基于区域生长的图像分割文献概括

一.基于区域生长的高空间分辨率遥感图像分割与实现（李政国）1.种子点的选择种子点的选择是区域生长的首要任务。

根据林区内地物呈区域状连续交错分布的特点,对种子点选取做了如下的适应性改进①建立种子标记矩阵,既为确定种子点,又标记合并到一个区域内的像素点②连续检测种子标一记矩阵,对已形成区域的外围边界点定位,任选一点作为下一区域的种子像素2.区域生长过程区域形成必须首先建立一个能够合并邻域像素的生长标准,其次要设计合适的生长方式。

①区域生长准则区域生长过程中,生长标准的确定是关乎算法有效性的一个中心问题区域生长标准。

基于区域的同质性,能够并入同一区域的像素,一定是符合某种标准的。

把多光谱图像看做是多维空间,？？量测像素点之间的欧氏距离可以作为生长的标准。

在多维空间中,任意两个位置的欧氏距离定义为：2''21((,)(,))n d dd E P i j P i j ==-∑E 为任意两点间的欧氏距离、d 为空间维数(,)d P i j ，''(,)d P i j 在d 维空间中的任意两点在RGB 空间中,基于种子点的欧氏距离可定义为2''222D ((,),(,))()()()s s s s E d p p p p p p P i j P i j R R G G B B =-+-+-D E 为欧氏距离, ''(,),(,)s d P i j P i j 分别为非种子点和种子点, p R ，p G p B 分别为非种子点RGB 光谱值, s p R ，s p G s p B 分别为种子点光谱值。

若s P 为区域A 的种子点,给定一个阈值T,则有{|((,)),(',')|;s T P A E T P A D P i j P i j ≤∈>∉，此式则成为区域生长及结束的判定标准。

区域生长方式区域的连通性是区域生长又一重要条件,影响到分割算法的核心结构，因此在区域生长过程中,需要严格保证连通性条件即保证像素的四连通性或者八连通性。

考虑到像素坐标的关联性,对上式做如下改进：{''|((,)),(',')|;s T P A E T P A D P i l j k P i j ≤∈>∉++，式中：1,0,1;1,0,1l k =-=-。

无论是四连通方式还是八连通方式,以,取值做为条件,可依次检测种子点周围邻接像素,保证了区域的连通性和完整性。

二、彩色图像分割技术研究（曾璐）把基于自动种子区域生长的算法与聚类的算法结合起来,先对彩色图像进行颜色聚类,再进行自动种子区域生长。

对于选取的种子区域必须满足三个重要的条件：1.种子区域必须与它的相邻区域由高度的相似性。

2.生长后形成的区域必须有至少一个种子区域。

3.不同区域的种子必须是不相邻的。

种子选取的准则：1.被选为种子的区域,必须与其邻域有相当高的相似性,也就是说被选为种子的区域与它的邻域区域的平均距离要小于某个阈值。

邻域的相似度的定义如下：i R V 代表i R 区域的邻域, max max()i D D =，k 为其邻域的个数。

则邻域的相似度为: j R()i sim R =这里t x 表示i R V 每个区域的色调的均值。

x 表示i R V 所有区域的均值。

阈值的确定可以利用图像自动阈值的选取方法来确定。

经过颜色的量化后,色调被量化为等级,可以把自动选取阈值的方法应用到量化后的颜色空间当中。

通过自动阈值的选取选择一个阈值使类间差最大。

令i R 的色调均值为T,此时的()i sim R ,所求的值就作为阈值threshold 。

当邻域越相似时, ()i sim R 的值越小,因此只要()i sim R 小于threshold 就把i R 选为种子区域。

2. 被选为种子的区域,它与邻域的距离必须小于一个阈值。

邻域之间的距离可以利用欧式距离来表示,公式如下：1,2,3...i D i k ==， k i R 邻域的个数。

i R 与邻域最大的距离：max max()i D D =准则1是为了检测种子区域与其邻域是否高度的相似。

准则2是为了确定区域是否为2个区域的边界.如果两个种子区域是相邻的,先把相邻的种子区域进行合并。

//区域生长的算法描述1.自动种子选取方法选取种子区域。

2.标一记种子区域。

3.种子区域合并。

4. 当有区域被标记时,则循环遍历所有的种子区域。

如果种子区域的邻域p 未被标记而且不为种子区域,则将其取出。

遍历p 的邻域,如果的所有的邻域的标记相同,则把区域p 的标记赋值为其邻域的标记,如果p 的邻域中存在标记不同的区域,则将p 的区域标记为距离最相近的区域标记的值。

p 被标记以后,则将其从种子的邻域中删除,同时该种子的邻域数目减1。

之后更新种子区域的像素及H （色度）,S （饱和度）,V （亮度）的均值。

最后把p 的未标记的邻域添加到种子的邻域中。

循环执行三、基于边缘检测和自动种子区域生长的图像分割算法（王蒙）先利用C anny 算 子对图像进行边缘提取，得到边缘像素点集，再利用灰度直方图点集中选取自动种子点，结合相似度采用区域生长法进行图像分割，该算法能够实现阈值和种子的自动选取。

在分割过程中，利用灰度直方图解决门限阈值和自动种子点的选取等问题，从而避免手动选取时造成的系统误差，以提高分割效率并改善分割效果。

1.自动种子选取图像的边缘信息能较好的代表整个图像的大致信息，利用直方图分析图像的边缘信息能够较为简洁的得到图像整体信息。

设 Ｎ 为自然数集合，而{}G 0,1,...,255()G N =⊆为灰度级集合。

图像函数定义为:f M N G ⨯→，点（x,y ）,设n 为灰度为i 的像元个数，则/i i P n MN =为灰度i 的频度，称{};i P i G ∈为图像f(x,y)的灰度直方图。

在灰度直方图中，选取图像边缘信息中出现像素概率最高的点，即从灰度直方图中读出出现概率最多的像素值，在要处理的图像中找到该像素值对应的像素点，同时，标记这些边缘像素点，则这组像素点即为一组种子点，这样就完成了种子点的自动选取。

选取的这组种子点，从广义上来讲，代表了图像边缘 的大致信 息，也 能大致反应出图像的整体信息。

2.生长判决条件及生长过程设得到的边缘像素点集中，边缘像素点的总数为 Ｎ，灰度分别为(0),(1),...,(1)X X X N -种子点的像素灰度为 Ｍ，计算平均相似度11|()|N i T X i M N ===-∑作为区域生长过程的分割阈值。

另外，计算种子区域中的像素点与候选像素 （即与种子区域新生长进来的像素有八连通的像素）之间的相似性是否满足|(,)|f x y M T -≤算法流程：①建立一组数组seed 且置空，将种子像素点逐个加入到seed 数组。

②判断数组是否为空。

如果数组中仍存在元素，取出数组像素作为当前种子点继续下面的步骤；否则，结束生长。

③判断种子点的八邻域内的候选像素是否为图像边沿，若是停止该方向上的生长；否则，判断该候选像素点是否满足式②中的相似性准则。

若满足，则将其添加到候 选 种 子数组seed 中，表示该方向可继续生长；否则，停止该方向上的生长，检测其他候选像素；若生长区域中再也没有新像素可以加入到seed 数组中，则返回步骤②。

完成了种子点的自动选取，避免了在手动选择种子点时，分割效果对初始种子过度依赖的问题。

此外，通过分析图像的灰度信息自动计算区域生长中分割阈值，还可减小人工设定阈值对图像分割效果的影响。

利用灰度直方图分析图像边缘信息和自动计算分割阈值的方法能降低算法复杂度，提高图像分割算法的效率。

？？四、基于多尺度的区域生长的图像分割技术（肖明尧、李雄飞，张小利） 先高斯滤波去除噪声。

传统区域生长法的步骤是：步骤1 选择一个种子点，并将纳入到队列 Q 中。

步骤2 检查周围所有点像素，并判断其是否与种子点相似，如果相似，则将其纳入到 Q 中，否则不予处理。

步骤3将队列 Q 中的第一个元素弹出，并加入到集合 R1中。

并检查 Q 是否为空，不为空，则将当前 Q 中的第一个元素作为种子点，并重复 Step2；否则，将尚未列入R1中的元素纳入到 R2。

缺点：传统区域生长算法只能保证初始种子点所在的区域是连通的，而无法保证其它区域也是连通的。

该算法容易受到噪音或不规则边缘的影响，往往会将噪音划分成立的小区域。

同时，也会在边界处产生很多小的孤立点。

为了解决该问题提出了多尺度区域生长算法。

最大梯度变换(MGT): 反映图像中各个像素与邻差像素的最大差别.对于给定图像 I ，p 为图像 I 内的像素坐标，则MGT 定义为如下形式:()max();f p q p MGT p I I q w =-∈其中，p w 为以p 的邻域, p w 内的元素包含 p 的右上角、右侧、右下角及下面。

给出对于图像 I 的邻差变换的另外一种形式: ()max(|()|);1,...,4f i MGT p MGT I i ==, D(I) 记为图像 I 的邻差矩阵,其大小与 I 一致。

在上式中，()i D I 为大小与图像 I 相同，每一元素表示图像 I 对应像素与其成/4i π，且紧邻的像素的灰度之差，其计算公式为();1,...,4i i D I I C i ==其中 代表卷积操作，i C 为33⨯大小的核函数，具体定义如下所示。

通过过邻差变换，获取图像的变换矩阵，并通过变换矩阵的统计信息获取分割阈值。

分割的具体步骤为：对图像 I 进行高斯滤波，得到平滑图像,':I I I K =其中，K 为高斯核函数， 为卷积算子。

根据上式对待分割图像 I 和 I’做最大梯度变换，得到最大梯度变换矩阵 MGT (I)和MGT (I’)，根据 MGT (I)和 MGT (I’)的统计信息获得分割阈值'λλ和。

五、基于区域生长的医学图像分割（舒添慧）区域生长法可满足图像分割的多种要求,既提取CT 图的边缘信息,又针对某一特定区域的病灶单独实行分割,缩短了手术计划的时间,实验结果为临床诊断提供有利的帮助信息,提高了手术导航的效率。

生长法需要解决三个问题:(1)选择或确定一组能正确代表所需区域的种子像素;(2)确定在生长过程中能将像素包括进来的准则;(3)制定让生长停止的条件或规则。

选取种子点：取图像中的一个点作为种子像素,该点的选择随机性比较大,对分割结果影响明显,所以在提取图像边缘和进行病灶分割时,种子像素点是各不相同的,应尽可能的选择最具有代表该类的像素点,确定了种子像素点后,记录该点的灰度值 i,取阈值为 T ,所以()i T ±作为生长像素的条件。