區(qū)域生長法原稿

PAGEPAGE16基于區(qū)域增長法的圖像分割圖像分割是一種重要的圖像分析技術。對圖像分割的研究一直是圖像技術研究中的熱點和焦點。圖像分割的目的是將圖像劃分為不同的區(qū)域，基于區(qū)域生長是以直接找尋區(qū)域為基礎的分割技術。本文首先簡單介紹圖像分割的主要方法，然后重點介紹一種基于區(qū)域增長法的圖像分割方法,該方法是根據(jù)同一物體區(qū)域內(nèi)象素的相似性質來聚集象素點的方法，從初始區(qū)域（如小鄰域或甚至于每個象素）開始，將相鄰的具有同樣性質的象素或其它區(qū)域歸并到目前的區(qū)域中從而逐步增長區(qū)域，直至沒有可以歸并的點或其它小區(qū)域為止。區(qū)域內(nèi)象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。目錄第一章緒論 11.1圖像分割技術的現(xiàn)狀和發(fā)展情況 11.2圖像分割的簡介 11.3圖像分割的定義 21.4論文的內(nèi)容與結構安排 5第二章圖像分割預處理 62.1圖像平滑 62.1.1中值濾波原理 62.1.2平滑效果分析 72.2灰度調(diào)整 82.2.1灰度調(diào)整原理 82.2.2灰度調(diào)整效果分析 82.3本章小結 9第三章基于區(qū)域增長法的圖像分割技術 103.1區(qū)域生長法原理 103.2圖像生長法實驗方法 113.2.1圖像二值化 123.2.2基于區(qū)域灰度差的生長準則 133.2.3基于區(qū)域內(nèi)灰度分布統(tǒng)計性質的生長準則 143.3算法流程設計 143.4本章小結 16第四章總結與展望 174.1工作總結 174.2工作展望17參考文獻 20附錄 21第一章緒論本章對論文涉及的研究領域進行了較為詳細的綜述。簡要介紹了圖像分割對于現(xiàn)實生活的重要意義，目前的科學研究現(xiàn)狀以及發(fā)展前景。并且圖像分割這一領域的主要方法進行了簡要的介紹，在整體流程上做以安排。1.1圖像分割技術的現(xiàn)狀和發(fā)展情況圖像分割的研究已經(jīng)有了幾十年的歷史，它不僅得到人們的廣泛重視和研究,

在實際生活中也得到大量的應用。關于圖像分割的原理和方法國內(nèi)外已有不少結論與推想，但一直以來沒有一種分割方法適用于所有圖像分割處理。傳統(tǒng)的圖像分割方法存在著不足，不能滿足人們的要求，為進一步的圖像分析和理解帶來了困難。隨著計算機技術的迅猛發(fā)展，及其相關技術的發(fā)展和成熟，結合圖像增強等技術，能夠在計算機上實現(xiàn)圖像分割處理。其中最主要的技術是圖像分割技術，從圖像中，將某個特定區(qū)域與其它部分進行分離并提取出來的處理。圖像分割的方法有許多種，在這里大概介紹這幾種方法：有閾值分割方法，邊界分割方法，區(qū)域提取方法，結合特定理論工具的分割方法等。其中基于區(qū)域的方法采用某種準則，直接將圖像劃分為多個區(qū)域。而基于邊緣的方法則通過檢測包含不同區(qū)域的邊緣，獲得關于各區(qū)域的邊界輪廓描述，達到圖像分割的目的，而區(qū)域與邊緣相結合的方法通過區(qū)域分割與邊緣檢測的相互作用，得到分割結果。1.2圖像分割的簡介圖像分割(imagesegmentation)就是把圖像分成各具特征的區(qū)域并提取出感興趣目標的技術和過程。這里特征可以是象素的灰度、顏色、紋理等,預先定義的目標可以對應單個區(qū)域也可以對應多個區(qū)域。圖像分割是圖像處理到圖像分析的關鍵步驟,在圖像工程中占據(jù)重要的位置。一方面,它是目標表達的基礎,對特征測量有重要的影響。另一方面,因為圖像分割及其基于分割的目標表達、特征提取和參數(shù)測量等將原始圖像轉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,它不僅得到人們的廣泛重視和研究,在實際中也得到大量的應用。圖像分割包括目標輪廓、閾值化、圖像區(qū)分或求差、目標檢測、目標識別、目標跟蹤等技術。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)域與邊緣相結合的方法，以及在此基礎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則，直接將圖像劃分為多個區(qū)域。而基于邊緣的方法則通過檢測包含不同區(qū)域的邊緣，獲得關于各區(qū)域的邊界輪廓描述，達到圖像分割的目的，而區(qū)域與邊緣相結合的方法通過區(qū)域分割與邊緣檢測的相互作用，得到分割結果。圖像分割中基于區(qū)域的方法主要有直方圖門限法、區(qū)域生長法、基于圖像的隨機場模型法、松弛標記區(qū)域分割法等。本文主要討論基于區(qū)域分割的區(qū)域生長法。區(qū)域生長是一種古老的圖像分割方法，最早的區(qū)域生長圖像分割方法是由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物體內(nèi)的一個小塊或者說種子區(qū)域，再在種子區(qū)域基礎上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結合成一個區(qū)域的目的；另一種是先將圖像分割成很多的一致性較強，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，達到分割圖像的目的，典型的區(qū)域生長法如T.C.Pong等人提出的基于小面（facet）模型的區(qū)域生長法，區(qū)域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域。1.3圖像分割的定義借助集合概念對圖像分割給出如下較正式的定義:令集合R代表整個圖像區(qū)域,對R的分割可看做將R分成N個滿足以下五個條件的非空子集(子區(qū)域)R1,R3,……,RN:①②對所有的i和j,i≠j,有Ri∩Rj≠○;③對i=1,2,?,N,有P(Ri)=TRUE;④對i≠j,有P(Ri∪Rj)=FALSE;⑤對i=1,2,?,N,Ri是連接的區(qū)域。其中P(Ri)對所有在集合Ri中元素的邏輯謂詞,○代表空集。上述的五個條件分別稱為完備性，獨立性，相似性，互斥性，連通性。1.4圖像分割主要研究方法圖像分割是圖像處理中的一項不可缺少技術，自20世紀70年代起一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法，但是，問題在于現(xiàn)在提出的分割算法大都是針對具體問題的，并沒有存在一種適合于所有圖像的通用分割算法，所以存在著近年來每年都有上百篇相關研究報道發(fā)表的現(xiàn)象。然而，一直沒有被確定下來制定規(guī)則，這給圖像分割技術的應用帶來許多的問題。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。圖像分割在圖像處理分析中的有著不可或缺的地位，它起著承上啟下的作用，可以認為是介于低層次處理和高層次處理的中間層間。最近幾年出現(xiàn)了許多新思路、新方法、或改進算法。下面對一些經(jīng)典傳統(tǒng)方法作簡要的概述。圖像分割是把圖像分割成若干個特定的、具有獨特性質的區(qū)域并提取出感興趣目標的技術和過程，這些特性可以是像素的灰度、顏色、紋理等提取的目標可以是對應的單個區(qū)域，也可以是對應的多個區(qū)域。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類：(1)邊緣檢測方法(2)區(qū)域提取方法(3)閾值分割方法(4)結合特定理論工具的分割方法。1.4.1邊緣檢測法圖像處理分析的第一步往往是邊緣檢測。邊緣檢測方法是人們研究得比較多的一種方法，它通過檢測圖像中不同區(qū)域的邊緣來達到分割圖像的目的。邊緣檢測法的實質是通過檢測包含不同區(qū)域的邊緣，獲得關于各區(qū)域的邊界輪廓描述，達到圖像分割的目的。邊緣的定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術來獲得邊緣檢測算子。經(jīng)典的邊緣檢測方法，是通過對原始圖像中像素的某小鄰域構造邊緣檢測算子來達到檢測邊緣這一目的。1.4.2區(qū)域提取法區(qū)域提取法有兩種基本形式：一種是從單個像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實際中使用的通常是這兩種基本形式的結合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分為區(qū)域生長法和分裂合并法。區(qū)域生長法的基本思想是將具有相似性質的像素合起來構成區(qū)域，具體做法是先給定圖像中要分割的目標物體內(nèi)的一個小塊或者說種子區(qū)域，再在種子區(qū)域的基礎上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結合成一個區(qū)域的目的。該方法的關鍵是要選擇合適的生長或相似準則。生長準則一般可分為三種：基于區(qū)域灰度差準則、基于區(qū)域內(nèi)灰度分布統(tǒng)計性質準則和基于區(qū)域形狀準則。分裂合并法是先將圖像分割成很多的一致性較強的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的。論文將對區(qū)域生長法的具體算法進行試驗，并在實際問題當中加以佐證，分析其方法的優(yōu)劣與改進方法。1.4.3閾值分割法對灰度圖像的取閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結果將對應的像素分為兩類。這兩類像素一般分屬圖像的兩類區(qū)域，從而達到分割的目的。閾值分割算法主要有兩個步驟：（1）確定需要的閾值；（2）將分割閾值與像素值比較以劃分像素?？梢钥闯?，確定一個最優(yōu)閾值是分割的關鍵。現(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像本身的特點，可分為單閾值分割方法和多閾值分割方法：也可分為基于像素值的閾值分割方法、基于區(qū)域性質的閾值分割方法和基于坐標位置的閾值分割方法．若考慮分割算法所用的特征或準則的特點，還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡單統(tǒng)計法與局部特性法、概率松弛法、模糊集法等。1.4.4結合特定理論工具的分割方法近年來，隨著各學科許多新理論和方法的提出，人們也提出了許多結合特定理論工具的分割方法，例如基于數(shù)學形態(tài)學的分割方法，基于神經(jīng)網(wǎng)絡的分割方法，基于信息論的分割方法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等?；谛〔ǚ治龊妥儞Q的分割方法是借助新出現(xiàn)的數(shù)學工具小波變換來分割圖像的一種方法，也是現(xiàn)在非常新的一種方法。1.5論文的內(nèi)容與結構安排本文的內(nèi)容分為四章，具體的章節(jié)安排如下：第一章緒論：介紹圖像分割的研究意義、起源與發(fā)展；概括介紹了圖像分割的分類、層次及步驟；并對圖像分割的研究現(xiàn)狀做了概述。第二章圖像分割預處理：介紹了圖像分割前平滑與灰度調(diào)整等圖像增強操作技術的定義、原理、算法。分析了在本系統(tǒng)中應用此操作的優(yōu)勢所在。第三章基于區(qū)域生長法的圖像分割：介紹了區(qū)域生長法的主要內(nèi)容，包括區(qū)域生長法的定義、原理、算法。分析了該方法的優(yōu)勢所在。第五章總結與展望：重點對本論文設計進行總結，并進一步展望該課題的研究前景。

第二章圖像分割預處理由于受多種因素條件的影響，得到的圖片往往信息微弱，無法辨識，需要進行增強處理。增強的目的，在于提供一個滿足一定要求的圖像，或對圖像進行變換，以進行分析。2.1圖像平滑圖像平滑的目的是為了減少圖像噪聲。圖像的噪聲來自于多方面，有來自于系統(tǒng)外部干擾，如電磁波或經(jīng)電源串進系統(tǒng)內(nèi)部而引起的外部噪聲，也有來自于系統(tǒng)內(nèi)部的干擾，如攝像機的熱噪聲，電器機械運動而產(chǎn)生的抖動噪聲等內(nèi)部噪聲。因此，去除噪聲，恢復原始圖像是圖像處理中的一個重要內(nèi)容。噪聲主要來自下面三個方面：（1）光電子噪聲：主要由光的統(tǒng)計本質和圖像傳感器的光電轉換過程引起的（如光電管的光量子噪聲和電子起伏噪聲）；（2）電子噪聲：主要來自電子元器件（如電阻引起的熱噪聲）；（3）光學噪聲：主要由光學現(xiàn)象產(chǎn)生的（如膠片的粒狀結構產(chǎn)生的顆粒噪聲）；圖像在生成和傳輸過程中受到這些噪聲的干擾和影響，使圖像處理結果變差。因此，抑制或消除這些噪聲從而改善圖像質量，在圖像處理過程中是一個重要的預處理，也稱為對圖像的平滑濾波過程。2.1.1中值濾波原理中值濾波是一種非線性濾波，由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以比較方便。中值濾波首先是被應用在一維信號處理技術中，后來被二維圖像信號處理技術所應用。在一定的條件下，可以克服線性濾波器所帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效。中值濾波的目的是保護圖像邊緣的同時去除噪聲。在一維的情況下，中值濾波器是一個含有奇數(shù)個像素的窗口，在處理之后，將窗口正中的像素灰度值用窗口內(nèi)各像素灰度值的中值來代替。設有一個維序列f1，f2，…，fn，取窗口長度為奇數(shù)m，對此序列進行中值濾波，就是從輸入序列中相續(xù)抽出m個數(shù)，fi-v，…fi，…fi+v，其中為窗口的中心值v=(m-1)／2，再將這m個點的數(shù)值按其數(shù)值大小排列，取其序號為正中間的那個數(shù)作為濾波輸出。中值濾波表達式為：（2-1）對二維序列{Xi,j}的中值濾波，濾波窗口也是二維的，但這種二維窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。二維中值濾波可表示為：（2-2）在實際使用窗口時，窗口的尺寸一般先用再取逐漸增大，直到其濾波效果滿意為止。由于中值濾波是非線性運算，在輸入和輸出之間的頻率上不存在一一對應關系，故不能用一般線性濾波器頻率特性的研究方法。設G為輸入信號頻譜，F(xiàn)為輸出信號頻譜，定義為中值濾波器的頻率響應特性，實現(xiàn)表明H是與G有關，呈不規(guī)則波動不大的曲線，其均值比較平坦，可以認為信號經(jīng)中值濾波后，傳輸函數(shù)近似為1，即中值濾波對信號的頻域影響不大，頻譜基本不變。2.1.2平滑效果分析圖2-3所示的是圖像中值濾波前后的效果比較，其中圖2-3（a）是含有噪聲的原圖，圖2-3（b）是用中值濾波處理后的圖像，濾波窗口為3×3，可見，中值濾波后的圖像不僅濾去了椒鹽類噪聲,而且邊緣得到了較好的保護。(a)帶噪聲圖像(b)消噪后圖像圖2-3帶噪聲圖像與中值濾波后圖像比較2.2灰度調(diào)整在成像過程中,掃描系統(tǒng)、光電轉換系統(tǒng)中的很多的因素，如光照強弱、感光部件靈敏度、光學系統(tǒng)不均勻性、元器件特性不穩(wěn)定等均可造成圖像亮度分布的不均勻，導致某些部分亮，某些部分暗?；叶日{(diào)整就是在圖像采集系統(tǒng)中對圖像像素進行修正，使整幅圖像成像均勻。2.2.1灰度調(diào)整原理灰度調(diào)整可使圖像動態(tài)范圍增大，圖像對比度擴展，圖像變清晰，特征明顯，是圖像增強的重要手段之一。在曝光不足或過度的情況下，圖像灰度可能會局限在一個很小的范圍內(nèi)。這時在顯示器上看到的將是一個模糊不清、似乎沒有灰度層次的圖像。采用線性灰度調(diào)整對圖像每一個像素灰度作線性拉伸，將有效地改善圖像視覺效果。2.2.2灰度調(diào)整效果分析（a）灰度調(diào)整前(b)灰度調(diào)整后(c)原始圖像直方圖（d）調(diào)整后直方圖圖2-4灰度調(diào)整前后直方圖比較由圖2-4可以看出(b)視覺效果較(a)明顯，灰度調(diào)整前后直方圖的比較可以看出，調(diào)整后直方圖(d)去除了原始直方圖(c)的噪聲直方圖，灰度調(diào)整后圖像明顯清晰了。2.3本章小結為了操作直觀，本論文直接對灰度圖像進行處理，要是彩色圖像，須在操作前將其轉換為灰度圖像，本章通過對圖像的平滑以及灰度調(diào)整，達到了比較明顯的去噪效果。在圖像的直方圖上也表現(xiàn)得十分明顯，這樣為后面進行基于直方圖的操作提供了較好的條件。第三章基于區(qū)域生長法圖像分割技術區(qū)域生長是一種古老的圖像分割方法，最早的區(qū)域生長圖像分割方法是由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物體內(nèi)的一個小塊或者說種子區(qū)域，再在種子區(qū)域基礎上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結合成一個區(qū)域的目的；另一種是先將圖像分割成很多的一致性較強，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，達到分割圖像的目的，典型的區(qū)域生長法如T.

C.

Pong等人提出的基于小面（facet）模型的區(qū)域生長法，區(qū)域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域。。3.1區(qū)域生長法原理區(qū)域生長的基本思想是將具有相似性質的象素集合起來構成區(qū)域。首先對每個需要分割的區(qū)域找出一個種子象素作為生長的起點,然后將種子象素周圍鄰域中與種子有相同或相似性質的象素(

根據(jù)事先確定的生長或相似準則來確定)

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,

直到再沒有滿足條件的象素可以包括進來,

一個區(qū)域就生長而成了?，F(xiàn)在給出一個區(qū)域生長的示例。給出已知矩陣A： A B大寫的5為種子,從種子開始向周圍每個象素的值與種子值取灰度差的絕對值,當絕對值少于某個門限T時,該象素便生長成為新的種子,而且向周圍每個象素進行生長;如果取門限T=1,則區(qū)域生長的結果為B:可見種子周圍的灰度值為4、5、6的象素都被很好地包進了生長區(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種子,因此它也位于生長區(qū)域之外;現(xiàn)在取門限T=3,新的區(qū)域生長結果為:整個矩陣都被分到一個區(qū)域中了。由此可見門限選取是很重要的。3.2圖像生長法實驗方法在實際應用區(qū)域生長法時需要解決三個問題：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.確定在生長過程中能將相鄰象素包括進來的準則(確定門限);3.確定讓生長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2-D圖像而且對3-D圖像也適用。一般情況下可以選取圖像中亮度最大的象素作為種子,或者借助生長所用準責對每個象素進行相應的計算,如果計算結果呈現(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,所以可各選一個具有聚類中心灰度值的象素作為種子。生長準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,如彩色圖和灰度圖。一般的生長過程在進行到再沒有滿足生長條件的象素時停止,為增加區(qū)域生長的能力常需考慮一些與尺寸、形狀等圖像和目標的全局性質有關的準則。區(qū)域生長的關鍵是選擇合適的生長或相似準則,大部分區(qū)域生長準則會使用圖像的局部性質生長準則可以根據(jù)不同原理制定,而使用不同的生長準則會影響區(qū)域生長的過程。常用的生長準則和方法有兩種,即基于區(qū)域灰度差的、基于區(qū)域內(nèi)灰度分布統(tǒng)計性質的。下面給出實驗結果: 非灰圖像轉化后灰度圖像 直方圖 結果3.2.1圖像二值化基于區(qū)域的分割最主要方法是二值化。二值化方法對由多個實體和一個對比較強的背景圖像所組成的場景圖像特別有效。二值化方法一般速度較快，而且使每個分割出來的物體都具有閉合和連通的邊界。圖像二值化后信息丟失很嚴重，由此得到的邊界輪廓可能會不精確。因此，可以用速度較快的二值化方法來獲得一個關于圖像分割結果的較粗略的描述。3.2.2基于區(qū)域灰度差的生長準則在我們使用的區(qū)域生長方法中,操作的基本單位是象素,基于區(qū)域灰度差的生長準則步驟如下:1.對圖像進行逐行掃描,找出尚無歸屬的象素;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,再進行步驟2檢測,直到區(qū)域不能進一步擴張;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,整個生長過程結束。上述方法是先要進行掃描,這對區(qū)域生長起點的選擇有比較大的依賴性,為克服這個問題可以改進方法如下:1.設灰度差的閾值為零,用上述方法進行區(qū)域擴張,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.設定終止準則,通過反復進行步驟2中的操作將區(qū)域依次合并,直到終止準則滿足為止,生長過程結束。當圖像中存在灰度緩慢變化的區(qū)域時,上述方法有可能會將不同區(qū)域逐步合并而產(chǎn)生錯誤。為了克服這個問題,可以不用新象素的灰度值去與鄰域象素的灰度值進行比較,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行比較。對一個有N個象素的圖像區(qū)域R,灰度均值為:對象素的比較為:其中T為閾值。如果區(qū)域是均勻的,區(qū)域內(nèi)的灰度變化應當盡量小;如果區(qū)域是非均值的(一般情況),且由兩部分構成。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,當考慮灰度均值時,不同部分象素間的灰度差距應該盡量大。3.2.3基于區(qū)域內(nèi)灰度分布統(tǒng)計性質的生長準則考慮以灰度分布相似性作為生長準則來決定區(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行區(qū)域合并;3.設定終止準則,通過反復進行步驟2中的操作將各個區(qū)域依次合并直到滿足終止準則,生長過程結束。設兩個相鄰區(qū)域的積累灰度直方圖分別為h1(z)和h2(z),常用的兩種檢測方法為:Kolmogorov-Smirnov檢測:Smoothed-Difference檢測:如果檢測結果小于給定閾值T,則兩個區(qū)域合并。使用此方法,小區(qū)域的尺寸對結果可能有較大影響,尺寸太小時檢測可靠性降低,尺寸太大時得到的區(qū)域形狀不理想,小的目標會被漏掉,用Smoothed-Difference方法檢測直方圖相似性時效果Kolmogorov-Smirnov要好,因為它考慮了所有的灰度值。3.3算法流程設計圖像讀取圖像讀取設定種子點值二值圖像分割以種子點進行區(qū)域生長輸出顯示對生長完成圖像膨脹對圖像中值濾波(1)圖像讀取：f=imread('chepai.jpg');figureimshow(f);title('源圖像');(2)以種子點對原圖像二值分割：seed=220;S=abs(double(f)-double(seed))<20;%以初始種子點進行二值圖像分割；figureimshow(S);title('初始種子點');(3)以種子點進行區(qū)域生長：以種子點所在位置開始遍歷，當判斷滿足種子點條件時調(diào)用函數(shù)：functionA=neitest(i,j,f,T)%返回當前（i，j）位置種子點的S=S|temp; %更新當前位置的8鄰域滿足閾值條件的點；使S中始終加入最近的種子點。最終循環(huán)條件截止條件：if(sum(sum(abs(double(S)-double(sd))))==0)%當前一次的種子加入點數(shù)和本次的相同時說明生長完畢，種子不再生長；break;end(4)對生長完畢的圖像進行膨脹操作：B=[111;111;111];S=imdilate(S,B);figureimshow(S)title('膨脹后的圖像')（5）對膨脹后的圖像進行中值濾波：C=medfilt2(S,[77]);figureimshow(C)title('處理后圖像');3.4本章小結區(qū)域增長方法是一種比較普遍的方法，在沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖象，如自然景物。但是，區(qū)域增長方法是一種迭代的方法，空間和時間開銷都比較大。對于像素，信息不是很多的圖都可以很快的得出結果但大的圖片運算量會加大很多，致使電腦配置算法各方面都待于優(yōu)化。當然在實驗過程中也遇到了很多問題，比如最主要問題是：1、如何記錄當前的新增種子點以及以新增種子點進入下次的生長過程。2、區(qū)域生長終止條件程序如何設計等。之后也曾用C語言對圖像分割進行實現(xiàn)，相比于matlab來說，算法簡單了一些，但調(diào)試運行的步驟花費了不少時間。最后會附有C語言代碼

第四章總結與展望4.1工作總結本論文對傳統(tǒng)的圖像分割技術進行了簡要的介紹，并將其中的區(qū)域生長法這一經(jīng)典研究方法展開了深入的講解與實驗。本論文是基于區(qū)域生長的圖像分割，一種根據(jù)事先定義的準則將像素或子區(qū)域聚合成更大區(qū)域的過程?；痉椒ㄊ且砸唤M種子點開始，將與種子性質相似的相鄰像素附加到生長區(qū)域的每個種子上。區(qū)域生長算法的重點是種子點的選擇和生長準則的確定。在程序設計上實現(xiàn)了能夠記錄每次種子點生長時新增的種子點，在下次的生長過程中以上次新增的種子點繼續(xù)生長。當沒用新增種子點時標明生長完成，此時終止生長條件。在設計期間，遇到的最主要問題是：1、如何記錄當前的新增種子點以及以新增種子點進入下次的生長過程。2、區(qū)域生長終止條件程序如何設計等。但經(jīng)過反復的推敲，對區(qū)域生長原理的不斷理解，最終問題得以解決。4.2工作展望雖然近年來研究成果越來越多，但由于圖像分割本身所具有的難度，使研究沒有大的突破性的進展!仍然存在的問題主要有兩個：其一是沒有一種普遍使用的分割算法；其二是沒有一個好的通用的分割評價標準!從圖像分割研究的歷史來看，可以看到對圖像分割的研究有幾個明顯的趨勢：一是對原有算法的不斷改進!二是新方法、新概念的引入和多種方法的有效綜合運用!人們逐漸認識到現(xiàn)有的任何一種單獨的圖像分割算法都難以對一般圖像取得令人滿意的分割效果，因而很多人在把新方法和新概念不斷的引入圖像分割領域的同時，也更加重視把各種方法綜合起來運用!在新出現(xiàn)的分割方法中，基于小波變換的圖像分割方法就是一種很好的方法!三是交互式分割研究的深入!由于很多場合需要對目標圖像進行邊緣分割分析:例如對醫(yī)學圖像的分析，因此需要進行交互式分割研究!事實證明，交互式分割技術有著廣泛的應用!四是對特殊圖像分割的研究越來越得到重視!目前有很多針對立體圖像、彩色圖像、多光譜圖像以及多視場圖像分割的研究，也有對運動圖像及視頻圖像中目標分割的研究，還有對深度圖像、紋理圖像、計算機斷層掃描“CT”、磁共振圖像、共聚焦激光掃描顯微鏡圖像、合成孔雷達圖像等特殊圖像的分割技術的研究!相信隨著研究的不斷深入，存在的問題會很快得到圓滿的解決。

參考文獻邵立康，鄒飛平，遲權德，秦曉燕，丁厚本一種基于直方圖的閾值分割算法中國人民解放軍炮兵學院，合肥東方輻射公司1004-4140（2009）02-0066-06景曉軍,蔡安妮,孫景鰲一種基于二維最大類間方差的圖像分割算法通信學報2001年4月第22卷第4期姚宇華，嚴洪，蔣立正基于局部最大方差分割的圖像二值化算法微型電腦應用2003年第l9卷第8期丁亮，張永平，張雪英圖像分割方法及性能評價綜述國際IT傳媒品牌軟件2010年第31卷第12期阮秋琦.數(shù)字圖像處理基礎（21世紀高等學校電子信息工程規(guī)劃教材）[D].清華大學出版社.2009.陳方昕.基于區(qū)域生長法的圖像分割技術[M].科技信息.2008.黃長專.圖像分割方法研究[M].計算機技術與發(fā)展.2009附錄一、區(qū)域生長法方法之一clc;clear;image=imread('C:\Users\hp\Desktop\chepai.jpg');IN=image;figure,imshow(IN),title('原始圖像')[R,C]=size(IN);%采用平方求和計算梯度矩陣GM=zeros(R-1,C-1);fori=1:R-1forj=1:C-1n_GM=(IN(i,j+1)-IN(i,j))^2+(IN(i+1,j)-IN(i,j))^2;GM(i,j)=sqrt(double(n_GM));endendI=GM;I=double(I);[M,N]=size(I);獲得種子點[y,x]=getpts;獲得區(qū)域生長起始點x1=round(x);橫坐標取整y1=round(y);縱坐標取整seed=I(x1,y1);將生長起始點灰度值存入seed中Y=zeros(M,N);作一個全零與原圖像等大的圖像矩陣Y，作為輸出圖像矩陣Y(x1,y1)=1;將Y中與所取點相對應位置的點設置為白場sum=seed;儲存符合區(qū)域生長條件的點的灰度值的和suit=1;儲存符合區(qū)域生長條件的點的個數(shù)count=1;記錄每次判斷一點周圍八點符合條件的新點的數(shù)目threshold=15;域值whilecount>0s=0;記錄判斷一點周圍八點時，符合條件的新點的灰度值之和count=0;fori=1:Mforj=1:NifY(i,j)==1if(i-1)>0&&(i+1)<(M+1)&&(j-1)>0&&(j+1)<(N+1)判斷此點是否為圖像邊界上的點foru=-1:1判斷點周圍八點是否符合域值條件forv=-1:1u,v為偏移量ifY(i+u,j+v)==0&abs(I(i+u,j+v)-seed)<=threshold&1/(1+1/15*abs(I(i+u,j+v)-seed))>0.8判斷是否未存在于輸出矩陣Y，并且為符合域值條件的點Y(i+u,j+v)=1;符合以上兩條件即將其在Y中與之位置對應的點設置為白場count=count+1;s=s+I(i+u,j+v);此點的灰度之加入s中endendendendendendendsuit=suit+count;將n加入符合點數(shù)計數(shù)器中sum=sum+s;將s加入符合點的灰度值總合中seed=sum/suit;計算新的灰度平均值endfigure,imshow(Y),title('分割后圖像')二，區(qū)域生長法算法之二clc;Clear;imread('C:\Users\hp\Desktop\fudiao2.jpg');figure;imshow(I)[m,n]=size(I);I=double(I);mark(1,1)=I(1,1);mark(1,2)=1;c=1;S=zeros(m,n);S(1,1)=c;%c為聯(lián)通區(qū)域的數(shù)目；用標記法進行區(qū)域劃分；將當前目標依次與左前點、左上點、正上點、右上點比較，如果值相似，作相同標記否則標記+1為新的區(qū)域。fori=1:mforj=1:nifi==1&j==1;elseifi==1&j>=2對第一行的元素進行區(qū)域劃分ifabs(I(i,j)-I(i,j-1))<25S(i,j)=S(i,j-1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elsec=c+1;S(i,j)=c;a=S(i,j);mark(a,1)=I(i,j);mark(a,2)=1;endelseifj==1&i>=2對第一列的元素進行區(qū)域劃分ifabs(I(i,j)-I(i-1,j))<25S(i,j)=S(i-1,j);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j+1))<25S(i,j)=S(i-1,j+1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elsec=c+1;S(i,j)=c;a=S(i,j);mark(a,1)=I(i,j);mark(a,2)=1;endelseifi>1&j==n對最右邊列進行區(qū)域劃分ifabs(I(i,j)-I(i,j-1))<25S(i,j)=S(i,j-1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j-1))<25S(i,j)=S(i-1,j-1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j))<25S(i,j)=S(i-1,j);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elsec=c+1;S(i,j)=c;a=S(i,j);mark(a,1)=I(i,j);mark(a,2)=1;endelse%對中間元素進行區(qū)域劃分ifabs(I(i,j)-I(i,j-1))<25S(i,j)=S(i,j-1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j-1))<25S(i,j)=S(i-1,j-1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j))<25S(i,j)=S(i-1,j);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elseifabs(I(i,j)-I(i-1,j+1))<25S(i,j)=S(i-1,j+1);a=S(i,j);mark(a,1)=(I(i,j)+mark(a,1)*mark(a,2))/(mark(a,2)+1);mark(a,2)=mark(a,2)+1;elsec=c+1;S(i,j)=c;a=S(i,j);mark(a,1)=I(i,j);mark(a,2)=1;endendendendb=1;error=[0,0];fori=2:m尋找本屬于同一類但因算法而歸為異類的區(qū)域forj=1:n-2if(abs(I(i,j)-I(i-1,j+2))<25)&(S(i,j)~=S(i-1,j+2))iffind(error(:,1)==S(i,j));elseerror(b,1)=S(i,j);error(b,2)=S(i-1,j+2);b=b+1;endendendendd=1;ford=1:b-1a=error(d,1);c=error(d,2);a為需要糾正的區(qū)域的號碼，c為目標區(qū)域號碼ifa~=cmark(c,1)=(mark(a,1)*mark(a,2)+mark(c,1)*mark(c,2))/(mark(c,2)+mark(a,2));mark(a,1)=0;%糾正均值mark(c,2)=mark(c,2)+mark(a,2);mark(a,2)=0;糾正區(qū)域面積fore=d:b-1將已被糾正的區(qū)域類別號全被用目標區(qū)域的類別號代替iferror(e,2)==aerror(e,2)=c;endendelseendendfori=1:mforj=1:niffind(error(:,1)==S(i,j))b=find(error(:,1)==S(i,j));S(i,j)=error(b,2);endendendc=size(mark(:,1));b=1;fora=1:cifmark(a,2)>60target(b)=a;b=b+1;endend對各聯(lián)通區(qū)域用其區(qū)域的均值重新賦值；fori=1:mforj=1:n4尋找是物體的區(qū)域iffind(target(:)==S(i,j))a=S(i,j);Y(i,j)=mark(a,1);elseY(i,j)=0;endendend對各聯(lián)通區(qū)域用其區(qū)域的均值重新賦值；fora=1:cifmark(a,2)<=60fori=1:mforj=1:nifS(i,j)==aY(i,j)=0;endendendelsefori=1:mforj=1:nifS(i,j)==aY(i,j)=mark(a,1);endendendendendy=uint8(Y);y=im2bw(y);%y=imfill(y,'holes');figure;imshow(y);clearabcdeij;區(qū)域生長法的C語言實現(xiàn)（取材于他人）/***************************************************************************\函數(shù)名稱：*RegionGrow()**\輸入?yún)?shù):*CDib*pDib-指向CDib類的指針，含有原始圖象信息*unsignedchar*pUnRegion-指向區(qū)域生長結果的指針**\返回值:*無**\說明:*pUnRegion指針指向的數(shù)據(jù)區(qū)存儲了區(qū)域生長的結果，其中（邏輯）表示*對應象素為生長區(qū)域，表示為非生長區(qū)域*區(qū)域生長一般包含三個比較重要的問題：*1.種子點的選取*2.生長準則*3.終止條件*可以認為，這三個問題需要具體分析，而且每個問題解決的好壞直接關系到*區(qū)域生長的結果。*本函數(shù)的種子點選取為圖像的中心，生長準則是相鄰象素的象素值小于*nThreshold,()終止條件是一直進行到再沒有滿足生長準則需要的象素時為止***************************************************************************///在這個代碼中，它認為這張圖片就是一個區(qū)域，選取了中間點為種子點。voidRegionGrow(CDib*pDib,unsignedchar*pUnRegion,intnThreshold){staticintnDx[]={-1,0,1,0};staticintnDy[]={0,1,0,-1};nThreshold=20;//遍歷圖象的縱坐標//inty;//遍歷圖象的橫坐標//intx;//圖象的長寬大小CSizesizeImage=pDib->GetDimensions();intnWidth=sizeImage.cx;intnHeight=sizeImage.cy;//圖像在計算機在存儲中的實際大小