《機(jī)器視覺技術(shù)基礎(chǔ)》第五章 圖像分割

第五章圖像分割匯報(bào)人：陳西PPT工作室閾值分割區(qū)域分割邊緣檢測(cè)Hough變換目錄第一部分第二部分第三部分第四部分分水嶺算法第五部分閾值分割第一部分閾值分割

閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡(jiǎn)化了分析和處理步驟。閾值分割法是一種傳統(tǒng)的最常用的圖像分割方法，特別適用于目標(biāo)和背景占據(jù)不同灰度級(jí)范圍的圖像。圖像的閾值分割是一種按圖像像素灰度幅度進(jìn)行分割的方法，把圖像的灰度分成不同的等級(jí)，然后用設(shè)置灰度門限（閾值）的方法確定有意義的區(qū)域或要分割物體的邊界。閾值分割操作被定義為：

因此，閾值分割將圖像內(nèi)灰度值處于某一指定灰度值范圍內(nèi)全部點(diǎn)選到輸出區(qū)域S中。如果光照能保持恒定，閾值和能在系統(tǒng)設(shè)置時(shí)被選定且永遠(yuǎn)不用被調(diào)整。

閾值分割法閾值分割法對(duì)于只有背景和目標(biāo)兩類對(duì)象的灰度圖像來(lái)說(shuō)，閾值選取過(guò)高，容易把大量的目標(biāo)誤判為背景；閾值選取過(guò)低，又容易把大量的背景誤判為目標(biāo)。一般來(lái)說(shuō)，閾值分割可以分成以下三步：（1）確定閾值；（2)將閾值與像素灰度值進(jìn)行比較；（3）把像素分類。閾值分割的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單、運(yùn)算效率較高、速度快。閾值分割的幾個(gè)難點(diǎn)是：①在圖像分割之前，無(wú)法確定圖像分割生成區(qū)域的數(shù)目；②閾值的確定，因?yàn)殚撝档倪x擇直接影響分割的精度及分割后的圖像進(jìn)行描述分析的正確性。如果圖像由暗色背景上得較亮物體組成，以這樣組成方式的圖像的灰度直方圖具有明顯谷底，從背景中提取物體的一種很明顯的方法就是選擇兩峰之間的谷底對(duì)應(yīng)的灰度值T作為閾值進(jìn)行圖像分割。T值的選取如圖所示：根據(jù)直方圖谷底確定閾值法根據(jù)直方圖谷底確定閾值

分割后的圖像由下式給出：

根據(jù)直方圖谷底確定閾值法對(duì)于有多個(gè)峰值的直方圖，可以選擇多個(gè)閾值。例如，當(dāng)有兩個(gè)明顯谷底時(shí)，可以表示為下式：

在Halcon中直方圖谷底確定閾值算子如下：threshold(Image:Region:MinGray,MaxGray:)程序如下：*讀取圖像

read_image(Image,'letters')*獲得圖像尺寸

get_image_size(Image,Width,Height)*關(guān)閉、重新打開窗口

dev_close_window()

dev_open_window(0,0,Width/2,Height/2,'black',WindowID)*設(shè)置輸出窗口顏色為紅色

dev_set_color('red')*計(jì)算圖像的灰度直方圖

gray_histo(Image,Image,AbsoluteHisto,RelativeHisto)*從直方圖中確定灰度值閾值histo_to_thresh(RelativeHisto,8,MinThresh,MaxThresh)*設(shè)置區(qū)域顯示的顏色數(shù)目

dev_set_colored(12)*根據(jù)計(jì)算得到的MinThresh、MaxThresh進(jìn)行閾值分割，并顯示區(qū)域threshold(Image,Region,MinThresh,MaxThresh)*顯示區(qū)域

dev_display(Region)根據(jù)直方圖谷底確定閾值分割實(shí)例（a）原圖（b）閾值分割結(jié)果圖程序執(zhí)行結(jié)果如圖所示：有時(shí)手動(dòng)設(shè)定閾值并不是一個(gè)嚴(yán)謹(jǐn)?shù)姆椒?，因?yàn)槿藢?duì)圖像灰度的感受并不精準(zhǔn)，即使對(duì)同一場(chǎng)景，當(dāng)光線有微妙變化時(shí)，灰度也會(huì)有差異。在連續(xù)采集的圖像中，圖像的灰度也是動(dòng)態(tài)變化的，環(huán)境光照、拍攝角度等因素都會(huì)影響圖像的灰度。如果閾值是一個(gè)固定的值，那么在處理連續(xù)圖像時(shí)結(jié)果會(huì)不夠準(zhǔn)確。因此，可以使用自適應(yīng)閾值進(jìn)行調(diào)節(jié)。自適應(yīng)閾值是一種基于直方圖的閾值。其原理是，以灰度直方圖中出現(xiàn)的谷底為分割點(diǎn)，對(duì)灰度直方圖的波峰進(jìn)行分割。因此，有多少個(gè)波峰，就會(huì)分割出多少個(gè)區(qū)域。實(shí)驗(yàn)法在Halcon中進(jìn)行自適應(yīng)閾值處理算子如下：auto_threshold(Image:Regions:Sigma:)基于直方圖的自動(dòng)閾值分割實(shí)例

程序執(zhí)行結(jié)果如圖所示：（a）原圖（b）閾值分割結(jié)果圖

程序如下：read_image(Aegypt1,'egypt1')auto_threshold(Aegypt1,Regions,4)dev_display(Regions)它適用于一些無(wú)法用單一灰度進(jìn)行分割的情況，如背景灰度比較復(fù)雜，有的部分比前景目標(biāo)亮，有的部分比前景目標(biāo)暗；又如前景目標(biāo)包含多種灰度，因而無(wú)法用全局閾值完成分割。該算子利用鄰域，通過(guò)局部灰度對(duì)比，找到一個(gè)合適的閥值進(jìn)行分割。dyn_threshold算子的應(yīng)用步驟一般分三步：首先，讀取原始圖像；然后，使用平滑濾波器對(duì)原始圖像進(jìn)行適當(dāng)平滑；最后，使用dyn_threshold算子比較原始圖像與均值處理后的圖像局部像素差異，將差異大于設(shè)定值的點(diǎn)提取出來(lái)。局部閾值分割法程序如下：*關(guān)閉窗口

dev_close_window()*獲取圖像

read_image(Image,'photometric_stereo/embossed_01')*獲得圖像尺寸

get_image_size(Image,Width,Height)*打開適應(yīng)圖像大小的窗口

dev_open_window(0,0,Width,Height,'black',WindowHandle1)*在圖像上使用均值濾波器進(jìn)行適當(dāng)平滑mean_image(Image,ImageMean,59,59)*動(dòng)態(tài)閾值分割，提取圓區(qū)域dyn_threshold(Image,ImageMean,RegionDynThresh,15,'not_equal')*顯示圖像

dev_display(Image)*顯示提取區(qū)域

dev_display(RegionDynThresh)

局部閾值分割算子dyn_threshold實(shí)例（a）原圖（b）dyn_threshold閾值分割結(jié)果程序執(zhí)行結(jié)果如圖所示：區(qū)域分割第二部分

區(qū)域分割

一幅圖像中屬于同一區(qū)域的像素一般具有相同或相似的屬性，區(qū)域分割通過(guò)利用的是圖像該性質(zhì)進(jìn)行劃分，使具有相同像素的像素歸屬同一區(qū)域，不同屬性的像素歸屬不同區(qū)域。傳統(tǒng)的區(qū)域分割方法有區(qū)域生長(zhǎng)和區(qū)域分裂與合并，其中最基礎(chǔ)的是區(qū)域生長(zhǎng)法。區(qū)域生長(zhǎng)法區(qū)域生長(zhǎng)法的基本思想是將一幅圖像分成許多小的區(qū)域，并將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。具體來(lái)如下：首先在圖像上選定一個(gè)“種子”像素或者“種子”區(qū)域；然后從“種子”的鄰域像素開始搜尋，將種子像素周圍鄰域中與種子像素有相同性質(zhì)或相似性質(zhì)的像素(根據(jù)某種事先確定的生長(zhǎng)或相似準(zhǔn)則來(lái)判斷)合并到種子像素所在的區(qū)域中；最后進(jìn)一步將這些新像素作為新的種子像素繼續(xù)進(jìn)行上述操作，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來(lái)為止，圖像分割隨之完成。區(qū)域生長(zhǎng)法思想很簡(jiǎn)單，只需要若干種子點(diǎn)即可將具有相同特征的聯(lián)通區(qū)域分割出來(lái)。在生長(zhǎng)過(guò)程中的生長(zhǎng)準(zhǔn)則可以自由的指定，同時(shí)可以在同一時(shí)刻挑選多個(gè)準(zhǔn)則。區(qū)域生長(zhǎng)法１、區(qū)域生長(zhǎng)法的過(guò)程如果以灰度分布相似性作為生長(zhǎng)準(zhǔn)則來(lái)決定合并的區(qū)域，則需要比較鄰接區(qū)域的累積直方圖并檢測(cè)其相似性，過(guò)程如下：（1）把圖像分成互不重疊的合適小區(qū)域；（2）比較各個(gè)鄰接小區(qū)域的累積灰度直方圖。柯爾莫哥洛夫-斯米諾夫檢測(cè)：

平滑差分檢測(cè)：

區(qū)域生長(zhǎng)法2、在Halcon中區(qū)域生長(zhǎng)法的算子在Halcon中區(qū)域生長(zhǎng)法的算子如下：①regiongrowing(Image:Regions:Row,Column,Tolerance,MinSize:)②regiongrowing_mean(Image:Regions:StartRows,StartColumns,Tolerance,MinSize:)該算子指明了開始進(jìn)行區(qū)域生長(zhǎng)算法的點(diǎn)（x,y)的坐標(biāo)，并以指定的點(diǎn)為中心，不斷搜索其鄰域，尋找符合設(shè)定條件的區(qū)域。這里的條件有兩種，一是區(qū)域邊緣的灰度值與當(dāng)前均值圖中對(duì)應(yīng)的灰度值的差小于Tolerance參數(shù)的值；二是區(qū)域包含的像素?cái)?shù)應(yīng)大于MinSize參數(shù)的值。程序如下：*讀取圖像read_image(Image,'fabrik')*對(duì)圖像進(jìn)行均值處理，選用circle類型的中值濾波器median_image(Image,ImageMedian,'circle',2,'mirrored')*使用regiongrowing算子尋找顏色相近的鄰域regiongrowing(ImageMedian,Regions,1,1,2,5000)*對(duì)圖像進(jìn)行區(qū)域分割，提取滿足各個(gè)條件的各個(gè)獨(dú)立區(qū)域shape_trans(Regions,Centers,'inner_center')connection(Centers,SingleCenters)*計(jì)算出初步提取的區(qū)域的中心點(diǎn)坐標(biāo)area_center(SingleCenters,Area,Row,Column)*以均值灰度圖像為輸入，進(jìn)行區(qū)域增長(zhǎng)計(jì)算，計(jì)算的起始坐標(biāo)為上一步的各區(qū)域中心regiongrowing_mean(ImageMedian,RegionsMean,Row,Column,25,100)區(qū)域生長(zhǎng)法實(shí)例（a）原圖（b）regiongrowing執(zhí)行結(jié)果程序執(zhí)行結(jié)果如圖所示：（ｃ）regiongrowing-mean執(zhí)行結(jié)果區(qū)域分裂合并法當(dāng)事先完全不了解區(qū)域形狀和區(qū)域數(shù)目時(shí)，可采用分裂合并法。從上面圖像分割的方法中了解到，圖像閾值分割法可以認(rèn)為是從上到下（從整幅圖像根據(jù)不同的閾值分成不同區(qū)域）對(duì)圖像進(jìn)行分開，而區(qū)域生長(zhǎng)法相當(dāng)于從下往上（從種子像素開始不斷接納新像素最后構(gòu)成整幅圖像）不斷對(duì)像素進(jìn)行合并。如果將這兩種方法結(jié)合起來(lái)對(duì)圖像進(jìn)行劃分，便是分裂合并算法。因此，其實(shí)質(zhì)是先把圖像分成任意大小而且不重疊的區(qū)域，然后再合并或分裂這些區(qū)域以滿足分割的要求。分裂合并算法是基于四叉樹思想，下面先對(duì)四叉樹進(jìn)行簡(jiǎn)單介紹。區(qū)域分裂合并法１.四叉樹令R表示整幅圖像區(qū)域，并選擇一個(gè)屬性Q。對(duì)R進(jìn)行分割的一種方法是依次將它細(xì)分為越來(lái)越小的四象限區(qū)域，以便對(duì)于任何區(qū)域有

,從整個(gè)區(qū)域開始，如果

，則將該區(qū)域再次細(xì)分為四個(gè)子象限區(qū)域，以此類推。

四叉樹原理圖如圖所示：

（a）被分割的圖像

（b）對(duì)應(yīng)的四叉圖區(qū)域分裂合并法前述討論可以小結(jié)為如下過(guò)程：1.對(duì)

滿足的任何區(qū)域

,分裂為4個(gè)不相交的象限區(qū)域。2.當(dāng)不可能進(jìn)一步分裂時(shí)，對(duì)滿足

條件的任意兩個(gè)鄰接區(qū)域

和

進(jìn)行聚合。3.當(dāng)無(wú)法進(jìn)一步聚合時(shí)，終止算法。區(qū)域分裂合并法2.利用四叉樹進(jìn)行圖像分割在圖像四叉樹分割時(shí)，需要用到圖像區(qū)域內(nèi)和區(qū)域間的均一性。均一性準(zhǔn)則是區(qū)域是否合并的判斷條件，可以選擇的形式有：（1）區(qū)域中灰度最大值與最小值的方差小于某選定值；（2）兩區(qū)域平均灰度之差及方差小于某選定值；（3）兩區(qū)域的紋理特征相同；（4）兩區(qū)域參數(shù)統(tǒng)計(jì)檢驗(yàn)結(jié)果相同；（5）兩區(qū)域的灰度分布函數(shù)之差小于某選定值。區(qū)域分裂合并法2.利用四叉樹進(jìn)行圖像分割利用這些“一致性謂語(yǔ)”實(shí)現(xiàn)圖像分割的基本過(guò)程如下：（1）初始化：生成圖像的四叉樹數(shù)據(jù)結(jié)構(gòu)。（2）合并：根據(jù)經(jīng)驗(yàn)和任務(wù)需要，從四叉樹的某一層開始，由下向上檢測(cè)每一個(gè)結(jié)點(diǎn)的一致性準(zhǔn)則。（3）分裂：考慮上一步不能合并的子塊，如果它的子結(jié)點(diǎn)不滿足一致性準(zhǔn)則，將這個(gè)結(jié)點(diǎn)永久地分為4個(gè)子塊。（4）由于人為地將圖像進(jìn)行四叉樹分解，可能會(huì)將同一區(qū)域的像素分在不能按照四叉樹合并的子塊內(nèi)，因此需要搜索所有的圖像塊，將鄰近的未合并的子塊合并為一個(gè)區(qū)域。（5）由于噪聲影響或者按照四叉樹劃分邊緣未對(duì)準(zhǔn)，進(jìn)行上述操作后可能仍存在大量的小區(qū)域，為了消除這些影響，可以將它們按照相似性準(zhǔn)則歸入鄰近的大區(qū)域內(nèi)。邊緣檢測(cè)第三部分邊緣檢測(cè)

邊緣是指圖像中像素灰度有階躍變化或屋頂狀變化的那些像素的集合。它包含了豐實(shí)的信息，是圖像識(shí)別中抽取的重要屬性。邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問題，因此，我們需要理解邊緣檢測(cè)的相關(guān)知識(shí)。

邊緣檢測(cè)和區(qū)域劃分是圖像分割的兩種不同的方法，二者具有相互補(bǔ)充的特點(diǎn)。從數(shù)學(xué)上看，圖像的模糊相當(dāng)于圖像被平均或積分，為實(shí)現(xiàn)圖像的銳化，必須用它的反運(yùn)算“微分”加強(qiáng)高頻分量作用，使輪廓清晰。邊緣檢測(cè)原理梯度對(duì)應(yīng)一階導(dǎo)數(shù)，對(duì)于一個(gè)連續(xù)圖像函數(shù)

，梯度矢量定義為：

梯度的幅度為：

梯度的方向?yàn)椋?/p>

邊緣檢測(cè)的一般流程如下：（1）獲取圖像。（2）選擇感興趣區(qū)域。這是為了減少計(jì)算量，加快處理速度。（3）圖像濾波。對(duì)輸入圖像使用邊緣濾波器是采集后的一個(gè)關(guān)鍵步驟。（4）提取邊緣。將符合條件的邊緣提取出來(lái)，應(yīng)用濾波器之后，可以使用閾值處理將圖像中的高亮邊緣提取出來(lái)。（5）邊緣處理。根據(jù)檢測(cè)的需要對(duì)提取出的邊緣進(jìn)行處理。（6）顯示結(jié)果。將結(jié)果繪制在窗口中，以表現(xiàn)直觀的邊緣提取效果。邊緣檢測(cè)原理Roberts算子利用局部差分算子尋找邊緣，邊緣定位較準(zhǔn)，但容易丟失一部分邊緣，同時(shí)由于圖像沒有經(jīng)過(guò)平滑處理，因此不具有抑制噪聲的能力。該算子對(duì)具有陡峭邊緣且含噪聲少的圖像處理效果較好。

稱為Roberts交叉算子。在實(shí)際應(yīng)用中為簡(jiǎn)化計(jì)算，用梯度函數(shù)的Roberts絕對(duì)值來(lái)近似：

用卷積模板表示為：

，其中

和

由模板所示。

Roberts邊緣檢測(cè)算子

Roberts算子*讀取圖像

read_image(Image,'fabrik')*用Roberts濾波器提取邊緣

roberts(Image,ImageRoberts,'roberts_max')*進(jìn)行閾值分割

threshold(ImageRoberts,Region,9,255)*進(jìn)行區(qū)域骨骼化

skeleton(Region,Skeleton)*顯示圖像

dev_display(Image)*設(shè)置輸出顏色為紅色

dev_set_color('red')*顯示骨骼

dev_display(Skeleton)

5.2.1區(qū)域生長(zhǎng)法實(shí)例（a）原圖（b）閾值后程序執(zhí)行結(jié)果如圖所示：（ｃ）邊緣詭取并骨骼化Roberts邊緣提取分割實(shí)例Prewitt和Sobel算子的方程完全一樣，只是常量c=1，其卷積模板如圖所示：由于常量c不同，這一算子與Sobel算子不同的地方在于沒有把重點(diǎn)放在接近模板中心的像素點(diǎn)。當(dāng)用兩個(gè)掩模板(卷積算子)組成邊緣檢測(cè)器時(shí)，通常取較大的幅度作為輸出值，這使得它們對(duì)邊緣的走向有些敏感。取它們的平方和的開方可以獲得性能更一致的全方位的響應(yīng)，這與真實(shí)的梯度值更接近。圖像增強(qiáng)的點(diǎn)運(yùn)算Prewitt邊緣檢測(cè)算子另一種方法是，可以將Prewitt以算子擴(kuò)展成8個(gè)方向，即模板邊緣算子，這些算子樣板由理想的邊緣子圖構(gòu)成。依次用邊緣樣板去檢測(cè)圖像，與被檢測(cè)區(qū)域原圖相似的樣板給出最大值。用這個(gè)最大值作為算子的輸出值，這樣可將邊緣像素檢測(cè)出來(lái)。定義Prewitt邊緣檢測(cè)算子模板如圖所示：Prewitt邊緣檢測(cè)算子模板程序如下：*讀取圖像

read_image(Image,'fabrik')*用prewitt算子進(jìn)行邊緣提取prewitt_amp(Image,ImageEdgeAmp)*進(jìn)行閾值操作

threshold(ImageEdgeAmp,Region,20,255)*骨骼化操作

skeleton(Region,Skeleton)*顯示圖像

dev_display(Image)*設(shè)置輸出顏色為紅色dev_set_color('red')*顯示骨骼圖像

dev_display(Skeleton)

5.2.1區(qū)域生長(zhǎng)法實(shí)例（a）原圖（ｃ）閾值后程序執(zhí)行結(jié)果如圖所示：（ｄ）骨骼化Prewitt邊緣提取實(shí)例（b）Prewitt邊緣提取Kirsch算法由

八個(gè)方向的模板決定，將

的模板元素分別與當(dāng)前像素點(diǎn)的模板區(qū)域的像素點(diǎn)相乘，然后選八個(gè)值中最大的值作為中央像素的邊緣強(qiáng)度。

其中:

Kirsch算法*讀取圖像

read_image(Image,'fabrik')*用kirsch算子進(jìn)行邊緣檢測(cè)kirsch_amp(Image,ImageEdgeAmp)*進(jìn)行閾值操作

threshold(ImageEdgeAmp,Region,70,255)*骨骼化操作

skeleton(Region,Skeleton)*顯示圖像

dev_display(Image)*設(shè)置輸出顏色為紅色dev_set_color('red')*顯示骨骼圖像

dev_display(Skeleton)

5.2.1區(qū)域生長(zhǎng)法實(shí)例（a）原圖（ｃ）閾值后程序執(zhí)行結(jié)果如圖所示：（ｄ）骨骼化Kirsch邊緣提取實(shí)例（b）Kirsch邊緣提取

程序如下：*關(guān)閉窗口

dev_close_window()*獲取圖像

read_image(Image,'mreut')*獲得圖像大小

get_image_size(Image,Width,Height)*打開與圖像大小相適應(yīng)的窗口dev_open_window(0,0,Width,Height,'black',WindowID)*設(shè)置窗口的字體，14號(hào)字，CourierNew字體，粗體set_display_font(WindowID,14,'mono','true','false')*進(jìn)行高斯-拉普拉斯變換laplace_of_gauss(Image,ImageLaplace,5)*通過(guò)提取高斯-拉普拉斯圖像上的零交叉點(diǎn)進(jìn)行邊緣檢測(cè)zero_crossing(ImageLaplace,RegionCrossing2)程序執(zhí)行結(jié)果如圖所示：（a）原圖（b）高斯-拉普拉斯邊緣提取圖高斯-拉普拉斯邊緣提取實(shí)例（ｃ）零交叉點(diǎn)邊緣檢測(cè)效果圖Canny邊緣檢測(cè)算子是一種具有較好邊緣檢測(cè)性能的算子，利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測(cè)問題轉(zhuǎn)換為檢測(cè)準(zhǔn)則函數(shù)極大值的問題.能在噪聲抑制和邊緣檢測(cè)之間取得較好的折中。一般來(lái)說(shuō)，圖像邊緣檢測(cè)必須能有效地抑制噪聲，且有較高的信噪比，這樣檢測(cè)的邊緣質(zhì)量也越高。Canny邊緣檢測(cè)就是極小化由圖像信噪比和邊緣定位精度乘積組成的函數(shù)表達(dá)式，得到最優(yōu)逼近算子。與Marr的LOG邊緣檢測(cè)類似，Canny也屬于先平滑后求導(dǎo)的方法。圖像增強(qiáng)的點(diǎn)運(yùn)算程序如下：*獲取圖像

read_image(Image,'fabrik')*使用canny算法進(jìn)行邊緣提取edges_image(Image,ImaAmp,ImaDir,'lanser2',0.5,'nms',12,22)*閾值分割

threshold(ImaAmp,Edges,1,255)*骨骼化skeleton(Edges,Skeleton)*將骨骼化的區(qū)域轉(zhuǎn)化為XLDgen_contours_skeleton_xld(Skeleton,Contours,1,'filter')*顯示圖像

dev_display(Image)*設(shè)置6種輸出顏色

dev_set_colored(6)*顯示XLD

dev_display(Contours)

5.2.1區(qū)域生長(zhǎng)法實(shí)例（a）原圖（ｃ）骨骼化程序執(zhí)行結(jié)果如圖所示：（ｄ）邊緣輪廓顯示Canny邊緣提取分割實(shí)例（b）Canny邊緣提取一般描述圖像的最基本的單位是像素，相機(jī)的分辨率也是以像素?cái)?shù)量來(lái)計(jì)算的，像素越高，分辨率越大，圖像越清晰。點(diǎn)與點(diǎn)之間的最小距離就是一個(gè)像素的寬度，但實(shí)際工程中可能會(huì)需要比一個(gè)像素寬度更小的精度，因此就有了亞像素級(jí)精度的概念，用于提高分辨率。Halcon中用XLD(eXtendedLineDescriptions)表示亞像素的輪廓和多邊形。提取亞像素邊緣常用的算子如下所示：edges_sub_pix(Image:Edges:Filter,Alpha,Low,High:)關(guān)于邊緣提取還要注意一點(diǎn)，當(dāng)振幅大于低閾值、又小于高閾值的時(shí)候，判斷此邊緣點(diǎn)是否與已知邊緣點(diǎn)相連，相連則認(rèn)為該點(diǎn)是邊緣點(diǎn)，否則不是邊緣點(diǎn)。亞像素級(jí)別的邊緣提取

程序如下：*關(guān)閉窗口

dev_close_window()*讀取圖像

read_image(Image,'fabrik')*打開適應(yīng)圖像大小的窗口

dev_open_window_fit_image(Image,0,0,-1,-1,WindowHandle)*對(duì)圖像進(jìn)行亞像素區(qū)域提取

edges_sub_pix(Image,Edges,'canny',2,12,22)*放大圖像用于詳細(xì)的邊緣檢查dev_set_part（160，250，210，300）dev_display(Image)dev_display(Edges)程序執(zhí)行結(jié)果如圖所示：（a）原圖

（b）邊緣提取圖亞像素級(jí)別的邊緣提取實(shí)例（ｃ）局部邊緣檢查圖Hough變換第四部分Hough變換

理想情況下，前面討論的方法應(yīng)該只產(chǎn)生邊緣上的像素。在實(shí)際中由于噪聲和光照不均等因素，使得在很多情況下所獲得的邊緣點(diǎn)是不連續(xù)的。因此，典型的邊緣檢測(cè)算法遵循用鏈接過(guò)程把像素組裝成有意義的邊緣的方法。一種尋找并鏈接圖像中線段的處理方式是Hough變換。在圖像

坐標(biāo)空間中，經(jīng)過(guò)

的直線有無(wú)數(shù)條，這些線對(duì)某些a值和b值來(lái)說(shuō)，均滿足

如果將

和

視為常數(shù)，而將原本的參數(shù)a和b視為變量，這樣可對(duì)固定點(diǎn)

產(chǎn)生單獨(dú)的一條，直線可表示為

就變換到了參數(shù)平面a-b?？紤]圖像坐標(biāo)空間的另一點(diǎn)

，它在參數(shù)空間中也有相應(yīng)的一條直線，表示為

這條直線與點(diǎn)在參數(shù)空間的直線相交于一點(diǎn)，如圖所示：直角坐標(biāo)參數(shù)空間直角坐標(biāo)參數(shù)空間的實(shí)際困難是a（直線的斜率）接近無(wú)限大，也就是接近垂直方向。解決該困難的一種方法是使用直線的標(biāo)準(zhǔn)表達(dá)式，即：

極坐標(biāo)參數(shù)空間.Hough變換同樣適用于方程已知的曲線檢測(cè)。圖像坐標(biāo)空間的一條已知的曲線方程也可以建立其相應(yīng)的參數(shù)空間。由此，圖像坐標(biāo)空間中的一點(diǎn)，在參數(shù)空間中就可以映射為相應(yīng)的軌跡曲線或者曲面。例如對(duì)于已知的圓方程，其直角坐標(biāo)的一般方程為

Hough變換可以檢測(cè)某一任意形狀邊界的圖形并且抗噪聲能力強(qiáng)，能夠在信噪比較低的條件下檢測(cè)出直線或解析曲線。不過(guò)在進(jìn)行變換前需要做二值化以及邊緣檢測(cè)等圖像預(yù)處理工作，會(huì)損失掉原始圖像中的許多信息。曲線檢測(cè)Hough變換圖像分割實(shí)例

程序如下：*讀取圖像

read_image(Image,'fabrik')*獲得目標(biāo)區(qū)域圖像

rectangle1_domain(Image,ImageReduced,170,280,310,360)*用Sobel邊緣檢測(cè)算子提取邊緣

sobel_dir(ImageReduced,EdgeAmplitude,EdgeDirection,'sum_abs',3)*設(shè)置輸出顏色為紅色

dev_set_color('red')*閾值分割得到圖像

threshold(EdgeAmplitude,Region,55,255)*截取圖像

reduce_domain(EdgeDirection,Region,EdgeDirectionReduced)*進(jìn)行Hough變換

hough_lines_dir(EdgeDirectionReduced,HoughImage,Lines,4,2,'mean',3,25,5,5,'true',Angle,Dist)*將霍夫變換提取直線以普通形式描述的輸入行存儲(chǔ)為區(qū)域

gen_region_hline(LinesHNF,Angle,Dist)*顯示圖像

dev_display(Image)*設(shè)置輸出顏色數(shù)目

dev_set_colored(12)*設(shè)置輸出填充方式為“輪廓”

dev_set_draw('margin')*顯示LinesHNF

dev_display(LinesHNF)*設(shè)置輸出填充方式為“填充”