第六章 图像分割 6.1 概述 一、图像分割 1、作用 图像分割在整个图像处理过程中的作用 2、特征 分割出来的各区域对某种性质例如灰度，纹理而言具有相似性，区域内部是连通的的且没有过多小孔。 区域边界是明确的 相邻区域对分割所依据的性质有明显的差异 本章要点 边缘检测 边缘跟踪 阈值分割 区域分割 运动分割 6.2 边缘检测 一、梯度算子 梯度算子是一阶导数算子 (幅值： (方向角 ：  近似计算（数字图像处理中用差分代替微分） 1、Roberts算子 2、Sobel算子 3、Prewitt算子 二、拉普拉斯算子 二阶导数算子 微分： 差分： 两种常用的拉普拉斯算子模板 三、Canny算子 1、基本思想 (好的检测结果：对边缘的错误检测率要尽可能低，在检测出图像真实的边缘的同时要避免检测出现虚假的边缘。 好的边缘定位精度：标记出的边缘位置要和图像上真正边缘的位置尽量接近。 对同一边缘要有低的响应次数：有的算子会对一个边缘回产生多个响应。也就是说图像上本来只有一个边缘点的，可是检测出来就会出现多个边缘点。 克服噪声的影响 2、算法步骤 (用高斯滤波器平滑图像 (计算滤波后图像梯度的幅值和方向 (对梯度幅值应用非极大值抑制，其过程为找处图像梯度中的局部极大值点，把其它非局部极大值点置零以得到得到细化的边缘 (用双阈值算法检测和连接边缘，使用两个阈值T1和T2(T1>T2)，T1用来找到每条线段，T2用来在这些线段的两个方向上延伸寻找边缘的断裂处，并连接这些边缘。 实例 四、算子比较 Roberts算子：Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备能抑制噪声能力。该算子对具有陡峭边缘且含噪声少的图像效果较好。 Sobel算子和Prewitt算子：都是对图像先做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素宽度。 Laplacian算子：是不依赖于边缘方向的二阶微分算子算子，对图像中的阶跃型边缘点定位准确，该算子对噪声非常敏感，它使噪声成分得到加强，这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。 LOG算子：该算子首先用高斯函数对图像作平滑滤波处理，然后才使用Laplacian算子检测边缘，因此克服了Laplacian算子抗噪声能力比较差的缺点，但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了，造成这些尖锐边缘无法检被测到。应用LOG算子，高斯函数中方差参数的选择很关键，对图像边缘检测效果有很大的影响。高斯滤波器为低通滤波器，越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边缘点的丢失。反之，越小，通频带越宽，可以检测到的图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。因此，应用LOG算子，为取得更佳的效果，对于不同图像应选择不同参数。 Canny算子：Canny算子虽然是基于最优化思想推导出的边缘检测算子，实际效果并不一定最优，原因在于理论和实际有许多不一致的地方。该算子同样采用高斯函数对图像作平滑处理，因此具有较强的抑制噪声能力，同样该算子也会将一些高频边缘平滑掉，造成边缘丢失。Canny算子其后所采用用双阈值算法检测和连接边缘，采用的多尺度检测和方向性搜索较LOG算子要好。