圖像分割和圖像邊緣檢測(cè)

　　邊緣檢測(cè)和圖像分割的聯(lián)系：

　　邊緣檢測(cè)是通過圖像的梯度變化將圖像中梯度變化明顯的地方檢測(cè)出來，針對(duì)的是邊緣信息。圖像分割是將目標(biāo)分割出來，針對(duì)的是目標(biāo)對(duì)象，邊緣檢測(cè)是空間域圖像分割的一種方法，屬于包含關(guān)系

　　邊緣檢測(cè)后的圖像是二值圖像，對(duì)二值圖像可以運(yùn)用形態(tài)學(xué)操作來分割目標(biāo)，所以邊緣檢測(cè)是圖像分割的一個(gè)前提。但分割不一定非要用邊緣檢測(cè)。

　　圖像分割：

　　概念：

　　圖像分割是將圖像劃分成若干個(gè)互不相交的小區(qū)域的過程，所謂小區(qū)域是某種意義下具有共同屬性的像素的連通集合。

　　從集合的觀點(diǎn)看：它應(yīng)該是具有如下性質(zhì)的一種點(diǎn)集，集合R代表整個(gè)區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集R1，R2，…，RN：

　　目的：

　　無論是圖像處理、分析、理解與識(shí)別，其基礎(chǔ)工作一般都建立在圖像分割的基礎(chǔ)上；

　　將圖像中有意義的特征或者應(yīng)用所需要的特征信息提取出來；

　　圖像分割的最終結(jié)果是將圖像分解成一些具有某種特征的單元，稱為圖像的基元；

　　相對(duì)于整幅圖像來說，這種圖像基元更容易被快速處理。

　　圖像分割原理

　　圖像分割的研究多年來一直受到人們的高度重視，至今提出了各種類型的分割算法。Pal把圖像分割算法分成了6類：閾值分割，像素分割、深度圖像分割、彩色圖像分割，邊緣檢測(cè)和基于模糊集的方法。但是，該方法中，各個(gè)類別的內(nèi)容是有重疊的。為了涵蓋不斷涌現(xiàn)的新方法，有的研究者將圖像分割算法分為以下六類：并行邊界分割技術(shù)、串行邊界分割技術(shù)、并行區(qū)域分割技術(shù)、串行區(qū)域分割技術(shù)、結(jié)合特定理論工具的分割技術(shù)和特殊圖像分割技術(shù)。

　　圖像分割的特征：

　　分割出來的各區(qū)域?qū)δ撤N性質(zhì)例如灰度，紋理而言具有相似性，區(qū)域內(nèi)部是連通的的且沒有過多小孔。

　　區(qū)域邊界是明確的

　　相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異

　　圖像分割的方法：

　　一、基于像素灰度值的分割方法：閾值（門限）方法

　　二、基于區(qū)域的分割方法：通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割的邊界方法；

　　三、基于邊緣的分割技術(shù)：首先檢測(cè)邊緣像素， 再將邊緣像素連接起來構(gòu)成邊界形成分割。

　　圖像分割包含的內(nèi)容：

　　邊緣檢測(cè)

　　邊緣跟蹤 ：

　　從圖像中一個(gè)邊緣點(diǎn)出發(fā)，然后根據(jù)某種判別準(zhǔn)則搜索下一個(gè)邊緣點(diǎn)以此跟蹤出目標(biāo)邊界。

　　閾值分割 ：

　　原始圖像——f（x，y）

　　灰度閾值——T

　　閾值運(yùn)算得二值圖像——g（x，y）

　　區(qū)域分割：

　　閾值分割法由于沒有或很少考慮空間關(guān)系，使多閾值選擇受到限制

　　于區(qū)域的分割方法可以彌補(bǔ)這點(diǎn)不足，它利用的是圖像的空間性質(zhì)，該方法認(rèn)為分割出來的屬于同一區(qū)域的像素應(yīng)具有相似的性質(zhì)，其概念是相當(dāng)直觀的。

　　傳統(tǒng)的區(qū)域分割算法有區(qū)域增長(zhǎng)法和區(qū)域分裂合并法。該類方法在沒有先驗(yàn)知識(shí)可以利用時(shí)，對(duì)含有復(fù)雜場(chǎng)景或自然景物等先驗(yàn)知識(shí)不足的圖像進(jìn)行分割， 也可以取得較好的性能。但是，空間和時(shí)間開銷都比較大。

　　區(qū)域生長(zhǎng)法主要考慮象素及其空間鄰域象素之間的關(guān)系

　　開始時(shí)確定一個(gè)或多個(gè)象素點(diǎn)作為種子，然后按某種相似性準(zhǔn)則增長(zhǎng)區(qū)域，逐步生成具有某種均勻性的空間區(qū)域，將相鄰的具有相似性質(zhì)的象素或區(qū)域歸并從而逐步增長(zhǎng)區(qū)域，直至沒有可以歸并的點(diǎn)或其它小區(qū)域?yàn)橹埂?/p>

　　區(qū)域內(nèi)象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。

　　區(qū)域生長(zhǎng)：

　　主要考慮像素及其空間鄰域像素之間的關(guān)系

　　開始時(shí)確定一個(gè)或多個(gè)像素點(diǎn)作為種子，然后按某種相似性準(zhǔn)則增長(zhǎng)區(qū)域，逐步生成具有某種均勻性的空間區(qū)域，將相鄰的具有相似性質(zhì)的像素或區(qū)域歸并從而逐步增長(zhǎng)區(qū)域，直至沒有可以歸并的點(diǎn)或其它小區(qū)域?yàn)橹埂?/p>

　　區(qū)域內(nèi)像素的相似性度量可以包括平均灰度值、紋理、顏色等信息。

　　主要步驟：

　　選擇合適的種子點(diǎn)

　　確定相似性準(zhǔn)則（生長(zhǎng)準(zhǔn)則）

　　確定生長(zhǎng)停止條件

　　區(qū)域分裂：

　　條件：如果區(qū)域的某些特性不滿足一致性準(zhǔn)則

　　開始：從圖像的最大區(qū)域開始，一般情況下，是從整幅圖像開始

　　注意：

　　確定分裂準(zhǔn)則（一致性準(zhǔn)則）

　　確定分裂方法，即如何分裂區(qū)域，使得分裂后的子區(qū)域的特性盡可能都滿足一致性準(zhǔn)則值

　　邊緣檢測(cè)：

　　在視覺計(jì)算理論框架中，抽取二維圖像上的邊緣、角點(diǎn)、紋理等基本特征，是整個(gè)系統(tǒng)框架中的第一步。這些特征所組成的圖稱為基元圖。

　　在不同“尺度”意義下的邊緣點(diǎn)，在一定條件下包含了原圖像的全部信息。

　　定義：

　　•目前，具有對(duì)邊緣的描述性定義，即兩個(gè)具有不同灰度的均勻圖像區(qū)域的邊界，即邊界反映局部的灰度變化。

　　•局部邊緣是圖像中局部灰度級(jí)以簡(jiǎn)單（即單調(diào)）的方式作極快變換的小區(qū)域。這種局部變化可用一定窗口運(yùn)算的邊緣檢測(cè)算子來檢測(cè)。

　　邊緣的描述：

　　1） 邊緣法線方向——在某點(diǎn)灰度變化最劇烈的方向，與邊緣方向垂直；

　　2） 邊緣方向——與邊緣法線方向垂直，是目標(biāo)邊界的切線方向；

　　3） 邊緣強(qiáng)度——沿邊緣法線方向圖像局部的變化強(qiáng)度的量度。

　　邊緣檢測(cè)的基本思想是通過檢測(cè)每個(gè)像素和其鄰域的狀態(tài)，以決定該像素是否位于一個(gè)物體的邊界上。如果一個(gè)像素位于一個(gè)物體的邊界上，則其鄰域像素的灰度值的變化就比較大。假如可以應(yīng)用某種算法檢測(cè)出這種變化并進(jìn)行量化表示，那么就可以確定物體的邊界。

　　邊緣檢測(cè)算法有如下四個(gè)步驟：

　　濾波：邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測(cè)器的性能．需要指出，大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此，增強(qiáng)邊緣和降低噪聲之間需要折衷．

　　增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值．增強(qiáng)算法可以將鄰域（或局部）強(qiáng)度值有顯著變化的點(diǎn)突顯出來．邊緣增強(qiáng)一般是通過計(jì)算梯度幅值來完成的．

　　檢測(cè)：在圖像中有許多點(diǎn)的梯度幅值比較大，而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來確定哪些點(diǎn)是邊緣點(diǎn)．最簡(jiǎn)單的邊緣檢測(cè)判據(jù)是梯度幅值閾值判據(jù)．

　　定位：如果某一應(yīng)用場(chǎng)合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來估計(jì)，邊緣的方位也可以被估計(jì)出來．

　　在邊緣檢測(cè)算法中，前三個(gè)步驟用得十分普遍。這是因?yàn)榇蠖鄶?shù)場(chǎng)合下，僅僅需要邊緣檢測(cè)器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近，而沒有必要指出邊緣的精確位置或方向．邊緣檢測(cè)誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，而把真邊緣判別成假邊緣而去掉．邊緣估計(jì)誤差是用概率統(tǒng)計(jì)模型來描述邊緣的位置和方向誤差的．我們將邊緣檢測(cè)誤差和邊緣估計(jì)誤差區(qū)分開，是因?yàn)樗鼈兊挠?jì)算方法完全不同，其誤差模型也完全不同．

　　邊緣檢測(cè)的三個(gè)共性準(zhǔn)則：

　　•好的檢測(cè)結(jié)果，或者說對(duì)邊緣的誤測(cè)率盡可能低，就是在圖像邊緣出現(xiàn)的地方檢測(cè)結(jié)果中不應(yīng)該沒有；另一方面不要出現(xiàn)虛假的邊緣；

　　•對(duì)邊緣的定位要準(zhǔn)確，也就是我們標(biāo)記出的邊緣位置要和圖像上真正邊緣的中心位置充分接近；

　　•對(duì)同一邊緣要有盡可能低的響應(yīng)次數(shù)，也就是檢測(cè)響應(yīng)最好是單像素的。

　　幾種常用的邊緣檢測(cè)算子主要有Roberts邊緣檢測(cè)算子，Sobel算子、Prewitt算子、Krisch邊緣算子，高斯-拉普拉斯算子。

　　圖像特征：

　　•圖像特征是指圖像中可用作標(biāo)志的屬性，它可以分為統(tǒng)計(jì)特征和視覺特征兩類。

　　•圖像的統(tǒng)計(jì)特征是指一些人為定義的特征，通過變換才能得到，如圖像的直方圖、矩、頻譜等；

　　•圖像的視覺特征是指人的視覺可直接感受到的自然特征，如區(qū)域的亮度、紋理或輪廓等

　　輪廓提?。?/p>

　　二值圖像輪廓提取的算法非常簡(jiǎn)單， 就是掏空內(nèi)部點(diǎn)： 如果原圖像中有一點(diǎn)為黑，且它的8個(gè)鄰點(diǎn)都是黑色時(shí)，說明該點(diǎn)是內(nèi)部點(diǎn)， 將該點(diǎn)刪除（置為白色像素值255）。對(duì)圖像中所有像素點(diǎn)執(zhí)行該操作便可完成圖像輪廓的提取。

　　模板匹配：

　　模板匹配是指用一個(gè)較小的圖像，即模板與源圖像進(jìn)行比較， 以確定在源圖像中是否存在與該模板相同或相似的區(qū)域， 若該區(qū)域存在， 還可確定其位置并提取該區(qū)域。

　　形狀匹配：

　　形狀也是描述圖像內(nèi)容的一個(gè)重要特征， 利用形狀進(jìn)行匹配需要考慮三個(gè)問題。首先，形狀常與目標(biāo)聯(lián)系在一起，所以相對(duì)于顏色， 形狀特征可以看作是更高層次的圖像特征。要獲得有關(guān)目標(biāo)的形狀參數(shù)，常常要先對(duì)圖像進(jìn)行分割， 所以形狀特征會(huì)受圖像分割效果的影響。其次，目標(biāo)形狀的描述是一個(gè)非常復(fù)雜的問題，至今還沒有找到能與人的感覺相一致的圖像形狀的確切數(shù)學(xué)定義。最后，從不同視角獲取的圖像中目標(biāo)形狀可能會(huì)有很大差別，為準(zhǔn)確進(jìn)行形狀匹配，需要解決平移、 尺度、 旋轉(zhuǎn)變換不變性的問題。

　　標(biāo)的形狀常?？梢杂媚繕?biāo)的輪廓來表示，而輪廓是由一系列邊界點(diǎn)所組成的。一般認(rèn)為，在較大尺度下常常能較可靠地消除誤檢并檢測(cè)到真正的邊界點(diǎn)， 但在大尺度下對(duì)邊界的定位不易準(zhǔn)確。相反，在較小尺度下對(duì)真正邊界點(diǎn)的定位常比較準(zhǔn)確，但在小尺度下誤檢的比例會(huì)增加。所以，可考慮先在較大尺度下檢測(cè)出真正的邊界點(diǎn)，再在較小尺度下對(duì)真正邊界點(diǎn)進(jìn)行較精確的定位。小波變換和分析作為一種多尺度、 多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊界檢測(cè)。