单目标图像的目标区域提取

西安理工大学

研究生课程论文

课程名称：数字图像分析

课程代号：

任课教师：

论文题目：单目标图像的目标区域提取完成日期：2015 年 1 月13 日学科：

姓名：

单目标图像的目标区域提取

摘要：图像分割的目的是将图像划分为不同的区域，区域增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，分裂合并是根据一致性准则处理目标和背景之间灰度渐变图像的典型算法。本文以单目标图像为对象，通过区域增长和分裂合并的方法实现了对目标区域的提取，并对实验结果进行了分析。

关键字：图像分割；区域增长；分裂合并；二值化

Abstract：The purpose of image segmentation is to divide the image into different areas, regional growth is a kind of according to predefined criteria will become more pixels or subdomain polymerization process of large area, split the merger is processed according to the consistency criterion between target and background gray gradient image of typical algorithm. Based on the single target image as the object, through regional growth and division merge method to extract the target area is achieved, and the experiment results are analyzed.

Key words：Image segmentation;Regional growth;Split the merger;binarization 1引言

数字图像处理的目的之一是图像识别, 而图像分割与测量是图像识别工作的基础。图像分割是将图像分成一些有意义的区域, 然后对这些区域进行描述, 相当于提取出某些目标区域图像的特征, 判断图像中是否有感兴趣的目标。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。

2技术分析

2.1图像分割

图像分割就是将待处理的图像表示为物理上有意义的连通区域的集合，一般是通过对图像的不同特征如纹理、颜色、边缘、亮度等特征的分析，来达到图像

分割的目的。图像分割通常是为了进一步对图像进行分析、理解、识别、处理、跟踪等，分割的准确性直接影响到后续任务的有效性，因此分割在图像处理中具有十分重要的意义。

图像分割可以依据图像中每个像素的颜色、灰度、纹理信息和几何性质等特征，将图像中具有某些特殊含义的不同区域区分开，分割后所形成的这些区域是互不重叠的，并且每个区域都满足特定区域的一致性。分割出来的区域应该同时满足]1[：

（1）分割出来的图像区域的均匀性和连通性。

（2）相邻分割区域之间针对选定的某种特征具有明显的差异。

（3）分割区域边界应该规整，同时保证边缘的空间定位精度。

根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：a.阈值法；b.区域生长和分裂合并法；c.基于统计学的算法。常见的经典的图像分割技术有：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。串行区域分割技术指采用串行处理的策略通过对目标区域的直接检测来实现图像分割的技术, 它的特点是将整个处理过程分解为顺序的多个步骤逐次进行, 对后继步骤的处理要对前面已完成步骤的处理结果进行判断而确定。这里的判定要根据一定的准则, 一般来说如果准则是基于图像灰度特性的, 则这个方法可以用于灰度图像分割。基于区域的串行分割技术有两种基本的形式, 一是从单个象素出发, 渐渐合并以形成所需的分割区域, 二是从整个图出发, 分裂切割至所需要的分割区域, 第一种方法的典型技术就是区域增长。本文主要讨论的就是区域增长算法和分裂合并算法。

2.2区域增长算法

基于区域生长的算法的基本思想是把具有相似性质的像素归并在同一个区域内。像素的相似性判定包括图像的纹理信息、灰度值、颜色等其他像素特性。该算法首先对需要分割的每个区域选取一个种子像素，作为区域生长的起点位置，然后将种子像素与周围邻域内的像素进行相似性比较，如果满足约定好的相似性准则或生长准则，就把当前比较的像素合并到种子像素所在的区域。再利用新合并进去的像素作为种子点，与它周围的像素进行相似性比较，直到没有满足条件的像素可以被合并进来就表示完成了一个区域的生长过程。

下图中给出了一个已知种子点进行区域生长的示例。图 2-1(a)表示需要分割的图像，设已知有两个种子像素（用下划线标注），现进行区域生长。这里选

取的合并准则是：如果种子像素的灰度值与邻域像素的灰度值之差小于等于门限值 T ，则将当前比较的像素归并到种子像素所在的区域。图 2-1(b)给出了 T=3 时的结果，图像被分割为两个区域。图 2-1(c)给出的是 T=1 时的结果，从图中可以看出分割结果中存在着较小的区域，产生了过分割现象。图 2-1(d)给出的是当 T=6 时的分割结果，该图显示图像中的所有像素都在一个区域内，没有达到分割图像的目的。因此可见，门限值的选取对于分割结果的好坏起着决定性的作用]3[。

(a)原图 (b)T=3

(c)T=1 (d)T=6

图2-1原图像和 T 取不同值的区域生长结果

算法的好坏取决于三个要素：（1）如何选择一组能够正确代表所选区域的种子像素；（2）如何确定在生长过程中能将相邻像素合并进来的准则；（3）如何确定生长终止的条件或规则。其优点是当区域的相似性准则和生长终止的条件比较容易找到时，可以取得较好的分割效果。但是，该算法在生长过程中考虑的只是当前种子点像素与周围邻域像素的相似性也即仅考虑了图像的局部信息，没有考虑生长的过程，对于变化特征比较缓慢的图像不能得到较好的分割效果。另外，种子像素点的选取和生长准则的确定直接影响到分割的效果图，如果选取不当则可能造成过分割或不能有效分割的问题（如图 2-1(c)和图2-1(d)所示）。

区域增长的关键是相似性准则也即区域生长准则的选取，相似性准则依赖于图像的灰度、纹理等信息。使用不同的增长准则会影响到图像的最终分割结果。