圖像分割區(qū)域生長(zhǎng)法

1、江蘇科技大學(xué)數(shù)字圖像處理圖像分割區(qū)域生長(zhǎng)法專題1 圖像分割簡(jiǎn)介圖像分割( image segmentation) 就是把圖像分成各具特征的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。這里特征可以是象素的灰度、顏色、紋理等, 預(yù)先定義的目標(biāo)可以對(duì)應(yīng)單個(gè)區(qū)域也可以對(duì)應(yīng)多個(gè)區(qū)域。圖像分割是圖像處理到圖像分析的關(guān)鍵步驟, 在圖像工程中占據(jù)重要的位置。一方面, 它是目標(biāo)表達(dá)的基礎(chǔ), 對(duì)特征測(cè)量有重要的影響。另一方面, 因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特征提取和參數(shù)測(cè)量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式, 使得更高層的圖像分析和理解成為可能。圖像分割是一種重要的圖像處理技術(shù), 它不僅得到人們的廣泛重視和研究

2、, 在實(shí)際中也得到大量的應(yīng)用。圖像分割包括目標(biāo)輪廓、閾值化、圖像區(qū)分或求差、目標(biāo)檢測(cè)、目標(biāo)識(shí)別、目標(biāo)跟蹤等技術(shù)。從大的方面來說，圖像分割方法可大致分為基于區(qū)域的方法、基于邊緣的方法、區(qū)域與邊緣相結(jié)合的方法，以及在此基礎(chǔ)上的采用多分辨率圖像處理理論的多尺度分割方法 。其中基于區(qū)域的方法采用某種準(zhǔn)則，直接將圖像劃分為多個(gè)區(qū)域。而基于邊緣的方法則通過檢測(cè)包含不同區(qū)域的邊緣，獲得關(guān)于各區(qū)域的邊界輪廓描述，達(dá)到圖像分割的目的，而區(qū)域與邊緣相結(jié)合的方法通過區(qū)域分割與邊緣檢測(cè)的相互作用，得到分割結(jié)果。圖像分割中基于區(qū)域的方法主要有直方圖門限法、區(qū)域生長(zhǎng)法、基于圖像的隨機(jī)場(chǎng)模型法、松弛標(biāo)記區(qū)域分割法等。本文主

3、要討論基于區(qū)域分割的區(qū)域生長(zhǎng)法。區(qū)域生長(zhǎng)是一種古老的圖像分割方法，最早的區(qū)域生長(zhǎng)圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說種子區(qū)域，再在種子區(qū)域基礎(chǔ)上不斷將其周圍的像素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有像素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的；另一種是先將圖像分割成很多的一致性較強(qiáng)，如區(qū)域內(nèi)像素灰度值相同的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的，典型的區(qū)域生長(zhǎng)法如T. C. Pong等人提出的基于小面（facet）模型的區(qū)域生長(zhǎng)法，區(qū)域生長(zhǎng)法固有的缺點(diǎn)是往往會(huì)造成過度分割，即將圖像分割成過多的區(qū)域

4、。2圖像分割定義借助集合概念對(duì)圖像分割給出如下較正式的定義:令集合R 代表整個(gè)圖像區(qū)域, 對(duì)R 的分割可看做將R 分成N 個(gè)滿足以下五個(gè)條件的非空子集( 子區(qū)域)R1, R3, , RN:對(duì)所有的i 和j, ij, 有RiRj;對(duì)i=1,2,N, 有P(Ri)=TRUE;對(duì)ij, 有P(RiRj)=FALSE;對(duì)i=1,2,N, Ri 是連接的區(qū)域。其中P(Ri)對(duì)所有在集合Ri 中元素的邏輯謂詞, 代表空集。上述的五個(gè)條件分別稱為完備性，獨(dú)立性，相似性，互斥性，連通性。3、圖像分割方法及串行區(qū)域分割技術(shù)簡(jiǎn)述多年來的研究使得人們對(duì)圖像分割產(chǎn)生了高度的重視, 并且已經(jīng)提出了上千種分割算法, 將算

5、法分類就是把一個(gè)集合分成若干子集,這與分割本身有一定相似性, 因此參考分割定義, 每個(gè)算法都能被分成一類, 各類總和包括所有算法, 同類中算法有相同性質(zhì), 不同類算法有某些不同性質(zhì)。參照這些條件進(jìn)行分類。拿一幅普通的人物照片來舉例, 相鄰象素在象素值方面有兩個(gè)性質(zhì): 不連續(xù)性和相似性( 區(qū)域內(nèi)的象素都具有相似性, 如人的額頭和面頰的象素, 而區(qū)域邊界一般具有某種不連續(xù)性, 如耳朵的邊緣和緊連著耳朵的背景上的象素) 。另外由于分割過程的處理方法不同, 算法又可分為串行和并行的( 串行算法早期的結(jié)果被后來的計(jì)算所利用, 時(shí)間較長(zhǎng), 但抗噪聲能力強(qiáng), 并行算法所有的判斷和決定都可獨(dú)立、同時(shí)地完成。所

6、需時(shí)間較短) 。綜上兩種分類, 圖像分割的算法可歸入四大類 串行區(qū)域分割技術(shù)指采用串行處理的策略通過對(duì)目標(biāo)區(qū)域的直接檢測(cè)來實(shí)現(xiàn)圖像分割的技術(shù), 它的特點(diǎn)是將整個(gè)處理過程分解為順序的多個(gè)步驟逐次進(jìn)行, 對(duì)后繼步驟的處理要對(duì)前面已完成步驟的處理結(jié)果進(jìn)行判斷而確定。這里的判定要根據(jù)一定的準(zhǔn)則, 一般來說如果準(zhǔn)則是基于圖像灰度特性的, 則這個(gè)方法可以用于灰度圖像分割。 基于區(qū)域的串行分割技術(shù)有兩種基本的形式, 一是從單個(gè)象素出發(fā), 漸漸合并以形成所需的分割區(qū)域, 二是從整個(gè)圖出發(fā), 分裂切割至所需要的分割區(qū)域, 第一種方法的典型技術(shù)就是區(qū)域生長(zhǎng)法。4 區(qū)域生長(zhǎng)的原理 區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)

7、的象素集合起來構(gòu)成區(qū)域。首先對(duì)每個(gè)需要分割的區(qū)域找出一個(gè)種子象素作為生長(zhǎng)的起點(diǎn),然后將種子象素周圍鄰域中與種子有相同或相似性質(zhì)的象素( 根據(jù)事先確定的生長(zhǎng)或相似準(zhǔn)則來確定) 合并到種子象素所在的區(qū)域中。而新的象素繼續(xù)做種子向四周生長(zhǎng), 直到再?zèng)]有滿足條件的象素可以包括進(jìn)來, 一個(gè)區(qū)域就生長(zhǎng)而成了。現(xiàn)在給出一個(gè)區(qū)域生長(zhǎng)的示例。給出已知矩陣A：大寫的5 為種子, 從種子開始向周圍每個(gè)象素的值與種子值取灰度差的絕對(duì)值, 當(dāng)絕對(duì)值少于某個(gè)門限T 時(shí), 該象素便生長(zhǎng)成為新的種子, 而且向周圍每個(gè)象素進(jìn)行生長(zhǎng); 如果取門限T=1, 則區(qū)域生長(zhǎng)的結(jié)果為:可見種子周圍的灰度值為4、5、6 的象素都被很好地包進(jìn)

8、了生長(zhǎng)區(qū)域之中, 而到了邊界處灰度值為0、1、2、7 的象素都成為了邊界, 右上角的5 雖然也可以成為種子, 但由于它周圍的象素不含有一個(gè)種子, 因此它也位于生長(zhǎng)區(qū)域之外; 現(xiàn)在取門限T=3, 新的區(qū)域生長(zhǎng)結(jié)果為:整個(gè)矩陣都被分到一個(gè)區(qū)域中了。由此可見門限選取是很重要的。在實(shí)際應(yīng)用區(qū)域生長(zhǎng)法時(shí)需要解決三個(gè)問題：1.選擇或確定一組能正確代表所需區(qū)域的種子象素( 選取種子) ;2.確定在生長(zhǎng)過程中能將相鄰象素包括進(jìn)來的準(zhǔn)則( 確定門限) ;3.確定讓生長(zhǎng)過程停止的條件或規(guī)則( 停止條件)利用迭代的方法從大到小收縮是一種典型的方法, 它不僅對(duì)2- D圖像而且對(duì)3-D 圖像也適用。一般情況下可以選取圖

9、像中亮度最大的象素作為種子, 或者借助生長(zhǎng)所用準(zhǔn)責(zé)對(duì)每個(gè)象素進(jìn)行相應(yīng)的計(jì)算, 如果計(jì)算結(jié)果呈現(xiàn)聚類的情況則接近聚類重心的象素可以作為種子象素。上面的例子, 分析它的直方圖可知灰度值為1 和5 的象素最多且處于聚類的中心, 所以可各選一個(gè)具有聚類中心灰度值的象素作為種子。生長(zhǎng)準(zhǔn)則的選取不僅依賴于具體問題本身, 也和所用圖像數(shù)據(jù)種類有關(guān), 如彩色圖和灰度圖。一般的生長(zhǎng)過程在進(jìn)行到再?zèng)]有滿足生長(zhǎng)條件的象素時(shí)停止, 為增加區(qū)域生長(zhǎng)的能力常需考慮一些與尺寸、形狀等圖像和目標(biāo)的全局性質(zhì)有關(guān)的準(zhǔn)則。區(qū)域生長(zhǎng)的關(guān)鍵是選擇合適的生長(zhǎng)或相似準(zhǔn)則, 大部分區(qū)域生長(zhǎng)準(zhǔn)則會(huì)使用圖像的局部性質(zhì)生長(zhǎng)準(zhǔn)則可以根據(jù)不同原理制定

10、, 而使用不同的生長(zhǎng)準(zhǔn)則會(huì)影響區(qū)域生長(zhǎng)的過程。常用的生長(zhǎng)準(zhǔn)則和方法有兩種, 即基于區(qū)域灰度差的、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)的。下面給出實(shí)驗(yàn)結(jié)果: 灰度圖lena 直方圖 區(qū)域生長(zhǎng)結(jié)果 三次均方值計(jì)算 直方圖 區(qū)域生長(zhǎng)結(jié)果由于lena 細(xì)節(jié)性較強(qiáng)( 比如姑娘的發(fā)絲) , 對(duì)它進(jìn)行區(qū)域生長(zhǎng)的結(jié)果還會(huì)有一些區(qū)域無法連在一起, 所以對(duì)它進(jìn)行了三次均值運(yùn)算( 取象素及周圍共九個(gè)點(diǎn)的平均灰度作為新的灰度值) 。區(qū)域生長(zhǎng)以后小的區(qū)域就較好地連成了一片。5 基于區(qū)域灰度差的生長(zhǎng)準(zhǔn)則在我們使用的區(qū)域生長(zhǎng)方法中, 操作的基本單位是象素, 基于區(qū)域灰度差的生長(zhǎng)準(zhǔn)則步驟如下:1.對(duì)圖像進(jìn)行逐行掃描, 找出尚無歸屬的象

11、素;2.以該象素為中心, 檢查它相鄰的象素, 即將鄰域中的象素逐個(gè)與它比較, 如果灰度差小于事先確定的閾值, 則將它們合并;3.以新合并的象素為中心, 再進(jìn)行步驟2 檢測(cè), 直到區(qū)域不能進(jìn)一步擴(kuò)張;4.重新回到步驟1, 繼續(xù)掃描直到不能發(fā)現(xiàn)沒有歸屬的象素, 整個(gè)生長(zhǎng)過程結(jié)束。上述方法是先要進(jìn)行掃描, 這對(duì)區(qū)域生長(zhǎng)起點(diǎn)的選擇有比較大的依賴性, 為克服這個(gè)問題可以改進(jìn)方法如下:1.設(shè)灰度差的閾值為零, 用上述方法進(jìn)行區(qū)域擴(kuò)張, 合并灰度相同的象素;2.求出所有鄰接區(qū)域之間的平均灰度差, 合并具有最小灰度差的鄰接區(qū)域;3. 設(shè)定終止準(zhǔn)則, 通過反復(fù)進(jìn)行步驟2 中的操作將區(qū)域依次合并, 直到終止準(zhǔn)則滿

12、足為止, 生長(zhǎng)過程結(jié)束。當(dāng)圖像中存在灰度緩慢變化的區(qū)域時(shí), 上述方法有可能會(huì)將不同區(qū)域逐步合并而產(chǎn)生錯(cuò)誤。為了克服這個(gè)問題, 可以不用新象素的灰度值去與鄰域象素的灰度值進(jìn)行比較, 而用新象素所在區(qū)域的平均灰度值去與各鄰域象素的灰度值進(jìn)行比較。對(duì)一個(gè)有N 個(gè)象素的圖像區(qū)域R, 灰度均值為:對(duì)象素的比較為:其中T 為閾值。如果區(qū)域是均勻的, 區(qū)域內(nèi)的灰度變化應(yīng)當(dāng)盡量小; 如果區(qū)域是非均值的( 一般情況) , 且由兩部分構(gòu)成。這兩部分象素在R 中所占比例分別為q1和q2, 灰度值分別為m1和m2, 則區(qū)域均值為q1m1+q2m2, 對(duì)灰度值為m1的象素, 它與區(qū)域均值的差為:Sm=m1-(q1m1+q2m2)可知正確判決的概率為:這表明, 當(dāng)考慮灰度均值時(shí), 不同部分象素間的灰度差距應(yīng)該盡量大。6 基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)的生長(zhǎng)準(zhǔn)則考慮以灰度分布相似性作為生長(zhǎng)準(zhǔn)則來決定區(qū)域的合并, 具體步驟為:1.把圖像分成互不重疊的小區(qū)域;2.比較鄰接區(qū)域的累積灰度直方圖, 根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并;3.設(shè)定終止準(zhǔn)則, 通過反復(fù)進(jìn)行步驟2中的操作將各個(gè)區(qū)域依次合并直到滿足終止準(zhǔn)則, 生長(zhǎng)過程結(jié)束。設(shè)兩個(gè)相鄰區(qū)域的積累灰度直方圖分別為h1(z)和h2(z), 常用的兩種檢測(cè)方法為:1. Kolmogor