图像分割区域生长法

江苏科技大学

数字图像处理

图像分割——区域生长法专题

1 图像分割简介

图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。

图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。

从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。

其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。

图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多

的区域。

2图像分割定义

借助集合概念对图像分割给出如下较正式的定义:

令集合R 代表整个图像区域, 对R 的分割可看做将R 分成N 个

满足以下五个条件的非空子集( 子区域)R1, R3, ……, RN:

①1N

i i R R == ②对所有的i 和j, i ≠j, 有Ri ∩Rj ≠○;

③对i=1,2,?,N, 有P(Ri)=TRUE;

④对i ≠j, 有P(Ri ∪Rj)=FALSE;

⑤对i=1,2,?,N, Ri 是连接的区域。

其中P(Ri)对所有在集合Ri 中元素的逻辑谓词, ○代表空集。上述的五个条件分别称

为完备性，独立性，相似性，互斥性，连通性。

3、图像分割方法及串行区域分割技术简述

多年来的研究使得人们对图像分割产生了高度的重视, 并且已经提出了上千种分割算法, 将算法分类就是把一个集合分成若干子集,这与分割本身有一定相似性, 因此参考分割定义, 每个算法都能被分成一类, 各类总和包括所有算法, 同类中算法有相同性质, 不同类算法有某些不同性质。参照这些条件进行分类。

拿一幅普通的人物照片来举例, 相邻象素在象素值方面有两个性质: 不连续性和相似性( 区域内的象素都具有相似性, 如人的额头和面颊的象素, 而区域边界一般具有某种不连续性, 如耳朵的边缘和紧连着耳朵的背景上的象素) 。另外由于分割过程的处理方法不同, 算法又可分为串行和并行的( 串行算法早期的结果被后来的计算所利用, 时间较长, 但抗噪声能力强, 并行算法所有的判断和决定都可独立、同时地完成。所需时间较短) 。

综上两种分类, 图像分割的算法可归入四大类

串行区域分割技术指采用串行处理的策略通过对目标区域的直接检测来实现图像分割的技术, 它的特点是将整个处理过程分解为顺序的多个步骤逐次进行, 对后继步骤的处理要对前面已完成步骤的处理结果进行判断而确定。这里的判定要根据一定的准则, 一般来说如果准则是基于图像灰度特性的, 则这个方法可以用于灰度图像分割。

基于区域的串行分割技术有两种基本的形式, 一是从单个象素出发, 渐渐合并以形成所需的分割区域, 二是从整个图出发, 分裂切割至所需要的分割区域, 第一种方法的典型技术就是区域生长法。

4 区域生长的原理

区域生长的基本思想是将具有相似性质的象素集合起来构成区域。首先对每个需要分割的区域找出一个种子象素作为生长的起点,然后将种子象素周围邻域中与种子有相同或相似性质的象素( 根据事先确定的生长或相似准则来确定) 合并到种子象素所在的区域中。而新的象素继续做种子向四周生长, 直到再没有满足条件的象素可以包括进来, 一个区域就生长而成了。

现在给出一个区域生长的示例。给出已知矩阵A：

大写的5 为种子, 从种子开始向周围每个象素的值与种子值取灰度差的绝对值, 当绝对值少于某个门限T 时, 该象素便生长成为新的种子, 而且向周围每个象素进行生长; 如果取门限T=1, 则区域生长的结果为:

可见种子周围的灰度值为4、5、6 的象素都被很好地包进了生长区域之中, 而到了边界处灰度值为0、1、2、7 的象素都成为了边界, 右上角的5 虽然也可以成为种子, 但由于它周围的象素不含有一个种子, 因此它也位于生长区域之外; 现在取门限T=3, 新的区域生长结果为:

整个矩阵都被分到一个区域中了。由此可见门限选取是很重要的。

在实际应用区域生长法时需要解决三个问题：

1.选择或确定一组能正确代表所需区域的种子象素( 选取种子) ;

2.确定在生长过程中能将相邻象素包括进来的准则( 确定门限) ;

3.确定让生长过程停止的条件或规则( 停止条件)

利用迭代的方法从大到小收缩是一种典型的方法, 它不仅对2- D图像而且对3-D 图像也适用。一般情况下可以选取图像中亮度最大的象素作为种子, 或者借助生长所用准责对每个象素进行相应的计算, 如果计算结果呈现聚类的情况则接近聚类重心的象素可以作为种子象素。上面的例子, 分析它的直方图可知灰度值为1 和5 的象素最多且处于聚类的中心, 所以可各选一个具有聚类中心灰度值的象素作为种子。

生长准则的选取不仅依赖于具体问题本身, 也和所用图像数据种类有关, 如彩色图和灰度图。一般的生长过程在进行到再没有满足生长条件的象素时停止, 为增加区域生长的能力常需考虑一些与尺寸、形状等图像和目标的全局性质有关的准则。

区域生长的关键是选择合适的生长或相似准则, 大部分区域生长准则会使用图像的局部性质生长准则可以根据不同原理制定, 而使用不同的生长准则会影响区域生长的过程。常用的生长准则和方法有两种, 即基于区域灰度差的、基于区域内灰度分布统计性质的。

下面给出实验结果:

灰度图lena 直方图

区域生长结果三次均方值计算

直方图区域生长结果

由于lena 细节性较强( 比如姑娘的发丝) , 对它进行区域生长的结果还会有一些区域无法连在一起, 所以对它进行了三次均值运算( 取象素及周围共九个点的平均灰度作为新的灰度值) 。区域生长以后小的区域就较好地连成了一片。

5 基于区域灰度差的生长准则

在我们使用的区域生长方法中, 操作的基本单位是象素, 基于区域灰度差的生长准则

步骤如下:

1.对图像进行逐行扫描, 找出尚无归属的象素;

2.以该象素为中心, 检查它相邻的象素, 即将邻域中的象素逐个与它比较, 如果灰度

差小于事先确定的阈值, 则将它们合并;

3.以新合并的象素为中心, 再进行步骤2 检测, 直到区域不能进一步扩张;

4.重新回到步骤1, 继续扫描直到不能发现没有归属的象素, 整个生长过程结束。

上述方法是先要进行扫描, 这对区域生长起点的选择有比较大的依赖性, 为克服

这个问题可以改进方法如下:

1.设灰度差的阈值为零, 用上述方法进行区域扩张, 合并灰度相同的象素;

2.求出所有邻接区域之间的平均灰度差, 合并具有最小灰度差的邻接区域;

3. 设定终止准则, 通过反复进行步骤2 中的操作将区域依次合并, 直到终止准则满足

为止, 生长过程结束。

当图像中存在灰度缓慢变化的区域时, 上述方法有可能会将不同区域逐步合并而产生错误。为了克服这个问题, 可以不用新象素的灰度值去与邻域象素的灰度值进行比较, 而用新象素所在区域的平均灰度值去与各邻域象素的灰度值进行比较。对一个有N 个象素的图像区域R, 灰度均值为:

1

(,)

R

m f x y

N

=∑

对象素的比较为:

max|(,)|

R

f x y m T

-<

其中T 为阈值。

如果区域是均匀的, 区域内的灰度变化应当尽量小; 如果区域是非均值的( 一般情况) ,

且由两部分构成。这两部分象素在R 中所占比例分别为q 1和q 2, 灰度值分别为m 1和m 2, 则区域均值为q 1m 1+q 2m 2, 对灰度值为m 1的象素, 它与区域均值的差为:S m =m 1-(q 1m 1+q 2m 2) 可知正确判决的概率为:

这表明, 当考虑灰度均值时, 不同部分象素间的灰度差距应该尽量大。

6 基于区域内灰度分布统计性质的生长准则

考虑以灰度分布相似性作为生长准则来决定区域的合并, 具体步骤为:

1.把图像分成互不重叠的小区域;

2.比较邻接区域的累积灰度直方图, 根据灰度分布的相似性进行区域合并;

3.设定终止准则, 通过反复进行步骤2中的操作将各个区域依次合并直到满足终止准则, 生长过程结束。

设两个相邻区域的积累灰度直方图分别为h 1(z)和h 2(z), 常用的两种检测方法为:

1. Kolmogorov- Smirnov 检测:

12max |()()|z

h z h z - 2. Smoothed- Difference 检测:

12

|()(2)|z

h n h -∑ 如果检测结果小于给定阈值T, 则两个区域合并。使用此方法, 小区域的尺寸对结果可能有较大影响, 尺寸太小时检测可靠性降低, 尺寸太大时得到的区域形状不理想, 小的目标会被漏掉, 用Smoothed-Difference 方法检测直方图相似性时效果Kolmogorov- Smirnov 要好, 因为它考虑了所有的灰度值。 1()[(||)(||)]2m m P T P T s P T s =-++

Matlab实现区域生长算法

Matlab实现区域生长算法 （南京航空航天大学机电学院机械工程系，南京2016年11月1日） 摘要： 图像分割不仅是图像处理领域的一个经典的研究主题，也是图像处理技术的热点和焦点。随着计算机处理技术的发展，图像分割算法引起研究人员越来越多的关注。本文提出了基于传统的种子区域生长算法的基础上形成一种新的图像自动分割区域的方法。算法的实现主要基于Matlab编程实现。 关键词：图像分割，种子区域生长算法，Matlab 一、引言 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。 区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果。在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域生长法是一种迭代的方法，空间和时间开销都比较大，噪声和灰度不均匀可能会导致空洞和过分割，并在对图像中的阴影效果处理上往往不是很好。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像： 1、选取图像中的一点为种子点（种子点的选取需要具体情况具体分析）。 2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方

图像分割区域生长法

江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。

基于区域生长法的图像分割论文原稿

基于区域增长法的图像分割 王春者 （信工学院电子信息工程专业） 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。 本论文首先简单介绍图像分割的主要方法，然后重点介绍一种基于区域增长法的图像分割方法,该方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 关键词：图像分割；区域增长法；基本算法

Abstract The image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.The purpose is to image segmentation image is divided into different areas,based on region growing segmentation technique is based on the direct search for regional. This paper first briefly introduce the main method of image segmentation, and then focuses on a method of image segmentation based on region growing method, the method is based on similar properties in the same region within the object pixel to pixel aggregation method, from the initial area (as regards neighborhood of each pixel, or even), the adjacent pixel having the same nature or other areas merge into the current so as to gradually increase the area of the region can merge up until no other point or small area. Similarity measure may include a region of the pixel values of the average gray, texture, color and other information. Key words：Image segmentation; region growing method; basic algorithm

基于区域生长的图像分割

安康学院 学年论文﹙设计﹚ 题目基于区域生长法的图像分割 学生姓名周东阳 2012020081 所在院(系)电子与信息工程系 专业班级电子信息工程2012级2班 指导教师余顺园 2015年6月25日

基于区域生长法的图像分割 作者：周东阳 安康学院电子与信息工程系电子信息工程专业12级，陕西安康 725000 指导教师：余顺园 【摘要】图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级等）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。 【关键词】区域生长种子点分割像素 Image segmentation based on region growing arithmetic Author：ZhouDongyang Grade three ,Class two,Major Electronic and Information Engineering ,Dept.，Ankang University，Ankang 725000，Shaanxi Directed by YuShunyuan Abstract:Image segmentation aims to divide the image into different areas, based on region growing is to find region-based segmentation techniques. Criteria defined in advance by the region growing is a pixel or sub-regional aggregate into bigger regional process. Basic method is based on a set of "seed" point, with seeds similar in nature (such as grayscale) adjacent pixels on each attach to the growth region of the seed. Region growing is one of the problems with formulas describing a termination rule. Basically, no pixels when you meet the conditions for joining a regional, regional growth will stop. In the design of this course, in algorithm design fully reflects that. Traverse the image function is called during testneitesting i,j

设计利用区域生长算法进行图像分割的程序

设计利用区域生长算法进行图像分割的程序 1、目的：把一幅图像划分成满足某种判据的一些区域，在这里形成一个二值图。 2、原理：首先确定每个区域中的某个已知点，加上与已知点相似的邻近点形成一个区域，在这里利用区域的均值。当邻近点与区域均值的差值的绝对值小于阈值T 时，即满足生长条件。方法是从种子点开始，在8连通方向上生长区域，当其邻近点满足生长条件，则就并入小快区域，当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时该区域生成过程终止。 3、设计思路： 1）通过具体观察某幅图像的直方图，估计其确定种子点范围[S1，S2]，并确定其阈值T; 2）透过对整幅图像的扫描，找出某个区域的一个种子点：(.)f x y 3）开始利用8连通方向，以该种子点为中心进行生成区域；[(),()]s r s θ |(,)(.)|diff f i j f x y T =-<(,)ave f i j = 4）继续用8连通方向，以该区域为中心，把邻近满足生长条件的点并入，生成新的区域； 1(,)k ave f i j k =∑ |(,)|diff f i j ave T ''=-< 5）重复4）步，直到不再存在邻近满足生长条件的点为止，该区域生成过程结束； 6）继续对图像进行扫描，寻找其他区域的一个种子点，按3）~5）的步骤进行 4、程序设计 根据下面的流程图可分为

区域生长算法实现流程图

5、程序 %district.m主函数 clear clc I = imread('bacteria.tif'); subplot(1,2,1) imshow(I) title('初始图像'); subplot(1,2,2) imhist(I) title('初始图像的直方图'); %透过该直方图确定种子满足S1~S2 的值（灰度值）和判定的依据阈值T S1=8;S2=70;T=33; f=double(I); [m,n]=size(I); shed1=zeros(3,round(m*n/2)); %存储区域生长方向上的点和该区域的均值的绝对差值和 该%点的坐标 sp1=0; % sp1 相当于指针，指向shed1 中的最后放入的值和坐标 shed2=zeros(2,m); %存储符合生长条件的点的坐标 sp2=0; % sp2 指针，指向shed2 中的最后放入点的坐标 Cut=zeros(size(f)); % Cut 为区域生长后的新图像 Cut=Cut+255; % Cut 矩阵初始值设为255 vb=0; %标记值，当vb=1 时，即要求重新计算已有的栈shed1(1,:) 的大小 for i=1:m for j=1:n if (f(i,j)>S1&f(i,j)

数字图像处理课设程设计-基于区域生长的图像分割

成绩 南京工程学院 课程设计说明书(论文) 题目基于区域生长的图像分割 课程名称数字图像处理 院（系、部、中心）通信工程学院 专业 班级 学生姓名 学号 设计地点 指导教师 设计起止时间：2010 年6月28日至2010年7月2日

录 【摘要】 (1) 一、课程设计名称 (1) 二、课程设计目标 (1) 三、总体设计 (1) 3.1 总体设计要点概括 (1) 3.2算法流程设计 (2) 四、功能描述 (3) 五、测试结果与分析 (3) 六、课程设计总结 (6) 七、参考文献: (7) 八、源程序： (7) 1

【摘要】 图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级或衍射的特定范围）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。 关键字：区域生长种子点分割 一、课程设计名称 基于区域生长的图像分割 二、课程设计目标 1、通过本次数字图像处理课程设计，加深我对数字图像处理的基本原理与方法的认 识，提高了我应用数字图像处理的方法解决实际问题的能力，达到理论与实际应用的结合。 2、通过课程设计，能够熟练运用Matlab完成图像处理任务。 三、总体设计 3.1 总体设计要点概括 区域生长是一种根据事先定义的准则将像素或子区域聚合成更大区域的过程。基本方法是以一组种子点开始，将与种子性质相似的相邻像素附加到生长区域的每个种子上。 区域生长算法的重点是：

图像分割算法有哪些

图像分割算法有哪些 数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 图像分割有哪些方法1 基于区域的图像分割 图像分割中常用的直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等均属于基于区域的方法。 （1）直方图门限分割就是在一定的准则下，用一个或几个门限值将图像的灰度直方图（一维的或多维的）分成几个类，认为图像中灰度值在同一个灰度类内的象素属于同一个物体，可以采用的准则包括直方图的谷底、最小类内方差（或最大类间方差）、最大熵（可使用各种形式的熵）、最小错误率、矩不变、最大繁忙度（由共生矩阵定义）等。门限法的缺陷在于它仅仅考虑了图像的灰度信息，而忽略了图像中的空间信息，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。 （2）区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块

基于区域生长的图像分割文献概括

一.基于区域生长的高空间分辨率遥感图像分割与实现（李政国） 1.种子点的选择 种子点的选择是区域生长的首要任务。根据林区内地物呈区域状连续交错分布的特点,对种子点选取做了如下的适应性改进①建立种子标记矩阵,既为确定种子点,又标记合并到一个区域内的像素点②连续检测种子标一记矩阵,对已形成区域的外围边界点定位,任选一点作为下一区域的种子像素 2.区域生长过程 区域形成必须首先建立一个能够合并邻域像素的生长标准,其次要设计合适的生长方式。 ①区域生长准则 区域生长过程中,生长标准的确定是关乎算法有效性的一个中心问题区域生长标准。基于区域的同质性,能够并入同一区域的像素,一定是符合某种标准的。把多光谱图像看做是多维空间,？？量测像素点之间的欧氏距离可以作为生长的标准。在多维空间中,任意两个位置的欧氏距离定义为：2'' 21((,)(,))n d d d E P i j P i j ==-∑ E 为任意两点间的欧氏距离、d 为空间维数 (,)d P i j ，''(,)d P i j 在d 维空间中的任意两点 在RGB 空间中,基于种子点的欧氏距离可定义为 2''222D ((,),(,))()()()s s s s E d p p p p p p P i j P i j R R G G B B =-+-+- D E 为欧氏距离, ''(,),(,)s d P i j P i j 分别为非种子点和种子点, p R ，p G p B 分别为非种子 点RGB 光谱值, s p R ，s p G s p B 分别为种子点光谱值。 若s P 为区域A 的种子点,给定一个阈值T,则有{|((,)),(',')| ;s T P A E T P A D P i j P i j ≤∈>?，此式则成为区域生长及结束的判定标准。 区域生长方式 区域的连通性是区域生长又一重要条件,影响到分割算法的核心结构，因此在区域生长过程中,需要严格保证连通性条件即保证像素的四连通性或者八连通性。考虑到像素坐标的关联性,对上式做如下改进：{''|((,)),(',')| ;s T P A E T P A D P i l j k P i j ≤∈>?++，式中：1,0,1;1,0,1l k =-=-。无论是四连通方式还是八连通方式,以,取值做为条件,可依次检 测种子点周围邻接像素,保证了区域的连通性和完整性。

基于CT图像分析和区域生长法的CT图像分割

计算机断层扫描数据的可视化如今已经作为医学图像处理中研究的热点问题之一。实现医学图(CT)像的三位重建，首先需要对数据进行正确、合理的分割，从中提取出感兴趣的器官、组织或病变体，从而实现这些被提取出的器官、组织或病变体的三维重建，达到辅助治疗与手术规划的目的。目前，虽然已经有多种分割方法，但是在医学图像分割方面仍无可以通用的理论和方法。利用传统的一些分割算法对图像进行分割处理时，因图像本身复杂性和噪声的影响很难达到好的分割效果。 图像CT (DICOM [1]格式灰度级为或是，由于机本身显示原理的限制，对于灰度图像，只)20484096PC 可以做到灰度级的精确显示，这就出现了如何用有限的显示资源来更好地显示图像中感兴趣的数据。256对于高灰度级的医学图像最常用的显示方法是传统的灰度窗调节方法，但是这种方法不容易对感兴趣的数据有一个准确的了解，不能更好地保留图像的原始数据信息。通过对图像进行直方图统计分析，实CT 现了更准确的转化显示，并且去除了一些多余信息，保存为常用的格式，然后运用改进的区域生长BMP 算法将感兴趣的组织从背景中分割出来，以便进一步进行提取组织的三维重建。 对图像进行直方图统计分析与灰度调节显示 1 CT 传统的灰度窗显示算法 1.1人眼能够辨识的灰阶一般在个左右，而值中所包含的信息大大超过了人眼所能分辨的范围，因60CT 而中引入了窗宽和窗位技术来充分利用图片中所含的信息。窗宽和CT (Window Width)(Window Center)窗位是检查中用以观察不同密度的正常组织或病变的一种显示技术。窗宽是图像上显示的值范CT CT CT 围，在此值范围内的组织和病变均以不同的模拟灰度显示。窗位是窗的中心位置，同样的窗宽，由于CT 窗位不同，其所包括值范围的值也有差异。因此欲显示某一组织结构细节时，应选择适合观察该组CT CT 织或病变的窗宽和窗位，以获得最佳显示。变换公式[2] 即：0,(,)/2(,)[(,)(/2)]*255/,/2(,)/2255,(,)/2f x y wP wW g x y f x y wP wW wW wP wW f x y wP wW f x y wP wW +? ， 其中，wP 为窗位，wW 为窗宽。 收稿日期: 2009-10-28 作者简介: 朱玲利女河南偃师人硕士助教主要从事图像处理、模式识别方面的研究 (1981-),,,,,. 基金项目：国家高新技术项目广东省自然科学基金团队项目 863(2006AA02Z346); .基于图像分析和区域生长法的图像分割 CT CT 朱玲利1,2，王听忠1，鲍苏苏2 （洛阳师范学院信息技术学院，河南洛阳；华南师范大学计算机学院，广东广州） 1. 471022 2. 510631摘要： 针对医学图像的特点，提出了一种基于统计分析的算法。先对图像进行预处理，并且保存为常用的 CT CT 格式，以便于后续处理，然后利用改进的区域生长算法提取目标组织或者区域，最后选择合适的数学形态学 BMP 操作对结果进行处理，以消除可能存在的误分。从实验结果可以看出，上述方法是可行的，达到了较好的分割效 果，可以满足三维重建的要求。 关键词：图像分割；；区域生长算法；数学形态学 CT DOI:10.3969/j.issn.1674-5043.2009.04.0015 中图分类号: TP751 文献标志码: A 文章编号 : 1674-5043(2009)04-0055-05

Matlab医学图像分割区域生长

实验十医学图像分割（二） 实验目的： 1.了解图像分割的基本理论和方法； 2.掌握阈值分割的方法和阈值的选择； 3.掌握基于分水岭分割的原理和应用； 实验内容： 1.区域生长法利用图像像素间的相似性进行分割，调用 regiongrow函数对图像weld.tif进行处理，注意参数中S（种 子值），T（阈值）的选择对分割效果的影响。S=255，T＝ 65和S＝255 T＝150和S＝150，T＝65三组值进行处理， 理解在区域生长法的原理。同时对liver.bmp，自己选择合 适的S和T，以较好得分割出肝脏。 代码1： close all; f=imread('weld.tif'); figure(1),imshow(f),title('原图'); [g1,NR]=regiongrow(f,255,65); [g2,NR]=regiongrow(f,255,150); [g3,NR]=regiongrow(f,150,65); figure(2),imshow(g1),title('S=255,T=65'); figure(3),imshow(g2),title('S=255,T=150'); figure(4),imshow(g3),title('S=150,T=65');

[y,x]=ginput(); x=floor(x); y=floor(y); G=zeros(size(g)); G(g3==g3(x,y))=255;结果：

代码2： close all; f=imread('liver1.bmp'); figure(1),imshow(f),title('原图'); g=regiongrow(f,255,135);%肝脏分离 figure(2),imshow(g),title('S=255,T=135'); [y,x]=ginput(); x=floor(x); y=floor(y);

医学图像分割方法汇总

医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图 1.2是利用五个不同的阈值对脑部图像（图1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像

图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)

一种基于最大类间方差和区域生长的图像分割法

第3卷第2期信息与电子工程V o1．3，No．2 2005年6月 INFORMATION AND ELECTRONIC ENGINEERING Jun．，2005一种基于最大类间方差和区域生长的图像分割法 张玲，郭磊民，何伟，陈丽敏 （重庆大学通信工程学院，重庆 400044） 摘要：提出一种基于一维最大类间方差和区域生长的图像分割法。首先用一维最大类间方差法确定最佳分割阈值，再用改进的区域生长法分割得到目标。实验结果表明，该分割算法不仅 适用于简单的图像分割问题，而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。 该算法计算量小，实时性和分割精度均有一定优势，在提取目标的同时，不留下任何背景像素， 使下一步的目标识别更为简单。 关键词：信息处理技术；图像分割；最大类间方差；区域生长法；最佳分割阈值；生长规则； 生长策略 中图分类号：TN911.73 文献标识码：A 文章编号：1672-2892(2005)02-091-03 An Image Segmentation Algorithm Based on Maximal Variance Between-Class and Region Growing ZHANG Ling，GUO Lei-min，HE Wei，CHEN Li-min （College of Communication Engineering，Chongqing University，Chongqing 400044，China）Abstract: A segmentation algorithm based on the technique of one-dimension maximal variance between-class and region growing method is proposed in this paper．Firstly，the method of one-dimension maximal variance between-class is used to obtain the optimal segmenting threshold．Then，the target is segmented from the original image by the improved region growing method．The experiments indicate that the segmentation method presented in this paper is not only fit for the segmentation of the simple image，but also fit for those images with complex background and uneven light．Moreover，this segmentation algorithm has advantages of real time and segmentation precision．With this method， the target can be extracted without any pixel of the background．Therefore，the target recognition in the next step will be simple． Key words: information processing technology；image segmentation；maximal variance between-class；region growing method；optimal segmenting threshold；growing rule；growing strategy 1 引言 对于目标和背景都在运动且背景复杂多变的视频跟踪图像序列，如何将目标从背景中分割出来，一直是人们关注的难点问题。常用的图像分割方法可归纳为阈值法和区域生长法两大类。然而无论这两类方法中的任何一种，都难以取得令人满意的分割效果。如采用阈值法，无论所选取的阈值多么精确，都不可避免地会留下和目标灰度接近的背景区域，给进一步的目标特征提取和识别带来困难；而尽管传统的区域生长法在分割时可以减少背景的干扰，但是若目标区域内灰度分布不均匀，会使区域生长提前终止，造成欠分割；若目标的边界模糊又会使区域生长无法停止，造成过分割甚至分割失败。 分析这两类分割方法的优缺点[1]，结合实际应用中，尤其是在导弹视频跟踪系统中，目标成像的特点，本文提出了一种基于一维最大类间方差和区域生长相结合的图像分割方法，首先用一维最大类间方差法确定最佳分割阈值，以此作为区域生长规则的约束条件，然后采用改进的区域生长法将目标精确、完整地分割出来。 2 最大类间方差和区域生长相结合的图像分割法 分割阈值的选取是阈值法的关键，最大类间方差法作为常用的阈值选取方法之一，被认为是最优的阈值自动选取方法，而其他常用的方法(如：直方图[2]、最大熵[3]等)在确定阈值时，常存在这样或那样的问题。由于实际图像噪声干扰等因素的影响，直方图通常会出现单峰或具有宽且平的峰谷的情况，这时很难根据直方图的峰谷来选择分割阈值；最大熵法对诸如对比度和直方图分布这类图像特征敏感，且涉及到对数函数运算，计算量大。 收稿日期：2004-10-08；修回日期：2005-01-12

区域增长原理

[转载]图像分割——区域生长法 区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 区域生长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图象，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。 区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于 1.初始点（种子点）的选取；2.生长准则；3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 区域生长的原理 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。 图1给出已知种子点进行区域生长的一个示例。图1（a）给出需要分割的图像，设已知两个种子像素（标为深浅不同的灰色方块），现要进行区域生长。设这里采用的判定准则是：如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。图1（b）给出了T=3时的区域生长结果，整幅图被较好地分成2个区域；图1（c）给出了T=1时的区域生长结果，有些像素无法判定；图1（c）给出了T=6时的区域生长的结果，整幅图都被分在一个区域中了。由此可见门限的选择是很重要的。 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine 等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面

基于区域合并的纹理图像分割—MSRM算法的MATLAB实现本科毕业论文

本科毕业设计 题目： 基于区域合并的纹理图像分割—MSRM 算法的MATLAB 实现

摘要 图像分割是图像分析及计算机视觉系统中的重要环节，是图像处理研究中的一个基本难题。图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。 基于区域的图像分割方法，将图像按内容划分成许多区域。虽然存在过分割，但是可以通过研究改进算法减少过分割或选择有效的后处理算法得到有用的结果。例如，在Mean Shift和Watershed这两种图像分割算法中，一方面可以研究各种减少过分割的改进算法。另一方面，也可以采用有效的预处理，去除噪音，使图像适宜于Watershed或Mean Shift算法分割。 MSRM是基于最大相似度的区域合并算法,该算法简单有效,不需要设定区域合并的阈值,且对单目标和多目标图像都能正确分割。本设计在提取了图像的颜色特征和纹理特征之后，计算相邻区域的相似度，在人工交互信息的指导下，基于最大相似度准则逐步对初始过分割区域进行合并，分离出图像中的目标和背景。 关键词：MSRM；区域合并；交互式图像分割；算法；纹理图像

Abstract Image segmentation is the important elements of image analysis and computer vision systems ，and it is a fundamentalproblem in image processing。Image segmentation is a key step that from image processing to the image analysis。Only on the basis of image segmentation to object feature extraction, parameter measurement and recognition，which make it possible to analysis and understanding of the higher-level image, and the quality of image segmentation directly affects the effect ofsubsequent image processing. Therefore, we conclude that image segmentation is the most important part of image processing. Region-based image segmentation method is divided into many regions according to the contents of the image。Although there is over-segmentation，studing improved algorithm can reduce the over-segmentation or choosing an effective post-processing algorithms are useful results. For example, in both Mean Shiftt and Watershed image segmentation algorithm, One can study a variety of improved algorithm to reduce over-segmentation, On the other hand, effective pretreatment can also be used to remove noise, and make the image suitable for Mean Shiftt and Watershed segmentation algorithm. MSRM is a algorithm which based on the maximum similarity of the region merging, the proposed algorithm is efficient and effective, it does not require a preset threshold and can successfully extract the single objective and multi-target image from complex scenes . In this design, calculate the similarity of adjacent regions afte the extration of image color features and texture features, under the guidance of interaction information ,a maximal similarity based region merging mechanism was proposed to gradually merged the initial over-segmentation of regions. Then separated the target and background from image. Keywords:MSRM; Region merging; Interactive Image Segmentation; Algorithm; Texture image