基于区域生长的图像分割方法南邮车少帅学习教案.pptx

会计学例如：
（1）要确定航空照片中的森林、耕地、城市区域等，首先需要将这些部分(bùfen)在图像上分割出来。
（2）要辨认文件中的个别文字，需先将这些文字分割出来。基于边缘检测的方法：
找出图像的边缘信息(xìnxī)，再将它们连成边界，这些边界把图像分成不同的区域，从而分割出各个区域。基于区域的图像分割(fēngē)方法区域(qūyù)生长法图像区域分割的过程（基本单元：像素或微区域）
（1）选择区域内某一像素点作为生长种子；
（2）判断其相邻像素（没有区域标记）是否满足相似性准则；
（3）如果是，将其合并到当前区域，给该像素添加(tiānjiā)区域标记；
（4）对于新合并的区域，重复（2）、（3）
（5）不断重复，区域将在各个方向上不断增长，直至没有相邻像素满足相似性性准则为止，或者是满足停止准则为止。图像中各个区域分割，都是从其种子点开始，在各个方向(fāngxiàng)上生长得到的。区域生长(shēngzhǎng)法关键：
（1）确定每个区域的生长(shēngzhǎng)起始点——种子像素。
（2）确定在生长(shēngzhǎng)过程中将相邻像素包括进来的相似性判别准则（生长(shēngzhǎng)准则）。
（3）确定区域生长(shēngzhǎng)过程停止的条件或规则。一个区域生长(shēngzhǎng)的示例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(biānjiè)处灰度值为0、1、2、7的象素都成为了边界(biānjiè),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:利用迭代的方法从大到小收缩是一种典型(diǎnxíng)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。灰度图lena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(sāncì)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。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(kěyǐ)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。灰度差判别式：【例】一个简单的区域生长(shēngzhǎng)的例子基于(jīyú)区域内灰度分布统计性质的生长准则设两个相邻区域的积累灰度直方图分别为h1(z)和h2(z),常用的两种检测方法为:
Kolmogorov-Smirnov检测:
Smoothed-Difference检测:
如果检测结果小于给定阈值T,则两个区域合并(hébìng)。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。区域生长(shēngzhǎng)算法1.单一型链结的区域(qūyù)生长1.单一型链结的区域(qūyù)生长举例：一幅图像背景部分的均值为25，方差为625，在背景上分布(fēnbù)着一些互不重叠的均值为150，方差为400的小目标。设所有目标合起来约占图像总面积的20%，提出1个基于区域生长的分割算法将这些目标分割出来。算法(suànfǎ)描述2.混合型链结(liànjié)的区域生长3.登山(dēnɡshān)算法区域生长(shēngzhǎng)的优势和劣势劣势：
1.计算代价大。
2.噪声(zàoshēng)和灰度不均一可能会导致空洞和过分割。
3.对图像中的阴影效果往往不是很好。
对噪声(zàoshēng)问题，通常可以用一些平滑滤波器，或是diffusion滤波器做预处理来解决，所以通常噪声(zàoshēng)问题并不是很严重。所以实际上，区域生长的最严重的问题就是效率低下。Thankyou!