图像分割——区域增长

一 区域增长

图像灰度阈值分割技术都没有考虑到图像像素空间的连通性。区域增长法则正好相反,顾及像素的连接性.
方法:1)选择一个或一组种子;
2)选择特征及相似性判决准则;
3)从该种子开始向外生长,首先将判断种子邻域的像素是否
满足相似性条件,满足则与种子合并成区域,然后以合并的像
素为生长点,采用类似地方法进行生长
4)反复3)操作,直到不再有满足条件的像点合并到区域为止。


区域增长根据所用的邻域方式和相似性准则的不同,
产生各种不同的区域扩张法。可分为:
①单一型(像素与像素);
②质心型(像素与区域);
③混合型(区域与区域)

1 简单区域生长

下面给出以像素灰度为特征进行简单区域增长的步骤。
(1)对图像进行光栅扫描,求出不属于任何区域的像素。
当寻找不到这样的像素时结束操作。
(2)把这个像素灰度同其周围(4-邻域或8-邻域)不属于其
他区域的像素进行比较,若灰度差值小于阈值,则合并到
同一区域。并对合并的像素赋予标记。
(3)从新合并的像素开始,反复进行(2)的操作。
(4)反复进行(2)、(3)的操作,直至不能再合并。
(5)返回(1)操作,寻找新区域出发点的像素。

2 质心型区域生长

与简单区域增长不同,它是比较单个像素的特征与其相邻区域的特征,若相似则将像素归并到区域中。质心型链接操作步骤类似简单区域扩张法,唯一不同的是在上述(2)的操作中,改为比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。若差值小于阈值,则合并。其缺点是区域增长的结果与起始像素有关,起始位置不同则分割结果有差异。

3 混合型区域增长

混合型区域生长是把图像分割成小区域,比较相邻的小区域的相似性,相似则合并,直到不能合并为止。
下面介绍两种方法。
1.不依赖于起始点的方法
(1)设灰度差的阈值为0,用简单区域扩张法把具有相同灰度的像素合并到同一区域,得到图像的初始分割图像。
(2)从分割图像一个小区域开始,求出相邻区域间的灰度差,将差值最小的相邻区域合并;
(3)反复(2)的操作,把区域依次合并,适当阶段需停止合并,得到分割图像。这种方法若不在适当的阶段停止区域合并,整幅图像经区域扩张的最终结果就会为一个区域。

2.假设检验法
该方法是根据图像子块内的灰度分布的相似性进行子块合并,最终实现图
像的分割。
(1)把图像分割成互不交迭的、大小为
n×n的子块;
(2)比较相邻子块的灰度直方图相似性
,相似则合并成同一区域。相似性判断
标准,可选用下面其中之一:
(a)Kolmogorov-Smirnov检测标准:(b) Smoothed-Difference检测标准:
(3) 反复(2)的操作,直至区域不能合并为止。

相关推荐
对你无可奈何5 小时前
给 ComfyUI 做了一个手机助手
人工智能
feasibility.6 小时前
英伟达把物理AI的3D模型“应用商店”开放了:2575个SimReady仿真资产,总计约472GB,可让agent装配机器人训练场景
人工智能·3d·机器人·仿真·建模·具身智能·英伟达
智联视频超融合平台7 小时前
消防宣传月过半,“AI+消防“给视频平台换了张考卷
人工智能·边缘计算·视频监控·安防·视频联网
冬奇Lab8 小时前
一天一个开源项目(第262篇):AG-UI —— 把 AI Agent 接进前端的开放协议,和 MCP、A2A 并列的第三块拼图
人工智能·开源
罗西的思考8 小时前
【轻量化复现大模型 / KIMI K3】MTP / EAGLE‑3 模块交互式演示
人工智能·深度学习·算法
RobinDevNotes9 小时前
Claude Code 剪视频,不上传、不要 API Key
人工智能·python·音视频·开发工具·ipython
stormzhangV9 小时前
Coding Agent,通往 AGI 的重要一环
人工智能·agent·ai编程
Bowen_J11 小时前
Apple Foundation Models:Apple AI核心框架
人工智能·ai编程·apple
IT_陈寒11 小时前
Redis那个过期删除策略,差点让我线上崩了
前端·人工智能·后端
阿里云大数据AI技术11 小时前
AI 原生大数据服务 ADA 快速入门:完成首次对话式数据分析
大数据·人工智能