區(qū)域生長(zhǎng)法原稿

PAGEPAGE16基于區(qū)域增長(zhǎng)法的圖像分割圖像分割是一種重要的圖像分析技術(shù)。對(duì)圖像分割的研究一直是圖像技術(shù)研究中的熱點(diǎn)和焦點(diǎn)。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(zhǎng)是以直接找尋區(qū)域?yàn)榛A(chǔ)的分割技術(shù)。本文首先簡(jiǎn)單介紹圖像分割的主要方法，然后重點(diǎn)介紹一種基于區(qū)域增長(zhǎng)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(zhì)來(lái)聚集象素點(diǎn)的方法，從初始區(qū)域（如小鄰域或甚至于每個(gè)象素）開(kāi)始，將相鄰的具有同樣性質(zhì)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(zhǎng)區(qū)域，直至沒(méi)有可以歸并的點(diǎn)或其它小區(qū)域?yàn)橹?。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(shù)的現(xiàn)狀和發(fā)展情況 11.2圖像分割的簡(jiǎn)介 11.3圖像分割的定義 21.4論文的內(nèi)容與結(jié)構(gòu)安排 5第二章圖像分割預(yù)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(jié) 9第三章基于區(qū)域增長(zhǎng)法的圖像分割技術(shù) 103.1區(qū)域生長(zhǎng)法原理 103.2圖像生長(zhǎng)法實(shí)驗(yàn)方法 113.2.1圖像二值化 123.2.2基于區(qū)域灰度差的生長(zhǎng)準(zhǔn)則 133.2.3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 143.3算法流程設(shè)計(jì) 143.4本章小結(jié) 16第四章總結(jié)與展望 174.1工作總結(jié) 174.2工作展望17參考文獻(xiàn) 20附錄 21第一章緒論本章對(duì)論文涉及的研究領(lǐng)域進(jìn)行了較為詳細(xì)的綜述。簡(jiǎn)要介紹了圖像分割對(duì)于現(xiàn)實(shí)生活的重要意義，目前的科學(xué)研究現(xiàn)狀以及發(fā)展前景。并且圖像分割這一領(lǐng)域的主要方法進(jìn)行了簡(jiǎn)要的介紹，在整體流程上做以安排。1.1圖像分割技術(shù)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(shí)際生活中也得到大量的應(yīng)用。關(guān)于圖像分割的原理和方法國(guó)內(nèi)外已有不少結(jié)論與推想，但一直以來(lái)沒(méi)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(mǎn)足人們的要求，為進(jìn)一步的圖像分析和理解帶來(lái)了困難。隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，及其相關(guān)技術(shù)的發(fā)展和成熟，結(jié)合圖像增強(qiáng)等技術(shù)，能夠在計(jì)算機(jī)上實(shí)現(xiàn)圖像分割處理。其中最主要的技術(shù)是圖像分割技術(shù)，從圖像中，將某個(gè)特定區(qū)域與其它部分進(jìn)行分離并提取出來(lái)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(jié)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(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(guò)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(guò)區(qū)域分割與邊緣檢測(cè)的相互作用，得到分割結(jié)果。1.2圖像分割的簡(jiǎn)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(biāo)的技術(shù)和過(guò)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,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(lái)說(shuō)，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(guò)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(guò)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(mén)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(shuō)種子區(qū)域，再在種子區(qū)域基礎(chǔ)上不斷將其周?chē)南袼攸c(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(guò)度分割，即將圖像分割成過(guò)多的區(qū)域。1.3圖像分割的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(mǎn)足以下五個(gè)條件的非空子集(子區(qū)域)R1,R3,……,RN:①②對(duì)所有的i和j,i≠j,有Ri∩Rj≠○;③對(duì)i=1,2,?,N,有P(Ri)=TRUE;④對(duì)i≠j,有P(Ri∪Rj)=FALSE;⑤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(chēng)為完備性，獨(dú)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(xiàng)不可缺少技術(shù)，自20世紀(jì)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(lèi)型的分割算法，但是，問(wèn)題在于現(xiàn)在提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒(méi)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(lái)每年都有上百篇相關(guān)研究報(bào)道發(fā)表的現(xiàn)象。然而，一直沒(méi)有被確定下來(lái)制定規(guī)則，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多的問(wèn)題。因此，對(duì)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(diǎn)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(rèn)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(jìn)算法。下面對(duì)一些經(jīng)典傳統(tǒng)方法作簡(jiǎn)要的概述。圖像分割是把圖像分割成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程，這些特性可以是像素的灰度、顏色、紋理等提取的目標(biāo)可以是對(duì)應(yīng)的單個(gè)區(qū)域，也可以是對(duì)應(yīng)的多個(gè)區(qū)域。圖像分割方法有許多種分類(lèi)方式，在這里將分割方法概括為四類(lèi)：(1)邊緣檢測(cè)方法(2)區(qū)域提取方法(3)閾值分割方法(4)結(jié)合特定理論工具的分割方法。1.4.1邊緣檢測(cè)法圖像處理分析的第一步往往是邊緣檢測(cè)。邊緣檢測(cè)方法是人們研究得比較多的一種方法，它通過(guò)檢測(cè)圖像中不同區(qū)域的邊緣來(lái)達(dá)到分割圖像的目的。邊緣檢測(cè)法的實(shí)質(zhì)是通過(guò)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。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(lái)反映，因此我們可以用局部圖像微分技術(shù)來(lái)獲得邊緣檢測(cè)算子。經(jīng)典的邊緣檢測(cè)方法，是通過(guò)對(duì)原始圖像中像素的某小鄰域構(gòu)造邊緣檢測(cè)算子來(lái)達(dá)到檢測(cè)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(gè)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(shí)際中使用的通常是這兩種基本形式的結(jié)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(zhǎng)法和分裂合并法。區(qū)域生長(zhǎng)法的基本思想是將具有相似性質(zhì)的像素合起來(lái)構(gòu)成區(qū)域，具體做法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(shuō)種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周?chē)南袼攸c(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。該方法的關(guān)鍵是要選擇合適的生長(zhǎng)或相似準(zhǔn)則。生長(zhǎng)準(zhǔn)則一般可分為三種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。分裂合并法是先將圖像分割成很多的一致性較強(qiáng)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。論文將對(duì)區(qū)域生長(zhǎng)法的具體算法進(jìn)行試驗(yàn)，并在實(shí)際問(wèn)題當(dāng)中加以佐證，分析其方法的優(yōu)劣與改進(jìn)方法。1.4.3閾值分割法對(duì)灰度圖像的取閾值分割就是先確定一個(gè)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(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素分為兩類(lèi)。這兩類(lèi)像素一般分屬圖像的兩類(lèi)區(qū)域，從而達(dá)到分割的目的。閾值分割算法主要有兩個(gè)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。可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵?，F(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(diǎn)，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(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法．若考慮分割算法所用的特征或準(zhǔn)則的特點(diǎn)，還可以分為直方圖與直方圖變換法、最大類(lèi)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(jiǎn)單統(tǒng)計(jì)法與局部特性法、概率松弛法、模糊集法等。1.4.4結(jié)合特定理論工具的分割方法近年來(lái)，隨著各學(xué)科許多新理論和方法的提出，人們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基于神經(jīng)網(wǎng)絡(luò)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(xué)工具小波變換來(lái)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(jié)構(gòu)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(lèi)、層次及步驟；并對(duì)圖像分割的研究現(xiàn)狀做了概述。第二章圖像分割預(yù)處理：介紹了圖像分割前平滑與灰度調(diào)整等圖像增強(qiáng)操作技術(shù)的定義、原理、算法。分析了在本系統(tǒng)中應(yīng)用此操作的優(yōu)勢(shì)所在。第三章基于區(qū)域生長(zhǎng)法的圖像分割：介紹了區(qū)域生長(zhǎng)法的主要內(nèi)容，包括區(qū)域生長(zhǎng)法的定義、原理、算法。分析了該方法的優(yōu)勢(shì)所在。第五章總結(jié)與展望：重點(diǎn)對(duì)本論文設(shè)計(jì)進(jìn)行總結(jié)，并進(jìn)一步展望該課題的研究前景。

第二章圖像分割預(yù)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(wú)法辨識(shí)，需要進(jìn)行增強(qiáng)處理。增強(qiáng)的目的，在于提供一個(gè)滿(mǎn)足一定要求的圖像，或?qū)D像進(jìn)行變換，以進(jìn)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(lái)自于多方面，有來(lái)自于系統(tǒng)外部干擾，如電磁波或經(jīng)電源串進(jìn)系統(tǒng)內(nèi)部而引起的外部噪聲，也有來(lái)自于系統(tǒng)內(nèi)部的干擾，如攝像機(jī)的熱噪聲，電器機(jī)械運(yùn)動(dòng)而產(chǎn)生的抖動(dòng)噪聲等內(nèi)部噪聲。因此，去除噪聲，恢復(fù)原始圖像是圖像處理中的一個(gè)重要內(nèi)容。噪聲主要來(lái)自下面三個(gè)方面：（1）光電子噪聲：主要由光的統(tǒng)計(jì)本質(zhì)和圖像傳感器的光電轉(zhuǎn)換過(guò)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(lái)自電子元器件（如電阻引起的熱噪聲）；（3）光學(xué)噪聲：主要由光學(xué)現(xiàn)象產(chǎn)生的（如膠片的粒狀結(jié)構(gòu)產(chǎn)生的顆粒噪聲）；圖像在生成和傳輸過(guò)程中受到這些噪聲的干擾和影響，使圖像處理結(jié)果變差。因此，抑制或消除這些噪聲從而改善圖像質(zhì)量，在圖像處理過(guò)程中是一個(gè)重要的預(yù)處理，也稱(chēng)為對(duì)圖像的平滑濾波過(guò)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(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所應(yīng)用。在一定的條件下，可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)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(hù)圖像邊緣的同時(shí)去除噪聲。在一維的情況下，中值濾波器是一個(gè)含有奇數(shù)個(gè)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(lái)代替。設(shè)有一個(gè)維序列f1，f2，…，fn，取窗口長(zhǎng)度為奇數(shù)m，對(duì)此序列進(jìn)行中值濾波，就是從輸入序列中相續(xù)抽出m個(gè)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(gè)點(diǎn)的數(shù)值按其數(shù)值大小排列，取其序號(hào)為正中間的那個(gè)數(shù)作為濾波輸出。中值濾波表達(dá)式為：（2-1）對(duì)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(shí)際使用窗口時(shí)，窗口的尺寸一般先用再取逐漸增大，直到其濾波效果滿(mǎn)意為止。由于中值濾波是非線性運(yùn)算，在輸入和輸出之間的頻率上不存在一一對(duì)應(yīng)關(guān)系，故不能用一般線性濾波器頻率特性的研究方法。設(shè)G為輸入信號(hào)頻譜，F(xiàn)為輸出信號(hào)頻譜，定義為中值濾波器的頻率響應(yīng)特性，實(shí)現(xiàn)表明H是與G有關(guān)，呈不規(guī)則波動(dòng)不大的曲線，其均值比較平坦，可以認(rèn)為信號(hào)經(jīng)中值濾波后，傳輸函數(shù)近似為1，即中值濾波對(duì)信號(hào)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(jiàn)，中值濾波后的圖像不僅濾去了椒鹽類(lèi)噪聲,而且邊緣得到了較好的保護(hù)。(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(guò)程中,掃描系統(tǒng)、光電轉(zhuǎn)換系統(tǒng)中的很多的因素，如光照強(qiáng)弱、感光部件靈敏度、光學(xué)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(dǎo)致某些部分亮，某些部分暗。灰度調(diào)整就是在圖像采集系統(tǒng)中對(duì)圖像像素進(jìn)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(dòng)態(tài)范圍增大，圖像對(duì)比度擴(kuò)展，圖像變清晰，特征明顯，是圖像增強(qiáng)的重要手段之一。在曝光不足或過(guò)度的情況下，圖像灰度可能會(huì)局限在一個(gè)很小的范圍內(nèi)。這時(shí)在顯示器上看到的將是一個(gè)模糊不清、似乎沒(méi)有灰度層次的圖像。采用線性灰度調(diào)整對(duì)圖像每一個(gè)像素灰度作線性拉伸，將有效地改善圖像視覺(jué)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(jué)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(jié)為了操作直觀，本論文直接對(duì)灰度圖像進(jìn)行處理，要是彩色圖像，須在操作前將其轉(zhuǎn)換為灰度圖像，本章通過(guò)對(duì)圖像的平滑以及灰度調(diào)整，達(dá)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(jìn)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(zhǎng)法圖像分割技術(shù)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(shuō)種子區(qū)域，再在種子區(qū)域基礎(chǔ)上不斷將其周?chē)南袼攸c(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(guò)度分割，即將圖像分割成過(guò)多的區(qū)域。。3.1區(qū)域生長(zhǎng)法原理區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的象素集合起來(lái)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?chē)徲蛑信c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(lái)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(mǎn)足條件的象素可以包括進(jìn)來(lái),

一個(gè)區(qū)域就生長(zhǎng)而成了?，F(xiàn)在給出一個(gè)區(qū)域生長(zhǎng)的示例。給出已知矩陣A： A B大寫(xiě)的5為種子,從種子開(kāi)始向周?chē)總€(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(mén)限T時(shí),該象素便生長(zhǎng)成為新的種子,而且向周?chē)總€(gè)象素進(jìn)行生長(zhǎng);如果取門(mén)限T=1,則區(qū)域生長(zhǎng)的結(jié)果為B:可見(jiàn)種子周?chē)幕叶戎禐?、5、6的象素都被很好地包進(jìn)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?chē)南笏夭缓幸粋€(gè)種子,因此它也位于生長(zhǎng)區(qū)域之外;現(xiàn)在取門(mén)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(jiàn)門(mén)限選取是很重要的。3.2圖像生長(zhǎng)法實(shí)驗(yàn)方法在實(shí)際應(yīng)用區(qū)域生長(zhǎng)法時(shí)需要解決三個(gè)問(wèn)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(guò)程中能將相鄰象素包括進(jìn)來(lái)的準(zhǔn)則(確定門(mén)限);3.確定讓生長(zhǎng)過(guò)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(lèi)的情況則接近聚類(lèi)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(lèi)的中心,所以可各選一個(gè)具有聚類(lèi)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(lài)于具體問(wèn)題本身,也和所用圖像數(shù)據(jù)種類(lèi)有關(guān),如彩色圖和灰度圖。一般的生長(zhǎng)過(guò)程在進(jìn)行到再?zèng)]有滿(mǎn)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,而使用不同的生長(zhǎng)準(zhǔn)則會(huì)影響區(qū)域生長(zhǎng)的過(guò)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: 非灰圖像轉(zhuǎn)化后灰度圖像 直方圖 結(jié)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(duì)由多個(gè)實(shí)體和一個(gè)對(duì)比較強(qiáng)的背景圖像所組成的場(chǎng)景圖像特別有效。二值化方法一般速度較快，而且使每個(gè)分割出來(lái)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?chē)?yán)重，由此得到的邊界輪廓可能會(huì)不精確。因此，可以用速度較快的二值化方法來(lái)獲得一個(gè)關(guān)于圖像分割結(jié)果的較粗略的描述。3.2.2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(wú)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(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(méi)有歸屬的象素,整個(gè)生長(zhǎng)過(guò)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(lài)性,為克服這個(gè)問(wèn)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(guò)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(mǎn)足為止,生長(zhǎng)過(guò)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(wèn)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。3.2.3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(lái)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(guò)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(mǎn)足終止準(zhǔn)則,生長(zhǎng)過(guò)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:Kolmogorov-Smirnov檢測(cè):Smoothed-Difference檢測(cè):如果檢測(cè)結(jié)果小于給定閾值T,則兩個(gè)區(qū)域合并。使用此方法,小區(qū)域的尺寸對(duì)結(jié)果可能有較大影響,尺寸太小時(shí)檢測(cè)可靠性降低,尺寸太大時(shí)得到的區(qū)域形狀不理想,小的目標(biāo)會(huì)被漏掉,用Smoothed-Difference方法檢測(cè)直方圖相似性時(shí)效果Kolmogorov-Smirnov要好,因?yàn)樗紤]了所有的灰度值。3.3算法流程設(shè)計(jì)圖像讀取圖像讀取設(shè)定種子點(diǎn)值二值圖像分割以種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)輸出顯示對(duì)生長(zhǎng)完成圖像膨脹對(duì)圖像中值濾波(1)圖像讀?。篺=imread('chepai.jpg');figureimshow(f);title('源圖像');(2)以種子點(diǎn)對(duì)原圖像二值分割：seed=220;S=abs(double(f)-double(seed))<20;%以初始種子點(diǎn)進(jìn)行二值圖像分割；figureimshow(S);title('初始種子點(diǎn)');(3)以種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)：以種子點(diǎn)所在位置開(kāi)始遍歷，當(dāng)判斷滿(mǎn)足種子點(diǎn)條件時(shí)調(diào)用函數(shù)：functionA=neitest(i,j,f,T)%返回當(dāng)前（i，j）位置種子點(diǎn)的S=S|temp; %更新當(dāng)前位置的8鄰域滿(mǎn)足閾值條件的點(diǎn)；使S中始終加入最近的種子點(diǎn)。最終循環(huán)條件截止條件：if(sum(sum(abs(double(S)-double(sd))))==0)%當(dāng)前一次的種子加入點(diǎn)數(shù)和本次的相同時(shí)說(shuō)明生長(zhǎng)完畢，種子不再生長(zhǎng)；break;end(4)對(duì)生長(zhǎng)完畢的圖像進(jìn)行膨脹操作：B=[111;111;111];S=imdilate(S,B);figureimshow(S)title('膨脹后的圖像')（5）對(duì)膨脹后的圖像進(jìn)行中值濾波：C=medfilt2(S,[77]);figureimshow(C)title('處理后圖像');3.4本章小結(jié)區(qū)域增長(zhǎng)方法是一種比較普遍的方法，在沒(méi)有先驗(yàn)知識(shí)可以利用時(shí)，可以取得最佳的性能，可以用來(lái)分割比較復(fù)雜的圖象，如自然景物。但是，區(qū)域增長(zhǎng)方法是一種迭代的方法，空間和時(shí)間開(kāi)銷(xiāo)都比較大。對(duì)于像素，信息不是很多的圖都可以很快的得出結(jié)果但大的圖片運(yùn)算量會(huì)加大很多，致使電腦配置算法各方面都待于優(yōu)化。當(dāng)然在實(shí)驗(yàn)過(guò)程中也遇到了很多問(wèn)題，比如最主要問(wèn)題是：1、如何記錄當(dāng)前的新增種子點(diǎn)以及以新增種子點(diǎn)進(jìn)入下次的生長(zhǎng)過(guò)程。2、區(qū)域生長(zhǎng)終止條件程序如何設(shè)計(jì)等。之后也曾用C語(yǔ)言對(duì)圖像分割進(jìn)行實(shí)現(xiàn)，相比于matlab來(lái)說(shuō)，算法簡(jiǎn)單了一些，但調(diào)試運(yùn)行的步驟花費(fèi)了不少時(shí)間。最后會(huì)附有C語(yǔ)言代碼

第四章總結(jié)與展望4.1工作總結(jié)本論文對(duì)傳統(tǒng)的圖像分割技術(shù)進(jìn)行了簡(jiǎn)要的介紹，并將其中的區(qū)域生長(zhǎng)法這一經(jīng)典研究方法展開(kāi)了深入的講解與實(shí)驗(yàn)。本論文是基于區(qū)域生長(zhǎng)的圖像分割，一種根據(jù)事先定義的準(zhǔn)則將像素或子區(qū)域聚合成更大區(qū)域的過(guò)程?；痉椒ㄊ且砸唤M種子點(diǎn)開(kāi)始，將與種子性質(zhì)相似的相鄰像素附加到生長(zhǎng)區(qū)域的每個(gè)種子上。區(qū)域生長(zhǎng)算法的重點(diǎn)是種子點(diǎn)的選擇和生長(zhǎng)準(zhǔn)則的確定。在程序設(shè)計(jì)上實(shí)現(xiàn)了能夠記錄每次種子點(diǎn)生長(zhǎng)時(shí)新增的種子點(diǎn)，在下次的生長(zhǎng)過(guò)程中以上次新增的種子點(diǎn)繼續(xù)生長(zhǎng)。當(dāng)沒(méi)用新增種子點(diǎn)時(shí)標(biāo)明生長(zhǎng)完成，此時(shí)終止生長(zhǎng)條件。在設(shè)計(jì)期間，遇到的最主要問(wèn)題是：1、如何記錄當(dāng)前的新增種子點(diǎn)以及以新增種子點(diǎn)進(jìn)入下次的生長(zhǎng)過(guò)程。2、區(qū)域生長(zhǎng)終止條件程序如何設(shè)計(jì)等。但經(jīng)過(guò)反復(fù)的推敲，對(duì)區(qū)域生長(zhǎng)原理的不斷理解，最終問(wèn)題得以解決。4.2工作展望雖然近年來(lái)研究成果越來(lái)越多，但由于圖像分割本身所具有的難度，使研究沒(méi)有大的突破性的進(jìn)展!仍然存在的問(wèn)題主要有兩個(gè)：其一是沒(méi)有一種普遍使用的分割算法；其二是沒(méi)有一個(gè)好的通用的分割評(píng)價(jià)標(biāo)準(zhǔn)!從圖像分割研究的歷史來(lái)看，可以看到對(duì)圖像分割的研究有幾個(gè)明顯的趨勢(shì)：一是對(duì)原有算法的不斷改進(jìn)!二是新方法、新概念的引入和多種方法的有效綜合運(yùn)用!人們逐漸認(rèn)識(shí)到現(xiàn)有的任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得令人滿(mǎn)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(lǐng)域的同時(shí)，也更加重視把各種方法綜合起來(lái)運(yùn)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(chǎng)合需要對(duì)目標(biāo)圖像進(jìn)行邊緣分割分析:例如對(duì)醫(yī)學(xué)圖像的分析，因此需要進(jìn)行交互式分割研究!事實(shí)證明，交互式分割技術(shù)有著廣泛的應(yīng)用!四是對(duì)特殊圖像分割的研究越來(lái)越得到重視!目前有很多針對(duì)立體圖像、彩色圖像、多光譜圖像以及多視場(chǎng)圖像分割的研究，也有對(duì)運(yùn)動(dòng)圖像及視頻圖像中目標(biāo)分割的研究，還有對(duì)深度圖像、紋理圖像、計(jì)算機(jī)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(dá)圖像等特殊圖像的分割技術(shù)的研究!相信隨著研究的不斷深入，存在的問(wèn)題會(huì)很快得到圓滿(mǎn)的解決。

參考文獻(xiàn)邵立康，鄒飛平，遲權(quán)德，秦曉燕，丁厚本一種基于直方圖的閾值分割算法中國(guó)人民解放軍炮兵學(xué)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(lèi)間方差的圖像分割算法通信學(xué)報(bào)2001年4月第22卷第4期姚宇華，嚴(yán)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(yīng)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(píng)價(jià)綜述國(guó)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(chǔ)（21世紀(jì)高等學(xué)校電子信息工程規(guī)劃教材）[D].清華大學(xué)出版社.2009.陳方昕.基于區(qū)域生長(zhǎng)法的圖像分割技術(shù)[M].科技信息.2008.黃長(zhǎng)專(zhuān).圖像分割方法研究[M].計(jì)算機(jī)技術(shù)與發(fā)展.2009附錄一、區(qū)域生長(zhǎng)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(jì)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(diǎn)[y,x]=getpts;獲得區(qū)域生長(zhǎng)起始點(diǎn)x1=round(x);橫坐標(biāo)取整y1=round(y);縱坐標(biāo)取整seed=I(x1,y1);將生長(zhǎng)起始點(diǎn)灰度值存入seed中Y=zeros(M,N);作一個(gè)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(diǎn)相對(duì)應(yīng)位置的點(diǎn)設(shè)置為白場(chǎng)sum=seed;儲(chǔ)存符合區(qū)域生長(zhǎng)條件的點(diǎn)的灰度值的和suit=1;儲(chǔ)存符合區(qū)域生長(zhǎng)條件的點(diǎn)的個(gè)數(shù)count=1;記錄每次判斷一點(diǎn)周?chē)它c(diǎn)符合條件的新點(diǎn)的數(shù)目threshold=15;域值whilecount>0s=0;記錄判斷一點(diǎn)周?chē)它c(diǎn)時(shí)，符合條件的新點(diǎn)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(diǎn)是否為圖像邊界上的點(diǎn)foru=-1:1判斷點(diǎn)周?chē)它c(diǎn)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(diǎn)Y(i+u,j+v)=1;符合以上兩條件即將其在Y中與之位置對(duì)應(yīng)的點(diǎn)設(shè)置為白場(chǎng)count=count+1;s=s+I(i+u,j+v);此點(diǎn)的灰度之加入s中endendendendendendendsuit=suit+count;將n加入符合點(diǎn)數(shù)計(jì)數(shù)器中sum=sum+s;將s加入符合點(diǎn)的灰度值總合中seed=sum/suit;計(jì)算新的灰度平均值endfigure,imshow(Y),title('分割后圖像')二，區(qū)域生長(zhǎng)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(biāo)記法進(jìn)行區(qū)域劃分；將當(dāng)前目標(biāo)依次與左前點(diǎn)、左上點(diǎn)、正上點(diǎn)、右上點(diǎn)比較，如果值相似，作相同標(biāo)記否則標(biāo)記+1為新的區(qū)域。fori=1:mforj=1:nifi==1&j==1;elseifi==1&j>=2對(duì)第一行的元素進(jìn)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(duì)第一列的元素進(jìn)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(duì)最右邊列進(jìn)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(duì)中間元素進(jìn)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(lèi)但因算法而歸為異類(lèi)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(hào)碼，c為目標(biāo)區(qū)域號(hào)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(lèi)別號(hào)全被用目標(biāo)區(qū)域的類(lèi)別號(hào)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(duì)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(duì)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(zhǎng)法的C語(yǔ)言實(shí)現(xiàn)（取材于他人）/***************************************************************************\函數(shù)名稱(chēng)：*RegionGrow()**\輸入?yún)?shù):*CDib*pDib-指向CDib類(lèi)的指針，含有原始圖象信息*unsignedchar*pUnRegion-指向區(qū)域生長(zhǎng)結(jié)果的指針**\返回值:*無(wú)**\說(shuō)明:*pUnRegion指針指向的數(shù)據(jù)區(qū)存儲(chǔ)了區(qū)域生長(zhǎng)的結(jié)果，其中（邏輯）表示*對(duì)應(yīng)象素為生長(zhǎng)區(qū)域，表示為非生長(zhǎng)區(qū)域*區(qū)域生長(zhǎng)一般包含三個(gè)比較重要的問(wèn)題：*1.種子點(diǎn)的選取*2.生長(zhǎng)準(zhǔn)則*3.終止條件*可以認(rèn)為，這三個(gè)問(wèn)題需要具體分析，而且每個(gè)問(wèn)題解決的好壞直接關(guān)系到*區(qū)域生長(zhǎng)的結(jié)果。*本函數(shù)的種子點(diǎn)選取為圖像的中心，生長(zhǎng)準(zhǔn)則是相鄰象素的象素值小于*nThreshold,()終止條件是一直進(jìn)行到再?zèng)]有滿(mǎn)足生長(zhǎng)準(zhǔn)則需要的象素時(shí)為止***************************************************************************///在這個(gè)代碼中，它認(rèn)為這張圖片就是一個(gè)區(qū)域，選取了中間點(diǎn)為種子點(diǎn)。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(biāo)//inty;//遍歷圖象的橫坐標(biāo)//intx;//圖象的長(zhǎng)寬大小CSizesizeImage=pDib->GetDimensions();intnWidth=sizeImage.cx;intnHeight=sizeImage.cy;//圖像在計(jì)算機(jī)在存儲(chǔ)中的實(shí)際大小