_数字图像处理__PPT

1、图像分割图像分割u 概述和分类 u基于阈值的分割u基于区域的分割 主要内容主要内容 图像分割的概念图像分割的概念 根据灰度、彩色、空间纹理、几何形状等根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显性或相似性，而在不同区域间表现出明显的不同。的不同。1 概述和分类概述和分类 把图像分解成构成它的部件和对象的过程把图像分解成构成它的部件和对象的过程 有选择性地定位感兴趣对象在图像中的位置有选择性地定位感兴趣对象在图像中的位置和

2、范围和范围图像分割的基本思路图像分割的基本思路从简到难，逐级分割从简到难，逐级分割控制背景环境，降低分割难度控制背景环境，降低分割难度1. 把焦点放在增强感兴趣对象，缩小不相干把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上图像成分的干扰上图像分割的基本思路图像分割的基本思路1.从简到难，逐级分割从简到难，逐级分割1)分割矩形区域分割矩形区域2)定位牌照定位牌照3)定位文字定位文字图像分割的基本思路图像分割的基本思路2.控制背景环境，降低分割难度控制背景环境，降低分割难度背景环境背景环境:路面、天空路面、天空图像分割的基本思路图像分割的基本思路3. 把焦点放在增强感兴趣对象，缩小不相干把焦

3、点放在增强感兴趣对象，缩小不相干图像成分的干扰上图像成分的干扰上1)感兴趣的对象：汽车牌照感兴趣的对象：汽车牌照2)不相干图像成分：非矩形区域不相干图像成分：非矩形区域图像分割的基本策略图像分割的基本策略图像分割的基本策略，基于灰度值的两个基本特性：图像分割的基本策略，基于灰度值的两个基本特性：不连续性不连续性区域之间区域之间相似性相似性区域内部区域内部根据图像像素灰度值的根据图像像素灰度值的不连续性不连续性先找到点、线（宽度为先找到点、线（宽度为1）、边（不定宽度）、边（不定宽度）1. 再确定区域再确定区域图像分割的基本策略图像分割的基本策略根据图像像素灰度值的根据图像像素灰度值的相似性相似

4、性通过选择阈值，找到灰度值相似的区域通过选择阈值，找到灰度值相似的区域区域的外轮廓就是对象的边区域的外轮廓就是对象的边图像分割介绍图像分割介绍 定义定义将图像分成各具将图像分成各具特性特性的区域，并提取出感兴趣的区域，并提取出感兴趣目标目标的技术和过程的技术和过程灰度、颜灰度、颜色、纹理色、纹理对应单个对应单个区域和多区域和多个区域个区域图像处理图像处理过渡到过渡到图像分析图像分析的关键步骤，也是一种基本的关键步骤，也是一种基本的的计算机视觉计算机视觉技术技术 基于阈值的分割基于阈值的分割通过阈值对不同物体进行分割通过阈值对不同物体进行分割 基于边缘的分割基于边缘的分割先确定边缘象素，并把它们

5、连先确定边缘象素，并把它们连接在一起，以构成所需的边界接在一起，以构成所需的边界 基于区域的分割基于区域的分割把各象素划归到各个物体或区把各象素划归到各个物体或区域中域中 基于运动的分割基于运动的分割通过视频物体运动进行分割通过视频物体运动进行分割图像分割方法分类图像分割方法分类2 基于阈值的分割基于阈值的分割 图像阈值分割是一种广泛应用的分割技术，利用图图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的像中要提取的目标物目标物与其与其背景背景在在灰度特性上灰度特性上的差异，的差异，把图像视为具有不同灰度级的两类区域把图像视为具有不同灰度级的两类区域(目标和背景目标和背景)的组合，选取一

6、个的组合，选取一个合适的阈值合适的阈值，以确定图像中每个，以确定图像中每个象素点应该属于目标还是背景区域象素点应该属于目标还是背景区域，从而产生相应，从而产生相应的的二值图像二值图像 可以大量压缩数据，减少存储容量，而且可以大量压缩数据，减少存储容量，而且能大大简化其后的分析和处理步骤能大大简化其后的分析和处理步骤对物体与背景具有较强对比的景物的分割很有效，而且总对物体与背景具有较强对比的景物的分割很有效，而且总能用封闭连通的边界定义不交叠的区域能用封闭连通的边界定义不交叠的区域设原始图像设原始图像f(x,y)，以一定的准则在以一定的准则在f(x,y)中找出一个合适的灰中找出一个合适的灰度值，

7、作为阈值度值，作为阈值t，则分割后的图像则分割后的图像g(x,y)，可由下式表示：可由下式表示：g(x,y)=1 f(x,y)t0 f(x,y)t或或另外，还可以将阈值设置为一个灰度范围另外，还可以将阈值设置为一个灰度范围t1,t2，凡是灰凡是灰度在范围内的象素都变为度在范围内的象素都变为1，否则皆变为，否则皆变为0，即，即g(x,y)=1 t1f(x,y)t20 其它其它某种特殊情况下，高于阈值某种特殊情况下，高于阈值t的象素保持原灰度级，其它的象素保持原灰度级，其它象素都变为象素都变为0，称为半阈值法，分割后的图像可表示为：，称为半阈值法，分割后的图像可表示为：g(x,y)=f(x,y)

8、f(x,y)t0 其它其它阈值分割图像的基本原理，可用下式表示：阈值分割图像的基本原理，可用下式表示：g(x,y)=ZE f(x,y)ZZB 其它其它阈值阈值阈值的选取阈值的选取是阈值分割技术的关键，如果过是阈值分割技术的关键，如果过高高，则过，则过多的目标点被误多的目标点被误归为背景归为背景；如果阈值过；如果阈值过低低，则会出现，则会出现相反的情况相反的情况由此可见，由此可见，阈值化分割算法阈值化分割算法主要有两个步骤：主要有两个步骤：1、确定需要的分割阈值、确定需要的分割阈值2、将分割阈值与象素值比较以划分象素、将分割阈值与象素值比较以划分象素在利用阈值方法来分割灰度图像时一般都对图像有一

9、定的在利用阈值方法来分割灰度图像时一般都对图像有一定的假设。基于一定的图像模型的。假设。基于一定的图像模型的。最常用的模型：最常用的模型：假设图像由具有单峰灰度分布的目标和背景组成，处于目假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻象素间的灰度值是高度相关的，但处于标或背景内部相邻象素间的灰度值是高度相关的，但处于目标和背景交界处两边的象素在灰度值上有很大的差别。目标和背景交界处两边的象素在灰度值上有很大的差别。如果一幅图像满足这些条件，它的灰度直方图基本上可看如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的。作是由分别

10、对应目标和背景的两个单峰直方图混合构成的。阈值选取方法阈值选取方法 直方图阈值分割法直方图阈值分割法 类间方差阈值分割法类间方差阈值分割法 二维最大熵值分割法二维最大熵值分割法 模糊阈值分割法模糊阈值分割法2.1 直方图阈值分割直方图阈值分割 简单直方图分割法简单直方图分割法 最佳阈值最佳阈值1.简单直方图分割法简单直方图分割法图像的灰度级范围为图像的灰度级范围为0,1,l-1，设灰度级设灰度级i的象素数为的象素数为ni，则一幅图像的总象素则一幅图像的总象素N为为N=i=0l-1ni灰度级灰度级i出现的概率定义为：出现的概率定义为：pi=ni/N灰度图像灰度图像的直方图的直方图反映一幅图像上灰

11、度分布的统计特性，成为利用象素灰反映一幅图像上灰度分布的统计特性，成为利用象素灰度作属性的分割方法的基础度作属性的分割方法的基础Z1ZiZt Zj Zk暗暗亮亮PB1B2背景背景目标目标60年代中期，年代中期，Prewitt提出了直方图双峰法，即如果灰度提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。应的灰度级作为阈值。注意：应用灰度直方图双峰法来分割图像，也需要一定的注意：应用灰度直方图双峰法来分割图像，也需要一定的图像图像先验知识先验知识，因为同一个直方图可以对应，因为同一个直方图可以对应若干

12、个不同的若干个不同的图像图像，直方图只表明图像中各个，直方图只表明图像中各个灰度级上有多少个象素，灰度级上有多少个象素，并不描述这些象素的任何位置信息并不描述这些象素的任何位置信息。该方法不适合直方图中双峰差别很大或双峰间的谷比该方法不适合直方图中双峰差别很大或双峰间的谷比较宽广而平坦的图像，以及单峰直方图的情况。较宽广而平坦的图像，以及单峰直方图的情况。70年代初，研究工作集中在直方图变换，但无论是直年代初，研究工作集中在直方图变换，但无论是直方图还是直方图变换法都仅仅考虑了直方图方图还是直方图变换法都仅仅考虑了直方图灰度灰度信息信息而忽略了图像的而忽略了图像的空间空间信息信息2.最佳阈值最

13、佳阈值 所谓最佳阈值是指图像中目标物与背景的分割所谓最佳阈值是指图像中目标物与背景的分割错误最小错误最小的阈值的阈值设一幅图像只由目标物和背景组成，已知其灰度级分布设一幅图像只由目标物和背景组成，已知其灰度级分布概率密度分布为概率密度分布为P1(Z)和和P2(Z)，且已知目标物象素占全图且已知目标物象素占全图象素数比为象素数比为，因此，该图像总的灰度级概率密度分布因此，该图像总的灰度级概率密度分布P(Z)可用下式表示：可用下式表示： P(Z)= P1(Z)+(1-)P2(Z)假定阈值为假定阈值为Z，认为图像由亮背景上的暗物体所组成，认为图像由亮背景上的暗物体所组成，即灰度小于即灰度小于Z的为目

14、标物，大于的为目标物，大于Z的为背景的为背景P1(Z)P2(Z)Zt目标物目标物背景背景如图所示，如选定如图所示，如选定Zt为分割阈值，则将背景象素错为分割阈值，则将背景象素错认为是目标物象素的概率为：认为是目标物象素的概率为：E1(Zt)=-ZtP2(Z)dZE2(Zt)=zt P1(Z)dZ将目标物象素错认为是背景象素的概率为：将目标物象素错认为是背景象素的概率为：因此，总的错误概率因此，总的错误概率E(Z)为：为：E(Zt)=(1-)E1(Zt)+ E2(Zt)最佳阈值就是使最佳阈值就是使E(Zt)为最小值时的为最小值时的Zt，将将E(Zt)对对Zt求导，求导，并令其等于并令其等于0，解

15、出其结果为：，解出其结果为：P1(Zt)=(1- )P2(Zt)设设P1(Zt)和和P2(Zt)均为正态分布函数，其灰度均值分别为均为正态分布函数，其灰度均值分别为1和和2，对灰度均值的标准偏差分别为对灰度均值的标准偏差分别为1和和2，即即将上两式代入，且对两边求对数，得到：将上两式代入，且对两边求对数，得到：简化为：简化为：AZt2+BZt+C=0上式是上式是Zt的一个二次方程式，有两个解，因此，要使分的一个二次方程式，有两个解，因此，要使分割误差最小，需要设置两个阈值，即上式的两个解。如割误差最小，需要设置两个阈值，即上式的两个解。如果设果设2= 12 = 22，即方差相等，则上式方程存在

16、唯一解，即方差相等，则上式方程存在唯一解，即：即：如果设如果设=1- ，即即1/2时，时，E1(Zt)E2(Zt)P1(Z)P2(Z)ZtZP从前面可以看出，假如图像的目标物和背景象素灰度级概率呈正态从前面可以看出，假如图像的目标物和背景象素灰度级概率呈正态分布，且偏差相等分布，且偏差相等(12 = 22)，背景和目标物象素总数也相等，背景和目标物象素总数也相等(1/2)，则这个图像的最佳分割阈值就是目标物和背景象素灰度级两，则这个图像的最佳分割阈值就是目标物和背景象素灰度级两个均值的平均个均值的平均2.2类间方差阈值分割类间方差阈值分割 这是由这是由Ostu提出的最大类间方差法，又称为大津提

17、出的最大类间方差法，又称为大津阈值分割法，是在判决分析阈值分割法，是在判决分析最小二乘法原理最小二乘法原理的基的基础上推导得出的础上推导得出的具体算法：具体算法：设原始灰度图像灰度级为设原始灰度图像灰度级为L，灰度级为灰度级为i的象素点数为的象素点数为ni，则图像的全部象素数为则图像的全部象素数为N=n0+n1+nL-1归一化直方图，则归一化直方图，则pi=ni/N，i=0L-1pi=1按灰度级用阈值按灰度级用阈值t划分为两类：划分为两类：C0=(0,1,.t)和和C1=(t+1,t+2,L-1),因此，因此，C0和和C1类的出现概率及均值类的出现概率及均值分别由下列各式给出分别由下列各式给出

18、10011110001111000)1()()(1)()(/)(/)(/)(1)()()(LiiTtiiTLtiitiiLtiirtiiripLipttwttwiptwtwiptwpCPwtwpCPw其中：其中：可以看出，对任何可以看出，对任何t值，下式都能成立：值，下式都能成立：1101100wwwwTC0和和C1类的方差可由下式求得：类的方差可由下式求得：1112121002020/)(/)(Ltiitiiwpiwpi定义类内方差为：定义类内方差为：2112002www类间方差为：类间方差为：总体方差为：总体方差为：222wBT201102112002)()()(wwwwTTB引入关于引入

19、关于t的等价判决准则：的等价判决准则：222222)()()(wTTBwBttt类间类间/类内类内三个准则是等效的，把使三个准则是等效的，把使C0,C1两类得到最佳分离的两类得到最佳分离的t值作值作为最佳阈值，因此，将为最佳阈值，因此，将(t)、(t)、(t)定义为最大判决准定义为最大判决准则。则。由于由于w2是基于二阶统计特性，而是基于二阶统计特性，而B2是基于一阶统计特性，是基于一阶统计特性，它们都是阈值它们都是阈值t的函数，而的函数，而T2与与t值无关，因此三个准则中值无关，因此三个准则中(t)最为简单，因此选其作为准则，可得到最佳阈值最为简单，因此选其作为准则，可得到最佳阈值t*)(m

20、ax10*tArgtLt2.3 最大熵阈值分割最大熵阈值分割 一维最大熵阈值分割一维最大熵阈值分割 二维最大熵阈值分割二维最大熵阈值分割1. 一维最大熵阈值分割一维最大熵阈值分割 熵是平均信息量的表征熵是平均信息量的表征 原理原理根据信息论，熵的定义为：根据信息论，熵的定义为：H=-+ p(x)lgp(x)dx所谓灰度的一维熵最大，就是选择一个阈值，使图像用所谓灰度的一维熵最大，就是选择一个阈值，使图像用这个阈值分割出的两部分的这个阈值分割出的两部分的一阶灰度统计的信息量最大一阶灰度统计的信息量最大。设设ni为数字图像中灰度级为数字图像中灰度级i的象素点数，的象素点数，pi为灰度级为灰度级i出

21、现的概率，则出现的概率，则pi=ni/(NN), i=1,2L图像灰度直方图如图所示：图像灰度直方图如图所示：piiOBtO区概率分布：区概率分布：pi/pt i =1,2tB区概率分布：区概率分布：pi/(1-pt) i =t+ 1,t+2Lpt=i=1tpi其中：其中：对于数字图像，目标区域和背景区域的熵分别定义为：对于数字图像，目标区域和背景区域的熵分别定义为：LttipppptHtipppptHititiBititiO, 2, 1, )1/(lg)1/()(,2 , 1)/lg()/()(熵函数定义为：熵函数定义为：LippHtippHpHHpHppHHtiiiLiiitttLtttt

22、BO, 2 , 1,lg, 2 , 1,lg1)1 (lg)(当熵函数取最大值时对应的灰度值当熵函数取最大值时对应的灰度值t*就是所就是所求的最佳阈值，即求的最佳阈值，即)(max10*tArgtLt二维最大熵阈值分割二维最大熵阈值分割一维最大熵一维最大熵直方图直方图灰度信息，没有灰度信息，没有利用利用空间空间信息信息基于基于分割效果差分割效果差信噪比降低信噪比降低在图像特征中，在图像特征中，点灰度点灰度是最基本的特征，但它是最基本的特征，但它对对噪声敏感噪声敏感，区域灰度区域灰度特征包含了部分特征包含了部分空间信空间信息息，且对噪声的敏感程度低于点灰度特征，且对噪声的敏感程度低于点灰度特征综

23、合利用点灰度特征和综合利用点灰度特征和区域灰度特征，可以较区域灰度特征，可以较好的表征图像的信息好的表征图像的信息利用图像点灰度和利用图像点灰度和区域灰度均值得二区域灰度均值得二维最大熵阈值法维最大熵阈值法具体方法如下：具体方法如下：首先以原始灰度图像首先以原始灰度图像(L个灰度级个灰度级)中各象素及其中各象素及其4邻邻域的域的4个象素为一个个象素为一个区域区域，计算出区域，计算出区域灰度均值灰度均值图图像像(L个灰度级个灰度级)，这样原始图像中的每个象素都对，这样原始图像中的每个象素都对应一个应一个点灰度点灰度-区域灰度均值对区域灰度均值对，这样的数据对存，这样的数据对存在在LL种可能的取值

24、种可能的取值设设ni,j为图像中点灰度为为图像中点灰度为i及其区域灰度均值为及其区域灰度均值为j的象素点的象素点数，数，pi,j为点灰度为点灰度-区域灰度均值对区域灰度均值对(i,j)发生的概率，则发生的概率，则pi,j=ni,j/(NN)pi,j就是该图像关于点灰度就是该图像关于点灰度-区域灰度均区域灰度均值得的二维直方图值得的二维直方图点灰度点灰度-区域灰度均值对区域灰度均值对(i,j)的概的概率高峰主要分布率高峰主要分布在在XOY平面的平面的对角线附近对角线附近，并且在总体上呈现，并且在总体上呈现双峰和一谷双峰和一谷状态状态这是由于图像的所有象素中，目标点和背景点所占比例最大，这是由于图

25、像的所有象素中，目标点和背景点所占比例最大，而目标区域和背景区域内部象素灰度级而目标区域和背景区域内部象素灰度级比较均匀比较均匀，点灰度及其点灰度及其区域灰度均值相差不大区域灰度均值相差不大，所以都集中在对角线附近，所以都集中在对角线附近，两个峰两个峰分分别对应于目标和背景，远离别对应于目标和背景，远离XOY平面对角线的坐标处，峰的高平面对角线的坐标处，峰的高度急剧下降，这部分所反映的是图像中的度急剧下降，这部分所反映的是图像中的噪声点、边缘点和杂噪声点、边缘点和杂散点散点二维直方图的二维直方图的XOY平面图平面图目标目标背景背景边界边界噪声噪声在在A区和区和B区上用点灰度区上用点灰度-区域灰

26、度均值二维最大熵法区域灰度均值二维最大熵法确定最佳阈值，使真正代表目标和背景的信息量最大确定最佳阈值，使真正代表目标和背景的信息量最大设设A区和区和B区各自区各自具有不同的概率分布具有不同的概率分布，用，用A区和区和B区的区的后验概率后验概率对各对各区域的概率区域的概率pi,j进行归一化处理，以使分区熵之间具有可加性。如果阈进行归一化处理，以使分区熵之间具有可加性。如果阈值设在值设在(s,t)，则则A AD DB BC Cs sL Li it tL Lj jPA=ijpi,j，i=1,2s,j=1,2tPB=ijpi,j，i=s+1,s+2L,j=t+1,t+2L定义离散二维熵为：定义离散二维

27、熵为： H=-ijpi,jlgpi,j则则A区和区和B区的二维熵分别为：区的二维熵分别为：AAAijjijiAijjiAAijAjijijiAijAjiAjiPHPppPpPPPpppPPpPpAH/lglg)/1 (lg)/1 ()lg()/1 ()/lg()/()(,LttjLssippHPHPppPpPPPppPPpPpBHtjsippHijjijiBBBBijjijiBijjiBBijBjijiBijBjiBjiijjijiA,2,1,2,1lg/lglg)/1(lg)/1()/lg()/1()/lg()/()(2,1,2,1lg, 其中：其中：由于由于C区和区和D区包含的是关于噪声和

28、边缘的信息，所区包含的是关于噪声和边缘的信息，所以将其忽略不计，即假设以将其忽略不计，即假设C区和区和D区的区的pi,j0。C区：区： i=s+1,s+2,L；j=1,2t。D区：区：i=1,2,s；j=t+1,t+2L，可以得到：可以得到：PB=1-PA HB=HL-HAHL=-ijpi,jlgpi,j i=1,2L，j=1,2,L则：则：H(B)=lg(1-PA)+(HL-HA)/(1-PA)选取的最佳阈值向量选取的最佳阈值向量(s*,t*)满足：满足：),(max),(*tsts)1/()(/)1 (lg)1lg()1/()(lg/)()(),(AALAAAAAAALAAAPHHPHPP

29、PPHHPPHBHAHts熵的判别函数定义为：熵的判别函数定义为：（3）单边缘响应准则）单边缘响应准则要保证对单边缘只有一个响应，检测算子的脉要保证对单边缘只有一个响应，检测算子的脉冲响应冲响应导数的导数的0交叉点平均距离交叉点平均距离Dzca(f)应满足应满足(h(x)为为h(x)的二阶导数的二阶导数)：2/1 2)()()(WWzcadxxhdxxhfD以上面的指标和准则为基础，利用泛函求导的方法，以上面的指标和准则为基础，利用泛函求导的方法，可导出一个由边缘定位精度和信噪比乘积组成的表达可导出一个由边缘定位精度和信噪比乘积组成的表达式，这个表达式近似于高斯函数的一阶导数。式，这个表达式近

30、似于高斯函数的一阶导数。4 基于区域的分割基于区域的分割 图像分割把图像分解为图像分割把图像分解为若干个有意义的子区域若干个有意义的子区域，而这种分解基于而这种分解基于物体有平滑均匀的表面物体有平滑均匀的表面，与图像，与图像中中强度恒定或缓慢变化的区域相对应强度恒定或缓慢变化的区域相对应，即每个子区，即每个子区域都具有一定的域都具有一定的均匀性质均匀性质 前面所讨论的边缘、阈值，没有明显使用分割定义前面所讨论的边缘、阈值，没有明显使用分割定义中的均匀测度度量中的均匀测度度量 区域分割直接根据事先确定的相似性准则，直接区域分割直接根据事先确定的相似性准则，直接取出若干特征相近或相同象素组成区域取

31、出若干特征相近或相同象素组成区域 常用的区域分割常用的区域分割区域增长区域增长(区域生长区域生长)、区域分裂、区域分裂合并方法等合并方法等区域增长区域增长 原理和步骤原理和步骤基本思想基本思想将具有相似性质的象素集合起来构成区域。将具有相似性质的象素集合起来构成区域。具体步骤具体步骤先对每个需要分割的区域先对每个需要分割的区域找一个种子象素找一个种子象素作为生作为生长长起点起点，然后将种子象素周围，然后将种子象素周围邻域中邻域中与种子象素有与种子象素有相同或相相同或相似似性质的象素性质的象素(根据某种事先确定的生长或相似根据某种事先确定的生长或相似准则准则来判定来判定)合并到种子象素所在的区域

32、中合并到种子象素所在的区域中。将这些。将这些新象素新象素当做新的种子当做新的种子象素继续进行上面的过程，直到再象素继续进行上面的过程，直到再没有满足条件没有满足条件的象素可被的象素可被包括进来，这样一个区域就长成了包括进来，这样一个区域就长成了 R1R5R4R3R2如图给出已知种子点如图给出已知种子点 区域生长的一个示例。区域生长的一个示例。1 0 4 7 51 0 4 7 70 1 5 5 52 0 5 6 52 2 5 6 41 1 5 5 51 1 5 5 51 1 5 5 51 1 5 5 51 1 5 5 51 1 5 7 51 1 5 7 71 1 5 5 52 1 5 5 52

33、2 5 5 51 1 1 1 11 1 1 1 11 1 1 1 11 1 1 1 11 1 1 1 1(a)(b)(c)(d)(a)给出需要分割的图像，设已知两个种子象素给出需要分割的图像，设已知两个种子象素(标为标为深浅不同的灰色方块深浅不同的灰色方块)，现在进行区域生长，现在进行区域生长采用的判断准则是采用的判断准则是：如果所考虑的象素与种子象素灰度值差的：如果所考虑的象素与种子象素灰度值差的绝对值小于某个门限绝对值小于某个门限T，则将该象素包括进种子象素所在的区域，则将该象素包括进种子象素所在的区域图图(b)给出给出T=3时区域生长的结果，整幅图被较好的分成时区域生长的结果，整幅图被较

34、好的分成2个区域个区域图图(c)给出给出T=1时区域生长的结果，有些象素无法判定时区域生长的结果，有些象素无法判定图图(d)给出给出T=6时时区域生长的结果，整幅图都被分成区域生长的结果，整幅图都被分成1个区域。个区域。从上面的例子可以看出，在实际应用区域生长法时需要从上面的例子可以看出，在实际应用区域生长法时需要解决三个问题：解决三个问题：（1）选择或确定一组能正确代表所需区域的种子象素）选择或确定一组能正确代表所需区域的种子象素（2）确定在生长过程中能将相邻象素包括进来的准则）确定在生长过程中能将相邻象素包括进来的准则（3）制定让生长过程停止的条件或规则）制定让生长过程停止的条件或规则种子

35、象素的选取常可借助具体问题的特点进行。种子象素的选取常可借助具体问题的特点进行。迭代从迭代从大到小逐大到小逐步收缩步收缩典型典型军用红外图像中检测目标时，军用红外图像中检测目标时，目标辐射较大，可选图像中目标辐射较大，可选图像中最亮的象素作为种子象素最亮的象素作为种子象素如果具体问题如果具体问题没有先验知识没有先验知识，则常可借助生长所用，则常可借助生长所用准则准则对每个对每个象素进行相应的计算，如果计算结果象素进行相应的计算，如果计算结果呈现聚类的呈现聚类的情况，则接近情况，则接近聚类重心聚类重心的象素可取为种子象素的象素可取为种子象素生长准则的选取不仅依赖于具体问题本身，也生长准则的选取不

36、仅依赖于具体问题本身，也和所用图像数据的种类有关和所用图像数据的种类有关如当图像是如当图像是彩色彩色的时候，仅用的时候，仅用单色的准则单色的准则效果受到影响，效果受到影响，另外还需考虑另外还需考虑象素间的连通性和邻近性象素间的连通性和邻近性，否则有时会出现，否则有时会出现无意义的分割无意义的分割结果结果一般生长过程，在进行到再一般生长过程，在进行到再没有满足生长准则没有满足生长准则需要的象素时需要的象素时停止，但常用的停止，但常用的基于灰度、纹理、彩色的准则基于灰度、纹理、彩色的准则大都是基于图大都是基于图像中的像中的局部性质局部性质，并没有充分，并没有充分考虑生长的考虑生长的“历史历史”。为

37、增加。为增加区域生长的能力，常考虑一些区域生长的能力，常考虑一些尺寸、形状等图像和目标的全尺寸、形状等图像和目标的全局性质有关准则局性质有关准则，在这种情况下，需对分割结果建立，在这种情况下，需对分割结果建立一定的一定的模型模型或辅以一定的先验知识或辅以一定的先验知识 生长准则和过程生长准则和过程区域生长的一个关键是区域生长的一个关键是选择合适的生长或相似准则选择合适的生长或相似准则，大部，大部分分区域生长准则区域生长准则使用图像的使用图像的局部性质局部性质。生长准则可根据生长准则可根据不同原则不同原则制定，而使用不同的生长准则，制定，而使用不同的生长准则，将会影响将会影响区域生长的过程区域生长的过程。主要介绍主要介绍3种基本的生长准则和方法种基本的生长准则和方法基于区域灰度差基于区域灰度差基于区域内灰度基于区域内灰度分布统计性质分布统计性质基于区域形状基于区域形状实例设一幅图像，如图设一幅图像，如图(a)所示，检测灰度为所示，检测灰度为9和和7，平均灰，平均灰度均匀测度度量中阈值度均匀测度度量中阈值K取取2，分别进行区域增长，分别进行区域增长5 5 8 64 8 9 72 2 8 53 3 3 35 5 8 64 8 9 72 2 8 53 3