7.5.1 区域分割法学习视频在线视频

同学们好，今天我们给大家介绍图像分割中的区域分割方法

我们知道区域分割法就是利用同一区域内灰度值的相似性

把相似的区域进行合并，把不相似的区域分割开来

最终形成不同的分割区域，常用的区域分割方法包括

区域生长法、分裂合并法以及空间聚类法

本次课我们主要给大家介绍区域生长法和分裂合并法

所谓的区域生长就是把图像分割成特征相似的若干个小区域

然后比较相邻小区域的特征，如果相似

那么就把这些区域合并成同一个区域

如此进行直到不能合并为止

最后，生成特征不同的各个区域

这种分割方法也叫做区域扩张法

在进行区域生长的时候有三个问题需要注意

第一个就是要确定分割的区域数目

并且在每个区域里面选择或者确定一个

能够正确代表这个区域的灰度值的一个像素点

并且这个像素点，我们称作是种子点

第二步是要选择有意义的特征或者是邻域方式

第三步我们要确定相似性的准则

也就是说区域生长的条件

那么根据所用邻域方式和相似性准则的不同

区域生长法可以分为下面的三种，简单生长法

质心生长法和混合生长法

所谓的简单生长法，大家可以看到

我们写了一个像素加像素，也就是说

所谓的像素加像素就是指在进行相似性判断的时候

是像素点和像素点进行比较

而质心生长法是区域加像素 也就是说它的相似性准则是

判断区域和像素它们之间的灰度值进行比较

混合生长法就是区域和区域的像素的灰度值来进行比较

那么，我们首先来看简单生长法

按照事先确定的相似性准则，如果满足条件

那么种子点就合并它的邻域的像素点

这个区域就进行生长，接收后的像素点就称为生长点

它的取值取做种子点的取值

重复这样的过程，直到不能生长为止

那我们看一下简单生长法的相似性准则也很简单

我们现在f(m,n)和f(s,t)分别代表的是种子点和需要生长的点

那么它的相似性准则就是来判断

需要生长的这个邻域的点和我们种子点，它的灰度值的差值

如果小于我们预先设定的那个阈值T或者说小于门限T

那么，我就把这个像素点进行一个生长

然后生长后的这个像素点，它的取值灰度值

它的取值不管原来是多少

现在它的取值全部都变成种子点的值

因此，我们知道这种方法对种子点的依赖性是比较强的

如果把相似性准则进行修改就可以得到质心生长法

那么这个时候相似性准则就变成这样一个公式

其中的f(m,n)现在就是我们需要考虑的这个邻域的像素点

然后这一项表示的是

已经生长过后的区域中，所有像素的灰度的平均值

那对比上面的简单生长法的相似性准则

我们看到同样是f(m,n)，它和谁比较呢?

上面是和种子点的灰度值进行比较

下面是和生长区域的灰度平均值进行比较

那么这是它两者之间的一个区别

如果它俩之间的差值小于阈值

那我们就把f(m,n)这个像素点进行生长，这个就是质心生长法

那么质心生长法，它在一定程度上克服了

简单生长法中过分依赖种子点这样的一个缺陷

那么还有一种叫做混合生长法

这个混合生长法就是按照相似性准则进行相邻区域的合并

也就是说相似性准则，现在我们比较的是两个区域的灰度值了

下面我们可以通过例子来进行一个讲解

区域生长法，一个分割的例子

左边这个图是原始的一个图像

然后，我们在这个图像中，我认为这个图像可以生长成两个区域

然后分别在这个图像中找到了两个种子点

分别是1和6，用蓝色给它标记出来了

那么这个就是用简单生长法得出来的一个取值

这个里面门限我们取的是T1等于3

也就是说以它为例，最开始这是一个种子点

这个种子点和周围上、下、左、右邻域里面的像素进行比较

像素的灰度值和1的差值如果小于我们给定的阈值3

我就进行生长

只不过生长后，无论这个像素点原来的灰度值是多少

现在通通变成了种子点的灰度值是1

那么6也是一样 所以我们可以看到简单生长法之后

是把原始图像分割成了两部分，那这两部分中

每一部分的灰度每一个像素点的灰度值

都和种子点的灰度值是一样的

这个图是质心生长法的结果

一样我们可以看到分成了两个区域

只不过分成这两个区域中

每一个像素点上它的灰度值还取的是原来的取值

而这个是混合生长法

在这个混合生长法中我们取的阈值是5

那么为什么呢？ 就是以这个为例

我们对这两个区域，我们来进行一个混合生长

混合生长中是两个区域的灰度的平均值来进行比较

那么这个区域，它的灰度平均值可以计算出来是等于1.1

这个灰度值计算出来平均值等于5.7

所以，这两个区域灰度值的平均值的差值是等于4.6

是小于我们给定的阈值5的

所以就把这两个区域进行了一个合并变成了它

当然，如果我们这个阈值T3取得不是5

比如说我们现在等于这个4

它小于这两个区域的灰度的差值4.6

那么这个时候，这两个区域就不会进行合并了

那么这个就是我们区域生长法的一个分割的一个例子

那么区域生长法需要事先确定区域的个数

也就是种子点的数目

而有时候我们事先是无法了解区域的形状和数目的

这个时候，我们可以采用分裂合并的方法进行图像的分割

分裂合并通常用的是四叉树来实现的

那么我们看一下

用R表示一个整幅图像 那么四叉树分裂合并的方法

主要步骤就是，首先第一步给定一个相似性准则

如果对图像中的一个区域有相似性

这个区域不满足相似性准则

那我就把这个区域等分成四个子区域

然后来判断一下每一个子区域里面

是不是满足相似性准则

如果每个子区域都满足相似性准则

我们就不再进行划分了

然后第二步对于相邻区域

如果这两个相邻区域满足相似性准则

我们就把这两个区域进行合并，这是第二步

下面我们给出一个用四叉树对二值图像进行分割的一个例子

这个是原始的图像块

由于我们给这个图像是01二值的

所以它的相似性准则很简单

就是判断像素的灰度值是否相等就可以了

那么，对于这个原始的图像块，我们可以看到

原始的图像中既有灰度值是0的，也有灰度值是1的

也就意味着这个原始的图像它并不满足相似性准则

所以我们把原始的图像一分为四，等分成四份

分别是左上角、右上角、左下角和右下角分成四份

1 2 3 4来标注这四个区域的位置

然后我们来看一下左上角标1的这个区域

现在全部都是灰度值是0了，因此它满足相似性准则

我们就不再进行分裂了

而标2的这个区域，里面既有0也有1

所以不满足相似性准则

因此我们把2这个小区域再等分成4份

同样的道理，3满足相似性准则，不再划分

而4不满足相似性准则，我们把它继续划分成等分成4份

变成这样的形式

现在我们看一下每一个小的子区间都满足相似性准则了

所以我们就不再进行分裂，然后考虑合并的问题

那么接下来就是这三个图像子块，由于它是相邻的

并且满足相似性准则

所以这三个图像合并在一起，一样道理把它们都分别进行合并

所以，我们最终用四叉树的形式来表示分裂合并的一个过程

这个就是最终的分裂合并的一个结果

用这个四叉树的形式

我们来看一下原始图像R由于不满足相似性准则

所以一分为四R10 R2 R31和R4

其中这个R右下角的这个标记就是我们对应于这个图像中的位置

那么就是它是第一个区域、第二个区域、第三个区域和第四个区域

而右上角的这个标记呢0和1表示的是这个区域里面

它的灰度值是取0还是取1

那么，R1和R3刚才说了都是满足相似性准则的

所以不再进行分裂

而R2和R4这两个区域不满足相似性准则，又把它一分为四

那么这个就是我们用四叉树进行分裂合并的一个实例

好，今天主要内容就给大家介绍到这里

谢谢大家 再见