冈萨雷斯DIP第10章知识点

文章目录

10.2 点、线和边缘检测
- 10.2.2 孤立点的检测
- 10.2.3 线检测
- 10.2.4 边缘模型
10.3 阈值处理
- 10.3.4 使用图像平滑改进全局阈值处理
- 10.3.5 使用边缘改进全局阈值处理
- 10.4 使用区域生长、区域分离与聚合进行分割

分割依据的灰度值基本性质是：不连续性和相似性。本章中的大多数分割算法均基于灰度值的两个基本性质。第一类方法根据灰度的突变，如边缘将图像分割为多个区域；第二类方法根据一组预定义的准则将图像分割为多个区域。阈值处理、区域生长、区域分离和聚合都是这类方法的例子。

10.2 点、线和边缘检测

图像特征：孤立点、线和边缘。

10.2.2 孤立点的检测

点检测应以二阶导数为基础。使用的拉普拉斯核(它与图3.45(b)中的核相同)，若滤波器在这一点的响应的绝对值超过一个规定的阈值，则我们说在核的中心位置 ( x , y ) (x, y) (x,y) 检测到了一个点。

10.2.3 线检测

复杂度更高的检测是线检测。对于线检测，也可使用图10.4(a)中的拉普拉斯核，但必须正确处理二阶导数的双线效应。

10.2.4 边缘模型

三类边缘模型：台阶、斜坡、屋顶边缘模型

微弱的可见噪声严重影响检测边缘所用的两个关键导数。

边缘检测的步骤：

为了降低噪声，对图像进行平滑处理。
检测边缘点。从图像中提取可能是边缘点的所有点候选边缘点。
边缘定位。目的是从候选边缘点中选择组成边缘的点集中的成员点。

10.3 阈值处理

由于图像阈值处理直观、实现简单且计算速度快，因此在图像分割应用中处于核心地位。

从背景中提取目标的一种明显方法是，选择一个分隔这些模式的阈值 T T T。然后，图像中 f ( x , y ) > T f(x, y)>T f(x,y)>T 的任何点 ( x , y ) (x, y) (x,y)，称为一个目标点；否则，该点称为背景点。换句话说，分割后的图像 g ( x , y ) g(x, y) g(x,y) 为：

g ( x , y ) = { 1 , f ( x , y ) > T 0 , f ( x , y ) ≤ T (10.46) g(x, y)=\left\{\begin{array}{l} 1, f(x, y)>T \\ \\ 0, f(x, y) \leq T \end{array}\right.\tag{10.46} g(x,y)=⎩ ⎨ ⎧1,f(x,y)>T0,f(x,y)≤T(10.46)

当T是一个适用于整个图像的常数时，式(10.46)给出的处理称为全局阈值处理。当 T T T 值在一幅图像上变化时，称为可变阈值处理。

灰度阈值处理能否成功，与分隔直方图模式的波谷的宽度和深度有关。

噪声

噪声污染较强的情况下，没有希望为分割图像找到一个合适的阈值。

光照和反射

图10.34(f)是光照不均匀图像(c)的直方图，可见：波峰之间的深谷会破坏到模式无法分割的程度。如果光照非常均匀，但(目标和/或背景表面自然反射率的变化导致的)图像反射不均匀，也会得到类似结果。

在使用阈值或其他分割技术分割图像时，光照和反射起核心作用。

基本的全局阈值处理

10.3.4 使用图像平滑改进全局阈值处理

如图10.33所示，噪声会使得简单的阈值处理问题变得不可求解。当无法从源头降低噪声，并且阈值处理是首选分割方法时，增强分割性能的一种技术通常是：在阈值处理之前先平滑图像。

10.3.5 使用边缘改进全局阈值处理

若只利用位于或接近目标和背景间的边缘的像素，则得到的直方图将有几个高度近似相同的波峰。此外，任何位于目标上的像素的概率，将近似等于其位于背景上的概率，从而改进了直方图模式的对称性。

使用满足某些基于梯度和拉普拉斯的简单测度的像素，有加深直方图波峰间的波谷的倾向。

10.4 使用区域生长、区域分离与聚合进行分割

区域生长、区域分离与聚合。