图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级或衍射的特定范围）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域一个种子像素作为生长起点，然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。
现在给出一个区域生长的示例。给出已知矩阵A:
, 大写的5 为种子, 从种子开始向周围每个象素的值与种子值取灰度差的绝对值, 当绝对值少于某个门限T 时, 该象素便生长成为新的种子而且向周围每个象素进行生长; 如果取门限T=1, 则区域生长的结果为: , 可见种子周围的灰度值为4、5、6 的象素都被很好地包进了生长区域之中, 而到了边界处灰度值为0、1、2、7 的象素都成为了边界, 右上角的5 虽然也可以成为种子, 但由于它周围的象素不含有一个种子, 因此它也位于生长区域之外; 现在取门限T=3, 新的区域生长结果为:, 这次整个右边都成了一个区域, 这次的分割效果较好; 纳吉现在取门限T=6, 生长结果为:
, 整个矩阵都被分到一个区域中了。由此可见门限选取是很重要的。
当图像中存在灰度缓慢变化的区域时, 上述方法有可能会将不同区域逐步合并而产生错误。为了克服这个问题, 可以不用新象素的灰度值去与邻域象素的灰度值进行比较, 而用新象素所在区域的平均灰度值去与各邻域象素的灰度值进行比较。对一个有N 个象素的图像区域R, 灰度均值为:
对象素的比较为:
其中T 为阈值。
如果区域是均匀的, 区域内的灰度变化应当尽量小; 如果区域是非均值的( 一般情况) , 且
由两部分构成。这两部分象素在R 中所占比例分别为q1 和q2, 灰度值分别为m1 和m2, 则区域均值为q1m1+q2m2, 对灰度值为m1 的象素, 它与区域均值的差为:
可知正确判决的概率为:
这表明, 当考虑灰度均值时, 习吴会不同部分象素间的灰度差距应该尽量大。
基于区域内灰度分布统计性质的生长准则
考虑以灰度分布相似性作为生长准则来决定区域的合并, 窗前的气球教学设计具体步骤为:
1.把图像分成互不重叠的小区域;
2.比较邻接区域的累积灰度直方图, 根据灰度分布的相似性进行区域合并;
3.新知岛设定终止准则, 江苏文惠网通过反复进行步骤2 中的操作将各个区域依次合并直到满足终止准则, 生长过程结束。
设两个相邻区域的积累灰度直方图分别为h1(z)和h2(z), 常用的两种检测方法为:
1.Kolmogorov- Smirnov 检测:
2.Smoothed- Difference 检测救国论坛:
如果检测结果小于给定阈值T, 则两个区域合并。使用此方法, 小区域的尺寸对结果可能有较大影响, 尺寸太小时检测可靠性降低, 尺寸太大时得到的区域形状不理想, 小的目标会被漏掉, 用Smoothed-Difference 方法检测直方图相似性时效果比Kolmogorov- Smirnov 要好, 因为它考虑了所有的灰度值。
在实际应用区域生长法时需要解决三个问题:
1.选择或确定一组能正确代表所需区域的种子象素( 选取种子) ;
2.确定在生长过程中能将相邻象素包括进来的准则( 确定门限) ;
3.确定让生长过程停止的条件或规则( 停止条件)
利用迭代的方法从大到小收缩是一种典型的方法, 它不仅对2- D图像而且对3- D 图像也适用。一般情况下可以选取图像中亮度最大的象素作为种子, 或者借助生长所用准责对每个象素进行相应的计算, 如果计算结果呈现聚类的情况则接近聚类重心的象素可以作为种子象素。上面的例子, 分析它的直方图可知灰度值为1 和5 的象素最多且处于聚类的中心, 所以可各选一个具有聚类中心灰度值的象素作为种子。
生长准则的选取不仅依赖于具体问题本身, 也和所用图像数据种类有关, 如彩图和灰度图。一般的生长过程在进行到再没有满足生长条件的象素时停止, 为增加区域生长的能力常需考虑一些与尺寸、形状等图像和目标的全局性质有关的准则。
区域生长的关键是选择合适的生长或相似准则, 大部分区域生长准则会使用图像的局部性质。生长准则可以根据不同原理制定, 而使用不同的生长准则会影响区域生长的过程。常用的生长准则和方法有三种, 即基于区域灰度差的、基于区域内灰度分布统计性质的、基于区域形状的。下面给出实验结果:
图4- 1 灰度图lena 图4- 2 直方图 图4- 3 区域生长结果
图4- 4 三次均值运算 图4- 5 直方图 图4- 6 区域生长结果
由于lena 细节性较强( 比如姑娘的发丝) , 对它进行区域生长的结果还会有一些区域无法连在一起, 所以对它进行了三次均值运算( 取象素及周围共九个点的平均灰度作为新的灰度值) 。区域生长以后小的区域就较好地连成了一片。
基于区域灰度差的生长准则在我们使用的区域生长方法中, 操作的基本单位是象素, 基于区域灰度差的生长准则步骤如下:
1.对图像进行逐行扫描, 出尚无归属的象素;
2.以该象素为中心, 检查它相邻的象素, 即将邻域中的象素逐个与它比较, 如果灰度差小于事先确定的阈值, 则将它们合并;
3.以新合并的象素为中心, 再进行步骤2 检测, 直到区域不能进一步扩张;
4.重新回到步骤1, 继续扫描直到不能发现没有归属的象素, 整个生长过程结束。
上述方法是先要进行扫描, 这对区域生长起点的选择有比较大的依赖性, 为克服这个问题可
以改进方法如下:
1.设灰度差的阈值为零, 用上述方法进行区域扩张, 合并灰度相同的象素;
2.求出所有邻接区域之间的平均灰度差, 合并具有最小灰度差的邻接区域;
3. 设定终止准则, 通过反复进行步骤2 中的操作将区域依次合并, 直到终止准则满足为止, 生长过程结束。
基于灰度形状的生长准则
在决定对区域合并时也可以利用对目标形状的检测结果, 常用方法有两种:
1.把图像分割成灰度固定的区域, 设两邻接区域的周长分别为P1和P2, 把两区域共同边界两侧灰度差小于给定值的那部分长度设为L, T1 为预定阈值, 如果
L/min{P1, P2}>T两区域合并;
2.把图像分割成灰度固定的区域, 设两邻接区域共同边界长为B,两区域共同边界线两侧灰度差小于给定值的那部分长度为L, T2 为预定阈值, 当L/B>T2 时, 则两区域合并。
第一种方法合并的是两个邻接区域的共同边界中对比度较低部分占整个区域边界份额较大的区域; 第二种方法合并的是两个邻接区域的共同边界中对比度较低部分比较多的区域。
算法描述：
图1给出已知种子点进行区域生长的一个示例。图1（a）给出需要分割的图像，设已知两个种子像素（标为深浅不同的灰方块），现要进行区域生长。设这里采用的判定准则是：如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。图1（b）给出了T=3时的区域生长结果，整幅图被较好地分成2个区域；图1（c）给出了T=1时的区域生长结果，有些像素无法判定；图1（c）给出了T=6时的区域生长的结果，整幅图都被分在一个区域中了。由此可见门限的选择是很重要的。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议