基于区域生长的图像分割方法.ppt

*,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,单击此处编辑母版标题样式,单击此处编辑母版文本样式,二级,三级,四级,五级,*,18.6 基于区域生长的图像分割方法,专 业：12级信号与信息处理,姓 名:车少帅,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。,把图像空间按照一定的要求分成若干个“有意义”的区域的技术。其从本质上说是将各像素进行分类的过程。,（3）要识别和标定细胞的显微照片中的染色体，需要用图像分割技术。,图像分割的概念：,基于,边缘检测,的方法：,找出图像的,边缘,信息，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。,图像分割方法分类：,基于,区域生成,的方法：,根据相应的区域特性在图像中找出与其相似的部分。,常用的方法有：,区域生长、分裂-合并分割,方法。,基于,阈值选取,的方法：,通过选取一定的灰度阈值将图像中,目标,从,背景,中,分割出来,。,常用的方法有：,直方图阈值分割、最大熵阈值分割,等。,基于区域的图像分割方法,区域生长法,分裂,-,合并分割方法,区域生长法,区域生长（region growing）是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。它是一个迭代的过程，这里每个种子像素点都迭代生长，直到处理过每个像素，因此形成了不同的区域，这些区域它们的边界通过闭合的多边形定义。,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,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，在各个方向上,生长,得到的。,区域生长分割示意图：,相邻像素表示：,区域生长法关键：,（1）确定每个区域的生长起始点,种子像素,。,（2）确定在生长过程中将相邻像素包括进来的相似性判别准则（,生长准则,）。,（3）确定区域生长过程,停止的条件或规则,。,相似性准则,可以用,灰度级,、彩色值、结构、梯度或其它特征来表示。,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,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。,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。,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。,灰度差判别式：,采用相邻像素与当前像素灰度值（或当前区域像素平均灰度）的,差,来判别其是否应当合并到当前区域。,若,CT,，说明,(i,j),与,(m,n),相似，,(i,j),应与,当前区域,合并，,若,CT,，说明两者不相似，,(i,j),仍为不属于任何区域,基于区域灰度差的生长准则,【例】,一个简单的区域生长的例子,生长准则：,邻近点的灰度级,与,当前区域,平均灰度,的差小于2。,种子像素,平均灰度8.25,平均灰度8,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。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。,区域生长算法,1.单一型链结的区域生长,2.混合型链结的区域生长,3.登山算法,4.分水岭算法,1.单一型链结的区域生长,区域A,区域B,种子像素,种子像素,1.单一型链结的区域生长,上图给出一个简单的例子。此例的相似性准则是邻近点（4邻域）的灰度级与物体的平均灰度级的差小于2。图中被接受的点和起始点均用下划线标出，其中（a）图是输入图像；（b）图是第一步接受的邻近点；（c）图是第二步接受的邻近点；（d）图是从6开始生成的结果。,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。,算法描述,从左至右，从上至下扫描图像。,若扫描到灰度值大于150的象素，取为种子点，进行区域生长。,生长准则为将相邻的灰度值与已有区域的平均灰度值的差小于60（3）的象素扩展进来。,若不能再生长，标记已生长区域。,若扫描到图像右下角，结束；否则回到继续。,2.混合型链结的区域生长,考虑象素的邻域，在此邻域上定义象素的特性矢量，特性矢量接近的两个象素相似。,（1）邻域分享技术：研究某象素的邻域，作出相似邻域表。如果两个象素在对方的相似邻域表中，且表中有足够多的象素，则可将二者连接。,S值小则可以连接。,（2）依赖边缘确定两象素是否可以连接。,定义两个象素特征矢量可用（x，a）、（y，b）表示，x，y为两者的灰度，a，b为两者的邻域灰度均值，相似性为S，则,为非负的权值,3.登山算法,(1)灰度极大值点作为中心点；,(2)16个等角度间隔方向上检测斜率值最大的点作为边缘点；,(3)以16个边缘点作为种子点进行区域生长。,区域生长的优势和劣势,优势：,1.区域生长通常能将具有相同特征的联通区域分割出来。,2.区域生长能提供很好的边界信息和分割结果。,3.区域生长的思想很简单，只需要若干种子点即可完成。,4.在生长过程中的生长准则可以自由的指定。,5.可以在同一时刻挑选多个准则。,劣势：,1.计算代价大。,2.噪声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。,区域生长的优势和劣势,Thank you!,此课件下载可自行编辑修改，供参考！,感谢您的支持，我们努力做得更好！,