“数字图像处理”实验十区域增长图像分割算法

“数字图像处理”实验十区域增长图像分割算法

matlab数字图像处理

*********************************************** *************************

>文件名：“数字图像处理”实验10区域增长图像分割算法实验报告

>作者：罗天汉

>学生编号：16121141

>邮件：

*********************************************** *************************

参考文章

该算法的优缺点

区域增长是串行区域分割的图像分割方法。它的优点是基本思想相对简单。它通常可以分割具有相同特征的互连区域，并提供良好的边界信息和分割结果。如果没有可用的先验知识，则可以获得最佳性能，并且可以将其用于分割更复杂的图像，例如自然风光。然而，区域生长方法是迭代方法，并且空间和时间成本相对较大。噪声和灰度不均匀可能会导致孔洞和过度分割，并且在处理图像的阴影效果时通常效果不是很好。

算法描述

区域增长的基本思想是将具有相似属性的像素分组以形成区域。具体来说，首先为每个需要分割的区域找到一个像素，作为增长的起点，然后在像素周围的邻域中选择与像素具有相同或相似属性的像素（根据特定像素确定）预定的增长或相似度标准）合并到像素所在的区域。将这些新像素用作新的像素，以继续上述过程，直到不再包含满足条件的像素为止，从而增大了面积。

区域增长是指从某个像素开始，然后根据某些标准逐渐添加相邻像素。当满足某些条件时，区域增长将终止。该区域的增长取决于1.的初始点（点）的选择。2.生长标准。3.终止条件。区域增长从一个或几个像素开始，最终获得整个区域，然后实现目标的提取。

仅需遵循以下三个规则，即可找到需要分割的图像：1、在图像中选择一个点作为点（选择点需要对特定条件进行特定分析）。2、在点执行8邻域扩展或4邻域扩展。准则是：如果所考虑像素和像素的灰度值之间的差的绝对值小于某个阈值T，则该像素被包括在像素中。区。3、当没有更多像素符合加入该区域的条件时，该区域就会停止增长。

算法实现

下面是代码的想法

function [ output_args ] = area_growing_alg( input_args, thredshold_input)
%UNTITLED3 此处显示有关此函数的摘要
%   input_args raw image as gray format
%   thredshold_input input thredshold 
%   output_args convert image as gray format
I=rgb2gray(input_args);
figure,imshow(I),title('原始图像'); 
I=double(I);
% show raw png to get y,x 
[height,width]=size(I);
[y_double,x_double]=getpts;  %获得区域生长起始点
x=round(x_double);            %横坐标取整
y=round(y_double);            %纵坐标取整
seed=I(x,y);           %将生长起始点灰度值存入seed中
% show raw png to get y,x 
Tmp = zeros([height,width]);
Tmp(x,y) = 1;
sum = seed; 
seed_save=1;
seed_count = 1;
thredshold = thredshold_input;
close all;
while seed_count>0
    current_seed_gray_level = 0;
    seed_count = 0;
    for i=1:height
        for j=1:width
            if Tmp(i,j) == 1
                if (i-1)>0 && (i+1)<(height+1) ...
                        && (j-1)>0 && (j+1)<(width+1)%判断该点不在边缘
                    for m=-1:1
                        for n=-1:1
                            if Tmp(i+m,j+n)==0 && ...%首先该点周围的点应该没有被纳入生成的内容中
                                    abs(I(i+m,j+n)-seed) <= thredshold ... %其次，该点的灰度值需要小于我们设置的阈值
                                Tmp(i+m,j+n) = 1; % 成功判定，将内容输出到输出矩阵中
                                seed_count= seed_count+1;%数量加一
                                current_seed_gray_level = current_seed_gray_level + I(i+m,j+n); %累加灰度，最后求均值
                            end
                        end
                    end
                end
            end
        end
    end
end
seed_save = seed_save + seed_count;%获取所有的个数
sum = sum +current_seed_gray_level;
seed = sum/seed_save;%并计算灰度
output_args = Tmp;
end

实验结果

测试代码如下

test_png1 = imread('easy.png');
t1 = area_growing_alg(test_png1,100);
test_png2 = imread('选区_082.png');
t2 = area_growing_alg(test_png2,100);
figure;% 开一个新的图像区域
subplot(2, 2, 1); imshow(test_png1); title('raw image');
subplot(2, 2, 2); imshow(t1); title('sub image');
subplot(2, 2, 3); imshow(test_png2); title('raw image');
subplot(2, 2, 4); imshow(t2); title('sub image');
grid on

结果如下：

可以看出我们的分割算法仍然可行，但是对于绝对闭环图形，例如第二行中的图像，我选择的生长点是外部白色部分。没有这个时间，增长算法将无法促进内部白色区域。向上。因为黑色封锁杀死了白色区域的生长方向。这种现象可以在图片的第四行和第三行中清楚显示（为第3行和第4行选择相同的黑色像素

用于彩色或非二进制图像。相同控制点的选择是相同的，并且阈值的选择特别重要。您可以在同一选择点下看到上一个十字的图片的阈值75与阈值125之间的差异：

但是无论结果如何，它都表明在处理阴影时区域增长效果不佳

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/shumachanpin/article-347328-1.html