基于直观分水岭定义的图像分割算法.docVIP

赵月 研0915班 0908110663 基于直观分水岭定义的图像分割算法 Vincent和Soille提出的基于沉浸模拟的分水岭算法已经成为图像分割领域中最主要的数学形态学方法。虽然V- S算法被认为是目前最快的分水岭算法，但它仍然不能满足一些实时应用对分割速度的。在V- S算法的基础上提出了一种新的图像分割算法. 新算法采用了一种新的泛洪方法,它利用了二维图像中各像素点间的规则空间关系信息计算满足基本直观定义的分水岭。实验证明其执行速度大大加快，保留了大部分对图像有益的信息。 一．分水岭算法 分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。因此，为得到图像的边缘信息，通常把梯度图像作为输入图像，即 g(x,y)=grad(f(x,y))={[f(x,y)-f(x-1,y)]2[f(x,y)-f(x,y-1)]2}0.5 式中，f(x,y)表示原始图像，grad{.}表示梯度运算。 其主要思想是：充分利用各像素点之间的规则空间关系，快速计算符合基本直观定义的分水岭并将其用于图像分割。包括排序和泛洪两部分。 排序：新算法在计算各点排序位置时将各点的空间位置考虑进去，使得排序数组中元素的排列满足一定的空间关系（梯度值相同的点，空间位置位于左上的点排在右下的点之前）。排序后的数组，值和形式为：（X坐标，Y坐标）。梯度值越小，位置越靠前。如果梯度值相同，则空间位置位于左上的点位置靠前。 与VS算法的区别在于泛洪方式。具体而言，在每一个梯度层，新算法的做法是按各像素点的空间关系顺序扫描各像素点（自左上到右下），并在扫描过程中确定每一点是属于现有的集水盘地还是属于新的集水盘地。判断的基本依据是该点是否有已标记邻点，若有则判为与邻点属同一集水盘地，否则判为新的极小区并赋给一新的区域标识。处理一个梯度层级内像素点的具体过程如下: 首先，记录当前的集水盘地标识值, labelmin (每发现一个新的极小区，将该值加1，因此第i个发现的极小区将被标记为i ) 。该值是所有极小区高度小于h(当前高度)的集水盘地与极小区大于h的集水盘地的分界标志。也就是说，如果某集水盘地含有梯度值小于h的点，则该集水盘地的标识值必定小于等于labelmin. 反之，如果某集水盘地所有点的梯度值都大于h ,则该集水盘地的标识值必定大于labelmin.。其次，对每个被扫描的当前点，一次检查它的4个邻点。若其中一个邻点尚未标识，则转向下一个邻点（左上右下的顺序）。若邻点已经标识而当前点尚未标识，则将邻点标识值赋给当前点。若邻点和当前点都已标识，则可能发现了一错误的极小区。此时需要作进一步判断：若邻点标识值和当前点标识值都小于labelmin.，则表明他们所属的集水盘地包含低于h的点，因此他们不是在当前梯度层级新生成的极小区，当前点为一分水岭。若邻点和当前点任意一个大于labelmin.，则表示其所对应的是在本梯度层级扫描时错误生成的极小区，应该合并到标识号更小的邻点所属集水盘地中去。为了减小运算，并非每次检测到错误极小区就刷新相关点的标识，而是使用一个合并数组来记录该合并事件，数组的第i个元素值为j，表示标识号为i的集水盘地已被合并到集水盘地标号为j的集水盘地。等到所有梯度层级都扫描完毕，按照合并数组，对所有点所属的集水盘地刷新一次即可得到最后结果。 二．区域生长算法 不管采用何种梯度，仅使用分水岭算法所得到的结果往往是过分割的，图像被分成了小的碎块。一般而言， 处理过分割需要靠区域生长合并一类的后处理过程! 这一过程是基于分水岭的图像分割算法的必要组成部分。 区域生长的算法有很多。 其中有一种区域生长算法分为两步：第一步极小区域合并!将所有包含点数不到图像像素点总数1/400 的小区域合并到距离最近的邻区中去.第二步合并相似区,若某区与邻区足够相似，则将其与邻区合并,区与区之间的距离取为LUV 空间中的欧氏距离! 区域的LUV 值为该区所有像素点LUV 值的均值. 参考文献：基于直观分水岭定义的图像分割算法 邓子健，李弼程 文章编号：1002-8331-（2005）26-0043-05 一种改进的分水岭分割的研究 王婧 0908110667 分水岭算法运算简单，边缘定位精度高，但是由于噪声和细节等的影响会造成过度分割，过度分割使得到的结果毫无用处。基于分水岭变换中模拟浸水原理，作者提出了一种新的分水岭分割方法，使粘连物体得到了有效的分离，它是基于分水岭变换原理的一种有效、准确的分割方法。 分水岭分割的方法： 中值滤波对图像进行预处理 中值滤波是一种非线性滤波它可以克服线性滤波器(如均值滤波)给图像带来的模糊，做到在有效地清除噪声的同时，又保持良好的边缘特性，从而获得较满意的复原效果。中值滤波