基于區(qū)域生長的圖像分割方法--南郵--車少帥

1、18.6 基于區(qū)域生長的圖像分割方法基于區(qū)域生長的圖像分割方法 學(xué)學(xué) 校：南京郵電大學(xué)校：南京郵電大學(xué) 專專 業(yè)：業(yè)：1212級(jí)信號(hào)與信息處理級(jí)信號(hào)與信息處理 姓姓 名名: : 車少帥車少帥 例如：例如： （1 1）要確定航空照片中的森林、耕地、城市區(qū)域等，首先需）要確定航空照片中的森林、耕地、城市區(qū)域等，首先需要將這些部分在圖像上分割出來。要將這些部分在圖像上分割出來。 （2 2）要辨認(rèn)文件中的個(gè)別文字，需先將這些文字分割出來。）要辨認(rèn)文件中的個(gè)別文字，需先將這些文字分割出來。 把圖像空間按照一定的要求分成若干個(gè)把圖像空間按照一定的要求分成若干個(gè)“有意義有意義”的區(qū)域的的區(qū)域的技術(shù)。其從本質(zhì)

2、上說是將各像素進(jìn)行分類的過程。技術(shù)。其從本質(zhì)上說是將各像素進(jìn)行分類的過程。（3 3）要識(shí)別和標(biāo)定細(xì)胞的顯微照片中的染色體，需要用圖像）要識(shí)別和標(biāo)定細(xì)胞的顯微照片中的染色體，需要用圖像分割技術(shù)。分割技術(shù)。 圖像分割的概念：圖像分割的概念：基于基于邊緣檢測(cè)邊緣檢測(cè)的方法：的方法： 找出圖像的找出圖像的邊緣邊緣信息，再將它們信息，再將它們連成邊界連成邊界，這些邊界把，這些邊界把圖像分成不同的區(qū)域，從而分割出各個(gè)區(qū)域。圖像分成不同的區(qū)域，從而分割出各個(gè)區(qū)域。圖像分割方法分類：圖像分割方法分類：基于基于區(qū)域生成區(qū)域生成的方法：的方法： 根據(jù)相應(yīng)的區(qū)域特性在圖像中找出與其相似的部分。根據(jù)相應(yīng)的區(qū)域特性在圖

3、像中找出與其相似的部分。常用的方法有：常用的方法有：區(qū)域生長、分裂區(qū)域生長、分裂- -合并分割合并分割方法。方法。基于基于閾值選取閾值選取的方法：的方法： 通過選取一定的灰度閾值將圖像中通過選取一定的灰度閾值將圖像中目標(biāo)目標(biāo)從從背景背景中中分割出來分割出來。常用的方法有：常用的方法有：直方圖閾值分割、最大熵閾值分割直方圖閾值分割、最大熵閾值分割等。等。區(qū)域生長法區(qū)域生長法 區(qū)域生長（區(qū)域生長（region growing）是指將成組的像素或區(qū)域）是指將成組的像素或區(qū)域發(fā)展成更大區(qū)域的過程。從種子點(diǎn)的集合開始，從這些點(diǎn)的發(fā)展成更大區(qū)域的過程。從種子點(diǎn)的集合開始，從這些點(diǎn)的區(qū)域增長是通過將與每個(gè)種

4、子點(diǎn)有相似屬性像強(qiáng)度、灰度級(jí)、區(qū)域增長是通過將與每個(gè)種子點(diǎn)有相似屬性像強(qiáng)度、灰度級(jí)、紋理顏色等的相鄰像素合并到此區(qū)域。它是一個(gè)迭代的過程，紋理顏色等的相鄰像素合并到此區(qū)域。它是一個(gè)迭代的過程，這里每個(gè)種子像素點(diǎn)都迭代生長，直到處理過每個(gè)像素，因這里每個(gè)種子像素點(diǎn)都迭代生長，直到處理過每個(gè)像素，因此形成了不同的區(qū)域，這些區(qū)域它們的邊界通過閉合的多邊此形成了不同的區(qū)域，這些區(qū)域它們的邊界通過閉合的多邊形定義。形定義。 圖像區(qū)域分割的圖像區(qū)域分割的過程（基本單元：像素或微區(qū)域）過程（基本單元：像素或微區(qū)域）（1 1）選擇區(qū)域內(nèi)某一像素點(diǎn)作為）選擇區(qū)域內(nèi)某一像素點(diǎn)作為生長種子生長種子；（2 2）判斷其

5、）判斷其相鄰像素相鄰像素（沒有區(qū)域標(biāo)記沒有區(qū)域標(biāo)記）是否滿足）是否滿足相似性準(zhǔn)則相似性準(zhǔn)則；（3 3）如果是，將其合并到當(dāng)前區(qū)域，給該像素添加）如果是，將其合并到當(dāng)前區(qū)域，給該像素添加區(qū)域標(biāo)記區(qū)域標(biāo)記；（4 4）對(duì)于）對(duì)于新合并的區(qū)域新合并的區(qū)域，重復(fù)（，重復(fù)（2 2）、（）、（3 3）（5 5）不斷重復(fù)，區(qū)域?qū)⒃诟鱾€(gè)方向上不斷增長，直至沒有相鄰）不斷重復(fù)，區(qū)域?qū)⒃诟鱾€(gè)方向上不斷增長，直至沒有相鄰像素滿足相似性性準(zhǔn)則為止，或者是滿足停止準(zhǔn)則為止。像素滿足相似性性準(zhǔn)則為止，或者是滿足停止準(zhǔn)則為止。圖像中圖像中各個(gè)區(qū)域分割各個(gè)區(qū)域分割，都是從其，都是從其種子點(diǎn)種子點(diǎn)開始，在各個(gè)方向上開始，在各個(gè)方

6、向上生長生長得到的。得到的。區(qū)域生長分割示意圖：區(qū)域生長分割示意圖：相鄰像素表示：相鄰像素表示：區(qū)域生長法關(guān)鍵：區(qū)域生長法關(guān)鍵：（1 1）確定每個(gè)區(qū)域的生長起始點(diǎn)）確定每個(gè)區(qū)域的生長起始點(diǎn)種子像素種子像素。（2 2）確定在生長過程中將相鄰像素包括進(jìn)來的相似性判別準(zhǔn)）確定在生長過程中將相鄰像素包括進(jìn)來的相似性判別準(zhǔn)則（則（生長準(zhǔn)則生長準(zhǔn)則）。）。（3 3）確定區(qū)域生長過程）確定區(qū)域生長過程停止的條件或規(guī)則停止的條件或規(guī)則。相似性準(zhǔn)則相似性準(zhǔn)則可以用可以用灰度級(jí)灰度級(jí)、彩色值、結(jié)構(gòu)、梯度或其它特、彩色值、結(jié)構(gòu)、梯度或其它特征來表示。征來表示。一個(gè)區(qū)域生長的示例一個(gè)區(qū)域生長的示例 給出已知矩陣給出已

7、知矩陣A： 大寫的大寫的5 為種子為種子, 從種子開始向周圍每個(gè)象素的值與種子值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)值取灰度差的絕對(duì)值, 當(dāng)絕對(duì)值少于某個(gè)門限當(dāng)絕對(duì)值少于某個(gè)門限T 時(shí)時(shí), 該象素便該象素便生長成為新的種子生長成為新的種子, 而且向周圍每個(gè)象素進(jìn)行生長而且向周圍每個(gè)象素進(jìn)行生長; 如果取門限如果取門限T=1, 則區(qū)域生長的結(jié)果為則區(qū)域生長的結(jié)果為: n可見種子周圍的灰度值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)的象素都被很好地包進(jìn)了生長區(qū)域之中了生長區(qū)域之中, 而到了邊界處灰度值為而到了邊界處灰度值為0、1、2、7 的象的象素都成為了邊界素都成為了

8、邊界, 右上角的右上角的5 雖然也可以成為種子雖然也可以成為種子, 但由于但由于它周圍的象素不含有一個(gè)種子它周圍的象素不含有一個(gè)種子, 因此它也位于生長區(qū)域之因此它也位于生長區(qū)域之外外; n現(xiàn)在取門限現(xiàn)在取門限T=3, 新的區(qū)域生長結(jié)果為新的區(qū)域生長結(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 n利用迭代的方法從大到小收縮是一種典型的方法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)它不僅對(duì)2- D圖像而且對(duì)圖像而且對(duì)3-D 圖像也適用。一般圖像也適用。一般情況下可以選取圖像中亮度最大的象素作為種子情況下可以選

9、取圖像中亮度最大的象素作為種子, 或者借助生長所用準(zhǔn)責(zé)對(duì)每個(gè)象素進(jìn)行相應(yīng)的計(jì)或者借助生長所用準(zhǔn)責(zé)對(duì)每個(gè)象素進(jìn)行相應(yīng)的計(jì)算算, 如果計(jì)算結(jié)果呈現(xiàn)聚類的情況則接近聚類重如果計(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。上面的例子心的象素可以作為種子象素。上面的例子, 分析分析它的直方圖可知灰度值為它的直方圖可知灰度值為1 和和5 的象素最多且處的象素最多且處于聚類的中心于聚類的中心, 所以可各選一個(gè)具有聚類中心灰所以可各選一個(gè)具有聚類中心灰度值的象素作為種子。度值的象素作為種子。 灰度圖灰度圖lena 直方圖直方圖 區(qū)域生長結(jié)果區(qū)域生長結(jié)果 三次均方值計(jì)算三次均方值計(jì)算 直方圖直方圖

10、 區(qū)域生長結(jié)果區(qū)域生長結(jié)果 n由于由于lena 細(xì)節(jié)性較強(qiáng)細(xì)節(jié)性較強(qiáng)( 比如姑娘的發(fā)絲比如姑娘的發(fā)絲) , 對(duì)它進(jìn)行區(qū)域生長的結(jié)果還會(huì)有一些區(qū)域?qū)λM(jìn)行區(qū)域生長的結(jié)果還會(huì)有一些區(qū)域無法連在一起無法連在一起, 所以對(duì)它進(jìn)行了三次均值運(yùn)所以對(duì)它進(jìn)行了三次均值運(yùn)算算( 取象素及周圍共九個(gè)點(diǎn)的平均灰度作為取象素及周圍共九個(gè)點(diǎn)的平均灰度作為新的灰度值新的灰度值) 。區(qū)域生長以后小的區(qū)域就較。區(qū)域生長以后小的區(qū)域就較好地連成了一片。好地連成了一片。n生長準(zhǔn)則的選取不僅依賴于具體問題本身生長準(zhǔn)則的選取不僅依賴于具體問題本身, 也和所用圖像也和所用圖像數(shù)據(jù)種類有關(guān)數(shù)據(jù)種類有關(guān), 如彩色圖和灰度圖。一般的生長過

11、程在進(jìn)如彩色圖和灰度圖。一般的生長過程在進(jìn)行到再?zèng)]有滿足生長條件的象素時(shí)停止行到再?zèng)]有滿足生長條件的象素時(shí)停止, 為增加區(qū)域生長為增加區(qū)域生長的能力常需考慮一些與尺寸、形狀等圖像和目標(biāo)的全局性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。質(zhì)有關(guān)的準(zhǔn)則。n區(qū)域生長的關(guān)鍵是選擇合適的生長或相似準(zhǔn)則區(qū)域生長的關(guān)鍵是選擇合適的生長或相似準(zhǔn)則, 大部分區(qū)大部分區(qū)域生長準(zhǔn)則會(huì)使用圖像的局部性質(zhì)生長準(zhǔn)則可以根據(jù)不同域生長準(zhǔn)則會(huì)使用圖像的局部性質(zhì)生長準(zhǔn)則可以根據(jù)不同原理制定原理制定, 而使用不同的生長準(zhǔn)則會(huì)影響區(qū)域生長的過程。而使用不同的生長準(zhǔn)則會(huì)影響區(qū)域生長的過程。常用的生長準(zhǔn)則和方法有兩

12、種常用的生長準(zhǔn)則和方法有兩種, 即基于區(qū)域灰度差的、基即基于區(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。于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)的。 灰度差判別式：灰度差判別式： 采用相鄰像素與當(dāng)前像素灰度值采用相鄰像素與當(dāng)前像素灰度值 （或當(dāng)前區(qū)域像素平均（或當(dāng)前區(qū)域像素平均灰度）的灰度）的差差來判別其是否應(yīng)當(dāng)合并到當(dāng)前區(qū)域。來判別其是否應(yīng)當(dāng)合并到當(dāng)前區(qū)域。若若CT，說明，說明 (i,j)與與(m,n)相似，相似， (i,j)應(yīng)與應(yīng)與當(dāng)前區(qū)域當(dāng)前區(qū)域合并，合并，若若CT，說明兩者不相似，說明兩者不相似， (i,j) 仍為不屬于任何區(qū)域仍為不屬于任何區(qū)域| ),(),(|nmfjifC基于區(qū)域灰度差的生長準(zhǔn)則

13、基于區(qū)域灰度差的生長準(zhǔn)則 【例】【例】一個(gè)簡單的區(qū)域生長的例子一個(gè)簡單的區(qū)域生長的例子 生長準(zhǔn)則：生長準(zhǔn)則：鄰近點(diǎn)的灰度級(jí)鄰近點(diǎn)的灰度級(jí)與與當(dāng)前區(qū)域當(dāng)前區(qū)域平均灰度平均灰度的差小于的差小于2 2。種子像素種子像素平均灰度平均灰度8.25平均灰度平均灰度8基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)的生長準(zhǔn)則基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)的生長準(zhǔn)則 考慮以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并考慮以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并, 具具體步驟為體步驟為:1.把圖像分成互不重疊的小區(qū)域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)灰度分布的相似性根據(jù)灰度

14、分布的相似性進(jìn)行區(qū)域合并進(jìn)行區(qū)域合并;3.設(shè)定終止準(zhǔn)則設(shè)定終止準(zhǔn)則, 通過反復(fù)進(jìn)行步驟通過反復(fù)進(jìn)行步驟2中的操作將各個(gè)區(qū)域依中的操作將各個(gè)區(qū)域依次合并直到滿足終止準(zhǔn)則次合并直到滿足終止準(zhǔn)則, 生長過程結(jié)束。生長過程結(jié)束。 n設(shè)兩個(gè)相鄰區(qū)域的積累灰度直方圖分別為設(shè)兩個(gè)相鄰區(qū)域的積累灰度直方圖分別為h1(z)和和h2(z), 常用的兩種檢測(cè)方法為常用的兩種檢測(cè)方法為:nKolmogorov- Smirnov 檢測(cè)檢測(cè):nSmoothed- Difference 檢測(cè)檢測(cè):n如果檢測(cè)結(jié)果小于給定閾值如果檢測(cè)結(jié)果小于給定閾值T, 則兩個(gè)區(qū)域合并。使用此方則兩個(gè)區(qū)域合并。使用此方法法, 小區(qū)域的尺寸對(duì)結(jié)

15、果可能有較大影響小區(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)尺寸太小時(shí)檢測(cè)可靠性降低可靠性降低, 尺寸太大時(shí)得到的區(qū)域形狀不理想尺寸太大時(shí)得到的區(qū)域形狀不理想, 小的目標(biāo)小的目標(biāo)會(huì)被漏掉會(huì)被漏掉, 用用Smoothed-Difference 方法檢測(cè)直方圖相似方法檢測(cè)直方圖相似性時(shí)效果性時(shí)效果Kolmogorov- Smirnov 要好要好, 因?yàn)樗紤]了所因?yàn)樗紤]了所有的灰度值。有的灰度值。 12max |( )( )|zh zh z12|( )(2) |zhnh區(qū)域生長算法區(qū)域生長算法n1. 1. 單一型鏈結(jié)的區(qū)域生長單一型鏈結(jié)的區(qū)域生長n2. 2. 混合型鏈結(jié)的區(qū)域生長混合型鏈結(jié)

16、的區(qū)域生長n3. 3. 登山算法登山算法n4. 4. 分水嶺算法分水嶺算法n1. 1. 單一型鏈結(jié)的區(qū)域生長單一型鏈結(jié)的區(qū)域生長 區(qū)域區(qū)域A A 區(qū)域區(qū)域B B 種子像素種子像素 種子像素種子像素n1. 1. 單一型鏈結(jié)的區(qū)域生長單一型鏈結(jié)的區(qū)域生長上圖給出一個(gè)簡單的例子。此例的相似性準(zhǔn)則是鄰近點(diǎn)（上圖給出一個(gè)簡單的例子。此例的相似性準(zhǔn)則是鄰近點(diǎn)（4 4鄰域）鄰域）的灰度級(jí)與物體的平均灰度級(jí)的差小于的灰度級(jí)與物體的平均灰度級(jí)的差小于2 2。圖中被接受的點(diǎn)和起。圖中被接受的點(diǎn)和起始點(diǎn)均用下劃線標(biāo)出，始點(diǎn)均用下劃線標(biāo)出， 其中（其中（a a）圖是輸入圖像；（）圖是輸入圖像；（b b）圖是第）圖是第

17、一步接受的鄰近點(diǎn)；一步接受的鄰近點(diǎn)； （c c）圖是第二步接受的鄰近點(diǎn)；）圖是第二步接受的鄰近點(diǎn)； （d d）圖是從圖是從6 6開始生成的結(jié)果。開始生成的結(jié)果。n舉例：一幅圖像背景部分的均值為舉例：一幅圖像背景部分的均值為2525，方，方差為差為625625，在背景上分布著一些互不重疊的，在背景上分布著一些互不重疊的均值為均值為150150，方差為，方差為400400的小目標(biāo)。設(shè)所有的小目標(biāo)。設(shè)所有目標(biāo)合起來約占圖像總面積的目標(biāo)合起來約占圖像總面積的20%20%，提出，提出1 1個(gè)基于區(qū)域生長的分割算法將這些目標(biāo)分個(gè)基于區(qū)域生長的分割算法將這些目標(biāo)分割出來。割出來。 算法描述算法描述n從左至右

18、，從上至下掃描圖像。從左至右，從上至下掃描圖像。n若掃描到灰度值大于若掃描到灰度值大于150150的象素，取為種的象素，取為種子點(diǎn)，進(jìn)行區(qū)域生長。子點(diǎn)，進(jìn)行區(qū)域生長。n生長準(zhǔn)則為將相鄰的灰度值與已有區(qū)域的生長準(zhǔn)則為將相鄰的灰度值與已有區(qū)域的平均灰度值的差小于平均灰度值的差小于6060（33）的象素?cái)U(kuò)展）的象素?cái)U(kuò)展進(jìn)來。進(jìn)來。n若不能再生長，標(biāo)記已生長區(qū)域。若不能再生長，標(biāo)記已生長區(qū)域。n若掃描到圖像右下角，結(jié)束；否則回到若掃描到圖像右下角，結(jié)束；否則回到繼續(xù)。繼續(xù)。 n2. 2. 混合型鏈結(jié)的區(qū)域生長混合型鏈結(jié)的區(qū)域生長232221)()()(aywbxwyxwS考慮象素的鄰域，在此鄰域上定義

19、象素的特性矢考慮象素的鄰域，在此鄰域上定義象素的特性矢量，特性矢量接近的兩個(gè)象素相似。量，特性矢量接近的兩個(gè)象素相似。（1 1） 鄰域分享技術(shù)：研究某象素的鄰域，作出鄰域分享技術(shù)：研究某象素的鄰域，作出相似鄰域表。如果兩個(gè)象素在對(duì)方的相似鄰域表相似鄰域表。如果兩個(gè)象素在對(duì)方的相似鄰域表中，且表中有足夠多的象素，則可將二者連接。中，且表中有足夠多的象素，則可將二者連接。S S值小則可以連接。值小則可以連接。（2 2）依賴邊緣確定兩象素是否可以連接。）依賴邊緣確定兩象素是否可以連接。定義兩個(gè)象素特征矢量可用（定義兩個(gè)象素特征矢量可用（x x，a a）、（）、（y y，b b）表示，）表示，x x，y y為兩者的灰度，為兩者的灰度，a a，b b為兩者的鄰域灰度均值，相似為兩者的鄰域灰度均值，相似性為性為S S，則，則321,www為非負(fù)的權(quán)值為非負(fù)的權(quán)值n3. 3. 登山算法登山算法(1)(1)灰度極大值灰度極大值點(diǎn)作為中心點(diǎn)；點(diǎn)作為中心點(diǎn)；(2)16(2)16個(gè)等角度個(gè)等角