区域生长算法原理及实现

写在前面

前面写了OTSU算法最大熵算法自适应阈值法,这些都是基于阈值的分割算法。

今天写一下基于区域的分割算法,其中最为有名和经典的就是区域生长算法。值得说明的是:OpenCV没有提供区域生长算法的API

优点:基本思想相对简单,通常能将具有相同特征的联通区域分割出来,并能提供很好的边界信息和分割结果。在没有先验知识可以利用时,可以取得最佳的性能,可以用来分割比较复杂的图象,如自然景物、硬币、医学图像等。

缺点:区域生长法是一种迭代的方法,空间和时间开销都比较大,噪声和灰度不均一可能会导致空洞和过分割,并在对图像中的阴影效果处理上往往不是很好。 

 

原理

区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周围领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。这个过程中有几个关键的问题:

a> 给定种子点(种子点如何选取?)

      种子点的选取很多时候都采用人工交互的方法实现,也有用其他方式的,比如寻找物体并提取物体内部点作为种子点。

b> 确定在生长过程中能将相邻像素包括进来的准则

     灰度图像的差值;彩色图像的颜色等等。都是关于像素与像素间的关系描述。

c> 生长的停止条件

 

算法步骤 :

a>  创建一个空白的图像(全黑);

b> 将种子点存入vector中,vector中存储待生长的种子点;

c> 依次弹出种子点并判断种子点如周围8邻域的关系(生长规则),相似的点则作为下次生长的种子点;

d> vector中不存在种子点后就停止生长。

8连通

 

基于OpenCV实现

用了一个交互,采用鼠标选取种子,但是只做了单个种子的,多种子可以在此基础上扩展。

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>


/***************************************************************************************
Function:  区域生长算法
Input:     src 待处理原图像 pt 初始生长点 th 生长的阈值条件
Output:    肺实质的所在的区域 实质区是白色,其他区域是黑色
Description: 生长结果区域标记为白色(255),背景色为黑色(0)
Return:    NULL
Others:    NULL
***************************************************************************************/
void RegionGrow(cv::Mat& src, cv::Mat& matDst, cv::Point2i pt, int th)
{
	cv::Point2i ptGrowing;						//待生长点位置
	int nGrowLable = 0;								//标记是否生长过
	int nSrcValue = 0;								//生长起点灰度值
	int nCurValue = 0;								//当前生长点灰度值
	matDst = cv::Mat::zeros(src.size(), CV_8UC1);	//创建一个空白区域,填充为黑色
	//生长方向顺序数据
	int DIR[8][2] = { { -1, -1 }, { 0, -1 }, { 1, -1 }, { 1, 0 }, { 1, 1 }, { 0, 1 }, { -1, 1 }, { -1, 0 } };
	std::vector<cv::Point2i> vcGrowPt;						//生长点栈
	vcGrowPt.push_back(pt);							//将生长点压入栈中
	matDst.at<uchar>(pt.y, pt.x) = 255;				//标记生长点
	nSrcValue = src.at<uchar>(pt.y, pt.x);			//记录生长点的灰度值
	
	while (!vcGrowPt.empty())						//生长栈不为空则生长
	{
		pt = vcGrowPt.back();						//取出一个生长点
		vcGrowPt.pop_back();

		//分别对八个方向上的点进行生长
		for (int i = 0; i<8; ++i)
		{
			ptGrowing.x = pt.x + DIR[i][0];
			ptGrowing.y = pt.y + DIR[i][1];
			//检查是否是边缘点
			if (ptGrowing.x < 0 || ptGrowing.y < 0 || ptGrowing.x >(src.cols - 1) || (ptGrowing.y > src.rows - 1))
				continue;

			nGrowLable = matDst.at<uchar>(ptGrowing.y, ptGrowing.x);		//当前待生长点的灰度值

			if (nGrowLable == 0)					//如果标记点还没有被生长
			{
				nCurValue = src.at<uchar>(ptGrowing.y, ptGrowing.x);
				if (abs(nSrcValue - nCurValue) < th)					//在阈值范围内则生长
				{
					matDst.at<uchar>(ptGrowing.y, ptGrowing.x) = 255;		//标记为白色
					vcGrowPt.push_back(ptGrowing);					//将下一个生长点压入栈中
				}
			}
		}
	}

}


void on_MouseHandle(int event, int x, int y, int flags, void* param){
	cv::Mat& src = *(cv::Mat*) param;
	cv::Mat src_gray, dst;
	if (src.channels() > 1)
		cv::cvtColor(src, src_gray, CV_RGB2GRAY);
	cv::Point2i  pt;
	switch (event)
	{
		//左键按下
	case cv::EVENT_LBUTTONDOWN:
	{
		//x:列 y:行						   
		pt=cv::Point2i(x, y);
		std::cout << "(x,y)=" << "(" << x << "," << y << ")" << std::endl;
	}
	break;
	   //左键放开
	char str[16];
	case cv::EVENT_LBUTTONUP:
	{
		cv::circle(src, cv::Point2i(x, y),1, cv::Scalar(0, 0, 255), -1,CV_AA);
		sprintf_s(str, "(%d,%d)", x, y);
		//cv::putText(src, str, cv::Point2i(x, y), 3, 1, cv::Scalar(150, 200,0), 2, 8);
		cv::namedWindow("dst", CV_WINDOW_NORMAL);//定义一个dst窗口 
		pt = cv::Point2i(x, y);
	    RegionGrow(src_gray,dst,pt,40);  //区域生长
		cv::bitwise_and(src_gray, dst, dst); //与运算
		imshow("src", src);
		imshow("dst", dst);
	}
		break;
	}


}


int main(){
	cv::Mat src = cv::imread("I:\\Learning-and-Practice\\2019Change\\Image process algorithm\\Img\\Fig0943(a)(dark_blobs_on_light_background).tif");
	if (src.empty()){
		return -1;
	}
	cv::namedWindow("src", CV_WINDOW_NORMAL);//定义一个img窗口
	cv::setMouseCallback("src", on_MouseHandle, (void*)&src);//调用回调函数 
	imshow("src", src);
	cv::waitKey(0);
}

效果

》鼠标选取种子点:

      

》区域生长:

 

》鼠标重新选取种子点:

      

》区域生长:

 

 

一些小结

1、c++ vector用法:https://blog.csdn.net/hancunai0017/article/details/7032383

2、opencv 基本数据结构point :https://docs.opencv.org/2.4/modules/core/doc/basic_structures.html#point

3、opencv鼠标交互:https://docs.opencv.org/3.0-last-rst/modules/highgui/doc/user_interface.html?highlight=setmousecallback#cv2.setMouseCallback

4、变量值转字符串:用sprintf或sprintf_s(str, "  ", ) 。

 

参考:

https://blog.csdn.net/Robin__Chou/article/details/50071313

  • 54
    点赞
  • 317
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
### 回答1: 好的,我可以为您提供C语言版本的区域生长算法。以下是一个简单的示例代码: ```c #include <stdio.h> #include <stdlib.h> #define WIDTH 10 #define HEIGHT 10 int image[WIDTH][HEIGHT] = { {1, 1, 1, 1, 1, 1, 1, 1, 1, 1}, {1, 0, 0, 0, 0, 0, 0, 0, 0, 1}, {1, 0, 1, 1, 0, 0, 0, 0, 0, 1}, {1, 0, 1, 1, 0, 0, 0, 0, 0, 1}, {1, 0, 0, 0, 1, 0, 0, 0, 0, 1}, {1, 0, 0, 0, 1, 0, 0, 0, 0, 1}, {1, 0, 0, 0, 0, 1, 0, 0, 0, 1}, {1, 0, 0, 0, 0, 0, 1, 0, 0, 1}, {1, 0, 0, 0, 0, 0, 0, 1, 0, 1}, {1, 1, 1, 1, 1, 1, 1, 1, 1, 1} }; int visited[WIDTH][HEIGHT] = {0}; void region_growing(int x, int y, int label) { visited[x][y] = label; if (x > 0 && !visited[x-1][y] && image[x-1][y]) { region_growing(x-1, y, label); } if (x < WIDTH-1 && !visited[x+1][y] && image[x+1][y]) { region_growing(x+1, y, label); } if (y > 0 && !visited[x][y-1] && image[x][y-1]) { region_growing(x, y-1, label); } if (y < HEIGHT-1 && !visited[x][y+1] && image[x][y+1]) { region_growing(x, y+1, label); } } int main() { int label = 1; for (int x = 0; x < WIDTH; x++) { for (int y = 0; y < HEIGHT; y++) { if (!visited[x][y] && image[x][y]) { region_growing(x, y, label++); } } } for (int x = 0; x < WIDTH; x++) { for (int y = 0; y < HEIGHT; y++) { printf("%d ", visited[x][y]); } printf("\n"); } return 0; } ``` 这个程序使用了一个二维数组来表示图像,其中1表示白色像素,0表示黑色像素。程序会遍历整个图像,对于每个未访问过的白色像素,使用区域生长算法将其周围的白色像素标记为同一个区域。最后,程序会输出每个像素所属的区域编号。 ### 回答2: 区域生长算法是图像处理中常用的一种算法,可以用于图像分割、目标检测等方面。C版本的区域生长算法指的是使用C语言编写的区域生长算法。 C语言是一种通用的程序设计语言,具有高效、灵活和广泛应用的特点。使用C语言编写的算法可以在不同的平台上运行,并且具有较高的执行效率。 要实现C版本的区域生长算法,首先需要了解算法原理和流程。区域生长算法通常是从种子点开始,通过一定的准则将具有相似特征的像素逐步合并成区域。具体实现包括对像素的判断、区域生长的条件以及区域合并等步骤。 在编写C版本的区域生长算法时,可以使用C语言的图像处理库,如OpenCV或者自己编写相关的函数来进行像素判断和区域合并等操作。同时,还需要根据具体需求设置算法的参数,如种子点的选取、生长条件的判断等。 编写C版本的区域生长算法时需要注意算法的正确性和效率。可以通过调试和测试来验证算法的正确性,并针对性地进行优化。 总之,想要实现C版本的区域生长算法,需要了解算法原理、C语言的图像处理库和相关函数,以及如何进行算法的调试和优化。 ### 回答3: 区域生长算法是一种常用于图像处理和分析的算法,用于将相似的像素点组成区域进行分割和标记。 在这里,您需要的是C版本的区域生长算法。C语言是一种通用的高级编程语言,广泛用于系统开发和嵌入式设备编程。编写C版本的区域生长算法可以提供更高的性能和更好的可控性。 要编写C版本的区域生长算法,您需要遵循以下步骤: 1. 首先,了解区域生长算法原理和基本思想。区域生长算法是基于像素相似性的,通过遍历图像并在相邻像素中选择相似的像素来扩展区域。 2. 创建一个C语言的项目或文件,包括必要的头文件和函数声明。 3. 定义并实现必要的数据结构,例如表示像素的结构体、存储图像的数组等。 4. 实现核心的区域生长算法函数。该函数应该接受图像、起始像素位置、阈值等作为输入参数,并输出标记好的区域或图像。 5. 在区域生长算法函数中,使用递归或循环的方式遍历图像,并根据像素相似性条件判断是否将当前像素加入到区域中。 6. 如果当前像素符合条件,则将其标记为区域,并继续遍历相邻像素,重复该过程,直到所有符合条件的像素都被添加到区域为止。 7. 在函数中使用适当的数据结构来存储已访问过的像素,以避免无限循环。 8. 最后,将编写完成的C代码进行编译和测试,确保算法能够正确运行并得到预期的结果。 总之,编写C版本的区域生长算法需要您掌握C语言编程基础,并了解区域生长算法原理。通过合理的设计和实现,您可以获得一个高效、可靠的区域生长算法
评论 9
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值