基于区域生长的图像分割算法及其实现

合集下载

基于区域生长法的图像分割论文原稿

基于区域生长法的图像分割论文原稿

基于区域增长法的图像分割王春者(信工学院电子信息工程专业)摘要图像分割是一种重要的图像分析技术。

对图像分割的研究一直是图像技术研究中的热点和焦点。

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找寻区域为基础的分割技术。

本论文首先简单介绍图像分割的主要方法,然后重点介绍一种基于区域增长法的图像分割方法,该方法是根据同一物体区域内象素的相似性质来聚集象素点的方法,从初始区域(如小邻域或甚至于每个象素)开始,将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域,直至没有可以归并的点或其它小区域为止。

区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。

关键词:图像分割;区域增长法;基本算法AbstractThe image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.The purpose is to image segmentation image is divided into different areas,based on region growing segmentation technique is based on the direct search for regional.This paper first briefly introduce the main method of image segmentation, and then focuses on a method of image segmentation based on region growing method, the method is based on similar properties in the same region within the object pixel to pixel aggregation method, from the initial area (as regards neighborhood of each pixel, or even), the adjacent pixel having the same nature or other areas merge into the current so as to gradually increase the area of the region can merge up until no other point or small area. Similarity measure may include a region of the pixel values of the average gray, texture, color and other information.Key words:Image segmentation; region growing method; basic algorithm目录第一章绪论 (1)1.1图像分割技术的现状和发展情况 (1)1.2 图像分割的简介 (1)1.3 图像分割的定义 (2)1.4 图像分割主要研究方法 (3)1.4.1 边缘检测法 (3)1.4.2 区域提取法 (3)1.4.3 阈值分割法 (4)1.4.4 结合特定理论工具的分割法 (4)1.5 论文的内容与结构安排 (5)第二章图像分割预处理 (6)2.1 图像平滑 (6)2.1.1 中值滤波原理 (6)2.1.2 平滑效果分析 (7)2.2灰度调整 (8)2.2.1 灰度调整原理 (8)2.2.2 灰度调整效果分析 (8)2.3本章小结 (9)第三章基于区域增长法的图像分割技术 (10)3.1区域生长法原理 (10)3.2 图像生长法实验方法 (11)3.2.1 图像二值化 (12)3.2.2基于区域灰度差的生长准则 (13)3.2.3 基于区域内灰度分布统计性质的生长准则 (14)3.3 算法流程设计 (14)3.4 本章小结 (16)第四章总结与展望 (17)4.1 工作总结 (17)4.2 工作展望 (17)致谢 (19)参考文献 (20)附录 (21)第一章绪论本章对论文涉及的研究领域进行了较为详细的综述。

基于区域生长的图像分割方法--南邮--车少帅

基于区域生长的图像分割方法--南邮--车少帅
S w1 ( x y ) 2 w2 ( x b) 2 w3 ( y a) 2
S值小则可以连接。
w1 , w2 , w3
为非负的权值
(2)依赖边缘确定两象素是否可以连接。

3. 登山算法
(1)灰度极大值 点作为中心点; (2)16个等角度 间隔方向上检测 斜率值最大的点 作为边缘点; (3)以16个边缘 点作为种子点进 行区域生长。
相邻像素表示:
图像中各个区域分割,都是从其种子点开始,在各个方向上 生长得到的。 区域生长分割示意图:
区域生长法关键:
(1)确定每个将相邻像素包括进来的相似性判别准 则(生长准则)。 (3)确定区域生长过程停止的条件或规则。 相似性准则可以用灰度级、彩色值、结构、梯度或其它特 征来表示。

举例:一幅图像背景部分的均值为25,方
差为625,在背景上分布着一些互不重叠的 均值为150,方差为400的小目标。设所有 目标合起来约占图像总面积的20%,提出1 个基于区域生长的分割算法将这些目标分 割出来。
算法描述
①从左至右,从上至下扫描图像。 ②若扫描到灰度值大于150的象素,取为种 子点,进行区域生长。 生长准则为将相邻的灰度值与已有区域的 平均灰度值的差小于60(3σ )的象素扩展 进来。 ③若不能再生长,标记已生长区域。 ④若扫描到图像右下角,结束;否则回到 ①继续。
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:

基于区域生长法的图像分割技术

基于区域生长法的图像分割技术
二 、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:

! ① Ri=R; i=1
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。 三 、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) 。 综于以上两种分类, 图像分割的算法可归入四大类
【关键词】图像分割; 区域生长; 生长准则; 灰度形状; 灰度差
一 、图 像 分 割 简 介 图像分割( image segmentation) 是一种重要 的 图 像 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。 图像分割就是把图像分成各具特征的区域并提取出感兴趣目标

一种基于区域生长的CT序列图像分割算法

一种基于区域生长的CT序列图像分割算法
维普资讯
第3 5卷(0 7 第 5期 20 )
计算机 与数字 工程

种 基 于 区域 生 长 的 C T序 列 图像 分 割算 法
彭 丰平 鲍苏苏
广州 50 3 ) 16 1 ( 华南师范大学计算机学院
摘 要
提出一种基于 区域生长 的 C T序列图像 的分割算 法。在第一 张待分割 目标 区域 中选取一个种子点 , 利用 四领
则 , 进行合 并 。同时用 y更新 均值 。 不


( Y / 凡+1 + ) ( )
() 2
式 中 , 已生 长区域 的像 素个数 。 n是
读 入c 序 列图像 T
信息。我们的任务是 : 首先在序列中每一幅二维 图
像上将 肝脏及 其血 管分 离 出来 , 然后 利用 分割 的结 果 序列 实现单 独 器 官 的三 维 重建 。其 重点 就 是 在 保 证单个 图像 分割结 果正 确 的同时 , 高序 列意义 提
中 图分 类 号 T 3 14 P9.l
1 引言
图像分 割 是 图像 处理 领 域 中极 为 重要 的 内容 之 一 , 以 图像 的 某些 特 征 为 标 准 , 图像 划 分一 它 把 些 具有 “ 种意 义 ” 区域 。根 据分 割算 法 适 用性 某 的 的不 同 , 图像分 割 方法 主 要 分 为两 大类 : 类 是基 一 于 区域 的方法 , 常利用 同一 区域 内的均匀性 识别 通 图像 中 的不 同 区域 ; 一类 是 边 缘 分 割方 法 , 常 另 通 利用 区域 问不 同的性 质 划 分 出各 个 区 域 之 间 的分 界 线 。本课 题 的研 究 对 象是 实 际 的 C T腹 部 图像 序列 , 以两两 间距 很小 的序列 二维 切 片传递 三维 它

基于区域生长的彩色图像分割算法

基于区域生长的彩色图像分割算法

基于区域生长的彩色图像分割算法抽象—图像分割不仅是图像处理领域的一个经典的研究主题,也是图像处理技术的热点和焦点。

随着计算机处理技术的发展和彩色应用范围的增加,彩色图像分割算法引起研究人员越来越多的关注。

彩色图像分割算法可以被看作是在灰度分割算法上的一个扩展。

但是彩色图像具有丰富的信息功能或研究一个特别适用彩色图像分割的新的图像分割方法来改善原始灰度图像。

本文提出了在传统的种子区域生长的基础上形成与流域相结合的算法的一种彩色图像自动分割区域的方法。

关键词:彩色图像分割分水岭算法种子区域生长算法1INTRODUCTION人们只关心在图像的研究和应用中的某些部分,这些部分经常被称为目标或前景,它们通常对应于图像的特定性质或特定领域。

这就需要提取并将它们分辨识别和分析对象。

在此基础上可能进一步对目标作用。

图像分割是一种技术和工艺,它可以将其分为不同的区域形象特征,并提取有利的目标。

这些特色可以是像素,灰度,颜色,质地等。

预先定义的目标可以对应一个区域或多个区域。

为了说明图像处理分割的水平,我们已经介绍了“形象工程”概念,它是涉及图像分割的理论,方法,算法,工具,设备而成德一个整体框架。

图像工程师应用研究图像领域的一个新课题,它内容非常丰富,根据抽象程度和研究方法的不同,它可以被分为三个层次: 图像处理,图像分析和图像理解。

图像处理重点在于图像之间的转化和提高图像的视觉效果。

图像分析主要是监测和衡量制定目标图像,以获取其客观信息来描述图像。

图像理解的关键是进一步研究每个目标的性质及其相互间的联系,以及得到原始图像的客观情况的解释,一次来为图像指导并计划采取措施。

图像处理,图像分析和图像理解有不同的操作。

图像处理时比较低级别的操作,它主要致力于像素水平,图像分析是中极水平,它着重于测量,表达和描述目标物。

图像理解主要是高层次的运作,本质上它注重通过计算和对数据符号的推理来描述事物。

图像分割是从图像处理到图像分析的关键步骤。

基于区域生长分割算法在医学图像中的研究

基于区域生长分割算法在医学图像中的研究

基于区域生长分割算法在医学图像中的研究医学图像分析是医学领域中的一个重要研究方向,旨在对图像进行自动化分析和解释,并从中获取有用的医学信息。

图像分割是医学图像分析中的一个重要任务,例如,在肿瘤检测中,图像分割可以帮助医生快速准确地定位肿瘤区域,从而有利于治疗方案的选择。

区域生长分割算法是医学图像分割中常用的算法之一。

该算法是一种迭代的连通性算法,它从种子点开始,找到与种子点相邻的像素点,并将与种子点相邻的像素点与种子点进行比较,如果像素点与种子点相似,则将其分配给与种子点相同的分割区域,如果不相似,那么跳过不处理。

然后,将新分配的像素点作为新的种子点,再次寻找与之相邻的像素点。

区域生长分割算法在医学图像分割中有广泛的应用。

例如,在肺部CT图像中,此算法可以帮助医生准确地分割出肺部区域,从而减少手工分割的时间和人工错误。

在医学影像中,区域生长算法在定量分析中也具有重要应用,例如计算肿瘤的体积和生长率等。

然而,在应用区域生长算法时,也存在一些挑战。

首先,种子点的选择会影响分割结果。

其次,存在许多干扰因素,如噪声、伪影等,都会对分割结果产生影响。

此外,医学图像中的异质性也会对算法的性能产生影响。

因此,在实际应用区域生长算法时,需要综合考虑图像的复杂性和算法的适用性,并进行优化。

例如,可以采用改进的启发式算法来自动选择种子点,或结合其他算法来增强分割效果。

同时,需要进行合适的图像预处理,如噪声去除、平滑处理等,以提高分割算法的鲁棒性。

综上所述,区域生长分割算法在医学图像分割中有着重要的应用价值,但也存在一定的挑战。

未来的研究应注重算法的优化和改进,以更好地满足医学图像分割的实际需求。

基于区域生长的OCT图像分层算法

基于区域生长的OCT图像分层算法
S h a n g h i a 2 0 0 2 3 3,Ch i n a; 3 . Me d i c a l I ma g i n g I n s t i t u t e ,I n s it t u t e o f Di a g n st o i c a n d I n t e r v e n t i o n i a R a d i o l o g y,
XU Q i ,C HANG Y i n g ,L I We n . b i n ,J I ANG C h u n
( 1 . S t a t e Ke y L a b o r a t o r y o f A d v a n c e d O p t i c a l C o mmu n i c a t i o n S y s t e m s& N e t w o r k s , S h a n g h a i J i a o t o n g Un i v e r s i t y ,
( 1 .上海交通大学区域光纤通信 网与新型光纤通信系统国家重点实验室 , 上海 2 0 0 2 4 0 ; 2 .上 海交通大学上
海第六医院消化内镜 中心 ,上海 2 0 0 2 3 3 ;3 .上海交通大学上海第六医院放 射诊断研究所影像 医学研究所 ,上海 2 0 0 2 3 3 )

要 :O C T( 光 学相 干层析技 术 ) 自从 1 9 9 1 年 出现 以来 ,在 多个领 域展 现 出 了应 用 前景 ,尤
p r o s p e c t s i n a n u mb e r o f a r e a s ,i n p a r t i c u l a r ,p l a y e d a n i mp o r t a n t r o l e i n o p h ha t l mo l o g y .W O C T

基于边缘区域生长的图像分割

基于边缘区域生长的图像分割

基于边缘区域生长的图像分割【摘要】图像分割是图像处理的关键步骤,图像分割就是把图像分成若干个具有独特性质的区域。

图像分割的主要方法有基于阈值的图像分割、基于边缘的图像分割和基于区域生长的图像分割等。

在人的视觉系统,图像边缘比其他的图像特征敏感,基于图像边缘的图像分割在区域界线间有小的间隙。

基于区域生长的图像分割计算简单,对于较均匀的连通目标有较好的分割效果,但是对噪声敏感,可能导致区域内有空洞。

另外,它是一种串行算法,当目标较大时,分割速度较慢,因此在设计算法时,要尽量提高效率。

基于区域生长边缘的图像分割技术是边缘检测方法和区域生长方法的集成。

它互补了彼此单独使用的缺点。

这是本文所描述的方法首先,检测图像的边缘是通过使用canny边缘算子,然后使区域生长技术进行图像分割,非常小的区域被删除合并,噪声的影响被消除,具有较好的图像分割效果。

【关键词】Canny边缘检测;Sobel边缘检测器;图像分割1.图像分割图像分割是利用灰度、颜色、纹理、形状等信息按照一定标准从图像中分离出与现实世界中的物体或区域相关的有一定意义的实体,是图像理解、图像分析、模式识别、计算机视觉等领域中首要解决的关键问题之一。

例如,在电子组件异常的自动检查系统中,主要分析组件图像中是否存在有缺陷的组件或断开的组件。

主要是通过图像的特征对其进行图像分割,图像分割的准确性决定了计算机分析程序最终的成功或失败。

2.边缘检测技术边缘检测是目前图像分割中最常用的方法,检测灰度级或者结构具有突变的地方,表明一个区域的终结,也是另一个区域开始的地方。

这种方法主要是运用一阶和二阶导数的不连续性进行检测,但是利用导数的边缘检测对噪声敏感。

以下是常用边缘检测技术:(a)梯度算子:在图像进行分割之前,必须对图像的边缘特征进行归类。

运用梯度算子找出潜在的图像边缘。

梯度算子可以检测出所有方向的图像边缘,但检测出的未必是真正的边缘,所以必须选择恰当方向的梯度算子。

  1. 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. 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. 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)。

1 引言
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(seed point),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 。本文对近年来国内外基于区域的图 像分割算法进行了介绍, 并分析了各算法在 实际应用中的优缺点。从中可以看出,仅仅 使用一种算法实现对图像的分割, 越来越难 以满足实际应用中对图像分割的要求。 但是 随着图像分割理论的研究, 将会有更多的图 像分割算法被提出。 图像分割算法也将向更 快速,更精确的方向发展。
合并的条件为止。 当分裂到不能再分的情况 时,分裂结束,然后它将查找相邻区域有没 有相似的特征, 如果有就将相似区域进行合 并,最后达到分割的作用。 分裂合并法的关键是分裂合并准则的 设计。这种方法对复杂图像的分割效果较 好,但算法较复杂,计算量大,分裂还可能 破坏区域的边界。 区域生长比区域分裂合并的方法节省 了分裂的过程, 而区域分裂合并的方法可以 在较大的一个相似区域基础上再进行相似 合并, 而区域生长只能从单一像素点出发进 行生长(合并)。区域生长和分裂合并是两 种典型的串行区域分割算法。 其特点是将分 割过程分解为顺序的多个步骤, 其中后续步 骤要根据前面步骤的结果进行判断而确定。 在一定程度上区域生长和区域分裂合 并算法有异曲同工之妙, 互相促进相辅相成 的,区域分裂到极致就是分割成单一像素 点,然后按照一定的测量准则进行合并,在 一定程度上可以认为是单一像素点的区域 生长方法。
最后,用图像处理工具箱中的 bwlable 函数把区域连接起来,以此完成图像的分 割。Bwlable 函数的调用语法为: [1,num]=bwlable(bw,n) 其中 bw 为输入图像, n 可取4或8, 表示四连 通或八连通区域,num 为找到的连通区域数 目,1为输出矩阵,其元素值为整数值,背 景标记为0,第一个连通区域被标记为1,第 二个连通区域被标记为2,依此类推。 2.4应用情况: 区域生长(region growing)是指将成 组的像素或区域发展成更大区域的过程。 从 种子点的集合开始, 从这些点的区域增长是 通过将与每个种子点有相似属性像强度、 灰 度级、纹理颜色等的相邻像素合并到此区 域。它是一个迭代的过程,这里每个种子像 素点都迭代生长,直到处理过每个像素,因 此形成了不同的区域, 这些区域它们的边界 通过闭合的多边形定义。 区域生长法的优点是计算简单, 对于较 均匀的连通目标有较好的分割效果。 它的缺 点是需要人为确定种子点,对噪声敏感,可 能导致区域内有空洞。另外,它是一种串行 算法,当目标较大时,分割速度较慢,因此 在设计算法时,要尽量提高效率。 2.5区域生长的后处理 由于非优化参数的设置, 区域生长经常 会导致欠生长或过生长。 人们已经开发了各 种各样的后处理。 从区域生长和基于边缘的 分割中,后处理能获得联合分割的信息。更 加简单的后处理是根据一般启发法, 并且根 据最初应用的均匀性标准, 减少分割图像中 无法与任何邻接区域合并的最小区域的数 量。
基于区域生长的图像分割算法及其实现
曾春玲,2011441794
(重庆科技学院测控2011-02)
摘要: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找寻区域为基础的分割技术。 是图像处理和计算机视觉的基本问题之一, 是图像处理和图像分析的关键步骤。 本文对基于区域的图像分 割方法进行了综述,具体介绍了区域生长法和分裂合并法,并分析出这种算法在应用中的优缺点,实现此 种算法。 关键词:图像分割 区域生长 分裂合并
2 区域生长法
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
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。 2.2.1基于区域灰度差的生长准则 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。 2.2.2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。 2.3区域生长算法
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。 2.1区域生长 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 需要分割的区域找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。 区域生长需要选择一组能正确代表所 需区域的种子像素, 确定在生长过程中的相 似性准则,制定让生长停止的条件或准则。 相似性准则可以是灰度级、彩色、纹理、梯 度等特性。选取的种子像素可以是单个像 素,也可以是包含若干个像素的小区域。大 部分区域生长准则使用图像的局部性质。 生 长准则可根据不同原则制定, 而使用不同的 生长准则会影响区域生长的过程。 2.2区域生长准则 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
1 1 1 1 1 1 2)创建一个结构元素 B= 1 1 1
3)重复以下计算知道 fk+1=fk, fk+1=(fk B) maskim 其中 为形态学中的膨胀算子。

图2 脑部图像和区域生长法分割的结果 Fig.2 Brain image segmentation and region growing segmentationresults method
区域生长是一种很重要的图像分割 方法。它是指从某个像素出发,比较相邻 接像素的特征向量(包括灰度、边缘、纹 理等特征),在预先指定的准则下,若它 们足够相似则作为同一区域合并,以此方 式使相似特征的区域不断增长,最后形成 分割图像。 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 (标为深浅不同的灰色 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。

1 0 4 7 5 1 0 1 7 7 0 1 1 5 5 2 0 5 2 2 5
(a)
6 5 6 4

1 1 5 5 5 1 1 5 5 5 1 1 5 5 5 1 1 5 5 5 1 1 5 5 5
3 区域分裂合并
区域生长是从某个或者某些像素点出 发, 最后得到整个区域, 进而实现目标提取。 分裂合并差不多是区域生长的逆过程: 从整 个图像出发,不断分裂得到各个子区域,然 后再把前景区域合并,实现目标提取。分裂 合并的假设是对于一幅图像, 前景区域由一 些相互连通的像素组成的,因此,如果把一 幅图像分裂到像素级, 那么就可以判定该像 素是否为前景像素。 当所有像素点或者子区 域完成判断以后, 把前景区域或者像素合并 就可得到前景目标。在这类方法中,最常用 的方法是四叉树分解法(如图3所示)。设 R 代表整个正方形图像区域, P 代表逻辑谓词。 基本分裂合并算法步骤如下:
2.3.1区域生长实现 首先确定一个或多个像素点作为种子 点,然后按照某种相似性度量增长区域,逐 步生成具有某种均匀性的空间区域, 并将相 邻的具有相似性的像素点或区域归并, 直至 没有可归并的像素点或小区域为止。 实现步骤如下:
相关文档
最新文档