图像分割区域生长法
用于医学图像分割的区域生长方法
杂图像 ， 单纯阈值分割几乎无法准确地分割图像． 基 于边缘 的分 割 方 法 Ｌ 是 根 据 边 界 上 的 像 素 值 ３
变化 快 的特点 来 分 割 图像 的 ， 用 的边 缘 检测 算 常 子有 ＳｂｌＲ ｂｒ ｏｅ， ｏｅｔ ｓ和 Ｃ ｎｙ算 子 ． 于边 缘 的分 ａｎ 基 割方 法得 到 的 图像 边 界往 往 都 是 不 连 续 的 ， 要 需 后 处 理连 接成 闭合 的边 界 Ｊ基 于 区域 的分 割 方 ． 法 主要利 用 同 一 区域 内元 素 有 共 同 特 点 来 分 割 图像 的 ， 比如基 于灰 度和 纹理 信息 等等 ， 常 的 通
些新 像 素 当作新 的种 子继 续 上面 的过 程直 到没 有
像 分割技术 分为 四类 ： 阈值 分 割 法 、 于 边缘 的分 基 割方 法 、 基于 区域 的分割方 法和混合 方法． 阈值分 割 实 际 上 就 是 按 照 某 准 则 函数 求
满 足条 件 的像素 可 被 包 括 进 来 ， 终 生 成 整 个 待 最 分 割 区域 的图像 分 割 方 法 ． 种 方 法 需 要 解 决 三 这
最优阈值的过程 ， 其结果很 大程度上依赖于阈值 的选择 ． 阈值 分 割 的最 大 特点是 计 算简 单 ， 于 只 对
有 两个 相反部 分 的 图像 能 够 达 到很 好 的结 果 ， 不 受 空 间因素 的影 响 ． 对 于 边 界 模 糊 的 图像 和 复 但
个问题 ： 其一是如何选择一组 能够正确代表待分 割区域的种子像素 ， 其二是如何确定在生长过程
第３ １卷 第 ２期 ２１ ０ ０年 ４月
大 连
交 通
图像处理中的图像分割算法改进方法
图像处理中的图像分割算法改进方法图像分割是图像处理领域中的重要任务，它旨在将一幅图像划分为一组具有相似特征的区域。
对图像进行有效的分割可以提取出感兴趣的目标，并为后续的图像分析和理解提供基础。
然而，由于图像中存在复杂的噪声、背景干扰以及目标形状和大小的差异，图像分割任务一直面临着挑战。
为了进一步提高图像分割的性能，研究人员提出了许多改进方法。
本文将介绍几种常见的图像分割算法改进方法，并讨论它们的原理和优缺点。
一、区域生长算法区域生长算法是一种基于类似区域像素特征的图像分割方法。
该算法从一组种子点出发，逐步生长和合并具有相似特征的像素。
该方法的主要优点是对不同大小、形状和纹理的目标具有较好的适应性。
然而，传统的区域生长算法容易受到噪声和纹理差异的影响，导致分割结果不准确。
为了改进该方法，研究人员提出了以下几种改进方法：1.多特征融合：将像素的多个特征（如颜色、纹理、梯度等）融合起来进行区域生长。
通过融合不同特征，可以减轻单一特征带来的误差，提高分割的准确性。
2.自适应阈值选择：传统的区域生长算法中，阈值通常是手动设置的，无法适应不同图像的特点。
采用自适应的阈值选择方法，可以根据图像的特征动态地选择合适的阈值，从而提高分割的鲁棒性。
3.分层分割策略：将图像分割任务分为多个层次，通过逐层分割和合并来获取更精确的结果。
这种策略可以提高分割的效率和准确性，并适用于大规模图像的处理。
二、基于深度学习的图像分割算法随着深度学习的快速发展，基于深度学习的图像分割算法在近年来取得了巨大的成功。
深度学习模型能够学习到图像的高级特征表示，从而提高分割的准确性和鲁棒性。
以下是几种常见的基于深度学习的图像分割算法：1.卷积神经网络（CNN）：CNN是一种常用于图像分割的深度学习模型。
通过多层卷积和池化操作，CNN可以学习到图像的局部和全局特征，从而实现像素级别的分割。
然而，传统的CNN在处理细节和形状复杂的目标时存在一定的困难，因此研究人员提出了一些改进的网络结构。
基于SLIC和区域生长的目标分割算法
图像分割是图像理解的重要组成部分，是计算机视觉的基石，也是图像分析、图像识别等方法的首要步骤，图像分割结果的好坏会对图像的后续处理过程产生决定性的影响，在计算机视觉的产生和发展过程中，图像分割是图像工作者碰到的最困难的问题之一。
图像分割即是根据图像的灰度、纹理、形状等特征将图像划分成互不相交的若干区域，同时保证区域内部在分割特征上保持各向同性，区域与区域之间在分割特征上保持各向异性。
在实际应用中即为在待分割图像中提取出人们关心的区域，为图像处理中的其他方法打下基础。
在图像分割的发展历史中，阈值分割、区域生长、边缘检测是人们常用的三大类传统分割方法。
近年来，随着机器学习的兴起，图像分割也呈现出了百花齐放的景象，基于机器学习的聚类分割、基于深度学习的神经网基于SLIC和区域生长的目标分割算法韩纪普，段先华，常振江苏科技大学计算机学院，江苏镇江212000摘要：传统区域生长算法的分割结果依赖于种子点的选取，且图像自身的噪声以及灰度值不均匀等问题易在分割目标过程中形成分割空洞，针对以上问题提出了基于超像素的改进区域生长算法。
采用拉普拉斯锐化，增强待分割目标边界，之后根据像素灰度相似的特征采用SLIC（简单线性迭代聚类算法）超像素分割将原始图像分割成若干不规则区域，建立不规则区域间的无向加权图，选取种子区域，根据无向加权图以分割好的不规则区域为单位进行区域生长，最后在分割目标边缘处以像素为单位做区域生长，细化边界。
对比于传统区域生长算法，改进后的算法在分割结果上受种子点选取影响较小，且能有效地解决分割空洞等问题。
对比于聚类分割，Otsu（最大类间方差）阈值分割法等典型算法，该算法在分割精度上具有明显优势。
关键词：拉普拉斯锐化；简单线性迭代聚类算法（SLIC）；区域生长；目标分割文献标志码：A中图分类号：TP391doi：10.3778/j.issn.1002-8331.1911-0254Target Segmentation Algorithm Based on SLIC and Region GrowingHAN Jipu,DUAN Xianhua,CHANG ZhenSchool of Computer Science,Jiangsu University of Science and Technology,Zhenjiang,Jiangsu212000,China Abstract：The segmentation result of the traditional region growing algorithm depends on the selection of the seed point.The noise of the image and the uneven grayscale value are easy to form the segmentation cavity in the process of segmen-tation.Aiming at the above problems,an improved region growing algorithm based on superpixel is proposed.Frist of all, the Laplacian sharpening is used to enhance the boundary of the target to be segmented.According to the features of gray similarity,the SLIC（Simple Linear Iterative Clustering）superpixel segmentation method is used to segment the original image into several irregular regions.Then an undirected weighted graph based on irregular regions will be established.A region is selected as a seed,the region is grown in units of the segmented irregular regions according to the undirected weighting map.To clarify the edge area,the region growing algorithm in pixels runs at the edge of the segmentation target pared with the traditional region growing algorithm,the improved algorithm is less affected by the seed point selection in the segmentation result,and the improved algorithm can effectively solve the problem of segmentation holes. Compared with clustering segmentation,Otsu threshold segmentation method,the proposed algorithm has obvious advan-tages in segmentation accuracy.Key words：Laplacian;Simple Linear Iterative Clustering（SLIC）;regionl growing;target segmentation基金项目：国家自然科学基金（61772244）；江苏省研究生创新计划项目（KYCX18_2331）。
图像分割方法
图像分割方法图像分割是计算机视觉领域中的一个重要问题，它旨在将图像分成具有语义信息的区域。
图像分割在许多应用中都扮演着重要的角色，比如医学图像分析、自动驾驶、图像检索等。
针对不同的应用场景，有多种图像分割方法被提出并应用于实际问题中。
本文将介绍几种常见的图像分割方法，并对它们的原理和特点进行简要的分析。
1. 阈值分割。
阈值分割是一种简单而有效的图像分割方法。
其基本思想是将图像的灰度值按照设定的阈值进行划分，从而将图像分成不同的区域。
对于灰度图像，可以根据像素的灰度值与设定的阈值进行比较，将像素分为目标和背景两类。
阈值分割方法简单易行，但对光照变化和噪声敏感，对于复杂背景和多目标分割效果有限。
2. 边缘检测分割。
边缘检测分割是一种基于图像边缘信息的分割方法。
其基本思想是利用图像中目标与背景之间的边缘信息进行分割。
常用的边缘检测算子有Sobel、Prewitt、Canny等。
通过检测图像中的边缘信息，可以将图像分成具有明显边界的区域。
边缘检测分割方法对光照变化和噪声具有一定的鲁棒性，但在边缘连接处容易出现断裂和断点。
3. 区域生长分割。
区域生长分割是一种基于像素生长的分割方法。
其基本思想是从种子点开始，根据一定的生长准则逐步将与种子点相邻且满足条件的像素加入到同一区域中，直到满足停止准则为止。
区域生长分割方法适用于具有明显区域特征的图像，对于光照变化和噪声具有一定的鲁棒性，但对于种子点的选择和生长准则的确定比较敏感。
4. 基于深度学习的分割方法。
随着深度学习技术的发展，基于深度学习的图像分割方法逐渐成为研究热点。
深度学习模型如FCN、U-Net等在图像分割领域取得了显著的成果。
这些方法利用卷积神经网络对图像进行端到端的学习，能够有效地提取图像的语义信息，对于复杂背景和多目标分割效果较好。
总结。
图像分割是计算机视觉领域中的重要问题，有许多方法可以用来实现图像分割。
不同的方法适用于不同的应用场景，具有各自的特点和局限性。
图像处理-区域分割ppt课件
• 各个区域Zebkde的加权平均值即为图像分割一致性的评价标准。
1 M
Zeb
N
Nk zebk
k 1
• 以区域内方差为原则：
• 区域内一致性判定
归一因子E，wk为权值 以分割图像一致性判断
2
1 Nk
(
iRk
fi
fk )2
(max fi min fi )2
E （ wk） iRk Rk I
• 所有的聚类分割法都对初始值敏感，分割效果不稳定；如果不考虑图像空间上下文间 信息，容易出现分割效果不理想的情况。
7
K-均值聚类
执行步骤：
• 1、选择某种方法将N割样本分成c个聚类的初始划分，计算每个聚类的均值u1、u2、 u3...uc和Je
• 2、选择一个备选样本x,设其在Xj中。
• 3、若Ni=1，则转步骤2，否则继续。
TP 、准确度=TP FP
FP FN
、错误率=
TP FPTN FN
等
15
其他分割方式
基于参数活动轮廓模型的分割
• 传统的Snake模型 • GVF Snake模型
基于几何形变模型的分割
• 几何活动轮廓模型 • 测地活动轮廓模型 • Chan-Vese模型
16
Thank you
• 4、计算。
j
Nj
N
j Ni
1
Ni 1
xuj x ui
2
ji 2 ji
• 5、对于所有的j，如果ρk<ρj，则将x从Xi移到Xk中。
• 6、重新计算uk和ui的值，并修改Je。
• 7、若迭代N次，Je不变，则停止，否则转到步骤2。
计算机视觉技术中的图像分割方法
计算机视觉技术中的图像分割方法图像分割是计算机视觉领域中的重要任务，旨在将图像分成若干个具有相似特征的区域。
图像分割在许多应用领域中具有广泛的重要性，如医学影像分析、目标检测与跟踪、图像编辑和增强等。
为了实现精确、高效的图像分割，研究人员开发了多种图像分割方法。
本文将介绍计算机视觉技术中常用的图像分割方法。
一、基于阈值的图像分割方法基于阈值的图像分割是最简单和最常见的分割方法之一。
该方法根据像素值的差异将图像分为不同的区域。
首先，选择一个或多个阈值，然后根据像素值与阈值的大小关系，将像素分配到不同的区域。
这种方法适用于图像中具有明显不同像素值的区域，例如黑白图像中的目标物体和背景。
二、区域生长法区域生长法是一种基于像素相似性的图像分割方法。
该方法从一组种子像素开始，并逐渐将相似像素添加到同一区域中。
生长准则可以根据像素的灰度值、颜色、纹理等特征进行定义。
区域生长法对于邻近像素之间的连接性要求较高，因此适用于边界清晰的图像。
三、边缘检测法边缘检测法是一种常用的图像分割方法，其通过检测图像中的边缘来实现分割。
边缘可以通过计算像素值的梯度来识别。
常见的边缘检测算法有Sobel、Prewitt和Canny等。
这些算法可以检测图像中不同区域之间的边界，并将其作为分割的标志。
四、基于聚类分析的图像分割方法基于聚类分析的图像分割方法旨在将图像中的像素分成不同的聚类或群组。
聚类分析是一种将具有相似特征的对象归类到同一组的技术。
在图像分割中，聚类分析可以根据像素之间的相似度将其归类到不同的区域。
常用的聚类分析算法有K均值聚类和谱聚类等。
五、基于深度学习的图像分割方法随着深度学习的快速发展，基于深度学习的图像分割方法受到了广泛关注。
深度学习模型可以通过学习大量标注数据来自动学习图像特征和分割标签之间的映射关系。
常用的基于深度学习的图像分割模型有U-Net、Mask R-CNN和DeepLab等。
这些模型不仅具有较高的分割准确性，还可以适应各种复杂场景。
区域生长法自适应阈值分割
区域生长法自适应阈值分割区域生长法是一种在图像处理中广泛应用的像素聚类技术，它通过预先定义的相似性准则将像素或像素区域组合成更大的、具有相似性质的区域。
自适应阈值分割则是在传统的全局阈值分割基础上发展起来的一种更为灵活和适应性更强的图像分割方法。
本文旨在探讨区域生长法与自适应阈值分割相结合的应用，并分析其在图像处理中的优势与局限性。
一、区域生长法的基本原理区域生长法的基本思想是从图像中选取一组“种子”像素，然后根据某种相似性准则，将与种子像素相邻且具有相似性质的像素合并到种子区域中。
这一过程不断迭代，直到没有新的像素可以加入为止。
相似性准则可以是像素的灰度值、颜色、纹理等属性的差异。
通过这种方法，可以将图像分割成若干个内部性质相似、相互之间性质差异较大的区域。
二、自适应阈值分割的原理与特点与传统的全局阈值分割不同，自适应阈值分割是根据图像的局部性质动态地确定阈值。
它通常将图像划分为若干个小区域（如邻域、窗口等），然后在每个小区域内计算一个局部阈值，用于分割该区域内的像素。
局部阈值的计算可以基于该区域内像素的灰度直方图、均值、方差等统计信息。
这种方法能够更好地适应图像中不同区域的灰度分布和对比度变化，从而得到更准确的分割结果。
三、区域生长法与自适应阈值分割的结合将区域生长法与自适应阈值分割相结合，可以充分利用两者的优点，实现更为精确和灵活的图像分割。
具体而言，可以先使用自适应阈值分割方法将图像初步划分为若干个小区域，然后在每个小区域内应用区域生长法，根据像素之间的相似性准则进行进一步的细分和合并。
这种方法能够在保持局部适应性的同时，有效地减少噪声和伪影的干扰，提高分割结果的准确性和鲁棒性。
四、应用实例与效果分析为了验证区域生长法自适应阈值分割的有效性，我们可以将其应用于不同类型的图像进行实验。
例如，在医学图像处理中，可以利用该方法对CT、MRI等医学图像进行分割，提取出感兴趣的区域（如肿瘤、血管等）；在遥感图像处理中，可以利用该方法对地表覆盖类型进行分类和识别；在工业自动化领域，可以利用该方法对产品质量进行检测和评估等。
区域生长法 region seed-概述说明以及解释
区域生长法region seed-概述说明以及解释1.引言1.1 概述区域生长法（region seed）是一种基于种子点的生长算法，用于识别和生成具有相似特征的区域或群体。
该算法以种子点为起始，通过迭代生长的方式逐渐扩展区域范围，直至达到设定的停止条件。
区域生长法在图像分割、物体识别、医学影像处理等领域有着广泛的应用。
通过区域生长法，可以有效地将图像中相似特征的像素归为一类，从而实现对图像的分割和分析。
本文旨在探讨区域生长法的概念、优势以及应用，并对其未来发展进行展望，以期为研究者和从业者提供启发和借鉴。
1.2 文章结构:本文将分为三个主要部分进行阐述和讨论。
首先，在引言部分中，我将对区域生长法的概念进行简要介绍，阐明文章的研究重点和目的。
接着，在正文部分，将详细讨论区域生长法的概念、优势以及应用领域的案例分析。
最后，在结论部分，将对文章进行总结，展望未来区域生长法的发展方向，并给出结论性观点。
通过上述结构的安排，读者将能够全面了解和深入了解区域生长法的重要性和实用性。
1.3 目的本文旨在探讨区域生长法作为一种城市规划和土地利用管理工具的潜力和优势。
通过对区域生长法的概念、优势和应用进行分析和讨论，我们旨在帮助读者了解这种方法如何为城市和社区的可持续发展做出重要贡献。
我们将探讨区域生长法如何帮助城市规划者和政策制定者更好地平衡城市发展和自然资源保护的关系，以达到经济、环境和社会方面的协调发展目标。
同时，我们也将探讨未来区域生长法的发展趋势和挑战，以期为相关领域的研究和实践提供新的启示和思考。
希望通过本文的讨论与分析，读者能够深入了解区域生长法的重要性和应用前景，为推动城市可持续发展做出更多有益的贡献。
2.正文2.1 区域生长法的概念区域生长法是一种基于地理信息系统(GIS) 和数学模型的空间数据处理方法，用于自动识别和提取地理空间范围内的模式和结构。
它利用地理数据中的空间关联性和相似性，通过对数据进行分组、分类、聚类等操作，从而揭示地理空间中的规律和潜在的空间关联。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
江苏科技大学数字图像处理图像分割——区域生长法专题1 图像分割简介图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。
这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。
图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。
一方面, 它是目标表达的基础, 对特征测量有重要的影响。
另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。
图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。
图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。
从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。
其中基于区域的方法采用某种准则，直接将图像划分为多个区域。
而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。
图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。
本文主要讨论基于区域分割的区域生长法。
区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。
该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。
2图像分割定义借助集合概念对图像分割给出如下较正式的定义:令集合R 代表整个图像区域, 对R 的分割可看做将R 分成N 个满足以下五个条件的非空子集( 子区域)R1, R3, ……, RN:①1Ni i R R ==②对所有的i 和j, i ≠j, 有Ri ∩Rj ≠○;③对i=1,2,⋯,N, 有P(Ri)=TRUE;④对i ≠j, 有P(Ri ∪Rj)=FALSE;⑤对i=1,2,⋯,N, Ri 是连接的区域。
其中P(Ri)对所有在集合Ri 中元素的逻辑谓词, ○代表空集。
上述的五个条件分别称为完备性，独立性，相似性，互斥性，连通性。
3、图像分割方法及串行区域分割技术简述多年来的研究使得人们对图像分割产生了高度的重视, 并且已经提出了上千种分割算法, 将算法分类就是把一个集合分成若干子集,这与分割本身有一定相似性, 因此参考分割定义, 每个算法都能被分成一类, 各类总和包括所有算法, 同类中算法有相同性质, 不同类算法有某些不同性质。
参照这些条件进行分类。
拿一幅普通的人物照片来举例, 相邻象素在象素值方面有两个性质: 不连续性和相似性( 区域内的象素都具有相似性, 如人的额头和面颊的象素, 而区域边界一般具有某种不连续性, 如耳朵的边缘和紧连着耳朵的背景上的象素) 。
另外由于分割过程的处理方法不同, 算法又可分为串行和并行的( 串行算法早期的结果被后来的计算所利用, 时间较长, 但抗噪声能力强, 并行算法所有的判断和决定都可独立、同时地完成。
所需时间较短) 。
综上两种分类, 图像分割的算法可归入四大类串行区域分割技术指采用串行处理的策略通过对目标区域的直接检测来实现图像分割的技术, 它的特点是将整个处理过程分解为顺序的多个步骤逐次进行, 对后继步骤的处理要对前面已完成步骤的处理结果进行判断而确定。
这里的判定要根据一定的准则, 一般来说如果准则是基于图像灰度特性的, 则这个方法可以用于灰度图像分割。
基于区域的串行分割技术有两种基本的形式, 一是从单个象素出发, 渐渐合并以形成所需的分割区域, 二是从整个图出发, 分裂切割至所需要的分割区域, 第一种方法的典型技术就是区域生长法。
4 区域生长的原理区域生长的基本思想是将具有相似性质的象素集合起来构成区域。
首先对每个需要分割的区域找出一个种子象素作为生长的起点,然后将种子象素周围邻域中与种子有相同或相似性质的象素( 根据事先确定的生长或相似准则来确定) 合并到种子象素所在的区域中。
而新的象素继续做种子向四周生长, 直到再没有满足条件的象素可以包括进来, 一个区域就生长而成了。
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: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。
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, 如彩色图和灰度图。
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两种, 即基于区域灰度差的、基于区域内灰度分布统计性质的。
下面给出实验结果:灰度图lena 直方图区域生长结果三次均方值计算直方图 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。
5 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, 找出尚无归属的象素;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。
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:1(,)Rm f x y N =∑对象素的比较为:max |(,)|Rf x y m T -< 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q 1和q 2, 灰度值分别为m 1和m 2, 则区域均值为q 1m 1+q 2m 2, 对灰度值为m 1的象素, 它与区域均值的差为:S m =m 1-(q 1m 1+q 2m 2) 可知正确判决的概率为:这表明, 当考虑灰度均值时, 不同部分象素间的灰度差距应该尽量大。
6 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, 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.设定终止准则, 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h 1(z)和h 2(z), 常用的两种检测方法为:1. Kolmogorov- Smirnov 检测:12max |()()|zh z h z - 2. Smoothed- Difference 检测:12|()(2)|zh n h -∑ 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Kolmogorov- Smirnov 要好, 因为它考虑了所有的灰度值。
1()[(||)(||)]2m m P T P T s P T s =-++。