基于区域的图像分割-----------区域分裂合并

最新推荐文章于 2024-07-27 12:45:39 发布

小大小丑

最新推荐文章于 2024-07-27 12:45:39 发布

阅读量1.9w

点赞数 4

文章标签： image 测试算法 byte 存储 c

本文链接：https://blog.csdn.net/bagboy_taobao_com/article/details/5666109

版权

本文介绍了区域分裂合并算法的基本思想，通过分裂和聚合实现图像分割。首先确定分裂合并的准则，当区域特征不一致时进行分裂，相邻区域特征一致时进行合并。区域生长和分裂合并算法互相补充，最终达到分割目的。文中还展示了具体算法实现过程，包括图像划分、属性计算、分裂合并条件判断，并给出了一种基于像素灰度均值和标准差的分割实例。

摘要由CSDN通过智能技术生成

2. 区域分裂合并

区域分裂合并算法的基本思想是先确定一个分裂合并的准则,即区域特征一致性的测度,当图像中某个区域的特征不一致时就将该区域分裂成4 个相等的子区域,当相邻的子区域满足一致性特征时则将它们合成一个大区域,直至所有区域不再满足分裂合并的条件为止. 　　当分裂到不能再分的情况时，分裂结束，然后它将查找相邻区域有没有相似的特征，如果有就将相似区域进行合并，最后达到分割的作用。　　在一定程度上区域生长和区域分裂合并算法有异曲同工之妙，互相促进相辅相成的，区域分裂到极致就是分割成单一像素点，然后按照一定的测量准则进行合并，在一定程度上可以认为是单一像素点的区域生长方法。　　区域生长比区域分裂合并的方法节省了分裂的过程，而区域分裂合并的方法可以在较大的一个相似区域基础上再进行相似合并，而区域生长只能从单一像素点出发进行生长（合并）。

反复进行拆分和聚合以满足限制条件的算法。

令R表示整幅图像区域并选择一个谓词P。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域，直到对任何区域R_i，有P(R_i)=TRUE。这里是从整幅图像开始。如果P(R)=FALSE，就将图像分割为4个区域。对任何区域如果P的值是FALSE．就将这4个区域的每个区域再次分别分为4个区域，如此不断继续下去。这种特殊的分割技术用所谓的四叉树形式表示最为方便(就是说，每个非叶子节点正好有4个子树)，这正如图10.42中说明的树那样。注意，树的根对应于整幅图像，每个节点对应于划分的子部分。此时，只有R₄进行了进一步的再细分。

如果只使用拆分，最后的分区可能会包含具有相同性质的相邻区域。这种缺陷可以通过进行拆分的同时也允许进行区域聚合来得到矫正。就是说，只有在P(R_j∪R_k)=TRUE时，两个相邻的区域R_j和R_k才能聚合。

前面的讨论可以总结为如下过程。在反复操作的每一步，我们需要做：

l.对于任何区域R_i，如果P(R_i)=FALSE，就将每个区域都拆分为4个相连的象限区域。

2.将P(R_j∪R_k)=TRUE的任意两个相邻区域R_j和R_k进行聚合。

3.当再无法进行聚合或拆分时操作停止。

可以对前面讲述的基本思想进行几种变化。例如，一种可能的变化是开始时将图像拆分为一组图象块。然后对每个块进一步进行上述拆分，但聚合操作开始时受只能将4个块并为一组的限制。这4个块是四叉树表示法中节点的后代且都满足谓词P。当不能再进行此类聚合时，这个过程终止于满足步骤2的最后的区域聚合。在这种情况下，聚合的区域可能会大小不同。这种方法的主要优点是对于拆分和聚合都使用同样的四叉树，直到聚合的最后一步。

例10.17 拆分和聚合

图10.43(a)显示了一幅简单的图像。如果在区域R_i内至少有80％的像素具有z_j-m_i≤2σ_i的性质，就定义P(R_i)=TRUE，这里z_j是R_i内第j个像素的灰度级，m_i是区域R_i的灰度级均值，σ_i是区域R_i内的灰度级的标准差。如果在此条件下，P(R_i)=TRUE，则设置R_i内的所有像素的值等于m_i。拆分和聚合使用前速算法的要点完成。将这种技术应用于图10.43(a)所得结果示于图10.43(b)。请注意，图像分割效果相当好。示于图10.43(c)中的图像是通过对图10.43(a)进行门限处理得到的，门限值选在直方图中两个主要的尖峰之间的中点。经过门限处理，图像中生成的阴影(和叶子的茎)被错误地消除了。