首页 理论教育 区域生长算法:基于质心的图像分割方法

区域生长算法:基于质心的图像分割方法

时间:2023-06-23 理论教育 版权反馈
【摘要】:基本思想是从一组生长点开始,搜索其邻域,把图像分割成特征相似的若干区域。对于二值图像,假设背景区域的灰度值为255,目标区域的灰度值为0,则单一型区域生长的具体步骤如下:1)按照从左到右的顺序遍历整幅二值图像,找到一个特征点I(i,J)=0。解决方法是在步骤2)中不比较相邻像素灰度值,而是比较已存在的区域的平均灰度值与该区域邻接的像素灰度值,即质心型区域生长。

区域生长算法:基于质心的图像分割方法

区域生长(Region Grow)是一种根据事先定义的准则像素或者子区域聚合成更大区

域的过程。简单地说,就是从图像中的某个像素或区域出发,按照一定的准则,逐步加入邻近像素或区域,当满足一定的条件时,区域生长终止。最后得到整个区域,进而实现目标的提取。基本思想是从一组生长点(可以是单个像素,也可以是某个小区域)开始,搜索其邻域,把图像分割成特征(如(平均)灰度值、纹理、颜色信息等)相似的若干区域。比较相邻区域与生长点特征的相似性,若它们足够相似,则作为同一区域合并,形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止,最后形成特征不同的各区域。这是一个迭代的过程,整个过程象是一个物体内部的区域不断增长,直至其边界对应于物体的真正边界,因而将该算法命名为区域生长,也称区域扩张法。

在实际应用时,要解决三个问题:即确定区域的数目、选择有意义的特征和确定相似性准则。区域生长结果的精度取决于三个要素:初始点(种子点)的选取、生长准则和终止条件。

种子点的选择没有一定的标准,取决于所处理的图像。可以先分析图像的特征,用一些图像的特性,例如在某个区域里亮度最大的点。或者采用交互式的方法,手动选择一点作为初始点,然后按一定策略自动生长。

特征相似性是构成与合并区域的基本准则,相邻性是指所取的邻域方式。根据所用的邻域方式和相似性准则的不同,产生不同的区域生长法。将灰度相关的值作为区域生长准则,区域生长可分为单一型(像素与像素)、质心型(像素与区域)和混合型(区域与区域)三种。

(一)单一型区域生长法

单一型区域生长算法的基本原理是以图像的某个像素为生长点,检查该点的邻近像素,如果是满足要求的特征点,则加入区域中;然后以合并的像素为生长点,重复以上操作,直到没有新的点加入区域中为止,最终形成具有相似特征的像素的最大连通集合。

具体步骤如下:

1)对图像进行扫描,找出尚没有归属的像素。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)不属于任何一个区域的像素进行比较,若灰度差值小于某一阈值,则将它们合并为同一个区域,并对合并的像素做标记。

3)从新合并的像素开始,反复进行步骤2)的操作。

4)反复进行步骤2)和3),直到区域不能再合并为止。

5)返回步骤1),寻找能作为新区域出发点的像素。

对于二值图像,假设背景区域的灰度值为255,目标区域的灰度值为0,则单一型区域生长的具体步骤如下:

1)按照从左到右(或者从上到下)的顺序遍历整幅二值图像,找到一个特征点I(i,J)=0。

2)定义两个队列:工作队列Qw(Working Queue)和区域队列Qr(Region Queue)。将Qw和Qr清空,以点(i,j)为起点,按照如下循环进行区域生长:

①把种子点(i,j)加入Qw中,同时加入Qr中。当前指针指向Qw的种子点(i,j)。

②从Qw中取出指针所指的点,判断其m×m邻域内像素的灰度值:如果邻域像素的灰度值为0,则将该点加入Qw中,同时加入Qr中。把该像素和种子点的灰度值都置为背景值255。

③工作队列指针向后移动一位。

④如果当前指针指向Qw末尾,则转向步骤⑤;否则,重复步骤①~步骤③。

⑤输出目标区域队列Qr,继续步骤3)。

3)如果Qr中点的总数小于预先设定的阈值TN,那么转向步骤1),找到下一个特征点作为种子点,重复步骤①~⑤;否则,转向步骤4)。

4)输出区域队列以。

上述算法完全自动进行,不需要操作者的参与。(www.xing528.com)

从以上步骤可以看出,区域生长的结果受到两个参数的影响:邻域大小m和阈值TN。如果m过小,可能搜索不到期望的区域;如果m值过大,会将与目标相邻的背景结构也提取出来。图3-24是对二值化处理之后的X射线冠状动脉造影图像进行区域生长提取血管区域的结果,由图可见,分割结果对m的取值很敏感。

图3-24 邻域宽度m取不同值时的区域生长结果

a)原始灰度图像 b)自适应阈值分割结果 c)m=3的单一区域生长结果 d)m=7的单一区域生长结果 e)m=13的单一区域生长结果

该方法原理简单,但如果区域之间的边缘灰度变化很平缓或边缘交于一点时,两个区域会合并起来,如图3-25所示。解决方法是在步骤2)中不比较相邻像素灰度值,而是比较已存在的区域的平均灰度值与该区域邻接的像素灰度值,即质心型区域生长。

图3-25 边缘对区域扩张的影响

a)平缓的边缘 b)边缘的缝隙

(二)质心型区域生长

质心型区域生长与简单区域生长法类似,唯一不同的是在步骤2)中,改为比较已存在区域的特征与该区域邻接的像素的特征。若差值小于阈值,则将像素归并到区域中。

(三)混合型区域生长

混合型区域生长法是把图像分割成小区域,比较相邻小区域的相似性,如果相似则合并。包括不依赖于起始点的方法和假设检验两种方法。

1.不依赖于起始点的方法具体步骤如下:

1)设灰度差的阈值为0,即判断相似的标准是灰度值相等。用简单区域生长法把具有相同灰度的像素合并到同一区域,得到初始分割图像。

2)从分割图像的一个小区域开始,求出相邻区域间的灰度差,将差值最小的相邻区域合并。

3)反复步骤2)的操作,把区域依次合并。

该方法的缺点是,若不在适当的阶段停止区域合并,整幅图像经区域生长的最终结果就会成为一个区域。

2.假设检验法

根据区域内的灰度分布的相似性进行区域合并。具体步骤如下:

1)把图像分割成互不交叠的、大小为n×n的小区域。

2)比较相邻小区域的灰度直方图,如果灰度分布情况是相似的,则合并成一个区域。相似性判断标准可选用Kolmogorov-Smirnov检测标准

或者Smoothed-Difference检测标准

式中,H1(g)和H2(g)分别是相邻两区域的累积灰度直方图img

3)反复进行步骤2)的操作,直至区域不能合并为止。

该方法不仅能分割灰度相同的区域,也能分割纹理性的图像,但难点在于n如何确定。n太大,则区域形状变得不自然,小的目标就会遗漏;n太小,则Kolmogorov-Smirnov和Smoothed-Difference检测标准的可靠性下降,导致分割质量差。实际中一般取n=5~10,由于Smoothed-Difference标准的要求比Kolmogorov-Smirnov严格,采用Smoothed-Difference比Kolmogorov-Smirnov标准会带来更好的结果。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈