截图
简介
这是图像分割毕业ppt，包括了图像分割的方法，并行边界分割，串行边界分割，边缘检测的优缺点，并行区域分割，阈值分割，基于人工神经网络的分割方法等内容，欢迎点击下载。
图像分割毕业ppt是由红软PPT免费下载网推荐的一款课件PPT类型的PowerPoint.
图像分割技术 计算机应用技术 2018.9.5 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，是图像处理到图像分析的关键步骤，同时也是图像处理中最古老和最困难的问题之一。 图像分割：将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。由于这些被分割的区域在某些特性上相近，因而，图像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的。 图像分割的方法 早期的图像分割方法可以分为两大类： 一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在； 一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。 这两种方法都有优点和缺点。 根据应用目的不同，分为粗分割和细分割：对于模式识别应用，一个物体对象内部的细节与颜色(或灰度)渐变应被忽略，而且一个物体对象只应被表示为一个或少数几个分割区域，即粗分割；而对于基于区域或对象的图像压缩与编码，其分割的目的是为了得到色彩信息一致的区域，以利于高效的区域编码。若同一区域内含有大量变化细节，则难以编码，图像需要细分割，即需要捕捉图像的细微变化。 根据分割方法的不同，可分为并行边界分割（边界检测），串行边界分割（边界跟踪），并行区域分割（阈值分割、聚类），串行区域分割（区域生长、分裂合并）。 根据分割对象的属性，可被分为灰度图像分割和彩色图像分割。 根据分割对象的状态，可被分为静态图像分割和动态图像分割。 根据分割对象的应用领域，可分为医学图像分割、工业图像分割、安全图像分割、军事图像分割、交通图像分割等。 并行边界分割 不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。 说明：边缘和物体间的边界并不等同。边缘：图像中像素的值有突变的地方；而物体间的边界：现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息。 另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上可以用更高阶的导数，但是，因为噪声的影响，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。 二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。 Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。 Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。 上面的算子是利用一阶导数的信息。 Laplacian算子：是二阶微分算子。其具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。但是，其对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。 串行边界分割 并行边缘检测的方法，对图像的每一点上所做的处理不依赖于其它的点处理结果。串行边界分割在处理图像时不但利用了本身像素的信息，而且利用前面处理过像素的结果。对某个像素的处理，以及是否把它分类成为边界点，和先前对其它点的处理得到的信息有关。 串行边界分割技术通常是通过顺序的搜索边缘点来工作的，一般有三个步骤： 1.起始边缘点的确定。 2.搜索准则，将根据这个准则确定下一个边缘点。 3.终止条件，设定搜索过程结束的条件。 边界跟踪 由梯度图中一个边缘点出发，搜索并连接边缘点进而逐步检测所有边界的方法。在并行边界分割法中，边缘像素不一定能够组合成闭合的曲线，因为边界上有可能会遇到缺口。缺口可能太大而不能用一条直线或曲线连接，也有可能不是一条边界上的缺口。边界跟踪的方法则可以在一定程度上解决这些问题，对某些图像，这种方法的分割结果更好。 具体算法：先对原图像进行梯度运算，然后进行边界跟踪算法。 1.起始点：对梯度图搜索，找到梯度最大点，作为边界跟踪的开始点。 2.生长准则：在这个点的8邻域像素中，梯度最大的点被当做边界，同时，这个点还会作为下一个搜索的起始点。 3.终止条件：按照2的准则一直搜索，直到梯度绝对值小于一个阈值时，搜索停止。 有时为了保证边界的光滑性，每次只是在一定的范围的像素中选择，这样得到的边界点不但能保证连通性，还能保证光滑性。 边缘检测的优缺点 实质：利用不同区域间像素灰度不连续的特点检测出区域间的边缘实现图像分割。图像中相邻的不同区域间总存在边缘，边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到，因此常用灰度的一阶或二阶微分算子进行边缘检测。而边界跟踪是先检测到边缘再串行连接成闭合边界的方法，此方法很容易受始点的影响。 难点：在于边缘检测时抗噪性和检测精度之间的矛盾。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。 因此提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，可以较好地兼顾抗噪性和检测精度。 并行区域分割 采用并行的方法对目标区域进行检测实现图像分割的方法。区域分割是最直接的方法，因此这种分割方法可以直接得到感兴趣的目标区域。 主要方法：阈值分割和聚类。 直接的阈值分割一般不能适用于复杂景物的正确分割，如自然场景，因为复杂景物的图像，有的区域很难判断究竟是前景还是背景。不过，阈值分割在处理前景和背景对比很强的图像时特别有用，此时需要的计算复杂度小。当物体的灰度级比较集中时，简单的设置灰度级阈值提取物体是一个有效的办法。 阈值分割 基本思想：确定一个阈值，然后把每个像素点的像素值和阈值相比较，根据比较的结果把像素划分为两类，前景或背景。 一般分三个步骤：（1）确定阈值。（2）将阈值和像素值比较。（3）把像素归类。 分割的关键：确定一个最优的阈值，就可以对图像进行正确、方便的分割。 阈值方法分：全局阈值和局部阈值，如果分割过程中对图像上每个像素所使用的阈值都相等，则为全局阈值方法；如果每个像素所使用的阈值可能不同，则为局部阈值方法。 确定最佳全局阈值的常用方法一般有：实验法，直方图法，最小误差法（这种方法是假设背景和前景的灰度分布都是正态分布的）。 自适应阈值方法：当光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选一阈值进行分割。这种与坐标相关的阈值也称为动态阈值方法。 优缺点：时间和空间复杂度比较大，但抗噪声能力比较强，对采用全局阈值不容易分割的图像有较好的效果。 自适应阈值的选取：比较简单的方法是对每个像素确定以它为中心的一个邻域窗口，计算窗口内像素的最大和最小值，然后取它们的均值作为阈值。对图像分块后的每一个子块可以采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰。如果块内只有目标或背景，则直方图没有双峰，可根据邻域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质，对每个像素设定阈值，但这个过程要考虑到实际的要求和计算的复杂度问题。 阈值分割优点：计算简单、运算效率较高、速度快。 全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。 当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。 另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。 串行区域分割 采用串行处理策略对目标区域直接检测实现分割的方法。特点：整个处理过程可以分解为顺序的多个步骤依次进行。一般可分为：一种是区域生长，二是分裂合并。 区域生长：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： 1.初始点（种子点）的选取； 2.生长准则； 3.终止条件。 区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 分裂合并差不多是区域生长的逆过程：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，实现目标的提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素，当所有像素点或者子区域完成判断后，把前景区域或像素合并就可得到前景目标。 区域分割与边界分割的比较 区域分割实质：把具有某种相似性质的像素连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间不连续的缺点。 基于区域的分割方法往往会造成图像的过度分割，而单纯的基于边缘检测方法有时不能提供较好的区域结构，为此可将基于区域的方法和边缘检测的方法结合起来，发挥各自的优势以获得更好的分割效果。 其它的图像分割方法 近年来，很多研究人员致力于图像分割方法的研究，但是直到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。图像分割的广泛应用，促使人们去寻找新的理论和方法来提高图像分割的效果，满足各方面的需求。 随着各学科许多新理论和新方法的提出，像神经网络、遗传算法、统计学理论、小波理论以及分形理论等，人们也提出了许多与此类特定理论、方法和工具相结合的分割技术。 基于人工神经网络的分割方法 基本思想：用训练样本集对神经网络进行训练，以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。 优缺点：此方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题，但是选择何种网络结构是此方法要解决的主要问题。另外，这种方法较复杂，计算量较大，还有待进一步实用化。 基于小波分析和变换的分割方法 借助数学工具小波变换来分割图像的一种方法。小波变换是一种多尺度多通道的分析工具，它是空域和频域的局域变换，能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。小波变换为信号在不同尺度上的分析和表征提供了一个精确和统一的框架。 小波分解提供了一个数学上完备的描述；小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性，不仅具有“变焦”特性，且在实现上有快速算法。 近年来多进制小波开始用于边缘检测。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。 基于数学形态学的分割技术 数学形态学是以形态结构元素为基础对图像进行分析的数学工具。 基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的。由于形态学对图像分割具有优异的特性，使其在未来的图像分割中起主导作用。但该方法还不能很好地解决耗时问题，将其与一些节约时间的方法结合起来，是图像分割的一种趋势。 遗传算法在图像分割中的应用 遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索的方法。因此可将它们运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值的求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多困难。 遗传算法的出现为解决这类问题提供了有效的方法，它不仅可以得到全局最优解，而且大大缩短了计算时间。 基于图论的图像分割技术 基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。 该方法将图像映射为带权无向图，把像素视作节点。利用最小剪切准则得到图像的最佳分割，本质上将图像分割问题转化为最优化问题。是一种点对聚类方法。对数据聚类也具有很好的应用前景。 由于其涉及的理论知识较多，应用也还处在初级阶段。因此国内这方面的研究报道并不多见。 图像分割技术的发展趋势 多种特征的融合。利用图像的原始灰度特征，图像的梯度特征、几何空间特征(形态、坐标、距离、方向、曲率等)、变换特征(傅立叶谱、小波特征、分形特征等)及统计特征(纹理、不变矩、灰度均值等)等对每个待分割的像素，将所提取的特征值组成一个多维特征矢量，再进行多维特征分析。通过多种特征的融合，图像像素能被全面描述，从而可获得更好的分割结果。 多种分割方法的结合。由于目标的多样性以及目标成像的不确定性，除需要利用多种特征的融合外，还需要将多种分割方法进行结合，使各种方法充分发挥各自的优势，避免各自的缺点。 新理论与新方法。传统学习分类方法，像神经网络方法，由于网络模型难以确定，容易出现过学习与欠学习以及局部最优等问题。而支持向量机(SVM)方法以统计学习理论为基础，基于结构风险最小化准则，具有精度高、速度快、自适应能力强、不受高维维数限制等优点，越来越受到各个研究领域的关注。
展开
