《图像分割综述》PPT课件.ppt

《《图像分割综述》PPT课件.ppt》由会员分享，可在线阅读，更多相关《《图像分割综述》PPT课件.ppt（9页珍藏版）》请在三一办公上搜索。

1、图像分割方法综述,杨斐2023/7/12,概念,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：基于图像局部特征的图像分割方法、基于模型的图像分割方法。,基于图像局部特征的图像分割方法,基于图像局部特征的图像分割方法是根据图像局部区域中像元的特征来实现图像分割的方法。下面主要介绍下阈值分割法、边缘检测法、区域生长和特征空间聚类法。阈值分割法 阈值分割是最古老的分割技术，也是最简单实用的。许多情况下，图像中目标区域与背景区域或者说不同区域之间其灰度值存在差异，此时可以将灰度的均一性作为依据进

2、行分割。阈值分割即通过一个或几个阈值将图像分割成不同的区域。阈值分割方法的核心在于如何寻找适当的阈值。最常用的阈值方法是基于灰度直方图的方法，如最大类间方差法(OTSU)、最小误差法、最大熵法等。此类方法通常对整幅图像使用固定的全局阈值，如果图像中有阴影或亮度分布不均等现象，分割效果会受到影响。基于局部阈值的分割方法对图像中的不同区域采用不同的阈值，相对于全局阈值方法具有更好的分割效果，该方法又称为自适应阈值方法。其中阈值的选取一般是基于图像的局部统计信息，如局部方差、局部对比度以及曲面拟合阈值等。无论是基于全局阈值还是局部阈值，阈值方法通常受噪声影响较大。为了得到较好的分割结果，通常还需要与

3、其他图像处理技术，如图像去噪等相结合。,基于图像局部特征的图像分割方法,边缘检测法 基于边缘检测的方法主要是通过检测出区域的边缘来进行分割，利用区域之间特征的不一致性，首先检测图像中的边缘点，然后按一定策略连接成闭合的曲线，从而构成分割区域。图像中的边缘通常是灰度、颜色或纹理等性质不连续的地方。对于边缘的检测，经常需要借助边缘检测算子来进行，其中常用的边缘检测算子包括：Roberts 算子、Laplace 算子、Prewitt 算子、Sobel 算子、Rosonfeld算子、Kirsch 算子以及Canny 算子等。边缘检测算法比较适合边缘灰度值过渡比较显著且噪声较小的简单图像的分割。对于边缘

4、比较复杂以及存在较强噪声的图像，则面临抗噪性和检测精度的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓：若提高抗噪性，则会产生轮廓漏检和位置偏差。,基于图像局部特征的图像分割方法,区域生长 区域生长方法也是一种常用的区域分割技术，其基本思路是首先定义一个生长准则，然后在每个分割区域内寻找一个种子像素，通过对图像进行扫描，依次在种子点周围邻域内寻找满足生长准则的像素并将其合并到种子所在的区域，然后再检查该区域的全部相邻点，并把满足生长准则的点合并到该区域，不断重复该过程直到找不到满足条件的像素为止。该方法的关键在于种子点的位置、生长准则和生长顺序。,基于图像局部特征的图像分割方法,特

5、征空间聚类法 特征空间聚类法是通过聚类的方法对图像特征空间进行相似性划分。用聚类方法做分割应用较为广泛，其基本原理是把图像空间中的元素映射到某个特征空间中，通过将特征空间的点聚集成团，然后再映射回原图像空间以得到分割的结果。特征聚类方法众多，特征聚类可以是单特征聚类(比如基于颜色特征的K均值聚类)，也可以是多特征聚类（比如基于坐标和颜色特征的Mean Shift 算法）。聚类法必须解决的两个关键问题就是：一是如何选定样本之间的类似程度；二是如何根据样本之间的类似程度将给定的样本集划分为不同的类群。在特征空间聚类的分割中，图像特征的提取、相似度的计算和正确的聚类方法是算法研究的关键。从目前的研究

6、动向看，能自我学习自我记忆的聚类分析算法将是图像处理中的一个研究热点。,基于模型的图像分割方法,基于模型的图像分割方法是根据图像的二维或多维线性模型来构造分类的特征矢量进而实现图像分割的方法。下面主要介绍基于偏微分方程的图像分割方法、基于神经网络的图像分割方法和基于图论的图像分割方法。基于偏微分方程的图像分割方法 基于偏微分方程（PDE）的图像分割方法通常是用曲线演化过程来完成分割。分割过程通常从图像平面上一条任意位置的闭合曲线开始。曲线在内力（由曲线的固有属性驱动）和外力（由图像数据驱动）的共同作用下不断演化，最终停止在图像中物体的边界，从而把图像分割成不同的部分（曲线内部和曲线外部）。这一

7、类模型通常是给出包含曲线和图像数据在内的目标函数，然后通过最小化目标函数得到曲线的演化流，即描述曲线演化过程的偏微分方程。,基于模型的图像分割方法,基于神经网络的图像分割方法 神经网络方法将图像分割问题作为一个函数最小化问题来处理，其主要思想是利用已知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理或识别。基于神经网络的图像分割方法通过使用大量的平行的神经网络来达到对图像进行有效分割的目的。这些网络由模拟生物学习机理的节点或者元素组成，网络中的每个节点能够执行最基本的运算，并通过调整节点之间的权值可以达到网络对生物机理的学习。由于神经网络是由许多神经处理单元互相连接组成的庞大网络，其巨大的连接结构和分布的处理单元，使得系统具有鲁棒性、并行性及实时性。,基于模型的图像分割方法,基于图论的图像分割方法 基于图论的图像分割技术是近年来图像分割领域的一个新的研究热点。其基本思想是将图像映射为带权无向图，把像素视作节点，节点之间的边的权重对应于两个像素间的不相似性度量，割的容量对应能量函数。运用最大流最小流算法对图进行切割，得到的最小割对应于待提取的目标边界。该方法具有快速、鲁棒、全局最优、抗噪性强、可扩展性好等优点。目前，基于图论的图像分割方法的研究主要集中在以下几个方面：(1)最优剪切准则的设计；(2)谱方法用于分割；(3)快速算法的设计等。,