融合区域信息Snake模型图像分割
关于图像分割算法的研究
关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的
Matlab实现区域生长算法
Matlab实现区域生长算法 （南京航空航天大学机电学院机械工程系，南京2016年11月1日） 摘要： 图像分割不仅是图像处理领域的一个经典的研究主题，也是图像处理技术的热点和焦点。随着计算机处理技术的发展，图像分割算法引起研究人员越来越多的关注。本文提出了基于传统的种子区域生长算法的基础上形成一种新的图像自动分割区域的方法。算法的实现主要基于Matlab编程实现。 关键词：图像分割，种子区域生长算法，Matlab 一、引言 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。 区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果。在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域生长法是一种迭代的方法，空间和时间开销都比较大，噪声和灰度不均匀可能会导致空洞和过分割，并在对图像中的阴影效果处理上往往不是很好。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像： 1、选取图像中的一点为种子点（种子点的选取需要具体情况具体分析）。 2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与
一图象分割定义
一图象分割定义 图象分割：将图象表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图象中的目标，背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。 二图象分割的研究现状 图象分割是图象处理中的一项关键技术，也是一经典难题，自20世纪70年代起一直受到人们的高度重视，至今已提出了上千种分割算法。但发展至今仍没有找出一个通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图象的通用分割算法。另外，也还没有制定出判断分割算法好坏和选择适用分割算法的标准，这给图象分割技术的应用带来许多实际问题。 三对图象分割现状的思考 基于图象分割的研究现状，我们在图象分割技术的应用上存在着许多实际问题。首先，在需要解决一个具体的图象分割问题的时候，往往发现难于找到一个非常适用的现成方法。其次，图象分割问题可以说既是一个数学问题，也是一个心理学问题。如果不利用关于图象或所研究目标的先验知识，任何基于某种数学工具的解析方法都很难取得很好的效果。因此，在更多的时候，人们倾向于重新设计一个针对具体问题的新算法来解决所面临的图象分割问题。这在只有个别图象样本的时候，利用各种先验知识，设计具有针对性的算法来实现较好的分割相对容易。但是，当需要构建一些使用的机器视觉系统时，（比如虚拟眼），所面对的将是具有一定差异性，数量庞大的图象库，此时如何很好地利用先验知识，设计一个对所有待处理图象都实用的分割算法是一件非常困难的任务。最后，由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统（humen vision system,HVS）机理的深刻认识（人们对视觉机理的研究还没成熟），构造一种能
图像分割方法综述
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、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，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的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
图像分割区域生长法
江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多
图像分割 实验报告
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。
图像分割算法研究与实现
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
简单区域扩张法实施图像的区域分割
6、采用简单区域扩张法对下图实施图像的区域分割。自行选定起始种子像素灰及灰度间隔度。 原理：以图像的某个像素为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域；以合并的像素为生长点，继续重复以上操作，最终形成具有相似特征的像素的最大连通集合。该法称简单(单一型)区域扩张法。 基于区域灰度差的方法主要有如下步骤： （1）对图像进行逐行扫描，找出尚没有归属的像素； （2）以该像素为中心检查它的邻域像素，如果灰度差小于预先确定的阈值，将它们合并； （3）以新合并的像素为中心，重复步骤(2)，检查新像素的邻域，直到区域不能进一步扩张； （4）返回到步骤(1)，继续扫描直到不能发现没有归属的像素，则结束整个生长过程。 下图给出已知种子点进行区域生长的一个示例。图(a)给出需分割的图像，设已知种子像素(标为灰色方块)，现要进行区域生长。设这里采用的生长判断准则是：如果所考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在区域。图(b)给出T＝3时的区域生长结果，整幅图被较好地分成2个区域；图(c)给出T＝2时的区域生长结果，有些像素无法判定；图(d)给出T＝6时的区域生长结果，整幅图都被分在一个区域中了。 程序为：（一） I=imread('p5-06.tif'); subplot(2,2,1),imshow(I),title('原始图像'); Ic=imcomplement(I) ; BW=im2bw(Ic,graythresh(Ic)) ; subplot(2,2,2),imshow(BW),title('阈值截取分割后图像'); se=strel('disk',6); BWc=imclose(BW,se); BWco=imopen(BWc,se);
基于MATLAB的数字图像分割的研究与实现
本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院学生： 学号： 专业： 年级： 完成日期：2012 年04 月 指导教师：
基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract : Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLABto do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB
基于区域生长法的图像分割论文原稿
基于区域增长法的图像分割 王春者 （信工学院电子信息工程专业） 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。 本论文首先简单介绍图像分割的主要方法，然后重点介绍一种基于区域增长法的图像分割方法,该方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 关键词：图像分割；区域增长法；基本算法
Abstract The image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.The purpose is to image segmentation image is divided into different areas,based on region growing segmentation technique is based on the direct search for regional. This paper first briefly introduce the main method of image segmentation, and then focuses on a method of image segmentation based on region growing method, the method is based on similar properties in the same region within the object pixel to pixel aggregation method, from the initial area (as regards neighborhood of each pixel, or even), the adjacent pixel having the same nature or other areas merge into the current so as to gradually increase the area of the region can merge up until no other point or small area. Similarity measure may include a region of the pixel values of the average gray, texture, color and other information. Key words：Image segmentation; region growing method; basic algorithm
基于区域生长的图像分割
安康学院 学年论文﹙设计﹚ 题目基于区域生长法的图像分割 学生姓名周东阳 2012020081 所在院(系)电子与信息工程系 专业班级电子信息工程2012级2班 指导教师余顺园 2015年6月25日
基于区域生长法的图像分割 作者：周东阳 安康学院电子与信息工程系电子信息工程专业12级，陕西安康 725000 指导教师：余顺园 【摘要】图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级等）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。 【关键词】区域生长种子点分割像素 Image segmentation based on region growing arithmetic Author：ZhouDongyang Grade three ,Class two,Major Electronic and Information Engineering ,Dept.，Ankang University，Ankang 725000，Shaanxi Directed by YuShunyuan Abstract:Image segmentation aims to divide the image into different areas, based on region growing is to find region-based segmentation techniques. Criteria defined in advance by the region growing is a pixel or sub-regional aggregate into bigger regional process. Basic method is based on a set of "seed" point, with seeds similar in nature (such as grayscale) adjacent pixels on each attach to the growth region of the seed. Region growing is one of the problems with formulas describing a termination rule. Basically, no pixels when you meet the conditions for joining a regional, regional growth will stop. In the design of this course, in algorithm design fully reflects that. Traverse the image function is called during testneitesting i,j
改进的B-Snake模型肝脏CT图像分割算法
Computer Engineering and Applications 计算机工程与应用 2015，51（9）1引言随着计算机图形学技术以及虚拟仿真技术的不断发展，虚拟手术技术特别是虚拟肝技术已经有了很大的发展[1]。三维肝脏模型跟肝脏的二维数字断层图像相比，更直观，更能展现人体器官的三维结构和形态，因此肝脏三维重建技术已广泛运用于虚拟手术中。由于每个病人的肝脏器官外形都不一样，病灶也不一样，如何构造出个性化的肝脏模型是肝脏虚拟手术中重要的研究方向之一，而肝脏模型的个性化又是以肝脏CT 图像 的三维分割为前提的，因此，肝脏CT 图像的三维分割算法的研究具有很重要的意义[2]。但是由于肝脏及其周围组织结构的复杂性，肝脏CT 图像的三维分割一直都是一项挑战性的任务，很多科研工作者已经在这方面进行了研究[3]。 传统的图像分割方法一般可以分为三类：基于阈值的分割、基于边缘检测的分割和基于区域的分割[4]。改进的B-Snake 模型肝脏CT 图像分割算法 王杰雄，陈国栋，陈怡 WANG Jiexiong,CHEN Guodong,CHEN Yi 福州大学物理与信息工程学院，福州350002 College of Physics and Information Engineering,Fuzhou University,Fuzhou 350002,China WANG Jiexiong,CHEN Guodong,CHEN Yi.Improved B-Snake segmentation method for liver CT https://www.360docs.net/doc/6d8617771.html,puter Engineering and Applications,2015,51（9）：152-157. Abstract ：The personalization of liver models,which is premised on the 3d segmentation of liver CT images,is a key technology in the virtual surgery of liver.Considering the features of B-Snake model,this paper presents an improved B-Snake segmentation algorithm combined with Region Filling.The contour of the adjacent and processed section is mapped on the current section.Based on the contour,it gets a connected region according to Region Filling algorithm and compares the region with the liver region of the adjacent and processed section according to certain algorithm in order to obtain a more accurate contour.The resulting contour is close to the liver boundary,and large amount of the control points are on the right boundary.Then,the contour is served as the initial contour of the improved B-Snake algorithm for further processing,resulting in the final segmentation result after the evolution of part of the initial contour.The algorithm will not end untill all sections are processed.Experimental results show that the algorithm can obtain segmentaion result of liver CT images efficiently and accurately. Key words ：liver;image segmentation;region filling;active contour model 摘要：肝脏模型的个性化是肝脏虚拟手术系统中的一个关键技术，而肝脏模型的个性化又是以肝脏CT 图像的三维分割为前提的。针对B-Snake 模型的特点，提出一种结合区域填充的改进B-Snake 模型图像分割算法。将相邻的上一张切片的分割结果映射到当前切片上，根据一定的规则进行区域填充，并将填充后的结果与前一张切片的分割结果按一定的算法进行比较，进一步优化。得到的初始轮廓很接近肝脏的真实边界，而且大部分曲线已在边界上，将其作为改进的B-Snake 模型算法的初始轮廓，只需对其进行部分控制点的优化调整，就可得到准确的分割结果。以此类推，直到处理完所有切片图。实验表明，该算法能有效提高分割的准确度，获得较满意的分割结果。关键词：肝脏；图像分割；区域填充；活动轮廓模型 文献标志码：A 中图分类号：TP317.4doi ：10.3778/j.issn.1002-8331.1306-0111 基金项目：福建省科技计划重点项目（No.2011H0027）。 作者简介：王杰雄（1989—），男，硕士研究生，研究领域为图像处理与通信；陈国栋（1979—），男，博士研究生，助理研究员，研究领域 为计算机图形学；陈怡（1990—），男，硕士研究生，研究领域为图像处理与通信。E-mail ：wangjiexiong_1989@https://www.360docs.net/doc/6d8617771.html, 收稿日期：2013-06-13修回日期：2013-09-04文章编号：1002-8331（2015）09-0152-06 CNKI 网络优先出版：2013-11-12，https://www.360docs.net/doc/6d8617771.html,/kcms/detail/11.2127.TP.20131112.1119.011.html 152
设计利用区域生长算法进行图像分割的程序
设计利用区域生长算法进行图像分割的程序 1、目的：把一幅图像划分成满足某种判据的一些区域，在这里形成一个二值图。 2、原理：首先确定每个区域中的某个已知点，加上与已知点相似的邻近点形成一个区域，在这里利用区域的均值。当邻近点与区域均值的差值的绝对值小于阈值T 时，即满足生长条件。方法是从种子点开始，在8连通方向上生长区域，当其邻近点满足生长条件，则就并入小快区域，当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时该区域生成过程终止。 3、设计思路： 1）通过具体观察某幅图像的直方图，估计其确定种子点范围[S1，S2]，并确定其阈值T; 2）透过对整幅图像的扫描，找出某个区域的一个种子点：(.)f x y 3）开始利用8连通方向，以该种子点为中心进行生成区域；[(),()]s r s θ |(,)(.)|diff f i j f x y T =-<(,)ave f i j = 4）继续用8连通方向，以该区域为中心，把邻近满足生长条件的点并入，生成新的区域； 1(,)k ave f i j k =∑ |(,)|diff f i j ave T ''=-< 5）重复4）步，直到不再存在邻近满足生长条件的点为止，该区域生成过程结束； 6）继续对图像进行扫描，寻找其他区域的一个种子点，按3）~5）的步骤进行 4、程序设计 根据下面的流程图可分为
区域生长算法实现流程图
5、程序 %district.m主函数 clear clc I = imread('bacteria.tif'); subplot(1,2,1) imshow(I) title('初始图像'); subplot(1,2,2) imhist(I) title('初始图像的直方图'); %透过该直方图确定种子满足S1~S2 的值（灰度值）和判定的依据阈值T S1=8;S2=70;T=33; f=double(I); [m,n]=size(I); shed1=zeros(3,round(m*n/2)); %存储区域生长方向上的点和该区域的均值的绝对差值和 该%点的坐标 sp1=0; % sp1 相当于指针，指向shed1 中的最后放入的值和坐标 shed2=zeros(2,m); %存储符合生长条件的点的坐标 sp2=0; % sp2 指针，指向shed2 中的最后放入点的坐标 Cut=zeros(size(f)); % Cut 为区域生长后的新图像 Cut=Cut+255; % Cut 矩阵初始值设为255 vb=0; %标记值，当vb=1 时，即要求重新计算已有的栈shed1(1,:) 的大小 for i=1:m for j=1:n if (f(i,j)>S1&f(i,j) 计算机视觉实验二 ——图像分割：snake轮廓模型 简介 Snake是Active Contour Model的一种，它以构成一定形状的一些控制点为模版（轮廓线），通过模版自身的弹性形变，与图像局部特征相匹配达到调和，即某种能量函数极小化，完成对图像的分割。每一个Snake都是能量最小曲线，受外部限制力引导及图像力的影响使它向着线和边缘等特征移动。Snakes是活动轮廓模型：他们自动跟踪附近边缘，准确地使曲线集中。尺度空间（scale-space）的连续性用来去扩大对特征周围区域的捕获。Snakes提供一种许多视觉问题的统一的解决方法，包括检测边，线及主观轮廓；移动跟踪；及立体匹配。我们成功使用Snakes用于交互解释（interactive interpretation），即用户提出一种限制力引导Snake靠近感兴趣的特征。 基本snake性能 我们的基本snake模型是一条被控制的连续曲线，其曲线受图像力和外部限制力的影响。内部样条(splint)力用来加以分段平滑限制。图像力把snake推向显著图像特征，如线，边，主观轮廓等等。外部限制力负责推动snakes靠近理想的局部最小值。例如这些力，可以来自使用者接口，自动注意机制(automatic attentional mechanisms)，或者高层解释(high-level interpretations)。 实验关键步骤代码 1．获取手动取点坐标，该部分代码如下 14 % ========================================================================= 15 %获取手动取点坐标 16 % ========================================================================= 17 %读取显示图像 18 %I = imread('Coronary_MPR.jpg'); 19 I = imread('plane.png'); 20 %转化为双精度型 21 %I = im2double(I); 22 %若为彩色，转化为灰度 23 i f(size(I,3)==3), I=rgb2gray(I); end 24 f igure(1),imshow(I); 25 %--------------------------- 图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。 2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而snake图像分割
图像分割技术的研究背景及意义