2009/10/30
1
第三讲
区域
主要内容
n区域与边界(Regions and Edges)
o区域分割(Region Segmentation)
p区域表示(Region Representation)
q分离与合并(Split and Merge)
r区域生长(Region Growing)
2009/10/30
2
区域
图像中的区域就是具有相似性质的一组像素。
因为图像区域对应于景物中的物体，所以对于图像
解释来说区域是重要的
解释来说区域是重要的
。
为了准确地解释图像，必须将图像分为对应于物体
或者物体组成部分的区域。
物体与区域之间的对应并非完美，需要特定物体的
相关知识提供支持
。
相关知识提供支持
。
区域与边界
图像表示为二维矩阵，矩阵元素的取值是灰度值。
图像矩阵的每个元素称为像素，是观察量。
图像的其它属性或特征必须从像素中获得。
图像分割为区域的方法：
n基于区域分割
o
使用边界检测的边缘估计
o
使用边界检测的边缘估计
2009/10/30
3
基于区域分割的方法
对应于某个物体的所有像素被分为一组，并且通过
标记来说明它们属于一个区域。该过程称为分割。
分割的两个重要因素
分割的两个重要因素
：
n灰度相似性
o空间邻域性
灰度相似性和空间邻域性来源于相同物体上的点在
其投影图像中
位置彼此接近
且
具有相似灰度取值
的
其投影图像中
位置彼此接近
且
具有相似灰度取值
的
假设前提。
使用边界检测的边缘估计方法
可以通过寻找位于区域边缘的像素来完成分割。
处于区域边缘的像素称为边界像素，简称边界。它
可以通过计算邻域像素的灰度差值得到
可以通过计算邻域像素的灰度差值得到
。
区域边缘可以通过区域的边缘跟踪算法得到，区域
可以通过边界使用区域填充算法得到。在实际应用
中，由于噪声和其他因素的影响，二者均难于得到
完美的结果。
2009/10/30
4
区域分割
已知：像素集合 I 和均匀性判别函数
寻找：图像 I 到 n 个区域 集合的分割 S
(
)
P i
i
R
1
n
i
i
RI
=
=
∪
满足：
n对任意区域 ，有
i
R
(
)
true, 1,2, ,
i
PR i n
=
= …
o对任意两个相邻区域 和 ，有
i
i
R
j
R
(
)
i
()
false,
ij
PR R i j∪= ≠
自动阈值化
为了分割的强壮性，算法应该能够自动选择阈值。
在分割算法中，应该使用涉及物体、应用问题和环
境等方面的知识
境等方面的知识
。
n物体的亮度特性
o物体的尺度
p物体在图像中的比例
图像中包含的物体类型
q
图像中包含的物体类型
使用上述知识且不需人机交互自动选择阈值的方法
称为自动阈值化方法。
2009/10/30
5
P‐Tile方法
假设：物体面积与图像面积之比为 p
则：通过图像灰度直方图可以得到阈值 T
模型方法
假设：物体和背景的灰度值分布满足两个正态分布
函数和。
则
通过图像灰度直方图可以得到阈值
T
(
)
11
,
μ
σ
()
22
,
μ
σ
则
：
通过图像灰度直方图可以得到阈值
T
