第七章 图像分割
- 格式:doc
- 大小:79.00 KB
- 文档页数:2
第七章图像分割1、什么是区域?什么是图像分割?答:在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。
这些感兴趣的部分常称为目标或图像,它们一般对应图像中的特定的、具有独特性质的区域。
这里的区域是指相互连通的、有一致属性的像素的集合。
图像分割是指把图像分成互不重叠区域并提取感兴趣目标的技术。
2、边缘检测的理论依据是什么,有哪些方法?各有哪些特点?答:边缘是指图像中像素灰度有阶跃变化或屋顶状变化的那些像素的集合。
它存在于目标和背景、目标与目标、区域与区域、基元与基元之间。
他对图像识别和分析十分有用,边缘能够画出目标物体轮廓,使观察者一目了然,包含了丰实的信息,是图像识别中抽取的重要属性。
利用边缘灰度变化的一阶或二阶导数特点,可以将边缘点检测出来。
方法包括:(1)梯度算子;特点是仅计算相邻像素的灰度差,对噪音敏感,无法抑制噪声的影响。
(2)Roberts梯度算子;与梯度算子检测边缘的方法类似,但效果较梯度算子略好。
(3)Prewitt和Sobel算子;该算子不仅能检测边缘点,且能进一步抑制噪声的影响,但检测的边缘较宽。
(4)方向算子;检测能力强,抗噪能力好。
(5)拉普拉斯算子;特点是各向同性、线性和位移不变的;对细线和孤立点检测效果较好。
但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍加强作用。
(6)马尔算子;马尔算子用到的卷积模板一般较大,不过这些模板可以分解为一维卷积来快速计算。
(7)Canny算子;可以减少小模板检测中的边缘中断,有利于得到较为完整的线段。
3、什么是hough变换?hough变换检测直线时,为什么不采用y=kx+b的表达式?试述采用hough变换检测直线的原理。
答:设在直线坐标系中有一条直线L,在原点到该直线的垂直距离为Ρ,垂线与x周的夹角为θ,则可用Ρ、θ来表示该直线,其直线方程为:Ρ=xcosθ+ysinθ而这条直线用极坐标表示则为一点(Ρ,θ),可见,直角坐标系中的一条直线对应极坐标系中的一点,这种线到点的变换叫做hough变换。
第七章图像分割
1.什么是区域?什么是图像分割?
区域是指相互连通的、有一致属性的像素的集合。
图像分割是指把图像分成互不重叠的区域并提出感兴趣目标的技术。
2.边缘检测的理论依据是什么?有哪些方法?各有什么特点?
边缘能勾画出目标物体轮廓,使贯彻着一目了然,包含了丰富的信息(如方向、阶跃性质、形状等),是图像识别中抽取的重要属性。
(1)梯度算子。
特点:仅计算相邻像素的灰度差,对噪声敏感,无法抑制噪声的影响。
(2)Roberts梯度算子。
特点:与梯度算子检测边缘的方法类似,但效果较梯度算子略好。
(3)Prewitt和Sobel算子。
特点:不仅能检测边缘点,且能进一步抑制噪声的影响,但检测的边缘较宽。
(4)方向算子。
特点:边缘检测能力强,且抗噪性能好。
(5)拉拉普拉斯算子。
特点:各向同性、线性和位移不变的;对细线和孤立点检测效果好。
但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍加强效果。
(6)马尔算子。
特点:
(7)Canny边缘检测算子。
特点:可以减小检测中的边缘中断,有利于得到较为完整的线段。
(8)沈俊边缘检测方法。
特点:用对称的指数函数滤波器进行平滑,并在阶跃边缘,可加白噪声的模型下,按信噪比最大准则,证明了对称的指数函数滤波器是最
佳滤波器。
(9)曲面拟合法。
特点:对一些噪声比较严重的图像进行边缘检测可以取得较为满意的结果。
3.拉普拉斯边缘检测算子与拉普拉斯边缘增强算子有何区别?
拉普拉斯边缘检测算子模板中心是-4,拉普拉斯边缘增强算子模板中心是+5。
4.什么是Hough变换?Hough变换检测直线时,为什么不采用y=kx+b的表达形式?试
述采用Hough变换检测直线的原理。
直角坐标系中的一条直线对应极坐标系中的一点,这种线到点的变换就是Hough变换。
在直角坐标系中过任一点(x0,y0)的直线系,满足
其中而这些直线
在极坐标系中所对应的点(ρ、θ)构成一条正弦曲线。
反之在极坐标系中位于这条正弦曲线上的点,对应直角坐标系中过点(x0,y0)的一条直线,设平面上有若干点,过每点的直线分别对应于极坐标系上的一条正弦曲线。
若这些正弦曲线有共同的交点(ρ‘、θ’),则
这些点共线,且对应的直线方程为
5.常用的三种最简单图像分割法各有何特点?
(1)状态法(峰谷法):适用于目标和背景的灰度差较大、有明显谷的情况;
(2)判断分析法:比较便利,是一种常用的方法,但它不能反映图像的几何结构,有时分割结果与人的视觉效果不一样。
(3)最佳熵自动阈值法:
6.区域分割与区域增长二者有何区别?
图像区域分割都没有考虑到图像像素空间的连通性。
区域增长是把图像分割成若干小区域,比较相邻小区域的相似性,若它们足够相似,则作为同一区域合并,以此方式将特征相似的小区域不断合并,直到不能合并为止。