图像边缘检测和分割

6.2.3　图像边缘检测和分割

在对图像研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分常称为目标或前景(其他部分称为背景)，一般对应图像中特定的具有独特特征的区域。为了辨识和分析目标，需要将这些有关区域分离出来。

边缘检测的实质是采用某种算法提取出图像中对象与背景间的交接线，将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测算法是用原始图像中像素的某小邻域来构造边缘检测算子。即:

为图像的梯度，中包含局部灰度变化信息。

记e(x，y)=的幅度，e(x，y)可以用作边缘检测算子。为简化计算，也可以将e(x，y)定义为偏导数f_x和f_y的绝对值之和。

依上述理论提出了许多算法，其中比较常用的边缘检测方法有差分边缘检测、Roberts边缘检测算子、Sobel边缘检测算子、Prewitt边缘检测算子、Robinson边缘检测算子、Laplace边缘检测算子、Canny算子和LOG算子等。

分割的目的是把图像空间分割成一些有意义的区域，分割可按幅度、边缘和形状等进行。幅度分割方法是把图像的灰度分成不同的等级，用设置灰度门限的方法确定有意义的区域或将要分割物体的边界。其关键问题是如何选择阈值。边缘分割方法是对于特征不连续的边缘检测，把图像分割成特征相同的、互不重叠连接区域的处理方法，有区域增长法和聚类法。区域增长法是从把一幅图像分成许多小区域开始的，这些初始的区域可能是小的邻域甚至是单个像素。在每个区域中，对经过适当定义的能反映一个物体内成员隶属程度的性质(度量)进行计算。用于区分不同物体内像素性质的度量，包括平均灰度值、纹理或颜色。因此，第一步是赋予每个区域一组参数，这些参数值能够反映区域属于哪个物体。然后对相邻区域的所有边界进行考察。如果给定边界两侧的度量差异明显，那么这个边界很强，反之则很弱。强边界允许继续存在，而弱边界被消除，相邻区域被合并。这是一个迭代过程，每一步都重新计算被扩大区域的物体成员的隶属关系，并消除弱边界。当没有可以消除的弱边界时，区域合并过程结束，图像分割工作完成。聚类法把像素或小区域所具有的特征映射到特征空间中。根据在特征空间中的群聚，求出具有相似性特性的像素或小区域。然后，对各像素按照一定的规则给予表示所属的群的标号。

在具有强脉冲噪声的声图中，常规的图像分割方法会失去作用。为此，采用马尔科夫随机场模型(MRF)来分割这种图像，该方法用MRF模型来描述待分割图形的先验知识，采用贝叶斯方法，以分割图像的后验概率最大作为分割准则。MRF法考虑了相邻像素的关系，使得分割的结果不会包含小的碎片。