第6章圖像分割

數(shù)字圖像處理第6章圖像分割上節(jié)知識(shí)點(diǎn)回顧一、圖像復(fù)原的關(guān)鍵二、幾種典型的退化模型三、無(wú)約束圖像復(fù)原四、有約束圖像復(fù)原圖像分析系統(tǒng)的構(gòu)成知識(shí)庫(kù)表示與描述預(yù)處理分割低級(jí)處理高級(jí)處理中級(jí)處理識(shí)別與理解結(jié)果圖像獲取問(wèn)題圖像分割的目的：將圖像分成若干具有不同特征且有意義的區(qū)域，以便進(jìn)一步分析和說(shuō)明。圖像分割：指把圖像分成各具特征的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過(guò)程，這些特征可以是像素、顏色、紋理等，提取目標(biāo)可以是單個(gè)區(qū)域或多個(gè)區(qū)域。

圖像分割示例

——細(xì)菌檢測(cè)圖像分割圖像分割示例

——

腎小球區(qū)域的提取圖像分割示例

——

印刷缺陷檢測(cè)檢測(cè)結(jié)果局部放大圖圖像分割分類〓根據(jù)使用知識(shí)特點(diǎn)和層次：直接針對(duì)灰度值操作、基于模型操作〓根據(jù)處理策略：并行算法、串行算法〓根據(jù)實(shí)現(xiàn)技術(shù)：基于圖像直方圖的分割技術(shù)、基于鄰域分割技術(shù)、基于物理性質(zhì)分割技術(shù)圖像分割分類〓根據(jù)對(duì)象狀態(tài)：靜態(tài)圖像分割和動(dòng)態(tài)圖像分割〓根據(jù)應(yīng)用目的：粗分割、細(xì)分割〓根據(jù)借助區(qū)域像素灰度變換模式與否：紋理分割、非紋理分割〓根據(jù)分割對(duì)象的屬性：灰度圖像分割和彩色圖像分割把圖像分解成構(gòu)成它的部件和對(duì)象的過(guò)程有選擇性地定位感興趣的對(duì)象在圖像中的位置和范圍圖像分割的概念(以車牌識(shí)別為例)1、從簡(jiǎn)到難，逐級(jí)分割分割矩形區(qū)域、定位牌照、定位文字2、控制背景環(huán)境，降低分割難度

背景環(huán)境:路面、天空3、把焦點(diǎn)放在增強(qiáng)感興趣對(duì)象，縮小不相干圖像成分的干擾上

感興趣的對(duì)象；汽車牌照不相干圖像成分：非矩形區(qū)域圖像分割的基本思路

圖像分割的基本策略，基于灰度值的兩個(gè)基本特性：

不連續(xù)性——區(qū)域之間相似性——區(qū)域內(nèi)部根據(jù)圖像像素灰度值的不連續(xù)性先找到點(diǎn)、線（寬度為1）、邊（不定寬度）再確定區(qū)域圖像分割的基本策略分割出的區(qū)域需滿足條件★均勻性：指該區(qū)域中的所有像素點(diǎn)都滿足基于灰度、紋理、顏色或其他某種特征的相似性準(zhǔn)則，即邊界所分開(kāi)區(qū)域的內(nèi)部特征或?qū)傩允且恢碌?，而不同區(qū)域內(nèi)部的特征或?qū)傩允遣煌?；★連通性：指該區(qū)域內(nèi)任意兩點(diǎn)存在相互連通的路徑。第6章圖像分割6.1基于閾值的圖像分割方法6.3基于區(qū)域的圖像分割方法6.2基于邊界的圖像分割方法6.1基于閾值的圖像分割方法6.1.1閾值分割法基本原理6.1.2固定閾值分割法6.1.3直方圖方法6.1.5統(tǒng)計(jì)最優(yōu)閾值法6.1.4最大類間方差法◆閾值化圖像分割基本原理是選取一個(gè)或多個(gè)處于圖像取值范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值與閾值進(jìn)行比較，并根據(jù)比較結(jié)果將圖像中的對(duì)應(yīng)像素分成兩類或多類，把圖像劃分成互不交叉重疊的區(qū)域的集合，達(dá)到圖像分割的目的。6.1.1閾值分割法基本原理確定一個(gè)合適的閾值T（閾值選定的好壞是此方法成敗的關(guān)鍵）。將大于等于閾值的像素作為物體或背景，生成一個(gè)二值圖像。if

f(x,y)Tset255elseset0在四鄰域中有背景的像素，即為邊界像素。0255255025502552552556.1.1閾值分割法基本原理閾值分割法的基本思想：閾值分割法的特點(diǎn)：適用于物體與背景有較強(qiáng)對(duì)比的情況，重要的是背景或物體的灰度比較單一。（可通過(guò)先求背景，后求反得到物體）此方法總可以得到封閉且連通區(qū)域的邊界?；叶戎礷(x0,y0)T6.1.1閾值分割法基本原理圖像分割的難點(diǎn)：1、圖像分割前，難以確定圖像分割區(qū)域數(shù)目2、閾值的確定會(huì)直接影響分割精度和圖像描述分析的正確性。6.1.2固定閾值分割法

設(shè)原圖像為f(x,y)，以閾值T或某個(gè)合適的區(qū)域空間Ω作為該圖像的特征值，將圖像分割成兩個(gè)部分，分割后的圖像為6.1.2固定閾值分割法原多灰度圖像T=130分割后的圖像多閾值情況，分割后的圖像

4閾值分割8閾值分割例實(shí)際閾值法分割圖像過(guò)程閾值選擇在背景和物體灰度交界處的物體圖像灰度一側(cè)，第一次掃描行，將相鄰行像素進(jìn)行比較，產(chǎn)生中間圖像的一行。第二次掃描對(duì)圖像相鄰列進(jìn)行邊界得到另一個(gè)中間圖像，將兩中間圖像相加，得到最終輸出邊界圖像。

6.1.3直方圖方法基本原理：如果圖像所含的目標(biāo)區(qū)域和背景區(qū)域大小可比，且目標(biāo)區(qū)域和背景區(qū)域在灰度上有明顯的區(qū)別，則該圖像的直方圖會(huì)呈現(xiàn)雙峰一谷狀其中一個(gè)峰值對(duì)應(yīng)與目標(biāo)的中心灰度，另一峰值對(duì)應(yīng)于背景中心灰度，選取位于兩峰之間的谷值作為閾值，將目標(biāo)和背景分開(kāi)，完成圖像分割。T基本思想：邊界上的點(diǎn)的灰度值出現(xiàn)次數(shù)較少缺點(diǎn)：1、圖像中不存在明顯灰度差異或灰度值范圍有較大重疊，難以得到準(zhǔn)確的分割結(jié)果。2、僅考慮灰度信息而不考慮圖像空間信息，因此對(duì)噪聲的灰度不均勻性敏感。直方圖方法處理過(guò)程

將直方圖的包絡(luò)看成一條曲線，則選取直方圖谷值可采用曲線極小值的方法。設(shè)h(z)表示圖像直方圖，z為圖像灰度變量，那么極小值應(yīng)滿足：此方法計(jì)算出來(lái)的極小點(diǎn)可能是虛假的谷值，不是正確的分割閾值

解決方法：用高斯函數(shù)與直方圖函數(shù)進(jìn)行卷積運(yùn)算，得到相對(duì)平滑的直方圖，再求極小值

或取兩個(gè)峰值之間某個(gè)固定位置，如中間位置上。由于峰值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除噪聲的干擾T6.1.4最大類間方差法Ostu于1978年提出的典型的圖像分割方法

假定某一閾值T將圖像各像素按灰度分成兩大類C0和C1；C0類包含灰度級(jí)為[0，1….z]的像素，C1類包含灰度級(jí)為[z+1，z+2….K-1]的像素，每個(gè)灰度級(jí)的概率為Pi；6.1.4最大類間方差法C0類的概率和為

C0的數(shù)學(xué)期望為C0均值C1類的概率和為C1的數(shù)學(xué)期望為C1均值圖像的總平均灰度為μ=ω0μ0+ω1μ1則定義類間方差為σ最大時(shí)的z就是最佳分割閾值Tσ越大表示兩部分差別越大，判錯(cuò)概率越小實(shí)際應(yīng)用中，為減小計(jì)算量，采用等價(jià)公式

6.1.5統(tǒng)計(jì)最優(yōu)閾值法

統(tǒng)計(jì)最優(yōu)閾值分割方法：把背景誤分割為目標(biāo)區(qū)域或把目標(biāo)誤分割為背景區(qū)域的情況出現(xiàn)的概率最小。設(shè)一幅混有加性高斯噪聲的圖像，含有目標(biāo)和背景兩個(gè)不同區(qū)域，目標(biāo)點(diǎn)出現(xiàn)的概率為θ，目標(biāo)區(qū)域灰度值概率密度為po(z)，則背景點(diǎn)出現(xiàn)的概率為1-θ，背景區(qū)域灰度概率密度為pb(z)。則圖像的灰度混合概率密度函數(shù)為:

p(z)=

θpo(z)+(1-θ)pb(z)

根據(jù)灰度閾值T對(duì)圖像進(jìn)行分割，并將灰度小于T的像點(diǎn)作為背景點(diǎn)，灰度大于T的像點(diǎn)作為目標(biāo)點(diǎn)

將目標(biāo)點(diǎn)誤判為背景點(diǎn)的概率為：

把背景誤判為目標(biāo)點(diǎn)的概率為總的誤差概率為：

對(duì)T求導(dǎo)得到對(duì)于高斯分布概率密度類型的圖像

代入

并取對(duì)數(shù)

或化簡(jiǎn)成標(biāo)準(zhǔn)的二次方程表達(dá)式AT2+BT+C=0

如果兩個(gè)區(qū)域的方差相同，即整幅圖像的噪聲來(lái)自同一信號(hào)源，σo=σb=σ，則存在一個(gè)統(tǒng)計(jì)最優(yōu)閾值T：6.2基于邊界的圖像分割方法6.2.1并行微分算子法6.2.3邊界跟蹤算法6.2.4邊界擬合算法6.2.2模板匹配法

基于邊界的圖像分割方法：根據(jù)圖像不同區(qū)域邊界像素灰度值變化比較劇烈的特點(diǎn)，首先檢測(cè)出圖像可能的邊緣點(diǎn)，再按照一定策略連接成輪廓，從而實(shí)現(xiàn)不同區(qū)域的圖像分割。

并行邊緣檢測(cè)：一個(gè)像素點(diǎn)是否屬于欲檢測(cè)的邊緣，取決于當(dāng)前正在檢測(cè)的像素點(diǎn)以及該像素點(diǎn)的一些相鄰像素點(diǎn)，可以同時(shí)用于圖像中所有像素點(diǎn)的檢測(cè)，因此稱為并行邊緣檢測(cè)。串行邊緣檢測(cè)：當(dāng)前像素點(diǎn)是否屬于欲檢測(cè)的邊緣，取決于先前像素的驗(yàn)證結(jié)果；6.2.1并行微分算子法并行微分算子法就是對(duì)圖像中灰度的變化進(jìn)行檢測(cè)，通過(guò)一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊緣。

一、高斯-拉普拉斯算子(LOG)

為了減少噪聲影響，先對(duì)檢測(cè)圖像采用高斯濾波器進(jìn)行平滑，二維高斯濾波器的響應(yīng)函數(shù)為

設(shè)f(x,y)為原始圖像，采用上式進(jìn)行平滑，即求f(x,y)和G(x,y)的卷積；在對(duì)平滑后法圖像運(yùn)用拉普拉斯算子▽2，根據(jù)線性系統(tǒng)卷積和微分可交換性，有▽2G的平均值為零，當(dāng)它與圖像f(x,y)卷積時(shí)并不會(huì)改變圖像的整體動(dòng)態(tài)范圍，但會(huì)使得圖像平滑，其平滑程度正比于σ。因此能有效較少噪聲對(duì)圖像的影響。

從頻域角度來(lái)看，使用高斯函數(shù)卷積相當(dāng)于一個(gè)低通濾波過(guò)程，其后的拉普拉斯運(yùn)算相當(dāng)于高通濾波過(guò)程，因此LOG算子總體上為一個(gè)帶通濾波過(guò)程。

其中分解成兩個(gè)一維表達(dá)式積其中二維卷積轉(zhuǎn)化為兩次一維卷積原始圖像在設(shè)計(jì)參數(shù)σ，如果σ較大，表明在較大的子域中平滑，更趨于圖像平滑，有利于抑制噪聲，但不利于提高邊界定位精度，σ較小則相反，一般情況σ取1~10.不同的σ得到不同的過(guò)零點(diǎn)，其細(xì)節(jié)豐富程度也不相同，因此應(yīng)分步分析，先粗后細(xì)。

二、Canny算子圖像邊緣檢測(cè)的條件：

1、能夠有效抑制噪聲，具有較高的信噪比，信噪比越大，檢測(cè)的邊緣質(zhì)量越高；

2、必須盡量精確確定邊緣的位置，要使檢測(cè)出的邊緣在真正的邊界上。

二、Canny算子Canny邊緣檢測(cè)是一種具有較好邊緣檢測(cè)性能的算子特性：利用高斯函數(shù)的一階微分性質(zhì)，把邊緣檢測(cè)問(wèn)題轉(zhuǎn)換為檢測(cè)準(zhǔn)則函數(shù)極大值的問(wèn)題。優(yōu)點(diǎn)：能在噪聲抑制和邊緣檢測(cè)間取得較好的折衷。

二、Canny算子Canny邊緣檢測(cè)是極小化由圖像信噪比和邊緣定位精度乘積組成的函數(shù)表達(dá)式，得到最優(yōu)逼近算子。Canny算法過(guò)程：1、用高斯濾波器對(duì)圖像進(jìn)行濾波，去除圖像中的噪聲：平滑后的圖像為

2、用高斯算子的一階差分對(duì)圖像進(jìn)行濾波，得到每個(gè)像素的位置梯度大小和方向：梯度值：

梯度方向

3、對(duì)梯度幅度進(jìn)行“非極大抑制”作用：準(zhǔn)確定位并控制邊界寬度(一個(gè)像素)

根據(jù)梯度方向，分成四個(gè)區(qū)4、用雙閾值算法檢測(cè)和連接邊緣

雙閾值算法是對(duì)非極大值抑制圖像采用兩個(gè)閾值T1和T2，且T2≈2T1，從而得到兩個(gè)閾值邊緣圖像N1[i,j]和N2[i,j]。

邊緣連接過(guò)程：首先對(duì)N2[i,j]圖像進(jìn)行掃描，當(dāng)遇到一個(gè)非零灰度值的像素點(diǎn)P時(shí)，跟蹤以P為開(kāi)始點(diǎn)的輪廓線，直到該輪廓線的終點(diǎn)。

其次，考察圖像N1[i,j]中和圖像N2[i,j]中Q點(diǎn)位置對(duì)應(yīng)的Q′點(diǎn)的8鄰近區(qū)域，如果在Q′點(diǎn)的8鄰近區(qū)域中有非零像素R′存在，則將其包含到圖像N2[i,j]中，作為R點(diǎn)；從R點(diǎn)開(kāi)始，又對(duì)N2[i,j]圖像進(jìn)行掃描；重復(fù)上述步驟，直到圖像N1[i,j]和圖像N2[i,j]中都無(wú)法繼續(xù)為止。

最后，當(dāng)完成對(duì)包含P點(diǎn)的輪廓線連接之后，將這條輪廓標(biāo)記已訪問(wèn)，回到第一步，尋找下一條輪廓線。

(a)原圖(b)LOG算子結(jié)果(c)Canny算子結(jié)果6.2.2模板匹配法

模板匹配法：利用選定幾何特征的模板與圖像卷積來(lái)檢測(cè)圖像是否具有該種幾何特征結(jié)構(gòu)的方法。

模板匹配法的兩個(gè)問(wèn)題：

1、選用怎樣的模板？不同的模板能正確檢測(cè)邊界匹配的程度是不同的。

2、什么是模板匹配準(zhǔn)則，即如何判斷其相似程度。模板匹配方法：將模板緊扣在檢測(cè)圖像上，模板的中心沿圖像逐漸從一個(gè)像素移到另一個(gè)像素，在每一個(gè)模板對(duì)應(yīng)的圖像像素點(diǎn)上，把該點(diǎn)的灰度值乘以模板相應(yīng)方格位置中的數(shù)字，然后把結(jié)果相加。

6.2.2模板匹配法一、點(diǎn)模板用空域的高通濾波器來(lái)檢測(cè)孤立點(diǎn)

3×3模板圖像上的像素灰度值

R=(-1×8×8+128×8)/9=(120×8)/9=960/9=106設(shè)：閾值：T=64R>T-1-1-1-18-1-1-1-1模板88881288888圖像設(shè)定閾值T，并計(jì)算高通濾波值R如果R值等于0，說(shuō)明當(dāng)前檢測(cè)點(diǎn)與的灰度值與周圍點(diǎn)的相同當(dāng)R的值足夠大時(shí)，說(shuō)明該點(diǎn)的值與周圍的點(diǎn)非常不同，是孤立點(diǎn)。

通過(guò)閾值T來(lái)判斷|R|>T檢測(cè)到一個(gè)孤立點(diǎn)孤立點(diǎn)的檢測(cè)算法描述

6.2.2模板匹配法二、線模板通過(guò)比較典型模板的計(jì)算值，確定一個(gè)點(diǎn)是否在某個(gè)方向的線上-1-1-1222-1-1-1水平模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12135度模板

6.2.2模板匹配法用4種模板分別計(jì)算

R水平

=-6+30=24 R45度

=-14+14=0 R垂直

=-14+14=0

R135度

=-14+14=0111555111111555111111555111圖像線的檢測(cè)依次計(jì)算4個(gè)方向線模板的各個(gè)響應(yīng)，如|Ri|>|Rj|對(duì)于所有的j=i，那么這個(gè)點(diǎn)被稱為在方向上更接近模板i所代表的線線的檢測(cè)算法描述設(shè)計(jì)任意方向的檢測(cè)模板:可能大于3×3模板系數(shù)和為0感興趣的方向的系數(shù)大。

6.2.2模板匹配法三、正交模板正交檢測(cè)模板：即可以檢測(cè)邊緣，又可以檢測(cè)直線或線段的正交模板。由9個(gè)不同模板組成，分成3組，第一組為邊緣子空間基，適合于檢測(cè)邊緣，分為各向同性的對(duì)稱梯度模板和波紋模板，第二組為直線子空間基，適合于直線或線段檢測(cè)，分為直線檢測(cè)模板和離散拉普拉斯模板；第三組為平均模板。檢測(cè)邊緣檢測(cè)直線或線段平均模板梯度模板波紋模板直線檢測(cè)模板拉普拉斯模板X向邊緣子空間基、直線子空間基和平均子空間基投影的幅值

投影的夾角根據(jù)投影值就可以初步確定原圖像中存在的邊緣點(diǎn)、邊界及直線判斷模板是否與原圖像匹配，采用模板匹配準(zhǔn)則(相似度)來(lái)表征:

差值測(cè)度歸一化互相關(guān)測(cè)度D越小，W與X越匹配6.2.3邊界跟蹤算法邊界跟蹤基本方法：先根據(jù)某些嚴(yán)格的跟蹤準(zhǔn)則找出目標(biāo)物體輪廓或邊界上的像素點(diǎn)，然后根據(jù)這些像素點(diǎn)用同樣的跟蹤準(zhǔn)則找到下一個(gè)像素點(diǎn)，以此類推，直到閉合或最后一個(gè)像素點(diǎn)不滿足跟蹤準(zhǔn)則為止。性能決定因素：1、進(jìn)行跟蹤的起始點(diǎn)的選取，起始點(diǎn)的選取直接影響到跟蹤的走向和跟蹤的精確度以及跟蹤算法復(fù)雜度。2、跟蹤準(zhǔn)則的選取，要便于分析、計(jì)算和理解，符合常理。

直接鏈碼編碼器根據(jù)4鄰域和8鄰域直接表示輪廓的走向。如圖0、4表示。差分鏈碼編碼器是用鄰近兩個(gè)走向編號(hào)的差值表示。用鏈碼表示：-3，-3，4，-3四鄰域分割八鄰域分割A(yù)A

原則：4鄰域采用左、上、右、下的優(yōu)先順序方向；8鄰域采用左、左上、上、右上、右、右下、下的優(yōu)先順序方向。

從A點(diǎn)開(kāi)始的4鄰域鏈碼表示邊界結(jié)果為：-2，4，-2，4，4，4，0，-2，-2，-2，0，2，2，0，0，-2，-2，-2，2，2，0，2，0，2，2，4，4，2從A點(diǎn)開(kāi)始的8鄰域鏈碼表示邊界結(jié)果為：

-3，-3，4，4，-1，-2，-2，0，2，1，-1，

-2，-2，2，1，1，2，2，4，38鄰域的差分編碼表示邊界結(jié)果為：

-3，0，-1，0，3，-1，0，2，2，-1，-2，-1，0，4，-1，0，1，0，2，-16.2.4邊界擬合算法邊界擬合采用曲線或折線表示不同區(qū)域之間的圖像邊界線，是通過(guò)擬合方法把邊緣連接成曲線邊界或折線邊界，從而得到分割不同區(qū)域目的。邊界擬合的前提條件：通過(guò)其他方法已經(jīng)檢測(cè)圖像中不同區(qū)域的某些邊界點(diǎn)，而這些邊緣點(diǎn)非常稀疏，于是采用擬合方法獲得完整的邊界。

一稀疏邊緣點(diǎn)子集，｛(xi,yi),i=1,2,3…..M｝。尋找一曲線f(x)來(lái)擬合(xi,yi)，需要做到均方誤差(MSE)最小f(x)=c0+c1x+c2x2只要求出c0、c1、c2即可.

C=[MTM]-1·[MTY]6.3基于區(qū)域的圖像分割方法6.3.1區(qū)域生長(zhǎng)法6.3.2分裂合并法6.3基于區(qū)域的圖像分割方法基本概念目標(biāo)：將區(qū)域R劃分為若干個(gè)子區(qū)域R1,R2,…,Rn，這些子區(qū)域滿足5個(gè)條件：1)完備性：2)連通性：每個(gè)Ri都是一個(gè)連通區(qū)域3)獨(dú)立性：對(duì)于任意i≠j，Ri∩Rj=Ф4)單一性：每個(gè)區(qū)域內(nèi)的特征值(灰度級(jí))相等或相近，

P（Ri）=TRUE，i=1,2,…,n5)互斥性：任兩個(gè)區(qū)域的特征值(灰度級(jí))不等，

P（Ri∪Rj）=FALSE，i≠j6.3.1區(qū)域生長(zhǎng)法區(qū)域生長(zhǎng)(RegionGrowing)又稱區(qū)域生成或區(qū)域擴(kuò)張法，將一幅圖像分成許多小的區(qū)域，并將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。算法實(shí)現(xiàn)：1）根據(jù)圖像的不同應(yīng)用選擇一個(gè)或一組種子像素，它或者是最亮或最暗的點(diǎn)，或者是位于點(diǎn)簇中心的點(diǎn)，作為起始點(diǎn)；2）選擇一個(gè)描述符（條件）；3）從該種子開(kāi)始向外擴(kuò)張，首先把種子像素加入結(jié)果集合，然后不斷將與集合中各個(gè)像素連通、且滿足描述符的像素加入集合；4）重復(fù)進(jìn)行到不再有滿足條件的新結(jié)點(diǎn)加入集合為止。6.3.1區(qū)域生長(zhǎng)法算法實(shí)現(xiàn)：

區(qū)域A

區(qū)域B

種子像素

種子像素例：選取閾值T1=3，閾值T2=2；相似性生長(zhǎng)準(zhǔn)則1：在4和8鄰近像素灰度差的絕對(duì)值小于3生長(zhǎng)。相似性生長(zhǎng)準(zhǔn)則2：4和8鄰近像素灰度差的絕對(duì)值小于2成長(zhǎng)，結(jié)果如圖：例：選取閾值T1=3，閾值T2=2；相似性生長(zhǎng)準(zhǔn)則1：在4和8鄰近像素灰度差的絕對(duì)值小于3生長(zhǎng)。相似性生長(zhǎng)準(zhǔn)則2：4和8鄰近像素灰度差的絕對(duì)值小于2成長(zhǎng)，結(jié)果如圖：57754378954668533333365424884448884488844444448444488444888446684444444644285586645987345773245633333455866459873457732456333335586645987345773245633333思考題：以9為種子像素，準(zhǔn)則為相似性區(qū)域內(nèi)所有像素平均值與可并入像素值差△<2888977698.257.837.57區(qū)域生長(zhǎng)的關(guān)鍵是選取合適的生成準(zhǔn)則以及確定最初的種子像素，是以像素為基本單元進(jìn)行操作。區(qū)域生長(zhǎng)算法的研究重點(diǎn)：1、區(qū)域相似性特征度量和區(qū)域生長(zhǎng)準(zhǔn)則的設(shè)計(jì)；2、算法的高效性和準(zhǔn)確性。區(qū)域生長(zhǎng)算法的優(yōu)點(diǎn)：計(jì)算簡(jiǎn)單區(qū)域生長(zhǎng)算法的缺點(diǎn)：需要人工交互以獲得種子像素點(diǎn)，在每個(gè)需分割的區(qū)域中植入一個(gè)種子點(diǎn)；區(qū)域生長(zhǎng)對(duì)噪聲敏感，會(huì)導(dǎo)致分割出的區(qū)域存在空洞或?qū)?yīng)該分開(kāi)的區(qū)域連接起來(lái)。改進(jìn)：將種子像素的某一鄰域內(nèi)像素均值與要考慮的像素進(jìn)行比較，如果所考慮的像素與種子像素灰度值差的絕對(duì)值小于某閾值T，則將該像素包括進(jìn)種子像素所在區(qū)域中。對(duì)像素檢驗(yàn)：均值若以灰度分布相似性作為生長(zhǎng)準(zhǔn)則，則需比較相鄰區(qū)域的直方圖并檢測(cè)相似性：1、把圖像分成互不重疊的小區(qū)域；2、比較各鄰接區(qū)域的累積直方圖，根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并，其中相似性檢測(cè)為：

柯?tīng)柲缏宸?斯米諾夫距離檢測(cè)：

平滑差