区域生长和超像素

区域生长的基本概念

数字图像分割算法一般是基于灰度值的两个基本特性之一：不连续性和相似性。前一种性质的应用途径是基于图像灰度的不连续变化分割图像，比如图像的边缘。第二种性质的主要应用途径是依据实现指定的准则将图像分割为相似的区域。区域生长算法就是基于图像的第二种性质，即图像灰度值的相似性。

如下图所示，如下图所示的一个极端情况，只需确认一个种子节点，然后按8临域法搜索与其相同的点，第一轮搜索结束后，更改种子节点并重复 该过程，直到找不到点为止。

具体细节如下，当随机到中间的点时，按顺序搜索周围的八个点，找到满足条件的最接近的一个点，将其选为新的种子节点，第一轮判断完毕后，生成新的区域与种子点，然后继续上述过程，直到到达停止条件为止。

区域生长的过程

区域生长是一个或多个将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，通过将与每个种子点有相似属性强度、灰度级、纹理颜色等的相邻像素合并到此区域，从而完成对图像的分割。
因此区域生长算法一般分为三个步骤实现：
(1)确定生长种子点；
(2)规定生长准则；
(3)确定生长停止条件。
下面将详细讲解这三个步骤

1确认种子点

种子点的确认根据具体算法不同，存在差异
但本质上遵循有序随机的规律
假设要确认提取4个种子节点，图像的长和宽为w,h。那么可以先找出四个均匀分布的点[w/4,h/4]，[3w/4,h/4]，[w/4,3h/4]，[3w/4,3h/4]，再通过设好的随机规则随机移动四个点。
有序性是为了保证分割的平滑，随机性是为了优化分割效果。
当然也可以根据需求自行决定种子点。

2确认生长准则

一般来说，生长点的选取规则有两种，邻域法和区域法
领域法如上面所讲的八领域，关注的是像素级的相似度，即尽量纳入与种子像素相似的像素，这种方法对非固定图像的识别更加有效，能很好的找出像素级的相似区域，但对模糊边界的识别较差。
区域法则是在纳入新像素时并不只考虑种子像素，而是将已确认区域与其进行整体比较。
如下图所示如果单考虑种子节点与其领域，20与10的差距不大，但是如果考虑已有区域的整体灰度值，与10的差距就会变的很大。

总体来说，两种方法各有优缺点，这两种方法的选取一般是根据需要切割的目标决定的。领域法对差异及其敏感，很容易避开差异较大的位置，但是对模糊边界或梯度变化图像的识别就很差，而区域法能很好的保证切割的整体性和一致性，但是对边界缺乏敏感，很容易陷入欠拟合的问题中。

3确认生长停止条件

当根据生长准则，一般到达指定大小或所有的点都无法将新的点纳入其中时，停止生长。

根据以上三个法则，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、在种子点处进行扩展，判定准则是：如果考虑的像素与种子像素或区域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的区域。3、当不再有像素满足加入这个区域的准则时，区域生长停止。

区域生长的步骤

1. 对图像顺序扫描，找到第1个还没有归属的像素, 设该像素为(x0, y0);
2. 以(x0, y0)为中心, 考虑(x0, y0)的8邻域像素(x, y)，如果(x, y)满足生长准则, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;
3. 从堆栈中取出一个像素, 把它当作(x0, y0)返回到步骤2;
4. 当堆栈为空时，返回到步骤1;
5. 重复步骤1 - 4直到图像中的每个点都有归属时。生长结束。