第6章圖像分割

數(shù)字圖像處理第6章圖像分割上節(jié)知識(shí)點(diǎn)回顧一、圖像復(fù)原的關(guān)鍵二、幾種典型的退化模型三、無約束圖像復(fù)原四、有約束圖像復(fù)原圖像分析系統(tǒng)的構(gòu)成知識(shí)庫表示與描述預(yù)處理分割低級(jí)處理高級(jí)處理中級(jí)處理識(shí)別與理解結(jié)果圖像獲取問題圖像分割的目的：將圖像分成若干具有不同特征且有意義的區(qū)域，以便進(jìn)一步分析和說明。圖像分割：指把圖像分成各具特征的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程，這些特征可以是像素、顏色、紋理等，提取目標(biāo)可以是單個(gè)區(qū)域或多個(gè)區(qū)域。

圖像分割示例

——細(xì)菌檢測(cè)圖像分割圖像分割示例

——

腎小球區(qū)域的提取圖像分割示例

——

印刷缺陷檢測(cè)檢測(cè)結(jié)果局部放大圖圖像分割分類〓根據(jù)使用知識(shí)特點(diǎn)和層次：直接針對(duì)灰度值操作、基于模型操作〓根據(jù)處理策略：并行算法、串行算法〓根據(jù)實(shí)現(xiàn)技術(shù)：基于圖像直方圖的分割技術(shù)、基于鄰域分割技術(shù)、基于物理性質(zhì)分割技術(shù)圖像分割分類〓根據(jù)對(duì)象狀態(tài)：靜態(tài)圖像分割和動(dòng)態(tài)圖像分割〓根據(jù)應(yīng)用目的：粗分割、細(xì)分割〓根據(jù)借助區(qū)域像素灰度變換模式與否：紋理分割、非紋理分割〓根據(jù)分割對(duì)象的屬性：灰度圖像分割和彩色圖像分割把圖像分解成構(gòu)成它的部件和對(duì)象的過程有選擇性地定位感興趣的對(duì)象在圖像中的位置和范圍圖像分割的概念(以車牌識(shí)別為例)1、從簡(jiǎn)到難，逐級(jí)分割分割矩形區(qū)域、定位牌照、定位文字2、控制背景環(huán)境，降低分割難度

背景環(huán)境:路面、天空3、把焦點(diǎn)放在增強(qiáng)感興趣對(duì)象，縮小不相干圖像成分的干擾上

感興趣的對(duì)象；汽車牌照不相干圖像成分：非矩形區(qū)域圖像分割的基本思路

圖像分割的基本策略，基于灰度值的兩個(gè)基本特性：

不連續(xù)性——區(qū)域之間相似性——區(qū)域內(nèi)部根據(jù)圖像像素灰度值的不連續(xù)性先找到點(diǎn)、線（寬度為1）、邊（不定寬度）再確定區(qū)域圖像分割的基本策略分割出的區(qū)域需滿足條件★均勻性：指該區(qū)域中的所有像素點(diǎn)都滿足基于灰度、紋理、顏色或其他某種特征的相似性準(zhǔn)則，即邊界所分開區(qū)域的內(nèi)部特征或?qū)傩允且恢碌?，而不同區(qū)域內(nèi)部的特征或?qū)傩允遣煌?；★連通性：指該區(qū)域內(nèi)任意兩點(diǎn)存在相互連通的路徑。第6章圖像分割6.1基于閾值的圖像分割方法6.3基于區(qū)域的圖像分割方法6.2基于邊界的圖像分割方法6.1基于閾值的圖像分割方法6.1.1閾值分割法基本原理6.1.2固定閾值分割法6.1.3直方圖方法6.1.5統(tǒng)計(jì)最優(yōu)閾值法6.1.4最大類間方差法◆閾值化圖像分割基本原理是選取一個(gè)或多個(gè)處于圖像取值范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值與閾值進(jìn)行比較，并根據(jù)比較結(jié)果將圖像中的對(duì)應(yīng)像素分成兩類或多類，把圖像劃分成互不交叉重疊的區(qū)域的集合，達(dá)到圖像分割的目的。6.1.1閾值分割法基本原理確定一個(gè)合適的閾值T（閾值選定的好壞是此方法成敗的關(guān)鍵）。將大于等于閾值的像素作為物體或背景，生成一個(gè)二值圖像。if

f(x,y)Tset255elseset0在四鄰域中有背景的像素，即為邊界像素。0255255025502552552556.1.1閾值分割法基本原理閾值分割法的基本思想：閾值分割法的特點(diǎn)：適用于物體與背景有較強(qiáng)對(duì)比的情況，重要的是背景或物體的灰度比較單一。（可通過先求背景，后求反得到物體）此方法總可以得到封閉且連通區(qū)域的邊界?；叶戎礷(x0,y0)T6.1.1閾值分割法基本原理圖像分割的難點(diǎn)：1、圖像分割前，難以確定圖像分割區(qū)域數(shù)目2、閾值的確定會(huì)直接影響分割精度和圖像描述分析的正確性。6.1.2固定閾值分割法

設(shè)原圖像為f(x,y)，以閾值T或某個(gè)合適的區(qū)域空間Ω作為該圖像的特征值，將圖像分割成兩個(gè)部分，分割后的圖像為6.1.2固定閾值分割法原多灰度圖像T=130分割后的圖像多閾值情況，分割后的圖像

4閾值分割8閾值分割例實(shí)際閾值法分割圖像過程閾值選擇在背景和物體灰度交界處的物體圖像灰度一側(cè)，第一次掃描行，將相鄰行像素進(jìn)行比較，產(chǎn)生中間圖像的一行。第二次掃描對(duì)圖像相鄰列進(jìn)行邊界得到另一個(gè)中間圖像，將兩中間圖像相加，得到最終輸出邊界圖像。

6.1.3直方圖方法基本原理：如果圖像所含的目標(biāo)區(qū)域和背景區(qū)域大小可比，且目標(biāo)區(qū)域和背景區(qū)域在灰度上有明顯的區(qū)別，則該圖像的直方圖會(huì)呈現(xiàn)雙峰一谷狀其中一個(gè)峰值對(duì)應(yīng)與目標(biāo)的中心灰度，另一峰值對(duì)應(yīng)于背景中心灰度，選取位于兩峰之間的谷值作為閾值，將目標(biāo)和背景分開，完成圖像分割。T基本思想：邊界上的點(diǎn)的灰度值出現(xiàn)次數(shù)較少缺點(diǎn)：1、圖像中不存在明顯灰度差異或灰度值范圍有較大重疊，難以得到準(zhǔn)確的分割結(jié)果。2、僅考慮灰度信息而不考慮圖像空間信息，因此對(duì)噪聲的灰度不均勻性敏感。直方圖方法處理過程

將直方圖的包絡(luò)看成一條曲線，則選取直方圖谷值可采用曲線極小值的方法。設(shè)h(z)表示圖像直方圖，z為圖像灰度變量，那么極小值應(yīng)滿足：此方法計(jì)算出來的極小點(diǎn)可能是虛假的谷值，不是正確的分割閾值

解決方法：用高斯函數(shù)與直方圖函數(shù)進(jìn)行卷積運(yùn)算，得到相對(duì)平滑的直方圖，再求極小值

或取兩個(gè)峰值之間某個(gè)固定位置，如中間位置上。由于峰值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除噪聲的干擾T6.1.4最大類間方差法Ostu于1978年提出的典型的圖像分割方法

假定某一閾值T將圖像各像素按灰度分成兩大類C0和C1；C0類包含灰度級(jí)為[0，1….z]的像素，C1類包含灰度級(jí)為[z+1，z+2….K-1]的像素，每個(gè)灰度級(jí)的概率為Pi；6.1.4最大類間方差法C0類的概率和為

C0的數(shù)學(xué)期望為C0均值C1類的概率和為C1的數(shù)學(xué)期望為C1均值圖像的總平均灰度為μ=ω0μ0+ω1μ1則定義類間方差為σ最大時(shí)的z就是最佳分割閾值Tσ越大表示兩部分差別越大，判錯(cuò)概率越小實(shí)際應(yīng)用中，為減小計(jì)算量，采用等價(jià)公式

6.1.5統(tǒng)計(jì)最優(yōu)閾值法

統(tǒng)計(jì)最優(yōu)閾值分割方法：把背景誤分割為目標(biāo)區(qū)域或把目標(biāo)誤分割為背景區(qū)域的情況出現(xiàn)的概率最小。設(shè)一幅混有加性高斯噪聲的圖像，含有目標(biāo)和背景兩個(gè)不同區(qū)域，目標(biāo)點(diǎn)出現(xiàn)的概率為θ，目標(biāo)區(qū)域灰度值概率密度為po(z)，則背景點(diǎn)出現(xiàn)的概率為1-θ，背景區(qū)域灰度概率密度為pb(z)。則圖像的灰度混合概率密度函數(shù)為:

p(z)=

θpo(z)+(1-θ)pb(z)

根據(jù)灰度閾值T對(duì)圖像進(jìn)行分割，并將灰度小于T的像點(diǎn)作為背景點(diǎn)，灰度大于T的像點(diǎn)作為目標(biāo)點(diǎn)

將目標(biāo)點(diǎn)誤判為背景點(diǎn)的概率為：

把背景誤判為目標(biāo)點(diǎn)的概率為總的誤差概率為：

對(duì)T求導(dǎo)得到對(duì)于高斯分布概率密度類型的圖像

代入

并取對(duì)數(shù)

或化簡(jiǎn)成標(biāo)準(zhǔn)的二次方程表達(dá)式AT2+BT+C=0

如果兩個(gè)區(qū)域的方差相同，即整幅圖像的噪聲來自同一信號(hào)源，σo=σb=σ，則存在一個(gè)統(tǒng)計(jì)最優(yōu)閾值T：6.2基于邊界的圖像分割方法6.2.1并行微分算子法6.2.3邊界跟蹤算法6.2.4邊界擬合算法6.2.2模板匹配法

基于邊界的圖像分割方法：根據(jù)圖像不同區(qū)域邊界像素灰度值變化比較劇烈的特點(diǎn)，首先檢測(cè)出圖像可能的邊緣點(diǎn)，再按照一定策略連接成輪廓，從而實(shí)現(xiàn)不同區(qū)域的圖像分割。

并行邊緣檢測(cè)：一個(gè)像素點(diǎn)是否屬于欲檢測(cè)的邊緣，取決于當(dāng)前正在檢測(cè)的像素點(diǎn)以及該像素點(diǎn)的一些相鄰像素點(diǎn)，可以同時(shí)用于圖像中所有像素點(diǎn)的檢測(cè)，因此稱為并行邊緣檢測(cè)。串行邊緣檢測(cè)：當(dāng)前像素點(diǎn)是否屬于欲檢測(cè)的邊緣，取決于先前像素的驗(yàn)證結(jié)果；6.2.1并行微分算子法并行微分算子法就是對(duì)圖像中灰度的變化進(jìn)行檢測(cè)，通過一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過零點(diǎn)來檢測(cè)邊緣。

一、高斯-拉普拉斯算子(LOG)

為了減少噪聲影響，先對(duì)檢測(cè)圖像采用高斯濾波器進(jìn)行平滑，二維高斯濾波器的響應(yīng)函數(shù)為

設(shè)f(x,y)為原始圖像，采用上式進(jìn)行平滑，即求f(x,y)和G(x,y)的卷積；在對(duì)平滑后法圖像運(yùn)用拉普拉斯算子▽2，根據(jù)線性系統(tǒng)卷積和微分可交換性，有▽2G的平均值為零，當(dāng)它與圖像f(x,y)卷積時(shí)并不會(huì)改變圖像的整體動(dòng)態(tài)范圍，但會(huì)使得圖像平滑，其平滑程度正比于σ。因此能有效較少噪聲對(duì)圖像的影響。

從頻域角度來看，使用高斯函數(shù)卷積相當(dāng)于一個(gè)低通濾波過程，其后的拉普拉斯運(yùn)算相當(dāng)于高通濾波過程，因此LOG算子總體上為一個(gè)帶通濾波過程。

其中分解成兩個(gè)一維表達(dá)式積其中二維卷積轉(zhuǎn)化為兩次一維卷積原始圖像在設(shè)計(jì)參數(shù)σ，如果σ較大，表明在較大的子域中平滑，更趨于圖像平滑，有利于抑制噪聲，但不利于提高邊界定位精度，σ較小則相反，一般情況σ取1~10.不同的σ得到不同的過零點(diǎn)，其細(xì)節(jié)豐富程度也不相同，因此應(yīng)分步分析，先粗后細(xì)。

二、Canny算子圖像邊緣檢測(cè)的條件：

1、能夠有效抑制噪聲，具有較高的信噪比，信噪比越大，檢測(cè)的邊緣質(zhì)量越高；

2、必須盡量精確確定邊緣的位置，要使檢測(cè)出的邊緣在真正的邊界上。

二、Canny算子Canny邊緣檢測(cè)是一種具有較好邊緣檢測(cè)性能的算子特性：利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測(cè)問題轉(zhuǎn)換為檢測(cè)準(zhǔn)則函數(shù)極大值的問題。優(yōu)點(diǎn)：能在噪聲抑制和邊緣檢測(cè)間取得較好的折衷。

二、Canny算子Canny邊緣檢測(cè)是極小化由圖像信噪比和邊緣定位精度乘積組成的函數(shù)表達(dá)式，得到最優(yōu)逼近算子。Canny算法過程：1、用高斯濾波器對(duì)圖像進(jìn)行濾波，去除圖像中的噪聲：平滑后的圖像為

2、用高斯算子的一階差分對(duì)圖像進(jìn)行濾波，得到每個(gè)像素的位置梯度大小和方向：梯度值：

梯度方向

3、對(duì)梯度幅度進(jìn)行“非極大抑制”作用：準(zhǔn)確定位并控制邊界寬度(一個(gè)像素)

根據(jù)梯度方向，分成四個(gè)區(qū)4、用雙閾值算法檢測(cè)和連接邊緣

雙閾值算法是對(duì)非極大值抑制圖像采用兩個(gè)閾值T1和T2，且T2≈2T1，從而得到兩個(gè)閾值邊緣圖像N1[i,j]和N2[i,j]。

邊緣連接過程：首先對(duì)N2[i,j]圖像進(jìn)行掃描，當(dāng)遇到一個(gè)非零灰度值的像素點(diǎn)P時(shí)，跟蹤以P為開始點(diǎn)的輪廓線，直到該輪廓線的終點(diǎn)。

其次，考察圖像N1[i,j]中和圖像N2[i,j]中Q點(diǎn)位置對(duì)應(yīng)的Q′點(diǎn)的8鄰近區(qū)域，如果在Q′點(diǎn)的8鄰近區(qū)域中有非零像素R′存在，則將其包含到圖像N2[i,j]中，作為R點(diǎn)；從R點(diǎn)開始，又對(duì)N2[i,j]圖像進(jìn)行掃描；重復(fù)上述步驟，直到圖像N1[i,j]和圖像N2[i,j]中都無法繼續(xù)為止。

最后，當(dāng)完成對(duì)包含P點(diǎn)的輪廓線連接之后，將這條輪廓標(biāo)記已訪問，回到第一步，尋找下一條輪廓線。

(a)原圖(b)LOG算子結(jié)果(c)Canny算子結(jié)果6.2.2模板匹配法

模板匹配法：利用選定幾何特征的模板與圖像卷積來檢測(cè)圖像是否具有該種幾何特征結(jié)構(gòu)的方法。

模板匹配法的兩個(gè)問題：

1、選用怎樣的模板？不同的模板能正確檢測(cè)邊界匹配的程度是不同的。

2、什么是模板匹配準(zhǔn)則，即如何判斷其相似程度。模板匹配方法：將模板緊扣在檢測(cè)圖像上，模板的中心沿圖像逐漸從一個(gè)像素移到另一個(gè)像素，在每一個(gè)模板對(duì)應(yīng)的圖像像素點(diǎn)上，把該點(diǎn)的灰度值乘以模板相應(yīng)方格位置中的數(shù)字，然后把結(jié)果相加。

6.2.2模板匹配法一、點(diǎn)模板用空域的高通濾波器來檢測(cè)孤立點(diǎn)

3×3模板圖像上的像素灰度值

R=(-1×8×8+128×8)/9=(120×8)/9=960/9=106設(shè)：閾值：T=64R>T-1-1-1-18-1-1-1-1模板88881288888圖像設(shè)定閾值T，并計(jì)算高通濾波值R如果R值等于0，說明當(dāng)前檢測(cè)點(diǎn)與的灰度值與周圍點(diǎn)的相同當(dāng)R的值足夠大時(shí)，說明該點(diǎn)的值與周圍的點(diǎn)非常不同，是孤立點(diǎn)。

通過閾值T來判斷|R|>T檢測(cè)到一個(gè)孤立點(diǎn)孤立點(diǎn)的檢測(cè)算法描述

6.2.2模板匹配法二、線模板通過比較典型模板的計(jì)算值，確定一個(gè)點(diǎn)是否在某個(gè)方向的線上-1-1-1222-1-1-1水平模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12135度模板

6.2.2模板匹配法用4種模板分別計(jì)算

R水平

=-6+30=24 R45度

=-14+14=0 R垂直

=-14+14=0

R135度

=-14+14=0111555111111555111111555111圖像線的檢測(cè)依次計(jì)算4個(gè)方向線模板的各個(gè)響應(yīng)，如|Ri|>|Rj|對(duì)于所有的j=i，那么這個(gè)點(diǎn)被稱為在方向上更接近模板i所代表的線線的檢測(cè)算法描述設(shè)計(jì)任意方向的檢測(cè)模板:可能大于3×3模板系數(shù)和為0感興趣的方向的系數(shù)大。

6.2.2模板匹配法三、正交模板正交檢測(cè)模板：即可以檢測(cè)邊緣，又可以檢測(cè)直線或線段的正交模板。由9個(gè)不同模板組成，分成3組，第一組為邊緣子空間基，適合于檢測(cè)邊緣，分為各向同性的對(duì)稱梯度模板和波紋模板，第二組為直線子空間基，適合于直線或線段檢測(cè)，分為直線檢測(cè)模板和離散拉普拉斯模板；第三組為平均模板。檢測(cè)邊緣檢測(cè)直線或線段平均模板梯度模板波紋模板直線檢測(cè)模板拉普拉斯模板X向邊緣子空間基、直線子空間基和平均子空間基投影的幅值

投影的夾角根據(jù)投影值就可以初步確定原圖像中存在的邊緣點(diǎn)、邊界及直線判斷模板是否與原圖像匹配，采用模板匹配準(zhǔn)則(相似度)來表征:

差值測(cè)度歸一化互相關(guān)測(cè)度D越小，W與X越匹配6.2.3邊界跟蹤算法邊界跟蹤基本方法：先根據(jù)某些嚴(yán)格的跟蹤準(zhǔn)則找出目標(biāo)物體輪廓或邊界上的像素點(diǎn)，然后根據(jù)這些像素點(diǎn)用同樣的跟蹤準(zhǔn)則找到下一個(gè)像素點(diǎn)，以此類推，直到閉合或最后一個(gè)像素點(diǎn)不滿足跟蹤準(zhǔn)則為止。性能決定因素：1、進(jìn)行跟蹤的起始點(diǎn)的選取，起始點(diǎn)的選取直接影響到跟蹤的走向和跟蹤的精確度以及跟蹤算法復(fù)雜度。2、跟蹤準(zhǔn)則的選取，要便于分析、計(jì)算和理解，符合常理。

直接鏈碼編碼器根據(jù)4鄰域和8鄰域直接表示輪廓的走向。如圖0、4表示。差分鏈碼編碼器是用鄰近兩個(gè)走向編號(hào)的差值表示。用鏈碼表示：-3，-3，4，-3四鄰域分割八鄰域分割A(yù)A

原則：4鄰域采用左、上、右、下的優(yōu)先順序方向；8鄰域采用左、左上、上、右上、右、右下、下的優(yōu)先順序方向。

從A點(diǎn)開始的4鄰域鏈碼表示邊界結(jié)果為：-2，4，-2，4，4，4，0，-2，-2，-2，0，2，2，0，0，-2，-2，-2，2，2，0，2，0，2，2，4，4，2從A點(diǎn)開始的8鄰域鏈碼表示邊界結(jié)果為：

-3，-3，4，4，-1，-2，-2，0，2，1，-1，

-2，-2，2，1，1，2，2，4，38鄰域的差分編碼表示邊界結(jié)果為：

-3，0，-1，0，3，-1，0，2，2，-1，-2，-1，0，4，-1，0，1，0，2，-16.2.4邊界擬合算法邊界擬合采用曲線或折線表示不同區(qū)域之間的圖像邊界線，是通過擬合方法把邊緣連接成曲線邊界或折線邊界，從而得到分割不同區(qū)域目的。邊界擬合的前提條件：通過其他方法已經(jīng)檢測(cè)圖像中不同區(qū)域的某些邊界點(diǎn)，而這些邊緣點(diǎn)非常稀疏，于是采用擬合方法獲得完整的邊界。

一稀疏邊緣點(diǎn)子集，｛(xi,yi),i=1,2,3…..M｝。尋找一曲線f(x)來擬合(xi,yi)，需要做到均方誤差(MSE)最小f(x)=c0+c1x+c2x2只要求出c0、c1、c2即可.

C=[MTM]-1·[MTY]6.3基于區(qū)域的圖像分割方法6.3.1區(qū)域生長(zhǎng)法6.3.2分裂合并法6.3基于區(qū)域的圖像分割方法基本概念目標(biāo)：將區(qū)域R劃分為若干個(gè)子區(qū)域R1,R2,…,Rn，這些子區(qū)域滿足5個(gè)條件：1)完備性：2)連通性：每個(gè)Ri都是一個(gè)連通區(qū)域3)獨(dú)立性：對(duì)于任意i≠j，Ri∩Rj=Ф4)單一性：每個(gè)區(qū)域內(nèi)的特征值(灰度級(jí))相等或相近，

P（Ri）=TRUE，i=1,2,…,n5)互斥性：任兩個(gè)區(qū)域的特征值(灰度級(jí))不等，

P（Ri∪Rj）=FALSE，i≠j6.3.1區(qū)域生長(zhǎng)法區(qū)域生長(zhǎng)(RegionGrowing)又稱區(qū)域生成或區(qū)域擴(kuò)張法，將一幅圖像分成許多小的區(qū)域，并將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。算法實(shí)現(xiàn)：1）根據(jù)圖像的不同應(yīng)用選擇一個(gè)或一組種子像素，它或者是最亮或最暗的點(diǎn)，或者是位于點(diǎn)簇中心的點(diǎn)，作為起始點(diǎn)；2）選擇一個(gè)描述符（條件）；3）從該種子開始向外擴(kuò)張，首先把種子像素加入結(jié)果集合，然后不斷將與集合中各個(gè)像素連通、且滿足描述符的像素加入集合；4）重復(fù)進(jìn)行到不再有滿足條件的新結(jié)點(diǎn)加入集合為止。6.3.1區(qū)域生長(zhǎng)法算法實(shí)現(xiàn)：

區(qū)域A

區(qū)域B

種子像素

種子像素例：選取閾值T1=3，閾值T2=2；相似性生長(zhǎng)準(zhǔn)則1：在4和8鄰近像素灰度差的絕對(duì)值小于3生長(zhǎng)。相似性生長(zhǎng)準(zhǔn)則2：4和8鄰近像素灰度差的絕對(duì)值小于2成長(zhǎng)，結(jié)果如圖：例：選取閾值T1=3，閾值T2=2；相似性生長(zhǎng)準(zhǔn)則1：在4和8鄰近像素灰度差的絕對(duì)值小于3生長(zhǎng)。相似性生長(zhǎng)準(zhǔn)則2：4和8鄰近像素灰度差的絕對(duì)值小于2成長(zhǎng)，結(jié)果如圖：57754378954668533333365424884448884488844444448444488444888446684444444644285586645987345773245633333455866459873457732456333335586645987345773245633333思考題：以9為種子像素，準(zhǔn)則為相似性區(qū)域內(nèi)所有像素平均值與可并入像素值差△<2888977698.257.837.57區(qū)域生長(zhǎng)的關(guān)鍵是選取合適的生成準(zhǔn)則以及確定最初的種子像素，是以像素為基本單元進(jìn)行操作。區(qū)域生長(zhǎng)算法的研究重點(diǎn)：1、區(qū)域相似性特征度量和區(qū)域生長(zhǎng)準(zhǔn)則的設(shè)計(jì)；2、算法的高效性和準(zhǔn)確性。區(qū)域生長(zhǎng)算法的優(yōu)點(diǎn)：計(jì)算簡(jiǎn)單區(qū)域生長(zhǎng)算法的缺點(diǎn)：需要人工交互以獲得種子像素點(diǎn)，在每個(gè)需分割的區(qū)域中植入一個(gè)種子點(diǎn)；區(qū)域生長(zhǎng)對(duì)噪聲敏感，會(huì)導(dǎo)致分割出的區(qū)域存在空洞或?qū)?yīng)該分開的區(qū)域連接起來。改進(jìn)：將種子像素的某一鄰域內(nèi)像素均值與要考慮的像素進(jìn)行比較，如果所考慮的像素與種子像素灰度值差的絕對(duì)值小于某閾值T，則將該像素包括進(jìn)種子像素所在區(qū)域中。對(duì)像素檢驗(yàn)：均值若以灰度分布相似性作為生長(zhǎng)準(zhǔn)則，則需比較相鄰區(qū)域的直方圖并檢測(cè)相似性：1、把圖像分成互不重疊的小區(qū)域；2、比較各鄰接區(qū)域的累積直方圖，根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并，其中相似性檢測(cè)為：

柯爾莫哥洛夫-斯米諾夫距離檢測(cè)：

平滑差