数字图像处理复习（final）

Intro

图像中的某些感兴趣部分称为目标或前景。
为了辨识和分析目标，提取有关区域，进一步利用目标，如特征提取和测量。

图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

分割的目的：将图像划分为不同区域

图像分割的基本策略：一般基于亮度值的两个基本特征

1. 不连续性--区域之间，基于亮度的不连续变化分割图像，如图像的边缘
2. 相似性--区域内部，根据制定的准则将图像分割为相似的区域，如阈值处理（门限处理），区域生长，区域分离和聚合。

边界分割法 噪声的影响.PNG

梯度法

边界分割的流程 sobel.PNG 阈值分割.PNG

二阶导数

1. 拉普拉斯算子
2. LOG(Laplacian of Gaussian)

LOG算子步骤：

1. 平滑滤波器采用高斯滤波器
2. 增强步骤采用二阶导数（二维拉普拉斯函数）
3. 边缘定位判据是二阶导数零交叉点并对应一阶导数的较大峰值。

canny边缘检测：

1. 用高斯滤波平滑图像
2. 用一阶偏导的有限差分来计算梯度的幅值和方向
3. 用梯度幅值来做非极大值抑制
4. 用双阈值算法和连接分析来检测并连接边缘。

sobel，LOG，Canny比较

比较.PNG

消除无用细节且边缘质量高（连续性，细度和比值度等），首选Canny算法

边缘检测算子小结，基本步骤

1. 去噪（平滑）。边缘检测算法主要基于导数计算，但受噪声影响，但滤波器在降低噪声的同时也导致边缘强度的损失。
2. 增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值来实现
3. 阈值化
4. 定位，精确定位边缘的位置。

边缘连接法

局部连接处理

时机：对做过边缘检测的图像进行
目的：连接间断的边

局部处理的连接原理：
最简单的方法是分析f(x,y)的一个小邻域内的像素点，“特性”相似点连接起来。
边缘像素相似性的两个主要性质为
(1)梯度相应强度
(2)梯度向量方向

若(x,y)邻域内坐标为(x0,y0)的边缘像素，在幅度上相似于(x,y)处的像素 条件.PNG

当梯度值和方向角都是相似的，则点(x0,y0)与边界点(x,y)是连续的。

步骤：

1. 对做过边缘检测的图像的每个点(x,y)的特性进行分析
2. 分析在一个小的邻域（33 or 55）中进行
3. 所有相似的点被连接，形成一个享有共同特性像素的边界
4. 其中用比较梯度算子的响应强度和梯度方向来确定这两个点是否同属于一条边。
5. 最后删除孤立线段，连接断开的线段。

阈值分割法

基本思想：设定一个合适的阈值，将大于或等于阈值的像素作为物体或背景，生成一幅二值图像。阈值选定的好坏是此方法成败的关键因素。

阈值处理.PNG

阈值分割法的特点：适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。

通过直方图得到阈值 直方图.PNG

直接法：取直方图谷底（最小值）的灰度值作为阈值T
缺点：会受到噪音的干扰，最小值不是预期的阈值而是偏离期望的阈值。
改进：去两个峰值之间某个固定位置，可以排除噪音的干扰。

全局阈值-自适应迭代算法（Isodata门限算法）

自动门限的获得：

1. 选择一个T的初值
2. 用T分割图像，分成了两类像素 f(x,y)>T ->G1
   f(x,y)<T -> G2
3. 对区域G1，G2计算平均灰度u1，u2
4. 获得新门限，T=0.5(u1+u2)
5. 重复2-4 直到T变化足够小

用Otsu法的最佳全局阈值处理

求使类间方差（分离度）最大的阈值T

otsu.PNG

用图像平滑改善全局阈值处理

otsu效果差的时候.PNG