图像分割主要基于 两种特征:不连续性和相似性。
- 不连续性:
- 相似性:
边缘检测:
- 方法:一阶导数求边缘,sobel算子,但一阶导对于带噪声图像的反应也非常明显。
- 解决噪声问题:先对图像进行平滑处理(高斯平滑),再进行边缘检测。
- 简化:将平滑处理和边缘检测的卷积提前合并。
- 新问题?:平滑处理确实去除了噪声,但也模糊了边缘。
边缘检测的三大准则:
- 低错误率的检测:检测图像中的真边缘,忽略噪声和其它假象。
- 良好的定位:检测的边缘点应该精确地定位于边缘的中心。
- 图像中的任意边缘应该只被标记一次。
边缘检测借助的痕迹:颜色,深度或纹理的区别。
Canny边缘检测器:
edge(Imgae, ‘Canny’); (可设定其它参数)
Hough Transfrom:
思想:参数空间的投票
Q1:为什么要引入极坐标而不是只用m,b坐标系?
A1:运用极坐标有界,m-b会无界;譬如所有边缘点的x均为0,那么m值就无限大,b值变化,导致每个边缘点在m-b坐标系下生成的为互相平行的直线,会导致没有交点。无法进行变换。
Q2:霍夫变换里划分的格子,是包含只有一个点还是好多个点?
A2:一个格子就会有一个固定的坐标数值,里面有很多点,但是最终会选择投票最多的那个格子所代表的固定坐标数值。
Threshold(阈值化分割):
思想:在图像中,像素值大于阈值的即为物体,小于阈值的为背景。
难点:找到合适的阈值T
分类:
- 全局阈值法:T是基于整个图像得出的常量。
- 可变阈值
- 局部阈值:T取决于周围的(x,y)
- 动态(适应性)阈值:T取决于自身坐标(x,y)
影响:图像中的噪声、照明和反射都会对直方图产生很大影响,从而导致阈值的选取困难。
Otus’s method:类间方差最大化
找到三个聚类中心把所有的像素分成3类
要找到种子点
先进行分裂成块,再合并。知道不需要再分裂。
分裂合并时都需要进行判断。
内部能量+外部能量
Original: https://blog.csdn.net/weixin_46517035/article/details/122373571
Author: 翙翙Cici
Title: 【数字图像处理 9】图像分割
原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/645817/
转载文章受原作者版权保护。转载请注明原作者出处!