake的外力作用范围，加强了对目标凹轮廓边缘的吸引力，提高了传统的snake模型。452.几何几何主动轮廓线模型主动轮廓线模型 基于曲线演化理论和水平集方法(Level Set)，是通过一个高维函数曲面来表达低维的演化曲线或曲面，即将演化的曲线或曲面表达为高维函数曲面的零水平集的间接表达形式，将演化曲线或曲面的演化方程转化为高维水平集函数的演化偏微分方程，从而避免变形曲线或曲面的参数化过程。与Snake相比，该方法研究和应用很少。46Snake模型M

40、atlab代码I=imread(image);I=im2double(I);%转化为双精度型if(size(I,3)=3),I=rgb2gray(I);end%若为彩色，转化为灰度sigma=1;H=fspecial(gaussian,ceil(3*sigma),sigma);Igs=filter2(H,I,same);%对图像进行高斯滤波,返回和I等大小矩阵，%获取Snake的点坐标figure(2),imshow(Igs);x=;y=;c=1;N=20;%定义取点个数c,上限Nwhile c70;%最佳阈值在70到90之间 i3(i,j)=1;else abs(im2(i,j)-(im1(

41、i,j)10%&STATS(jj).Extent 0.08 boundary=STATS(jj).BoundingBox;if boundary(end-1)5&boundary(end)5%&(abs(STATS(jj).Orientation)70)rectangle(Position,boundary,edgecolor,r);%创建二维矩形对象 obj_temp=obj_temp+1;end endend58基于帧间差分的图像分割方法的主要程序代码如下：基于图论的分割方法是把原彩色图像分割的问题转化为一个无向图最优化的问题，移除特定的边，将图划分为若干子图从而实现分割。此类方法把图像分

42、割任务与图的最小割问题相关联进行图像分割。由于每一个像素之间都会赋有一个权值，因此该类方法对目标的形状不敏感，但存在着运算时间过长的缺点。目前常用的方法有最小树方法、GraphCut、GrabCut和Random Walk等。595.7 基于基于图论的分割方法图论的分割方法首先将图像映射为无向加权图，图中每个节点NV对应于图像中的每个像素，每条边属于E，都连接着一对相邻的像素，边的权值表示了相邻像素之间在灰度、颜色或纹理方面的非负相似度。对图像的一个分割s是对图的一个剪切，被分割的每个区域CS对应着图中的一个子图。而分割的最优原则就是使划分后的子图在内部保持相似度最大，而子图之间的相似度保持最

43、小。1.Graphcuts 60Graphcuts中的Cuts是指这样一个边的集合，包括了上面2种边，该集合中所有边的断开会导致残留S和T图的分开，所以就称为“割”。若一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。而网路的最大流maxflow与最小割mincut相等。所以由Boykov和Kolmogorov发明的max-flow/min-cut算法就可以用来获得s-t图的最小割。这个最小割把图的顶点划分为两个不相交的子集S和T，其中sS，tT和ST=V。这两个子集就对应于图像的前景像素集和背景像素集，那就相当于完成了图像分割。(1)将图像构造成图论中图，顶点代表像素

44、，边代表像素之间的关系。由此图像分割问题转化求解图的割集。(2)为图中各边赋权值，使图像分割目标(能量极小化)与图的最小割对应起来。(3)通过最大流算法求得带权图的最小割。2.GrabCut61GrabCut:首先将要处理的原始图像看作一张网络图。其中S表示源点，其中的节点为对象的像素点，T表示汇点，代表图像中背景部分的像素点。网络图内通常包含两种边：一种是图像中邻近像素点间的边，该边的大小代表两个节点间的差异程度或近似程度，若两个节点间的相关性越大，其边的权值也就越大；另一种是图像中像素点到S和T间的边，该值是依据当前点属于目标或背景的概率值通过计算而获得。Grabcut算法使用高斯混合模型

45、来对背景和前景区域建立数据模型，分别使用K(K=5)各高斯分量进行建模。基本步骤如下：Step2：计算UT区域内所有像素点的GMM分量；Step3：根据像素值训练GMM模型；Step4：根据最大流最小割准则对其完成分割；Step5：返回Step1，直到收敛。然后对图像中的所有像素点分别计算其到用户标记的目标和背景间的距离以及像素间的距离，将上述两类距离进行整合并作为边的能量值，当总能量最小时即为最优解。该算法利用了图像中的纹理(颜色)信息和边界(反差)信息，只要少量的用户交互操作即可得到比较好的分割结果.62Grabcut与与Graphcut之间的关系之间的关系1)Graphcut的目标和背景

46、的模型是灰度直方图，Grabcut取代为RGB三通道的混合高斯模型GMM；2)Graphcut的能量最小化(分割)是一次达到，而Grabcut是迭代最小的，即为一个不断进行分割估计和模型参数学习的交互迭代过程，每次迭代过程都使得对目标和背景建模的GMM的参数更优，使得图像分割更优；3)Graphcut需要用户指定目标和背景的一些种子点，但是Grabcut只需要提供背景区域的像素集就可以。也就是说你只需要框选目标，那么在方框外的像素全部当成背景，这时就可以对GMM进行建模和完成良好的分割了，即Grabcut允许不完全的标注。635.8 实际应用实际应用杂草是农田中最具威胁的有害生物之一，严重影响

47、着作物的高产和稳产。据报道，全国麦田草害面积达30%以上，每年可造成小麦近50亿kg的损失。杂草识别是智能喷洒除草剂的前提。杂草分割又是杂草识别的前提。将图像分割方法应用于杂草分割。首先利用Grabcut去除图像的背景，如图1。然后，利用K-均值聚类分割方法进行分割，如图2。为了说明Grabcut的有效性，图3给出直接利用K-均值聚类分割方法的分割结果。6465比较图2和图3的杂草图像分割结果，可以看到，直接利用图像分割算法得到的杂草图像中包含很多噪声和背景，杂草图像不清晰，不利于后续的杂草识别。而先利用Grabcut去除背景后，再利用图像分割算法得到很好的杂草图像，杂草图像比原始图像更加清晰

48、。因此，在图像分割之前应该根据原有图像的特点，先对图像进行分析，根据图像特征，采用不同的图像分割算法相结合，这样就容易得到理想的目标图像分割结果。6667第六章第六章 特征提取与选择特征提取与选择6.1 概述 6.2局部二值模式(LBP)6.3方向梯度直方图(HOG)6.4金字塔方向梯度直方图(PHOG)6.5 Radon变换和改进有限Radon变换特征提取 6.6 Hough变换特征提取 6.7 Gabor变换特征提取 6.8小波变换特征提取 6.9特征选择 6.10应用实例 特征提取和特征选择都是从原始数据中找出最有效(同类样本的不变性、异类样本的鉴别性、对噪声的鲁棒性)的特征。其中，特征

49、提取是将原始数据转换为一组具有明显物理意义或统计意义和核的特征；特征选择是从特征集中挑选一组最具统计意义的特征，达到降维。两者的共同作用是：减少数据存储和输入数据带宽；减少冗余；低维空间上分类性往往会提高；能发现更有意义的潜在的变量，帮助对数据产生更深入的了解。常见的特征提取算法主要分为以下3类：基于颜色特征：如颜色直方图、颜色集、颜色矩、颜色聚合向量等；基于纹理特征：如Tamura纹理特征、自回归纹理模型、Gabor变换、小波变换、MPEG7边缘直方图等；基于形状特征：如傅立叶形状描述符、不变矩、小波轮廓描述符等。6.1概述概述6.2 局部局部二值模式二值模式(LBP)LBP是Local B

50、inary Pattern的缩写，具有灰度不变性和旋转不变性等显著优点。由于该特征的简单易算性，虽然其总体效果不如Haar特征，但速度则快于Haar，所以得到了广泛的使用。经典的LBP算子定义为33的正方形窗口，以窗口的中心像素为阈值，将其相邻的8邻域像素的灰度值与当前窗口的中心点的像素值进行比较，若邻域的像素值小于中心点的像素值，则置该像素点的值为0，反之，则置为1。这样，一个33窗口的邻域内的8个像素点和中心像素点进行比较之后，就会产生一个8位的二进制数，即可产生256种LBP码，通过这样计算得到的LBP码值就可以用来反映该窗口的区域纹理特征信息。LBP的基本过程如图6.1所示。假设一个3