中南大学数学院数字图像处理课件第8节-图像分割2.ppt

图像分割 Image Segmentation 特征提取 Feature Extraction 特征空间 常用的特征 表达图像中灰度的分布特性 灰度、邻域平均灰度… 表达局部灰度变化的程度 灰度微分、均方差… 表达特定纹理 霍夫变换… 统计特性 共生矩阵… 灰度(颜色)特征 LoG算子(Laplacian of a Gaussian) 微分算子的离散形式 纹理(Texture)特征 分类器 Classifier 阈值门限法 分类误差评估 最大熵(Entropy)分类器 * 任务: Segmentation subdivides an image into its constituent regions or objects. 实现: 分类器 (Classifier) 依据: 特征 (Features)/属性 (Attributes) 方法: 特征提取 (Feature extraction) 图像空间 特征空间 困难: 特征空间的定义 分类器的设计 地位: 图像自动分析的基础 现状: 公认的图像处理难题 图像空间 特征空间 分类空间 特征提取 分类器 特征定义: * 选择有利于分类的特征(有效特征) * 选择尽量多的有效特征 图像空间→特征空间 适合的图像 不适合的图像 边界特征 目标: 表达边界与非边界 微分算子表达“变化” 梯度 幅值 表达边界强度 方向表达边界垂直方向 拉普拉斯 标量 旋转不变 f(t) 过零点 f’(t) f’’(t) 微分算子对噪声敏感 f * h f(x,y) f(x,y) h(r) h’(r) h’’(r) LoG (σ=1.0) 差分→微分 梯度算子 Roberts Sobel Robert (Magnitude) Sobel (Magnitude) Original Image Laplacian 周期纹理 (Periodic Texture) 频谱 (Fourier Spectrum) 周期纹理的特征: 纹理的方向 纹理的周期 极坐标形式的频谱 频谱图中放射状的”脊”走向 频谱中的”峰”位置 图像整体统计特征 p(z) : 归一化灰度直方图 矩 图像灰度分布均匀度 … max →灰度分布均匀 0 →图像仅单一灰度 位置无关 矩 (Moments) 几何矩 重量 重心 灰度共生矩阵 (Gray Co-occurrence Matrix) P: 位置算子 (Position operator) a P 灰度共生矩阵 C: P定义下的a和b的联合灰度直方图 C={cij} cij=count{a=ri AND b=rj} b 例: 灰度共生矩阵 (gray-level co-occurrence matrix) 例: 1 0 0 1 2 0 2 0 1 1 1 0 1 0 0 0 1 2 1 0 0 1 1 2 0 position operator P 0 2 1 2 3 2 0 2 4 0 1 2 0 1 2 联合概率(joint probability) [C] 纹理走向和尺寸 线性分类器 非线性分类器 0-1分类器 模糊分类器 平行实现算法 串行实现算法 线性函数分割特征空间 非线性函数分割特征空间 非此即彼的分类结果 隶属度描述分类结果 特征空间中像素独立 像素间相互影响 线性分类器(Linear Classifier) 线性函数分割特征空间 1D特征空间 2D特征空间 T 依据: 特征空间中样本的聚类特性 分类误差 fA→B : A类的像素错分为B类 fB→A : B类的像素错分为A类 N : 图像像素总数 T p t A B f(t)→A f(t)→B p(t) = pA(t) + pB(t) T p t 谷点阈值 双峰的谷点即阈值 要点: 直方图的双峰特性 直方图的平滑处理 T p t A B T: pA(t)与pB(t)的交叉点时 e→min 假设pA(t)和pB(t)在Ω(T)中单调 贝叶斯分类器(Bayes Classifier) t p p(t|w1) p(t|w2) p(t | wi) : wi类对象的特征分布概率密度函数 P(wi) : wi类对象的出现概率 P(t): 特征分布概率 t→类wi, if *