spss軟件的使用說(shuō)明

1、摘要 本文在圖像分割的基礎(chǔ)上，重點(diǎn)研究了區(qū)域生長(zhǎng)算法思想，并進(jìn)行了算法編程實(shí)現(xiàn)。 并利用此算法對(duì)高空間分辨率遙感圖像和醫(yī)學(xué)圖像進(jìn)行了的分割處理，所做的主要研究 工作如下：首先，總結(jié)了目前圖像分割技術(shù)的研究意義、應(yīng)用和它的現(xiàn)狀及研究趨勢(shì)。并在第 二部分對(duì)圖像分割的原理及主要算法進(jìn)行了概述。其次，對(duì)區(qū)域生長(zhǎng)算法的進(jìn)行了詳細(xì)研究及編程實(shí)現(xiàn)。在研究了區(qū)域生長(zhǎng)算法原理 的基礎(chǔ)上，基于 MATLAB 平臺(tái)，設(shè)計(jì)開(kāi)發(fā)了本文的區(qū)域生長(zhǎng)算法。算法分為兩部分：其一是區(qū)域生長(zhǎng)，選擇了連續(xù)性的種子定位方法，確定生長(zhǎng)標(biāo)準(zhǔn)， 設(shè)計(jì)生長(zhǎng)方式；其二是區(qū)域合并，將分割得到的不需要的破碎區(qū)域合并到與之最相似的 鄰近區(qū)域中去。最后

2、，利用區(qū)域生長(zhǎng)算法對(duì)高空間分辨率遙感圖像和醫(yī)學(xué)圖像進(jìn)行了分割試驗(yàn)。試 驗(yàn)結(jié)果證明，本文設(shè)計(jì)開(kāi)發(fā)的區(qū)域生長(zhǎng)算法對(duì)高空間分辨率遙感圖像和醫(yī)學(xué)圖像進(jìn)行的 分割，獲得了較好的分割效果，并對(duì)區(qū)域生長(zhǎng)算法的優(yōu)缺點(diǎn)作了總結(jié)和展望。關(guān)鍵詞: 圖像分割 區(qū)域生長(zhǎng) 質(zhì)量評(píng)價(jià)前言 圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，它通常是為了進(jìn)一步對(duì)圖像進(jìn)行分析、識(shí) 別、壓縮編碼等處理的圖像預(yù)處理環(huán)節(jié)，其分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性， 因此具有十分重要的意義。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 上千種分割算法，但因尚無(wú)通用的分割理論，致使目前提出的分割算法大都是針對(duì)具體 問(wèn)題的，并沒(méi)有一種適合所有

3、圖像的通用分割算法。另外，還沒(méi)有制定出適用于分割算 法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多實(shí)際問(wèn)題。最近幾年又出現(xiàn)了許多新思路、 新方法和改進(jìn)算法。本文主要是研究基于區(qū)域生長(zhǎng)算法的圖像分割處理。全文共為 4 個(gè)部分： 在第 1 部分 緒論 主要論述了圖像分割技術(shù)的研究意義、應(yīng)用和它的現(xiàn)狀及研究趨勢(shì)。在第 2部分 圖像分割的原理及主要算法 本部分對(duì)圖像分割的原理作了綜合性的概述和圖像分割方法作了分類。講述了主要 的幾種圖像分割方法：閾值分割法、邊緣檢測(cè)法和結(jié)合特定理論工具的方法，并對(duì)此進(jìn) 行了比較。第 3 部分 區(qū)域生長(zhǎng)算法的研究 本部分對(duì)區(qū)域生長(zhǎng)算法的原理、設(shè)計(jì)思路、程序、運(yùn)行結(jié)果及結(jié)論。并

4、利用此算法 對(duì)高空間分辨率遙感圖像和醫(yī)學(xué)圖像進(jìn)行了分割處理，得到了較好的分割效果。并對(duì)此 算法進(jìn)行了評(píng)價(jià)。第 4 部分 總結(jié)和展望 本部分對(duì)全文做了總結(jié)，并對(duì)以后要研究的問(wèn)題作了展望。緒論 視覺(jué)、聽(tīng)覺(jué)和觸覺(jué)是人類接收信息的主要方式，在這些方式中視覺(jué)又占到了大約70%的比重，視覺(jué) 接收到的信息包括圖像、視頻、文本、數(shù)據(jù)等，全部是圖像Image）信息，而自然界給予了我們?nèi)祟?一個(gè)完美、強(qiáng)大的視覺(jué)系統(tǒng)，能夠輕而易舉的處理速度的提高和圖像處理技術(shù)的成熟，數(shù)字圖像作 為一種直接而內(nèi)容豐富的信息載體已成為計(jì)算機(jī)科學(xué)領(lǐng)域越來(lái)越重要的研究對(duì)象。圖像分割的研究意義綜上所述，圖像分割技術(shù)的研究是非常具有學(xué)術(shù)價(jià)值和

5、實(shí)用意義的，其深入研究不僅會(huì)不斷完 善對(duì)自身問(wèn)題的解決，而且必將推動(dòng)模式識(shí)別、計(jì)算機(jī)視覺(jué)、人工智能等計(jì)算機(jī)科學(xué)分支的發(fā)展。圖像分割的應(yīng)用 隨著圖像分割技術(shù)研究的深入，其應(yīng)用日趨廣泛。凡屬需要對(duì)圖像目標(biāo)進(jìn)行提取、測(cè)量的工作都離 不開(kāi)圖像分割。目前，圖像分割已在交通、醫(yī)學(xué)、遙感、通信、軍事和工業(yè)自動(dòng)化等諸多領(lǐng)域得到 廣泛應(yīng)用1。在智能交通領(lǐng)域，圖像分割已廣泛應(yīng)用于車牌的定位和生產(chǎn)。汽車牌照區(qū)域的定位主要是完成把汽 車牌照從所拍攝的圖像中分割出來(lái)，也就是在這個(gè)畫(huà)面中找出包含牌照字符的最小區(qū)域來(lái)。2 文 獻(xiàn)3給出了一種利用牌照顏色和形狀以及神經(jīng)元網(wǎng)絡(luò)的方法來(lái)定位汽車牌照，文獻(xiàn)3給出了一種自 適應(yīng)邊界搜

6、索的辦法來(lái)確定牌照區(qū)域的邊界，文獻(xiàn)4是根據(jù)牌照?qǐng)D像的屬性在頻域中的表現(xiàn)來(lái)確定 汽車牌照區(qū)域的。針對(duì)車牌生產(chǎn)中光照不均和存在反光的復(fù)雜彩色圖像，郝智泉等提出了一種采用 灰度空間和飽和度空間聯(lián)合閾值的圖像分割方法。該方法能夠較好地分割目標(biāo)和背景，獲得高質(zhì)量 的二值圖像，在工業(yè)生產(chǎn)實(shí)時(shí)監(jiān)控系統(tǒng)的應(yīng)用中取得了良好的效果。在醫(yī)學(xué)領(lǐng)域，醫(yī)學(xué)圖像分割技術(shù)是醫(yī)學(xué)圖像處理和分析中的關(guān)鍵技術(shù)。醫(yī)學(xué)圖像分割是一個(gè)根據(jù)區(qū) 域內(nèi)的相似性以及區(qū)域間的不同把圖像分割成若干區(qū)域的過(guò)程5。從圖像中把有關(guān)結(jié)構(gòu)（或感興趣區(qū)） 分離出來(lái)是圖像分析與識(shí)別首要解決的問(wèn)題，也是制約醫(yī)學(xué)圖像處理中其它相關(guān)技術(shù)發(fā)展和應(yīng)用的 瓶頸6。醫(yī)學(xué)圖像分

7、割在臨床診斷、病理分析以及治療方面具有重要意義，具體表現(xiàn)在：（1）圖像分 割的結(jié)果常用于生物學(xué)圖像的分析，如不同形式圖像的配準(zhǔn)、融合，解剖結(jié)構(gòu)的測(cè)量，獲取先驗(yàn)知 識(shí)用于圖像重建以及心臟運(yùn)動(dòng)的跟蹤等7。(2)用于測(cè)量人體器官、組織的體積。通過(guò)對(duì)這些體積在 治療前后的定量測(cè)量和分析，可以幫助醫(yī)生進(jìn)行診斷、預(yù)后和制定或修改對(duì)病人的治療方案8。(3) 用于醫(yī)學(xué)圖像的 3D 重建方面，便于可視化，外科手術(shù)方案的制定和仿真，病理研究，藥物療效的 評(píng)估，解剖參考以及放療計(jì)劃中的3D定位等9。(4)圖像分割結(jié)果可用于在不丟失有用信息的前提 下進(jìn)行數(shù)據(jù)的壓縮和傳輸。這對(duì)于提高在PACS、遠(yuǎn)程放射學(xué)和Intera

8、ct中的圖像傳輸速度是至關(guān)重 要的10。 (5)分割后的圖像與噪聲的關(guān)系減弱，因此具有降噪功能，便于圖像的理解11。在遙感領(lǐng)域，利用遙感數(shù)據(jù)進(jìn)行海洋監(jiān)測(cè)、海事救援、海洋污染監(jiān)控等應(yīng)用時(shí)，需要對(duì)圖像中海岸 線進(jìn)行分割提取。傳統(tǒng)的閾值方法對(duì)于圖像中沿海岸線的物體陰影、植被、暗的人工設(shè)施等分割效 果，瞿繼雙等提出了一種用于處理光學(xué)遙感圖像的基于多閾值分割的形態(tài)學(xué)方法，能有效提高準(zhǔn)確 檢測(cè)率，具有較好的檢測(cè)效果1。目前國(guó)內(nèi)小麥的蟲(chóng)害防治早已從原來(lái)的手工方法轉(zhuǎn)變到化學(xué)防除，即利用化學(xué)藥劑對(duì)受到危害的作 物進(jìn)行處理。但化學(xué)藥劑的大面積使用，會(huì)造成農(nóng)藥殘留，對(duì)人體及環(huán)境有害。因此，變量噴灑(或 有選擇性噴灑

9、)的方法，已成為近年來(lái)精細(xì)農(nóng)業(yè)的研究熱點(diǎn)。實(shí)現(xiàn)藥劑的變量噴灑，首先要解決的是 害蟲(chóng)識(shí)別的問(wèn)題，即通過(guò)科學(xué)技術(shù)方法，如圖像處理確定害蟲(chóng)的特征(位置、密度、種類等)，將其中 的目標(biāo)區(qū)域(害蟲(chóng))分離出來(lái)，用以指導(dǎo)機(jī)械裝置的操作12?；叶群投祷?、平均值分割算法、迭代 閾值分割算法和中值濾波13-14等是早期的基于機(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法，近年來(lái)，國(guó)內(nèi)外學(xué)者研 究的基于機(jī)器視覺(jué)的害蟲(chóng)識(shí)別方法，主要有數(shù)學(xué)形態(tài)學(xué)、二叉樹(shù)和人工神經(jīng)網(wǎng)絡(luò)等15-16。馬駿17 等提出的基于數(shù)學(xué)形態(tài)學(xué)的膨脹和腐蝕快速算法，用于提取病蟲(chóng)骨架特征；黃小燕18等討論了基于 數(shù)學(xué)形態(tài)學(xué)的彩色數(shù)字圖像分割算法，提出了用形態(tài)模板過(guò)濾彩色數(shù)字

10、圖像進(jìn)行分割的方法，用于 儲(chǔ)糧害蟲(chóng)彩色數(shù)字圖像的分割中。趙漢青、沈佐銳19等對(duì) 40種昆蟲(chóng)用二叉樹(shù)方法進(jìn)行分類。圖像 分割應(yīng)用的范圍是如此廣泛，它的用途也如此的重要，在此很難一一將其詳盡的展現(xiàn)出來(lái)。以上僅 僅列舉了幾個(gè)圖像分割具體應(yīng)用的例子及相關(guān)研究進(jìn)展情況，旨在說(shuō)明對(duì)于圖像分割進(jìn)行研究，有 著十分重要的實(shí)際意義。雖然例子很少，但已經(jīng)足夠說(shuō)明問(wèn)題了。相信隨著研究的不斷深入和改進(jìn) 一定會(huì)有更多更好的成果發(fā)表出來(lái)。1.3 圖像分割的現(xiàn)狀及研究趨勢(shì) 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

11、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)的圖像割算法都難以對(duì)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 斷的引人圖像分割領(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

12、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(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人，存在的問(wèn)題會(huì)很 快得到圓滿的解決。圖像分割的原理及主要算法 我們所說(shuō)的圖像分割20就是將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。這里的 特征可以是色素的灰度、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。而圖像分割的程度則取決于我們要解決的問(wèn)題；分割的最終目的，

13、就是要把我們所關(guān)注的部分從圖 像中提取出來(lái)，以便進(jìn)一步的研究分析和處理。圖像分割算法一般是基于亮度值的兩個(gè)基本特性之 一：不連續(xù)性和相似性。第1 類性質(zhì)應(yīng)用于亮度的不連續(xù)變化分割圖像，如:圖像邊緣處理；第2類 主要應(yīng)用途徑是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域，如:圖像區(qū)域處理。本章將講述圖像分割的原理，并對(duì)常用的幾種分割方法：基于閾值分割、邊緣分割、區(qū)域分割 等進(jìn)行綜述，并進(jìn)行比較其優(yōu)缺點(diǎn)。2.1 圖像分割的原理目前人們對(duì)圖像分割提出了不同的解釋和表述，依據(jù)集合概念對(duì)圖像分割可以給出更形式化的定義：令1表示圖像，H表示具有相同性質(zhì)的謂詞，圖像分割把1分解成n個(gè)區(qū)域R,=1,2,n,滿足:

14、Mr 二 I, R n R =0,Vi, j, i 豐 j TOC o 1-5 h z ii ji=iVi, i = 1,2 ,n, H (R ) = TureiVi, j, i 豐 j, H(R U R )二 Falsei j對(duì)i二1,2,n，有耳是連通的區(qū)域。上述條件中，條件(1)說(shuō)明分割區(qū)域要覆蓋整個(gè)圖像且各區(qū)域互不重疊，條件(2)說(shuō)明每一個(gè)區(qū)域都具 有相同的性質(zhì)，條件(3)說(shuō)明相鄰的兩個(gè)區(qū)域性質(zhì)相異不能合并為一個(gè)區(qū)域。條件(4)要求結(jié)果中同一 區(qū)域的像素按某種準(zhǔn)則是連通的。實(shí)際的圖像處理和分析都是面向某種具體應(yīng)用的，所以上述條件 中的各種關(guān)系也要視具體情況而定。其一般化的定義為:圖像分

15、割是指將一幅數(shù)字圖像分解為若干互不交疊的、有意義的、具有相同性 質(zhì)的區(qū)域。好的圖像分割應(yīng)具有以下特征:分割出來(lái)的各區(qū)域?qū)δ撤N性質(zhì)(例如灰度，紋理)而言具有相似性，區(qū)域內(nèi)部是連通的且沒(méi)有過(guò)多 小孔。相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異。區(qū)域邊界是明確的。大多數(shù)圖像分割方法只是部分滿足上述特征。如果強(qiáng)調(diào)分割區(qū)域的同性質(zhì)約束則分割區(qū)域很容易產(chǎn) 生大量小孔和不規(guī)則邊緣；若強(qiáng)調(diào)不同區(qū)域間性質(zhì)差異的顯著性，則易造成不同區(qū)域的合并。具體 處理時(shí)，不同的圖像分割方法總是在各種約束條件之間尋找一種合理的平衡。圖像分割的主要方法 圖像分割的方法和種類有很多，有些分割運(yùn)算可直接應(yīng)用于任何圖像，而另一些只能適用于特

16、殊類 別的圖像。有些算法需要先對(duì)圖像進(jìn)行粗分割，因?yàn)樗麄冃枰獜膱D像中提取出來(lái)的信息?，F(xiàn)在廣泛 使用的一些圖像分割算法有以下幾種。閾值分割法 閾值分割方法21是最早提出的圖像分割方法之一，具有簡(jiǎn)單、快速的優(yōu)點(diǎn)。基本思想是先確定一個(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)象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)的象素分為兩類，這兩類象素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。 顯然對(duì)于閾值分割方法，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵問(wèn)題，現(xiàn)有的大部分算法都是集中在閾值 確定的研究上。閾值的選取可以根據(jù)圖像自身的特點(diǎn)分為單閾值和多閾值選取，也可根據(jù)象素值的圖像區(qū)域的取值 特

17、征選取。近年來(lái)人們提出許多選取的閾值的方法，主要有:直方圖與直方圖變換法、最大類空間 方差法、最小誤差法、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 馳法、模糊集法、特征空間聚類法、基于過(guò)渡區(qū)的閾值選取法等。不管采取什么方法，結(jié)合什么工 具，基本思想是一致的，就是為了尋求最佳閾值。邊緣檢測(cè)法 當(dāng)眼睛看一個(gè)物體時(shí)，如果亮度好、物體的邊界清晰，就會(huì)很容易的把物體分割成區(qū)域分明的若干 個(gè)部分。相反，如果亮度不好，或者是亮度在逐漸的變化，就不能很好的分割這個(gè)區(qū)域。然而，如 果此區(qū)域有亮度突變，眼睛就立刻能感受到邊緣的存在。圖像分割的一種重要途徑是通過(guò)邊緣檢測(cè)， 即檢測(cè)灰度級(jí)或者

18、結(jié)構(gòu)具有突變的地方，表明一個(gè)區(qū)域的終結(jié)，也是另一區(qū)域開(kāi)始的地方。這種不 連續(xù)性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。邊 緣提取和分割是圖像分割的經(jīng)典研究課題之一，但是，一直到現(xiàn)在，目前的理論和方法仍存在許多 需要改進(jìn)的地方，仍然在不斷改進(jìn)和發(fā)展。邊緣檢測(cè)算法22主要是基于圖像的灰度函數(shù)求導(dǎo)和在圖像中匹配特定的邊緣模型這兩種方法，在具 體做法上表現(xiàn)為空域算子與圖像模板求卷積和用迭代等方法求匹配函數(shù)的系數(shù)等。根據(jù)檢測(cè)邊緣采 用方式的不同，邊緣檢測(cè)方法大致包括以下幾類:基于局部圖像函數(shù)的方法、多尺度方法、圖像濾 波法、擴(kuò)散方程的方法、基于邊界曲線擬合方法、狀態(tài)

19、空間搜索法、動(dòng)態(tài)規(guī)劃法、邊界跟蹤法、哈 夫變換法等。區(qū)域提取法 區(qū)域提取法23有兩種基本形式：一種是從單個(gè)象素出發(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)這兩種基本形式，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)的象素合起來(lái)構(gòu)成區(qū)域，具體做法是選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)上不斷將其周圍的象素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將 代表該物體的所有象素點(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)

20、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，按一事實(shí)上的規(guī)則將小區(qū)域 融合成大區(qū)域，達(dá)到分割圖像的目的。2.2.4 結(jié)合特定理論工具的方法 近年來(lái)隨著各學(xué)科新理論和方法的產(chǎn)生，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，基于統(tǒng)計(jì)模式識(shí)別的分割方法，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。圖像分割的算法與比較(1)閾值分割法 閾值分割法原理清晰，計(jì)算簡(jiǎn)便，效率高，是圖像分

21、割中廣泛采用的方法，也是種類最多、研究最 廣的一種方法，閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇，因此該方法的關(guān)鍵是如何選擇 合適的閾值。但是，傳統(tǒng)的閾值分割法僅僅考慮了圖像的灰度信息，而忽略了圖像的空間信息。使多閾值選擇受 到限制，基于區(qū)域的分割方法可以彌補(bǔ)這一缺點(diǎn)，基于區(qū)域生長(zhǎng)算法我們將在后面詳細(xì)介紹。因此 對(duì)于圖像中不存在明顯灰度差的圖像使用閾值分割得不到滿意的分割結(jié)果。近年來(lái)，已有一些方法 利用圖像的二維灰度直方圖一像素的灰度值分布及其鄰域的平均灰度值分布所構(gòu)成的直方圖進(jìn)行閾 值分割，如二維最大熵閾值分割，二維最大模糊熵閾值分割等。(2)邊緣檢測(cè)的法 當(dāng)眼睛看到一個(gè)物體時(shí)，如果亮度

22、好、物體的邊界清晰，就會(huì)很容易的把物體分割成區(qū)域分明的若 干部分。相反，如果亮度不好，或者是亮度在逐漸的變化，就不能很好的分割這個(gè)區(qū)域。然而，如 果此區(qū)域有亮度突變，眼睛就立刻能感受到邊緣的存在。圖像分割的一種重要途徑是通過(guò)邊緣檢測(cè)， 即檢測(cè)灰度級(jí)或者結(jié)構(gòu)具有突變的地方，表明一個(gè)區(qū)域的終結(jié)，也是另一區(qū)域開(kāi)始的地方。這種不 連續(xù)性稱為邊緣。不同的圖像灰度不同，邊界處一般具有明顯的邊緣，利用此特征可以分割圖像。 邊緣提取和分割是圖像分割的經(jīng)典研究課題之一，但是，一直到現(xiàn)在，目前的理論和方法仍存在許 多需要改進(jìn)的地方，仍然在不斷改進(jìn)和進(jìn)展。圖像中相鄰的不同區(qū)域之間的邊緣部分變化比較劇烈，差異較大，因

23、此可以通過(guò)對(duì)這一邊緣的檢測(cè) 和連接實(shí)現(xiàn)對(duì)圖像的分割。邊緣檢測(cè)算法主要是基于圖像灰度函數(shù)求導(dǎo)和在圖像中匹配特定的邊緣 模型這兩種方法，在具體做法上表現(xiàn)為空域算子與圖像模板求卷積和用迭代等方法求匹配函數(shù)的系 數(shù)等。根據(jù)檢測(cè)邊緣采用方式不同，邊緣檢測(cè)方法大致包括以下幾類：基于局部圖像函數(shù)的方法、 多尺度方法、圖像濾波法、擴(kuò)展方程的方法、基于邊界曲線擬合方法、狀態(tài)空間搜索法、動(dòng)態(tài)規(guī)劃 法、邊界跟蹤法、哈夫變換法等。通過(guò)邊緣提取的方法進(jìn)行圖像分割包括邊緣檢測(cè)和邊緣連接兩個(gè) 互相獨(dú)立的階段，邊緣提取方法的困難在于邊緣檢測(cè)和邊緣連接的過(guò)程相互獨(dú)立因此在邊緣檢測(cè)過(guò) 程中的錯(cuò)誤無(wú)法在邊緣連接的過(guò)程中得到更正。(

24、3)區(qū)域提取法 區(qū)域分割算法是基于假設(shè)：同一區(qū)域(目標(biāo))的像素具有某種共性，比如灰度、紋理，而其它區(qū)域卻不 具有這種特性，從而將目標(biāo)分離出來(lái)。區(qū)域法有兩種基本形式：一種是從單個(gè)象素出發(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。區(qū)域分割法可以 分為區(qū)域生長(zhǎng)法和分裂合并法，其缺點(diǎn)是往往容易造成過(guò)度分割。在區(qū)域生長(zhǎng)中首先要確定在圖像 中找出一系列種子點(diǎn)通過(guò)某一合適的準(zhǔn)則將其周圍鄰近像素或子區(qū)域歸并以使區(qū)域逐漸生長(zhǎng)擴(kuò)大， 區(qū)域生長(zhǎng)的算法的改進(jìn)包括合并分裂以及分裂合并的算法。并且，使用區(qū)域生長(zhǎng)結(jié)合多種特征 圖像分割算法在現(xiàn)實(shí)中也得到了較好的圖像分割效果。區(qū)域生長(zhǎng)

25、算法的研究區(qū)域生長(zhǎng)(Region Growing SRG)方法是一種重要的區(qū)域分割方法，由 Admas和Bischf (1994)提 出,Mehnert和J ackway (1997)進(jìn)一步闡述了種子區(qū)域生長(zhǎng)過(guò)程中的像素間的依賴。區(qū)域生長(zhǎng)以種子選 擇和區(qū)域形成為核心，最終提取目標(biāo)區(qū)域。但是，區(qū)域生長(zhǎng)法對(duì)種子點(diǎn)的選擇依賴性較強(qiáng)，對(duì)噪聲 的干擾，生長(zhǎng)閾值選擇十分敏感，容易造成過(guò)度分割, 必須要采取對(duì)應(yīng)的抑制措施，區(qū)域合并是 較為常用的方法。區(qū)域生長(zhǎng)原理區(qū)域生長(zhǎng)算法1047510477015552056522564區(qū)域生長(zhǎng)是基于區(qū)域的串行分割技術(shù)，其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

26、 先在要分割的區(qū)域選取一個(gè)代表像素做為生長(zhǎng)的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相 同或相似性質(zhì)的像素1047510477015552056522564大寫(xiě)的5為種子，從種子開(kāi)始向周圍每個(gè)像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)，該像素便生長(zhǎng)成為新的種子，而且向周圍每個(gè)像素進(jìn)行生長(zhǎng)；如果取110575105770155520555門(mén)限T=1，則區(qū)域生長(zhǎng)的結(jié)果為：22555可見(jiàn)種子周圍的灰度值為4、5、6 的像素都11021102在取門(mén)限T二3，新的區(qū)域生長(zhǎng)結(jié)果為:255，這次整個(gè)右邊成了一個(gè)區(qū)域，這次的被很好地包進(jìn)了生長(zhǎng)區(qū)域之中，而到了邊界處的灰度值為0、1、2、7的像

27、素都成為了邊界，右上角 的 5 雖然也可以成為種子，但由于它周圍的像素不含有一個(gè)種子，因此它也位于生長(zhǎng)區(qū)域之外；現(xiàn)055505551555055555555555555555555555分割效果較好；現(xiàn)在取門(mén)限T=6，分割效果較好；現(xiàn)在取門(mén)限T=6，生長(zhǎng)結(jié)果為:55，整個(gè)矩陣都被分割到一個(gè)區(qū)域中了。由此可見(jiàn)，門(mén)限選取是很重要的。在實(shí)際應(yīng)用中使用區(qū)域生長(zhǎng)方法通常需要解決的三個(gè)關(guān)鍵問(wèn)題:是如何正確地選擇一組能代表所需區(qū)域的種子象素，一般種子點(diǎn)的選取可根據(jù)具體問(wèn)題的特點(diǎn)進(jìn) 行。是如何確定在生長(zhǎng)過(guò)程中將相鄰象素包括進(jìn)來(lái)的區(qū)域生長(zhǎng)準(zhǔn)則，區(qū)域生長(zhǎng)準(zhǔn)則的不同對(duì)區(qū)域生長(zhǎng) 的最終結(jié)果會(huì)產(chǎn)生較為關(guān)鍵的影響，因此生

28、長(zhǎng)準(zhǔn)則的選取至關(guān)重要，它不僅依賴于具體問(wèn)題本身， 也和所有圖像數(shù)據(jù)的類型有關(guān)。生長(zhǎng)準(zhǔn)則的方法有基于區(qū)域灰度差，基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)， 基于區(qū)域形狀等基本方法。根據(jù)不同的需求和原則可選擇不同的生長(zhǎng)準(zhǔn)則，而選擇了不同的生長(zhǎng)準(zhǔn) 則，區(qū)域生長(zhǎng)的中間過(guò)程及最終效果將會(huì)有一定的差異。(3)是制定一個(gè)讓生長(zhǎng)過(guò)程停止的條件或規(guī)則，一般生長(zhǎng)過(guò)程在進(jìn)行到再也沒(méi)有滿足生長(zhǎng)準(zhǔn)則需要的 象素時(shí)應(yīng)該停止。區(qū)域生長(zhǎng)類型 一般來(lái)說(shuō)區(qū)域生長(zhǎng)方法可分為單連接區(qū)域生長(zhǎng)、混合連接區(qū)域生長(zhǎng)、中心連接區(qū)域生長(zhǎng)以及混合連 接組合技術(shù)，下面對(duì)兩種典型的區(qū)域生長(zhǎng)方法作了簡(jiǎn)單介紹。(1)單連接區(qū)域生長(zhǎng)技術(shù) 把兩個(gè)像素看成是連接圖中的一個(gè)節(jié)

29、點(diǎn)，把單個(gè)像素同與其相鄰像素的特性(如灰度值)進(jìn)行比較，用 一條弧將特性足夠相似的像素連接起來(lái)，從而進(jìn)行區(qū)域的增長(zhǎng)。因此如何衡量?jī)蓚€(gè)相鄰像素是否在 特性上“足夠相似”是實(shí)現(xiàn)這種方法的關(guān)鍵。通常最簡(jiǎn)單的方法是計(jì)算兩相鄰像素的灰度值之差。對(duì) 于有矢量值的像素，則要使用像素間矢量差的模。單連接區(qū)域生長(zhǎng)步驟如下：對(duì)圖象進(jìn)行掃描，求出不屬于任何區(qū)域的像素；將該像素的灰度值與其4-鄰域或8-鄰域內(nèi)不屬于任何一個(gè)區(qū)域的像素灰度值相比較，如果其差的絕對(duì)值小于某個(gè)設(shè)定的門(mén)限值，就把它們合并為同一區(qū)域；對(duì)于那些未合并的像素，重復(fù)(2)的操作；反復(fù)進(jìn)行、操作，直至區(qū)域不能再增長(zhǎng)為止；返回至(1),重新尋找能成為新區(qū)

30、域出發(fā)點(diǎn)的像素。這種方法雖然簡(jiǎn)單，但由于僅考慮了從一個(gè)像素到另一個(gè)相鄰像素 的特性是否相似，因此對(duì)于有噪聲的或復(fù)雜的圖像，使用這種方法會(huì)引起不希望的區(qū)域出現(xiàn)。如果 區(qū)域間邊緣的灰度變化很平緩，或者對(duì)比度弱的兩個(gè)相交區(qū)域，采用這種方法，區(qū)域間就會(huì)合并起 來(lái)。(2)中心連接區(qū)域生長(zhǎng)法 從滿足某種相似一致性函數(shù)的點(diǎn)開(kāi)始，在各個(gè)方向上增長(zhǎng)區(qū)域。這種方法的物理概念比較清楚，即 在物體中同一區(qū)域的各像素的灰度級(jí)不會(huì)相差很大。根據(jù)這個(gè)事實(shí)，設(shè)O為已接受的一小塊區(qū)域，檢查它的全部鄰點(diǎn)，并把滿足設(shè)定的相似一致性函數(shù) 的任何鄰點(diǎn)并入上述的小塊區(qū)域，這樣就“增長(zhǎng)”成了新的區(qū)域O，用得到的新區(qū)域O重復(fù)上述過(guò) 程，當(dāng)沒(méi)

31、有可接受的鄰點(diǎn)時(shí)，增長(zhǎng)過(guò)程也就終止了。區(qū)域生長(zhǎng)準(zhǔn)則(1)基于區(qū)域灰度差 在我們使用的區(qū)域生長(zhǎng)方法中，操作的基本單位是像素，基于區(qū)域灰度差的生長(zhǎng)準(zhǔn)則步驟如下： 對(duì)圖像進(jìn)行逐行掃描，找出尚無(wú)歸屬的像素； 以該像素為中心，檢查它相鄰的像素，即將領(lǐng)域中的像素逐個(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； 以新合并的像素為中心，在進(jìn)行步驟2 檢測(cè)，直到區(qū)域不能進(jìn)一步擴(kuò)張。重新回到步驟 1，繼續(xù)掃描直到不能發(fā)現(xiàn)沒(méi)有歸屬的像素，整個(gè)生長(zhǎng)過(guò)程結(jié)束。 以上方法，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(wèn)題可以改 進(jìn)方法如下：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

32、灰度相同的像素；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；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)將不同的區(qū)域逐步合并而產(chǎn)生錯(cuò)誤。為了克服這個(gè)問(wèn)題，可以不用新像素的灰度值去與鄰域像素的灰度值進(jìn)行比較，而用新像素所在區(qū)域的(3-1)(3-2)平均灰度值取與各鄰域像素的灰度值進(jìn)行比較。對(duì)一個(gè)有N個(gè)像素的圖像區(qū)域R,(3-1)(3-2)maxi f (x, y)-m| T小于給定值的那部分長(zhǎng)度為 L ， T2 為預(yù)定閾值，當(dāng) B2時(shí)，則兩區(qū)域合并。第一種方法合并的是兩個(gè)鄰接區(qū)

33、域的共同邊界中對(duì)比度較低部分占整個(gè)區(qū)域邊界份額較大的區(qū)域； 第二種方法合并的是兩個(gè)鄰接區(qū)域的共同邊界中對(duì)比度較低部分比較多的區(qū)域。像素的鄰域 無(wú)論是二維還是多維圖像，其最基本的組成部分是像素點(diǎn)。在二維圖像中，一個(gè)像素點(diǎn)占據(jù)一個(gè)單 位正方形區(qū)域，對(duì)于一個(gè)像素點(diǎn)P，它在水平方向和垂直方向上各有兩個(gè)相鄰的像素點(diǎn)，它們分別與P的四條邊相接觸。這四個(gè)像素組成P的4-鄰域。此外，在正方形的兩條對(duì)角線方向上，還有四 個(gè)相鄰的像素，它們分別與P的四個(gè)角相接觸，這四個(gè)相鄰相素再加上P的四個(gè)4-鄰域像素合起來(lái) 組成 P 的 8-鄰域。相應(yīng)地，二維圖像的連通域有四連通域和八連通域。四連通域是由具有4-域關(guān)系的像素點(diǎn)

34、組成的集 合，連通域中任意兩個(gè)像素點(diǎn)之間存在一條完全由該連通域中的像素點(diǎn)組成的通路，且該通路上相 鄰兩個(gè)像素具有4-域關(guān)系。八連通域是由具有8-域關(guān)系的像素點(diǎn)組成的集合，連通域中任意兩個(gè)像 素點(diǎn)之間存在一條完全由該連通域中的像素點(diǎn)組成的通路，且該通路上相鄰兩個(gè)像素具有8-鄰域關(guān) 系。如圖3.1(a)，對(duì)一個(gè)坐標(biāo)為(x,y)的像素P,它可以有4個(gè)水平和垂直的近鄰象素。它們的坐標(biāo)(見(jiàn)圖 3.1(d)分別是(x+1,y), (XT,y), (x,y+1), (x,y_1)。這些象素(用n表示)組成P的4-鄰域，記為 N4(P)。坐標(biāo)為(兀y)的像素P與它各個(gè)4-鄰域近鄰像素是一個(gè)單位距離。如果(兀y

35、)在圖像的邊 緣，它的若干個(gè)近鄰像素會(huì)落在圖像外。(a)N4(a)N4(p)nnpnn(b)ND(p)(c)(b)ND(p)(c)N8(p)(x-1,y-1)(x-1,y)(x-1,y+1)(x,y-1)(x,y)(x,y+1)dndnpndnd(x+l,y+l)(x+l,y+l)(x+l,y+l)(d)坐標(biāo)系統(tǒng)圖 3.1 像素的鄰域及坐標(biāo)表示像素P的4個(gè)對(duì)角近鄰像素(用D表示)的坐標(biāo)是(X + l,y + l), (X +y l) , (X y +l),(X -y -l)它們記為Nd (P),見(jiàn)圖3.l(b)。這些像素點(diǎn)再加上P的4-鄰域像素合稱為P的8-鄰域， 記為N8(p)，見(jiàn)圖3.1(

36、c)。同上，如果(x, y)在圖像的邊緣，Nd(p)和N8(p)中的若干個(gè)像素會(huì)落 在圖像外。像素的連通性像素間的連通性在建立圖像中目標(biāo)的邊界和確定區(qū)域的元素時(shí)是一個(gè)重要的概念。它可以進(jìn)一步分 成連接和連通，連接是連通的一種特例。要確定2 個(gè)像素是否連接需要在某種意義上確定它們是否 接觸(例如它們是否 4-近鄰像素)以及它們的灰度值是否滿足某個(gè)特定的相似準(zhǔn)則(例如它們灰度值相 等)。概括來(lái)說(shuō)連通性指的是像素A和像素B是鄰域像素，而且A和B具有共同的性質(zhì)，則A和B連通。 若在二值圖像中A、B相鄰且都為1,則A和B連通。也就是說(shuō)，在一幅只有灰度0和l的二值圖 中， 2個(gè)4-近鄰像素只有在它們具有相

37、同的灰度值時(shí)才可以說(shuō)是連接的。我們下面用V表示定義連接的灰度值集合。例如在一幅二值圖中，為考慮灰度值為l的像素之間的 連通性,V=l。又知在一幅灰度圖中，考慮具有灰度值在8到16之間象素的連通性，則V =8,9, ， 15 ,16。我們可定義以下3種連接情況(參考圖3.1)：(l) 4-連接：2個(gè)像素P和Q在V中取值且Q在N4(P)中，則它們?yōu)?-連接；8-連接：2個(gè)像素P和Q在V中取值且Q在N8(P)中，則它們?yōu)?-連接；m-連接(混合連接)：2個(gè)像素P和Q在V中取值且滿足下列條件之一，則它們?yōu)閙-連接:Q在 N4( P)中；N 4( P) N 4(Q)是空集，這個(gè)集合是由P和Q的在V中取值

38、的4-近鄰像素組成的?；旌线B接可認(rèn)為是8-連接的一種變型，引進(jìn)它是為了消除使用8-連接時(shí)常會(huì)出現(xiàn)的多路連接問(wèn)題。 圖 3.2給出一個(gè)示例。(b)V 二1考慮圖3.2（a）所示的像素排列，當(dāng)時(shí)，中心像素的8-近鄰像素間的連接由圖3.2（b）中的連線所示。請(qǐng)注意由于允許 8-連接所產(chǎn)生的歧義性（即中心像素和右上角像素間有2條連線），這種歧義 性當(dāng)用m 連接時(shí)就消除了（如圖3.2（c）所示），因?yàn)橹行南袼睾陀疑辖窍袼刂g直接的m-連接不能成 立（第 1 和第 2 條件均不滿足）。如果一個(gè)像素P與另一個(gè)像素Q相連接，則它們相毗鄰。我們可根據(jù)所用的連接來(lái)定義4-毗鄰，8- 毗鄰或m-毗鄰。對(duì)2個(gè)圖像子集

39、S和T來(lái)說(shuō)，如果S中的一些像素與T中的一些像素毗鄰，則S和 T 是毗鄰的。從具有坐標(biāo) （x,y ）的像素 P 到具有坐標(biāo) （s,t ）的像素 Q 的一條通路是由一系列具有坐標(biāo)（人）,（t，人），（?！?yn）的獨(dú)立像素組成的。這里（X0, y0） = （x, y）,（xn，yn ） = （S，t），（Xi，yi ）與 S1，yi _1）毗鄰，其中 1 Jn 為通路長(zhǎng)度。我們可以根據(jù)所用的毗鄰性定義4-通路，8-通路或m-通路。設(shè)P和Q是一個(gè)圖像子集S中的2個(gè)像素，那么如果存在1條完全由在Q中的像素組成的從P到P 的通路，那么就稱P在S中與Q相連通。對(duì)S中任一個(gè)像素P，所有與P相連通且又在S中的

40、像 素的集合（包括P）合起來(lái)稱為S中的一個(gè)連通組元。圖像里相同連通組元中的2個(gè)像素互相連通, 而不同連通組元中的各像素互不連通。區(qū)域生長(zhǎng)算法程序設(shè)計(jì)思路本論文是在基于MATLAB軟件平臺(tái)上設(shè)計(jì)開(kāi)發(fā)的區(qū)域生長(zhǎng)算法，其設(shè)計(jì)思路如下：1）通過(guò)具體觀察某幅圖像的直方圖，估計(jì)其確定種子點(diǎn)范圍1 S 2，并確定其閾值T ；2）透過(guò)對(duì)整幅圖像的掃描，找出某個(gè)區(qū)域的一個(gè)種子點(diǎn)： f （x.y）3）開(kāi)始利用8連通方向，以該種子點(diǎn)為中心進(jìn)行生成區(qū)域；s（r）,s（0 ）diff =1 f （i, j） - f （x.y） l T ave = f （i, j）中4）繼續(xù)用 8 連通方向，以該區(qū)域?yàn)橹行?，把鄰近滿足生

41、長(zhǎng)條件的點(diǎn)并入，生成新的區(qū)域；ave(3-8)(3-9)diff =1 f (i，j) - ave l T 5）重復(fù)4 ）步，直到不再存在鄰近滿足生長(zhǎng)條件的點(diǎn)為止，該區(qū)域生成過(guò)程結(jié)束;(3-8)(3-9)6）繼續(xù)對(duì)圖像進(jìn)行掃描，尋找其他區(qū)域的一個(gè)種子點(diǎn)，按3 ）5 ）的步驟進(jìn)行。區(qū)域生長(zhǎng)算法程序設(shè)計(jì)流程圖 以下是區(qū)域生長(zhǎng)算法實(shí)現(xiàn)流程圖：3.4區(qū)域生長(zhǎng)算法程序MATLAB24堤MathWorks公司的用于數(shù)值計(jì)算的軟件產(chǎn)品，1984年發(fā)行。早期只是非常簡(jiǎn)單的 DOS版本，至1993年才發(fā)行 Windows3.1版本。2000年10月推出6.0版本,2003年推出MATLAB7.0 版本，目前的版

42、本是MATLAB2008a （ 7.5 版本。自推出之后，MathWorks公司不斷接收和汲取各學(xué) 科領(lǐng)域的權(quán)威人士為之編寫(xiě)的函數(shù)和程序，并將它們轉(zhuǎn)換為MATLAB的工具箱，這些工具箱給各個(gè) 領(lǐng)域的研究和工程應(yīng)用提供了有力的工具。借助于這些“巨人肩上的工具”各個(gè)層次的研究人員可直 觀方便的進(jìn)行分析、計(jì)算及設(shè)計(jì)工作，可以大大地節(jié)省軟件開(kāi)發(fā)時(shí)間。MATLAB主要包括以下幾個(gè) 部分：MATLAB程序設(shè)計(jì)語(yǔ)言、MATLAB工作環(huán)境、MATLAB工具箱、MATLAB的應(yīng)用程序接口oMATLAB語(yǔ)言既是一種編程環(huán)境，又是一種程序設(shè)計(jì)語(yǔ)言。它的規(guī)則更接近于數(shù)學(xué)表示，因此集成性更好，應(yīng)用更為簡(jiǎn)便。MATLAB

43、超強(qiáng)的矩陣計(jì)算能力和圖像處 理工具箱(Image Processing Toolbox相結(jié)合，使得MATALAB在數(shù)字圖形、圖像的處理領(lǐng)域獲得廣泛 的應(yīng)用。主要圖像處理應(yīng)用領(lǐng)域有：亮度變換與空間濾波；頻域處理;圖像復(fù)原；圖像小波處理；圖 像壓縮；形態(tài)學(xué)圖像處理；圖像分割；圖像表示與描述；對(duì)象識(shí)別等。依據(jù)本研究的應(yīng)用針對(duì)性，結(jié)合區(qū)域生長(zhǎng)算法需要解決的三個(gè)關(guān)鍵 問(wèn)題，設(shè)計(jì)開(kāi)發(fā)算法。(1)種子點(diǎn)的選擇 種子點(diǎn)的選擇是區(qū)域生長(zhǎng)的首要任務(wù)。根據(jù)林區(qū)內(nèi)地物呈區(qū)域狀連續(xù)、交錯(cuò)分布的特點(diǎn)，對(duì)種子點(diǎn) 選取做了如下的適應(yīng)性改進(jìn)：建立種子標(biāo)記矩陣，既為確定種子點(diǎn)，又標(biāo)記合并到一個(gè)區(qū)域內(nèi)的 像素點(diǎn)；連續(xù)檢測(cè)種子標(biāo)一記

44、矩陣，對(duì)已形成區(qū)域的外圍邊界點(diǎn)定位，任選一點(diǎn)作為下一區(qū)域的:已經(jīng)完成生長(zhǎng)并形成區(qū)域的像素點(diǎn):已經(jīng)完成生長(zhǎng)并形成區(qū)域的像素點(diǎn)X ：可作為下一區(qū)域種子點(diǎn)的像素點(diǎn)圖 3.4 種子點(diǎn)圖示(2)區(qū)域生長(zhǎng)過(guò)程 區(qū)域形成必須首先建立一個(gè)能夠合并鄰域像素的生長(zhǎng)標(biāo)準(zhǔn)，其 次要設(shè)計(jì)合適的生長(zhǎng)方式。區(qū)域生長(zhǎng)標(biāo)準(zhǔn)區(qū)域生長(zhǎng)過(guò)程中，生長(zhǎng)標(biāo)準(zhǔn)的確定是關(guān)乎算法有效性的一個(gè)中心問(wèn)題?；趨^(qū)域的同質(zhì)性，能夠并 入同一區(qū)域的像素，一定是符合某種標(biāo)準(zhǔn)的，把多光譜圖像看做是多維空間，量測(cè)像素點(diǎn)之間的歐 氏距離可以作為生長(zhǎng)的標(biāo)準(zhǔn)。在多維空間中，任意兩個(gè)位置的歐氏距離定義為(3-9)式：(3-9)E2 丄(Pd (i, j)- P” (i

45、,j)2(3-9)ddd=1式中：E任意兩點(diǎn)間的歐氏距離;d - 空間維數(shù)；Pd仏力Pd (人j) - d維空間中的任意兩點(diǎn)。 在 RGB 空間中，基于種子點(diǎn)的歐氏距離可定義為：D 2( P (i, j), ps (i,j) = (R Rs )2 + (G G s )2 + (B + B s )2EP PP PP P(3-10)式中：DE為歐氏距離；P(i, j), Ps(人門(mén)分別為非種子點(diǎn)和種子點(diǎn)；Rp, Gp,bp分別為非種子點(diǎn)RGBR ,G , B光譜值；p p p分別為種子點(diǎn)RGB光譜值。若ps為區(qū)域A的種子點(diǎn)，給定一個(gè)閾值T,則有:P g A;(3-11)P電A.(3-11)(3-1

46、1)式則成為區(qū)域生長(zhǎng)及結(jié)束的判定標(biāo)準(zhǔn)。區(qū)域生長(zhǎng)方式區(qū)域的連通性是區(qū)域生長(zhǎng)又一重要條件，影響到分割算法的核心結(jié)構(gòu)，因此在區(qū)域生長(zhǎng)過(guò)程中， 需要嚴(yán)格保證連通性條件即保證像素的四連通性或者八連通性?？紤]到像素坐標(biāo)的關(guān)聯(lián)性，對(duì)(3-11)式做了如下改進(jìn)：|( P (i +1, j |( P (i +1, j r + k), Ps(i, j)| TP 電 A。(3-12)式中：/hIOI; k = 1,0,1無(wú)論是四連通方式還是八連通方式，以1, k取值做為條件，可依次檢測(cè)種子點(diǎn)周圍鄰接像素，保證 了區(qū)域的連通性和完整性。任何區(qū)域都是組成整個(gè)圖像的組成部分，對(duì)于某一區(qū)域的形成過(guò)程中循環(huán)遍歷整個(gè)圖像是不可

47、避免的，但當(dāng)圖像較大時(shí)，每次區(qū)域的形成都對(duì)整個(gè)圖像進(jìn)行多次循環(huán) 遍歷就會(huì)浪費(fèi)計(jì)算機(jī)系統(tǒng)的資源，造成不必要的系統(tǒng)開(kāi)銷?？紤]到區(qū)域的局部性，以及膨脹式區(qū)域 生長(zhǎng)過(guò)程，本研究在區(qū)域生長(zhǎng)過(guò)程中，采用膨脹式局部動(dòng)態(tài)循環(huán)的方法，使得分割效率大為提高， 算法得到了進(jìn)一步的優(yōu)化。(3)區(qū)域合并 應(yīng)用區(qū)域生長(zhǎng)法分割圖像，極易造成過(guò)度分割。在具體應(yīng)用中，遙感圖像的成像噪聲，林間的小空 地，林木陰影等都使得地物的圖像光譜值發(fā)生變化，分割算法會(huì)把這些區(qū)域分割出來(lái)，形成碎片。 目前，區(qū)域合并是解決此問(wèn)題重要的方法。區(qū)域合并要滿足兩個(gè)條件：是破碎區(qū)域的判定標(biāo)準(zhǔn)；是合并方法。對(duì)柵格圖像而言，其組成部 分是像元，計(jì)算生長(zhǎng)所形

48、成區(qū)域內(nèi)的像元數(shù)量，可設(shè)定合并閾值TP,像元數(shù)量低于TP的區(qū)域?yàn)樗?片，亦即當(dāng)所生成區(qū)域?yàn)锳,其像元數(shù)量為SPA時(shí)，若滿足(3-12)式，則A作為碎片而被合并。(3-13)S PA= T P(3-13)借助種子選取過(guò)程種的邊緣檢測(cè)方法，并結(jié)合區(qū)域生長(zhǎng)標(biāo)準(zhǔn)，空間距離最小原則，依據(jù)(6)式，尋找AA區(qū)域A邊緣像素中，與A區(qū)域空間距離最小的區(qū)域Ao，將A并入Ao，其步驟見(jiàn)圖3.5。E = min(U (d )0i=1 Ei(3-14)E A式中：Eo A區(qū)域邊緣與相鄰區(qū)域的空間距離的最小值;U (d ) - Ai=1 Ei區(qū)域邊緣與相鄰區(qū)域的空間距離集合。將A并入A0結(jié)束圖3.5區(qū)域合并流程圖MAT

49、LAB圖像處理工具箱的最強(qiáng)大特征之一是其對(duì)其自身編程環(huán)境的透明訪問(wèn)，區(qū)域生長(zhǎng)算法 程序代碼如下：%district.m 主函數(shù)clear clcI = imread(bacteria.tif); subplot(1,2,1); imshow(I);title(初始圖像);subplot(1,2,2);imhist(I);title(初始圖像的直方圖);透過(guò)該直方圖確定種子滿足S1S2的值(灰度值)和判定的依據(jù)閾值T S1=8;S2=70;T=33;f=double(I); m,n=size(I);shed1=zeros(3,round(m*n/2);%存儲(chǔ)區(qū)域生長(zhǎng)方向上的點(diǎn)灰度值和該區(qū)域的灰度

50、均值的絕對(duì)差值和該 點(diǎn)的坐標(biāo)sp1=0;%sp1 相當(dāng)于指針，指向 shed1 中的最后放入的值和坐標(biāo) shed2=zeros(2,m);%存儲(chǔ)符合生長(zhǎng)條件的點(diǎn)的坐標(biāo) sp2=0;% sp2 指針，指向 shed2 中的最后放入點(diǎn)的坐標(biāo) Cut=zeros(size(f);%Cut為區(qū)域生長(zhǎng)后的新圖像Cut=Cut+255;%Cut矩陣初始值設(shè)為255(全白色為底色) vb=0;%標(biāo)記值，當(dāng)vb=1時(shí)，即要求重新計(jì)算已有的棧shed1(1,:)的大小 for i=1:mfor j=1:n if (f(i,j)S1 &f(i,j)vS2&Cut(i,j)=0)%灰度值不等于0,灰度值介入S1和S

51、2之間，確定該點(diǎn) 滿足作為種子的條件，且未并入已有生長(zhǎng)區(qū)域Cut(i,j)=0;%0時(shí)，標(biāo)記該點(diǎn)在原圖像的對(duì)應(yīng)點(diǎn)已并入生長(zhǎng)區(qū)域 ave=f(i,j);%確定新區(qū)域的均值的起始值 k=1;%設(shè)置生成的區(qū)域的像素個(gè)數(shù) Cut,shed1,sp1,vb=ruzhan(f,Cut,shed1,sp1,ave,i,j,m,n,vb);%把周圍的 8 個(gè)點(diǎn)入棧 shed1,sp1=arrange(shed1,sp1);%對(duì)棧shed1的數(shù)據(jù)進(jìn)行由大到小的排序 shed1,sp1,shed2,sp2=listed(shed1,sp1,T,shed2,sp2);%確定符合條件的生長(zhǎng)點(diǎn)，將它從 shed1 中取

52、出，并放入 shed2 中end%根據(jù)生長(zhǎng)點(diǎn)開(kāi)始用8 連通方式進(jìn)行生長(zhǎng)while (sp2=0) %當(dāng) sp2=0 時(shí)表示找不到符合的點(diǎn)，if (sp2=0) %當(dāng)有新的值加入?yún)^(qū)域時(shí)，求新的平均值 sum=ave*k;for t=1:sp2x=shed2(1,t);y=shed2(2,t);sum=sum+f(x,y);k=k+1;end ave=sum/k;endfor t=l:sp2%合并棧shed2中的點(diǎn)，生成新的區(qū)域 x=shed2(1,t);y=shed2(2,t);Cut(x,y)=0; Cut,shedl,spl,vb=ruzhan(f,Cut,shedl,spl,ave,x,y

53、,m,n,vb);endsp2=0;shedl,spl=arrange(shedl,spl); shedl,spl,shed2,sp2=listed(shedl,spl,T,shed2,sp2);end%在一片區(qū)域生成之后，對(duì)棧shed1(1,:)中未并入?yún)^(qū)域的值進(jìn)行處理if (spl=0) for t=1:sp1 x=shed1(2,t);y=shed1(3,t); Cut(x,y)=255;endsp1=0;shed1=zeros(3,round(m*n/2);endendendII=uint8(Cut);figureimshow(II)title(區(qū)域生長(zhǎng)后的圖像(黑色部分)；%func

54、tion shed1,sp1,shed2,sp2=listed(shed11,sp11,T,shed21,sp21)%確定符合條件的生長(zhǎng)點(diǎn)，將它從shedl中取出，并放入shed2中 shed1=shed11； sp1=sp11； shed2=shed21；sp2=sp21；while (sp1=0)&(shed1(1,sp1)v=T)%確定shedl不為空，且存在符合生長(zhǎng)條件的點(diǎn) sp2=sp2+1； shed2(1,sp2)=shed1(2,sp1)；shed2(2,sp2)=shed1(3,sp1)；sp1=sp1-1；end%function shed1,sp1=arrange(she

55、d11,sp11)% 排序shed1=shed11； sp1=sp11； %根據(jù)shed1(1,:)的大小，重新排列shed1，按由大到小的順序 for i=1:sp1-1maxvalue=shed1(1,i)；x=shed1(2,i)；y=shed1(3,i);for j=i+1:sp1if maxvalue0&x0&y=n&Cut(x,y)=255) %排除已經(jīng)的生長(zhǎng)區(qū)域上的點(diǎn),或者已入棧的點(diǎn) 以及防止出界diff=abs(f(x,y)-ave); %該點(diǎn)灰度值和均值的絕對(duì)差值 %插入 shedl 棧中sp1=sp1+1;%指向新的入棧點(diǎn) shedl(l,spl)=diff;shed1(2

56、,sp1)=x;shed1(3,sp1)=y; Cut(x,y)=125;%標(biāo)記已入棧的點(diǎn) endendend區(qū)域生長(zhǎng)算法的運(yùn)行結(jié)果 以下是基于 MATLAB 的區(qū)域生長(zhǎng)算法對(duì)圖像的分割處理運(yùn)行結(jié)果：初始圖錢(qián)的宜方圖450350300100100200初始圖象20D500400初始圖錢(qián)的宜方圖450350300100100200初始圖象20D500400圖(a)圖(b)圖(a)區(qū)域生長(zhǎng)啟的圖象(黑色部分)圖 (c)圖 3.6 區(qū)域生長(zhǎng)算法運(yùn)行結(jié)果區(qū)域生長(zhǎng)算法的結(jié)論) 基本實(shí)現(xiàn)了區(qū)域分割的目的；) 若是種子灰度值和閾值設(shè)置妥當(dāng)，可將一幅圖像分成多灰度級(jí)的灰度圖，同理，也可對(duì)彩色圖像 進(jìn)行處理；)

57、 由于各個(gè)圖像其特征不同，在種子、閾值上的選取也會(huì)有所不同，要根據(jù)具體情況而定。)在這里，種子選取了滿足一小段特定灰度值的點(diǎn)，已避免漏過(guò)某些模糊區(qū)域，(因不含某個(gè)灰度值的點(diǎn)而漏過(guò) )；) 該算法不足之處是運(yùn)算量大，占用時(shí)間多。區(qū)域生長(zhǎng)算法的應(yīng)用將本文開(kāi)發(fā)的區(qū)域生長(zhǎng)算法應(yīng)用到對(duì)遙感圖像和醫(yī)學(xué)圖像具體實(shí)例進(jìn)行分割實(shí)驗(yàn)。并將對(duì)其分割效 果做出評(píng)價(jià)。3.7.1 區(qū)域生長(zhǎng)算法在遙感圖像分割中的應(yīng)用對(duì)經(jīng)過(guò)預(yù)處理的 Quickbird 遙感彩色圖像，選取包含水體，道路，空地不同林地等地物的典型的林地 區(qū)域進(jìn)行分割試驗(yàn)。當(dāng)不進(jìn)行區(qū)域合并時(shí)，分割算法會(huì)把因遙感圖像的成像噪聲，林間的小空地，林木陰影等使得地物的圖

58、像光譜值發(fā)生變化的區(qū)域分割出來(lái)，形成很多碎片形成類似椒鹽的圖像(如(a)合并前圖3.5(a)合并前與(b)合并后對(duì)比圖選擇不同的分割閾值T和區(qū)域合并閾值TP會(huì)得到不同的分割結(jié)果。圖3.6中在分割閾值T分別為10, 30, 50, 80, 100,合并閾值力分別為50和100時(shí)的分割效果差別很大；但根據(jù)實(shí)際要求，選擇合適的分割閾值T與合并閾值TP時(shí)，可獲得較為滿意的分割效果，見(jiàn)圖3.6(d)。當(dāng)不合并破碎區(qū)域時(shí)，隨著T的增大，分割區(qū)域的數(shù)量急劇降低，但無(wú)論如何調(diào)整T值，總存在破 碎區(qū)域；當(dāng)TP為一定值時(shí)，隨著T值的增大，分割區(qū)域數(shù)量呈單峰狀分布，表明T值較大或較小 都不利于分割，從分割結(jié)果看，

59、T 的選取以峰值及其臨近區(qū)域的值為佳(見(jiàn)圖 3.6)。區(qū)域合并是區(qū)域 生長(zhǎng)克服過(guò)度分割的重要方法，但是如果設(shè)定TP值過(guò)高，會(huì)造成過(guò)度合并的現(xiàn)象，因此設(shè)定TP要 依據(jù)具體要求。(a)原始圖像(b) T =10, TP =50(c) T =30, TP =50(d) T=50， TP=50(e) T =80, TP=50(f) T =100, TP=50(g) T =30， TP(g) T =30， TP=100(h) T =40， TP=100(i) T =50， TP=100圖3.6不同T,TP值的分割圖像 盡管對(duì)圖像分割己進(jìn)行了大量研究，并已提出了上千種各式各樣的算法，但尚沒(méi)有一種于所有圖像

60、 的通用分割算法，另一方面，給定一個(gè)實(shí)際應(yīng)用要選擇合用的分割算法仍然是一個(gè)很麻煩的問(wèn)題，由于缺少通用理論，常常需要反復(fù)的進(jìn)行實(shí)驗(yàn)。要克服這些困難就需要研究如何評(píng)價(jià)圖像分割的技 術(shù)。分割評(píng)價(jià)是關(guān)乎算法生命的核心問(wèn)題，歷來(lái)是圖像分割的重點(diǎn)和難點(diǎn)，時(shí)至今日，仍然沒(méi)有通 用的方法。針對(duì)本課題應(yīng)用研究特點(diǎn)，提出了一個(gè)定性的評(píng)價(jià)方法，即采用林地現(xiàn)場(chǎng)勾繪，獲得林 區(qū)地物實(shí)地分布圖，來(lái)對(duì)分割結(jié)果進(jìn)行對(duì)比驗(yàn)證。MHAItMBLWVVF.-T.itRtthMIl ib-IhA UH un圖 3.7 不同閾值分割圖像合并前后區(qū)域數(shù)量通過(guò)在林地實(shí)地勾繪獲得矢量圖層(圖3.8 (a),與遙感圖像分割圖疊合(圖3.8 (