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
Cherry Xie2 分钟前
阿里开源图片驱动数字人框架EMO2,新增视频输入
人工智能
扎Zn了老Fe3 分钟前
三步本地部署大模型deep seek
人工智能
lilye667 分钟前
精益数据分析(26/126):依据商业模式确定关键指标
大数据·人工智能·数据分析
Panesle7 分钟前
月之暗面开源-音频理解、生成和对话生成模型:Kimi-Audio-7B-Instruct
人工智能·音视频·语音生成
视觉语言导航15 分钟前
复杂地形越野机器人导航新突破!VERTIFORMER:数据高效多任务Transformer助力越野机器人移动导航
人工智能·深度学习·机器人·transformer·具身智能
kebijuelun16 分钟前
OpenVLA:大语言模型用于机器人操控的经典开源作品
人工智能·语言模型·机器人
掘金安东尼24 分钟前
大模型+Python脚本,打造属于你的“批量生成文档”应用!
人工智能
vocal26 分钟前
谷歌第七版Prompt Engineering—第二部分
人工智能·后端
Blossom.11834 分钟前
量子计算在密码学中的应用与挑战:重塑信息安全的未来
人工智能·深度学习·物联网·算法·密码学·量子计算·量子安全
子燕若水35 分钟前
How do I install OpenCV with gpu support
人工智能·opencv·计算机视觉