基于区域生长的图像分割方法--南邮--车少帅.ppt

18.6 基于区域生长的图像分割方法 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。 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 一个区域生长的示例 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: 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。 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。 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。 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。 若CT，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 【例】一个简单的区域生长的例子 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。 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: Smoothed- Difference 检测: 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 1. 单一型链结的区域生长 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。 2. 混合型链结的区域生长 3. 登山算法 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会导致空洞和过分割。 　　3. 对图像中的阴影效果往