区域生长算法及其实现

区域生长算法及其实现

背景

​ 前面我们已经介绍了
最大熵分割法
OTSU算法
他们都有各自的优缺点，通常都不是单独使用这些算法，需要和其它算法来结合使用，前面两类算法都是单独对图像的灰度信息进行处理，不包含图像的空间信息，而区域生长算法则包含了图像的空间信息。

优点：

​ 比较灵活，可以根据项目需要灵活的选择所需要的生长的规则，分割的效果比较好，通常可以较好的分割出种子点周围的区域。

缺点：

​ 当要分割的区域不联通，被分割成一个个小的封闭区域时，会导致出来的只有种子点附近的一个小区域，分割不理想，区域生长算法容易受到噪声等的影响，同时由于该算法是迭代算法，算法的时间开销大。

算法原理：

步骤：

1、在图像中选取一个种子点（x,y）

2、根据生长规则，判断种子点周围8个点哪几个点可以作为下次生长的点，判断完后，将当前的种子标记为已使用。

3、判断下一生长点

4、直到不再有生长点。

哪么生长规则如何设定呢？大概有以下几种判断规则：灰度、梯度幅值等，例如：判断种子点与下一生长点之间的灰度差，如何小于某值，则将其加入种子点中。

算法流程：

1、将初始种子点存入vector

2、弹出1个种子点，根据生长规则判断周围8个点哪个符合规则，符合则加入到vector中

3、判断vector的size是不是为0，为0则结束，不为0则继续第二步

Opencv实现：

void Region_Growing(Mat input, Mat& output, Point2i fristseed, int value)
{
	vector<Point2i>allseed;              //保存种子
	allseed.push_back(fristseed);         //压入第一个种子

	int direction[8][2] = { { -1, -1 }, { 0, -1 }, { 1, -1 }, { 1, 0 }, { 1, 1 }, { 0, 1 }, { -1, 1 }, { -1, 0 } };//种子选取的顺序
	output = Mat::zeros(input.size(), CV_8UC1);               //创建一个黑图

	output.at<uchar>(fristseed.y, fristseed.x) = 255;         //第一个种子点设置为
	
	int cerseedvalue = 0;     //初始种子点的值

	int nextseedvalue = 0;    //与种子点相比较的下一点的值

	Point2i comparseed;       //与种子点相比较的下一点
	
	cerseedvalue = input.at<uchar>(fristseed.y, fristseed.x);    // 种子点的灰度值

	while (!allseed.empty())
	{
		fristseed = allseed.back();   //最后一个种子点的
		allseed.pop_back();           //弹出最后一个种子点

		for (int i = 0; i < 8; ++i)
		{
			comparseed.x = direction[i][0] + fristseed.x;
			comparseed.y = direction[i][1] + fristseed.y;

			if (comparseed.x<0 || comparseed.x>(input.cols-1) || comparseed.y<0 || comparseed.y>(input.rows-1))
				continue;

			if (output.at<uchar>(comparseed.y, comparseed.x) == 0)   //判断有没有被使用过
			{
				nextseedvalue = input.at<uchar>(comparseed.y, comparseed.x);       //生长点的值
				if (abs(nextseedvalue - cerseedvalue) < value)//生长规则
				{
					allseed.push_back(comparseed);
					output.at<uchar>(comparseed.y, comparseed.x) =255;
				}
			}
		}
	}
	
}

米粒

米粒分割图