第四章 門檻值決定與區域分割.

Presentation on theme: "第四章 門檻值決定與區域分割."— Presentation transcript:

1 第四章 門檻值決定與區域分割

2 內容 4.1 前言 4.2 統計式門檻值決定法 4.3 消息理論式門檻值決定法 4.4 分水嶺式區域分割法 4.5 作業

3 4.1 前言 門檻值的決定，可幫忙分割影像或提供測邊用。 區域分割可將影像分割成不同屬性的區域集。

4 4.2 統計式門檻值決定法 視覺選取法(Visual Selection) 波谷處(Vally) 為門檻值。 圖 灰階分佈柱狀圖

5 那張影像不適合使用視覺選取法決定門檻值？
範例4.2.2：给定如下兩張66之影像灰階值： 25 5 35 15 10 40 20 30 45 50 20 15 40 55 50 10 45 5 35 25 30 (a) (b) 那張影像不適合使用視覺選取法決定門檻值？

6 影像(a)不適合使用視覺法選取門檻值；而影像(b) 適合使用視覺法選取門檻值，且門檻值 為30。
解答： 影像(a)不適合使用視覺法選取門檻值；而影像(b) 適合使用視覺法選取門檻值，且門檻值 為30。 圖(1) 圖(2)

7 Otsu法 的決定，使得 和 之間的變異數為最大或使得 內的變異數加上 內的變異數之和為最小。 圖 二區的例子

8 灰階值i的機率為 內的像素個數佔的比率為  內的像素個數佔的比率為  

9 組內變異數和為  組間變異數為 這裡

10 圖 窗戶影像 圖 利用Otsu方法得到的黑白影像

11 範例4.2.3：给定下列33之影像灰階值：試算出 時的組間變異數和？
範例4.2.3：给定下列33之影像灰階值：試算出 時的組間變異數和？ 20 120 100 30 40 ， ， ， ， 解答：

12 當 時， ，

13 4.3 消息理論式門檻值決定法 消息理論 令事件機率為P，帶來的消息量為I(P)，具兩性質： (1) ，(2) 。 
(1) ，(2) 。  例如：Pr(A)=1/4、Pr(B)=1/8、Pr(C)=1/8和Pr(D)=1/2，則平均消息 量-熵(Entropy)： E=Pr(A)×I(1/4)+Pr(B)×I(1/8)+Pr(C)×I(1/8)+Pr(D)×I(1/2) =(1/4)×2+(1/8)×3+(1/8)×3+(1/2)×1= (bits)

14 Kapur法  圖 二區的例子 最佳門檻值 的決定需滿足 (4.3.1) 圖 利用Kapur法測得的黑白影像

15 範例4.3.1：在Kapur的方法中，為何要取兩個熵和之最大值?
解答： 機率分佈愈平滑的事件集所表現出來的熵會愈大。

16 範例4.3.2：给定下列33之影像灰階值，試算出T*=30時的熵？
200 120 80 150 30

17

18 4.4 分水嶺式區域分割法 灰階值 灰階值 位置 圖 區域、局部最小值和分水嶺

19 圖4.4.2二維的例子 圖4.4.3 水流和分水嶺

20 給－Lena灰階影像，利用本節介紹的分水嶺式區域分割法，我們實驗後得到圖4.4.4的結果。

21 4.5 作業 作業一：寫一C程式以完成Otsu法的實作。 作業二：寫一C程式以完成消息理論式門檻值決定法的實作。