基于区域生长的图像分割方法

合集下载
  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)。

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。
基于边缘检测的方法: 找出图像的边缘信息,再将它们连成边界,这些边界把
图像分成不同的区域,从而分割出各个区域。
基于区域的图像分割方法
区域生长法 分裂-合并分割方法
区域生长法
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。
基于区域灰度差的生长准则
灰度差判别式: 采用相邻像素与当前像素灰度值 (或当前区域像素平均
灰度)的差来判别其是否应当合并到当前区域。
C |f(i,j)f(m ,n )|
若C<T,说明 (i,j)与(m,n)相似, (i,j)应与当前区域合并, 若C≥T,说明两者不相似, (i,j) 仍为不属于任何区域
定义两个象素特征矢量可用(x,a)、(y,b)表示, x,y为两者的灰度,a,b为两者的邻域灰度均值,相似 性为S,则
S w 1 ( x y ) 2 w 2 ( x b ) 2 w 3 ( y a ) 2 w1,w2,w3 为非负的权值
S值小则可以连接。
(2)依赖边缘确定两象素是否可以连接。
所有的灰度值。
区域生长算法
1. 单一型链结的区域生长 2. 混合型链结的区域生长 3. 登山算法 4. 分水岭算法
1. 单一型链结的区域生长
区域B
种子像素
区域A
种子像素
1. 单一型链结的区域生长
上图给出一个简单的例子。此例的相似性准则是邻近点(4邻 域)的灰度级与物体的平均灰度级的差小于2。图中被接受的 点和起始点均用下划线标出, 其中(a)图是输入图像;(b) 图是第一步接受的邻近点; (c)图是第二步接受的邻近点; (d)图是从6开始生成的结果。
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h1(z)和h2(z),
常用的两种检测方法为:
Kolmogorov- Smirnov 检测: mzax|h1(z)h2(z)|
Smoothed- Difference 检测:
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
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。
区域生长的优势和劣势
优势: 1. 区域生长通常能将具有相同特征的联通区域分
割出来。 2. 区域生长能提供很好的边界信息和分割结果。 3. 区域生长的思想很简单,只需要若干种子点即
| h1(n)h2(2)|
z
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
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)确定每个区域的生长起始点——种子像素。 (2)确定在生长过程中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。
(3)要识别和标定细胞的显微照片中的染色体,需要用图像 分割技术。
图像分割方法分类: 基于阈值选取的方法:
通过选取一定的灰度阈值将图像中目标从背景中分割出来。 常用的方法有:直方图阈值分割、最大熵阈值分割等。
基于区域生成的方法: 根据相应的区域特性在图像中找出与其相似的部分。
常用的方法有:区域生长、分裂-合并分割方法。
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。
【例】一个简单的区域生长的例子
生长准则:邻近点的灰度级与当前区域平均灰度的差小于2。
种子像素
平均灰度 8.25
平均灰度 8
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
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
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。
Thank you!
此课件下载可自行编辑修改,供参考! 感谢您的支持,我们努力做得更好!
可完成。 4. 在生长过程中的生长准则可以自由的指定。 5. 可以在同一时刻挑选多个准则。
区域生长的优势和劣势
劣势: 1. 计算代价大。 2. 噪声和灰度不均一可能ቤተ መጻሕፍቲ ባይዱ导致空洞和过分割。 3. 对图像中的阴影效果往往不是很好。 对噪声问题,通常可以用一些平滑滤波器,或
是diffusion滤波器做预处理来解决,所以通常噪 声问题并不是很严重。所以实际上,区域生长的 最严重的问题就是效率低下。
18.6 基于区域生长的图像分割方法
专 业:12级信号与信息处理 姓 名: 车少帅
图像分割的概念:
把图像空间按照一定的要求分成若干个“有意义”的区域的 技术。其从本质上说是将各像素进行分类的过程。
例如: (1)要确定航空照片中的森林、耕地、城市区域等,首先需 要将这些部分在图像上分割出来。 (2)要辨认文件中的个别文字,需先将这些文字分割出来。
图像区域分割的过程(基本单元:像素或微区域) (1)选择区域内某一像素点作为生长种子; (2)判断其相邻像素(没有区域标记)是否满足相似性准则; (3)如果是,将其合并到当前区域,给该像素添加区域标记; (4)对于新合并的区域,重复(2)、(3) (5)不断重复,区域将在各个方向上不断增长,直至没有相邻 像素满足相似性性准则为止,或者是满足停止准则为止。
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。
2. 混合型链结的区域生长
考虑象素的邻域,在此邻域上定义象素的特性矢 量,特性矢量接近的两个象素相似。 (1) 邻域分享技术:研究某象素的邻域,作出 相似邻域表。如果两个象素在对方的相似邻域表 中,且表中有足够多的象素,则可将二者连接。
相关文档
最新文档