基于区域生长的图像分割算法及其实现.docVIP

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 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。 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: 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; 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; 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