圖像分割的目的是將圖像劃分為多個不同的區(qū)域，所以我們可以直接從尋找圖像中的區(qū)域來設(shè)計分割算法。區(qū)域生長正是一種基于區(qū)域?qū)ふ业膫鹘y(tǒng)圖像分割算法。

區(qū)域生長基本原理

區(qū)域生長（Region Growth）算法是一種基于區(qū)域的傳統(tǒng)圖像分割算法。區(qū)域生長可以根據(jù)預(yù)先定義的生長規(guī)則將像素或者小區(qū)域不斷組合為更大區(qū)域的過程。具體地，區(qū)域生長是從一組初始種子點出發(fā)，通過預(yù)先定義的區(qū)域生長規(guī)則，將與種子點性質(zhì)相似的領(lǐng)域像素不斷添加到每個種子點上，并且滿足區(qū)域生長的終止條件時形成最終生長區(qū)域的過程。假設(shè)為待分割的輸入圖像陣列，為一組種子點陣列，其中種子點處位置為1，其他位置為0，并且假設(shè)和具有相同的尺寸。表示在每個像素點的相關(guān)屬性。基于8連接的區(qū)域生長算法的流程描述如下：

• 在種子陣列中找到所有的連通分量，將每個連通分量腐蝕為一個像素，并將腐蝕成功的像素標(biāo)記為1，其他像素標(biāo)記為0.

• 在坐標(biāo)形成圖像，如果輸入圖像在該點坐標(biāo)處滿足給定的屬性，則令，否則令。

• 將中為8連通種子點的所有為1的點添加到s中的每個種子點中直至滿足生長結(jié)束條件。

• 最后在不同區(qū)域標(biāo)記出每個連通分量形成最終的分割圖像。

下面我們通過一個簡單的計算例子來更加直觀地理解區(qū)域生長算法。

假設(shè)有如圖所示的5×5圖像陣列，選定陣列中最大值9作為初始種子點（圖中橙色像素塊），區(qū)域生長的像素閾值為2，現(xiàn)按照區(qū)域生長算法對該圖像陣列進行分割。

按照區(qū)域生長閾值2，取值范圍為[7,11]，生長后的區(qū)域像素均值為7.8。第一次生長效果如圖2所示，藍色區(qū)域即第一次生長后的區(qū)域。

第一次生長后的區(qū)域均值為7.8，按照生長閾值為2，第二次生長的像素取值范圍應(yīng)為[5.8,9.8]，如圖3所示，綠色部分為第二次生長的區(qū)域結(jié)果。

第二次生長后的區(qū)域均值為7.1，按照生長閾值為2，第三次生長的像素取值范圍應(yīng)為[5.1,9.1]，如圖4所示，黃色部分為第三次生長的區(qū)域結(jié)果。

第三次生長后的區(qū)域均值為6.9，按照生長閾值為2，第三次生長的像素取值范圍應(yīng)為[4.9,8.9]，周邊已沒有滿足繼續(xù)生長的像素點，到此我們停止生長。將生長后的區(qū)域標(biāo)記為1，其他區(qū)域標(biāo)記為0，最終的分割區(qū)域如圖5所示。

區(qū)域生長分割示例

給定一張NBA球星科比的圖像（如圖6所示），我們嘗試實現(xiàn)一個區(qū)域生長圖像分割算法來對該圖像進行前景與背景的分割。

現(xiàn)嘗試基于C++代碼來實現(xiàn)一個區(qū)域生長分割算法。按照前述基于8連接的區(qū)域生長算法的流程描述，實現(xiàn)過程如下代碼所示。

#include <iostream> #include <opencv2/opencv.hpp>using namespace std; using namespace cv; // 定義區(qū)域生長分割算法 bool RegionGrowing(Mat img, Mat& result, Point2i seed, int threshold) {// 將圖像全部設(shè)置為黑result = Mat::zeros(img.size(), CV_8UC1); // 設(shè)置種子點范圍條件if (seed.x < 0 || seed.y < 0 || seed.y > img.rows - 1 || seed.x > img.cols - 1) {return false;}// 種子點集vector<Point2i> seeds; // 壓入初始種子點seeds.push_back(seed); // 種子點設(shè)置為白result.ptr<uchar>(seed.y)[seed.x] = 255; // 8連接生長方向int growDirections[8][2] = { {-1,-1}, {0,-1}, {1,-1}, {-1,0}, {1,0}, {-1,1}, {0,1}, {1,1} }; // 開始生長while (!seeds.empty()) {// 取出一個種子點作為現(xiàn)在循環(huán)的初始種子點Point2i seed_current = seeds.back();seeds.pop_back();// 遍歷各生長方向的鄰點for (int i = 0; i < 8; i++) {Point2i neighborPoint = { seed_current.x + growDirections[i][0], seed_current.y + growDirections[i][1] }; // 鄰點if (neighborPoint.x < 0 || neighborPoint.y < 0 || neighborPoint.x > img.cols - 1 || neighborPoint.y > img.rows - 1) { // 鄰點超出范圍continue;}if ((result.ptr<uchar>(neighborPoint.y)[neighborPoint.x] == 0) && abs(img.ptr<uchar>(neighborPoint.y)[neighborPoint.x] - img.ptr<uchar>(seed.y)[seed.x]) < threshold) {// 設(shè)置為種子點result.ptr<uchar>(neighborPoint.y)[neighborPoint.x] = 255; // 設(shè)置為白色seeds.push_back(neighborPoint); // 壓入種子集}}}return true; }

基于上述代碼分割后的圖像如圖7所示。可以看到，區(qū)域生長算法基本上能分割出目標(biāo)區(qū)域，但因為圖像本身復(fù)雜性，在分割效果上仍有待提升的地方。

參考資料：

岡薩雷斯 數(shù)字圖像處理

https://gy23333.github.io/2020/01/18/%E5%9F%BA%E4%BA%8E%E5%8C%BA%E5%9F%9F%E7%9A%84%E5%9B%BE%E5%83%8F%E5%88%86%E5%89%B2%E2%80%94%E2%80%94%E5%8C%BA%E5%9F%9F%E7%94%9F%E9%95%BF/

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載(圖文+視頻)機器學(xué)習(xí)入門系列下載中國大學(xué)慕課《機器學(xué)習(xí)》（黃海廣主講）機器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印《統(tǒng)計學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機器學(xué)習(xí)交流qq群955171419，加入微信群請掃碼：

總結(jié)

以上是生活随笔為你收集整理的【深度学习】基于区域生长的图像分割算法！的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。