一种基于最大类间方差和区域生长的图像分割法

第3卷第2期信息与电子工程V o1．3，No．2 2005年6月 INFORMATION AND ELECTRONIC ENGINEERING Jun．，2005一种基于最大类间方差和区域生长的图像分割法

张玲，郭磊民，何伟，陈丽敏

（重庆大学通信工程学院，重庆 400044）

摘要：提出一种基于一维最大类间方差和区域生长的图像分割法。首先用一维最大类间方差法确定最佳分割阈值，再用改进的区域生长法分割得到目标。实验结果表明，该分割算法不仅

适用于简单的图像分割问题，而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。

该算法计算量小，实时性和分割精度均有一定优势，在提取目标的同时，不留下任何背景像素，

使下一步的目标识别更为简单。

关键词：信息处理技术；图像分割；最大类间方差；区域生长法；最佳分割阈值；生长规则；

生长策略

中图分类号：TN911.73 文献标识码：A 文章编号：1672-2892(2005)02-091-03

An Image Segmentation Algorithm Based on Maximal Variance

Between-Class and Region Growing

ZHANG Ling，GUO Lei-min，HE Wei，CHEN Li-min

（College of Communication Engineering，Chongqing University，Chongqing 400044，China）Abstract: A segmentation algorithm based on the technique of one-dimension maximal variance between-class and region growing method is proposed in this paper．Firstly，the method of one-dimension maximal variance between-class

is used to obtain the optimal segmenting threshold．Then，the target is segmented from the original image by the

improved region growing method．The experiments indicate that the segmentation method presented in this paper is not

only fit for the segmentation of the simple image，but also fit for those images with complex background and uneven

light．Moreover，this segmentation algorithm has advantages of real time and segmentation precision．With this method，

the target can be extracted without any pixel of the background．Therefore，the target recognition in the next step will be

simple．

Key words: information processing technology；image segmentation；maximal variance between-class；region growing method；optimal segmenting threshold；growing rule；growing strategy

1 引言

对于目标和背景都在运动且背景复杂多变的视频跟踪图像序列，如何将目标从背景中分割出来，一直是人们关注的难点问题。常用的图像分割方法可归纳为阈值法和区域生长法两大类。然而无论这两类方法中的任何一种，都难以取得令人满意的分割效果。如采用阈值法，无论所选取的阈值多么精确，都不可避免地会留下和目标灰度接近的背景区域，给进一步的目标特征提取和识别带来困难；而尽管传统的区域生长法在分割时可以减少背景的干扰，但是若目标区域内灰度分布不均匀，会使区域生长提前终止，造成欠分割；若目标的边界模糊又会使区域生长无法停止，造成过分割甚至分割失败。

分析这两类分割方法的优缺点[1]，结合实际应用中，尤其是在导弹视频跟踪系统中，目标成像的特点，本文提出了一种基于一维最大类间方差和区域生长相结合的图像分割方法，首先用一维最大类间方差法确定最佳分割阈值，以此作为区域生长规则的约束条件，然后采用改进的区域生长法将目标精确、完整地分割出来。

2 最大类间方差和区域生长相结合的图像分割法

分割阈值的选取是阈值法的关键，最大类间方差法作为常用的阈值选取方法之一，被认为是最优的阈值自动选取方法，而其他常用的方法(如：直方图[2]、最大熵[3]等)在确定阈值时，常存在这样或那样的问题。由于实际图像噪声干扰等因素的影响，直方图通常会出现单峰或具有宽且平的峰谷的情况，这时很难根据直方图的峰谷来选择分割阈值；最大熵法对诸如对比度和直方图分布这类图像特征敏感，且涉及到对数函数运算，计算量大。

收稿日期：2004-10-08；修回日期：2005-01-12

92 信 息 与 电 子 工 程 第3卷 另外，通过对目标图像序列的观察和分析，我们发现，由于目标内部或背景内部的像点之间相关性很强，像点的灰度值和它的邻域平均灰度非常接近；而在目标和背景的边界附近像点，它的灰度值和邻域平均灰度间差异明显。即，图像目标与背景这两类的总体灰度之间存在差距。

因此，本文采用的是最大类间方差法来确定目标区域的最佳分割阈值。该方法可分为一维[4-5]和二维最大类间方差[6]两种，后者由于同时考虑了像点邻域的灰度，因此分割的效果要比前者的好，然而运算量的增加使其不能满足视频跟踪系统实时性的要求，因此，本文采用的是前者，即一维最大类间方差法。

2.1 基于一维最大类间方差的局部阈值的确定

设图像灰度变化范围为1到L ，用集合表示为{}1,2,3,,S L =L ，灰度级为i 的像素数设为i n ，则图像的全部像素数为：i

i S N n ∈=∑，各像素概率为：i i n p N

=。 取集合S 中的T 作为阈值，把图像分割为两个灰度级集合：{}11,2,3,,S T =L 和{}21,2,,S T T L =++L 的两类1C 和2C ， 其概率为：k k k P ()(1,2)r i i S C p k ω∈==

=∑，其灰度均值1μ，2μ，方差21σ，22σ可分别由下式得出：

(/)(1,2)k k k i i S k r k i S i i S i n

i P i C k n ∈∈∈==

=∑∑∑μ (1)

222()()(/)(1,2)k k k k i i S k k r k i S i

i S i n i p i C k n ∈∈∈?=?=

=∑∑∑μ

σμ (2) 图像的整体灰度平均值T μ、总体方差2T σ分别为： T i i S i p μ∈=∑，22()T T i i S

i p σμ∈=?∑，可求得类内方差

2W σ和类间方差2B σ分别为：2221122W σωσωσ=+ ，222B T W =?σσσ。则22

B W σσ最大的灰度级T 即为最佳分割

阈值：

22()()MAX ()B W T T T ??=????

σησ (3) 2.2 改进的区域生长法

基本思想：以选定的生长点作为目标的起始像素，从生长点出发，按照这种带约束条件的生长规则，以本文提出的新的生长顺序对生长点附近的像素进行一致性检测，即判断其3×3邻域的灰度均值是否满足一致性准则，把这些通过一致性测试的像素并入生长区中，从而完成目标的分割。

a) 生长点的获取

首先采用一维最大类间方差法获得最佳分割阈值并分割图像，然后对分割后的各子区域进行聚类，得到各类的中心，即为生长点。从各生长点开始生长分割图像，对分割得到的各子区域计算其特征参数（主要有：扁率、面积、周长、方向角等），计算其与模板参数的可信度，可信度最高的子区域即为目标。

b) 对生长规则的改进

令已生长得到区域为R ，有均值及标准方差m 、σ，作为衡量灰度一致性的特征量。其中，

(,)1(,)k l R m f k l n ∈=∑， σ= 。 生长点灰度均值为：1111Gray(seed)((seed

,seed ))/9k l j i f j i =?=?=++∑∑ (4)

一维最大类间方差比确定的最佳分割阈值为1T ，灰度变化阈值为2(1)c T T m σ=?

，其中c T 是反映生长条件

苛刻程度的量。

第2期

张 玲等：一种基于最大类间方差和区域生长的图像分割法 93 定义带约束条件的生长规则：假设原图上目标为白，背景为黑（相对而言），这时有：生长点灰度均值小于最佳分割阈值（1Gray(seed)T ≤），则生长过程中，将当前像素点(,)k l 的3×3邻域的灰度均值(,)f k l 小于1T 作为生长规则的约束条件。反之，若原图上目标为黑，背景为白，则该约束条件符号取反。

带约束条件的生长规则可用下式表示：

2

11(,)(,)Gray(seed)(f k l m T f k l T T ?≤≤≤?????若约束条件）

(5) 式中，1

111

1(,)(,)9j l i k i k j l f k l f i j =+=+=?=?=∑∑。 将满足其3×3邻域的灰度均值(,)f k l 与m 接近，且小于最佳分割阈值1T 的当前点像素(,)k l 视为通过了一致性测试，将其并入生长区域R ，并更新m 与σ。反复执行，直到无法生长为止，完成对目标区域的分割。

最佳分割阈值1T 相当于目标类与背景类像素的边界灰度值，由于有1T 的限制，c T 可以取得大一些，避免了目标本身灰度变化大造成欠分割的现象，同时由于1T 的限制也避免了目标边界模糊造成过分割的现象。

c) 对生长方式的改进

传统的区域生长法从生长点开始，考察接近像素的灰度值，若相近划入目标区

域；然后以目标区域的边界作为新的生长点重复上述过程，这是一个迭代的过程，

并且有很多重复考察的计算。为提高系统实时性，减少不必要的重复计算，本文提出了一种新的生长方式，如图1所示。 从生长点S 开始向左搜索满足一致性条件的像素点，向右搜索满足一致性条件

的像素点，搜索路径如虚线R 所示；计算R 的中点，然后垂直向上（或向下）平移

生长点，继续水平搜索，直到搜索完毕，完成目标分割，中心点移动路径如图1虚

线L 所示。完成向上搜索后，从原始生长点向下搜索，对于导弹这一规则形状目标来说，两次搜索即可把目标分割出来。对于复杂形状的目标，再进行中心点水平移

动，搜索方向垂直进行，完成目标分割。

传统的区域生长法在每次生长完成后，即使是本次生长只并入了一个新的点都要重新对所有的边界点进行生长，算法复杂，且运算量大。而本文提出的改进的区域生长法在程序实现中，仅仅计算了目标内部的像素点，且每个像素点仅比较了一次，避免了链表操作和重复计算，算法简单、运算量小，提高了目标分割精度和系统的实时性。

3 实验结果与分析

图2所示为一导弹飞行照片，对目标干扰最大的是山脉的条状区域和灰度与目标非常接近的河岸；图3所示为采用一维最大类间方差确定了最佳阈值后，直接进行分割的结果图，可见背景的干扰非常严重；图4是采用区域生长法，变化阈值取T 2=10的结果图，可见目标分割不完整；图5是变化阈值取T 2=15的结果图，过分割严重；图6是本文提出的，将两种方法有机结合对图像进行分割的结果，可见不受复杂背景的影响，且分割完整。

(下转第96页)

图2 原图 图3 一维最大类间方差 图4 区域生长法 T 2=10图5 区域生长法T 2=15 图6 本文提出的方法

图1 生长方式示意图

96信息与电子工程第3卷

用'db1'。图4、图5为完整的原始图像的实验结果，图6、图7为图像被压缩后提取水印的实验结果，图8、图9是中值滤波处理的实验结果。

5 结论

用小波变换的图像多分辨率分解特性，在静态图像上嵌入二值图像水印，在图像压缩和中值滤波情况下对算法进行仿真实验证明，该算法具有易实现、易检测、较稳健的特性。

参考文献：

[1] Frank Hartung, Martin Kutter. Multimedia Watermarking Techniques[A]. Proceedings of the IEEE[C].1999,87:253-257.

[2] Fabien A P Petitcolas,Ross J Anderson, Markus G Kuhn. Information Hiding-A Survey[A].Proceedings of the IEEE[C].1999,87:402-407.

[3] D Kundur, D Hatzinakos. A Robust Digital Image Watermarking Method Using Wavelet-based Fusion[A].Proceedings of the Interna

-tional Conference on Image Processing[C].1997:544-547.

[4] Pratt W K. Digital Image Processing[M]. New York: Wiley, 1991.

[5] 汪小帆,戴跃伟,茅耀斌.信息隐藏技术—方法与应用[M].北京:机械工业出版社,2001.

作者简介：

卢 洵（1966-），男，河南省濮阳人，副教授，硕士，1989年毕业于北京师范大学物理系，主要研究信息处理、信息处理、小波变换等，发表论文30余篇.E-mail:ludapost@https://www.sodocs.net/doc/e85743745.html,.

赵朝锋（1981-），男，河南省巩义人，信息工程大学理学院在读硕士研究生，主要研究信息处理、小波变换等.

徐振启（1982-），男，山东省淄博市人，信息工程大学理学院在读硕士研究生，主要研究信息处理、小波变换等.

(上接第93页)

4 结论

对于火控系统中配备的电视跟踪系统而言，图像跟踪阶段的分割方法应具有较高的精度，才能为目标的识别、跟踪、精确定位提供可靠的依据。本文分析了阈值法和区域生长法这两类图像分割方法的优缺点，提出了一种基于一维最大类间方差和区域生长法的分割算法，算法中对区域生长法作了改进，提出了一种带约束条件的生长规则和一种新的生长策略，降低了算法的复杂度，减小了运算量，实现了目标的快速、准确分割。实验结果表明：该算法适应性强，分割精度高，易实现，计算量小，满足实时跟踪的需要。

参考文献：

[1] 罗文村.基于阈值法与区域生长法综合集成的图像分割法[J].现代计算机,2001,115:43-46.

[2] 程杰.一种基于直方图的分割方法[J].华中理工大学学报,1999, 27(1):84-86.

[3] 王建军,苑玮琦,张宏勋.一种基于相对熵的图像分割算法[J].信息与控制,1997,26(1):67-80.

[4] Tian H, Lam S K,Srikanthan T. Area-time efficient between-class variance module for adaptive segmentation process[J].Vision,

Image and Signal Processing,IEEE Proceedings, 2003,150(4):263–269.

[5] 柴本成,柴国钟,姜献锋.一种新的自动阈值图像分割方法[J].机械,2003,30(4):34-35.

[6] Liu Jianzhuang, Li Wenqing,Tian Yupeng. Automatic thresholding of gray-level pictures using two-dimension Ostu

method[J].Circuits and Systems, 1991,1:325 – 327.

作者简介：

张玲（1964-），女，重庆市人，学士，副教授，主要从事电子系统设计和图像处理研究，已发表相关学术论文二十多篇. Email: zl@https://www.sodocs.net/doc/e85743745.html,.

何伟（1964-），男，四川省南充市人，硕士，副教授，主要从事电子系统设计和图像处理研究，已发表相关学术论文二十多篇.

郭磊民（1975-），男，河南省许昌市人，在读硕士研究生.

陈丽敏（1976-），女，广西省柳州市人，在读硕士研究生.

Matlab实现区域生长算法

Matlab实现区域生长算法 （南京航空航天大学机电学院机械工程系，南京2016年11月1日） 摘要： 图像分割不仅是图像处理领域的一个经典的研究主题，也是图像处理技术的热点和焦点。随着计算机处理技术的发展，图像分割算法引起研究人员越来越多的关注。本文提出了基于传统的种子区域生长算法的基础上形成一种新的图像自动分割区域的方法。算法的实现主要基于Matlab编程实现。 关键词：图像分割，种子区域生长算法，Matlab 一、引言 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。 区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，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像，如自然景物。但是，区域生长法是一种迭代的方法，空间和时间开销都比较大，噪声和灰度不均匀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。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像： 1、选取图像中的一点为种子点（种子点的选取需要具体情况具体分析）。 2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

基于图的快速图像分割算法

Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方

最大类间方差法(otsu)的原理

在网上很多地方都可以找到，但是我发觉似乎都是一样，而且一点注释都没有，如果光拿来用当然可以了，可是用一个算法不搞清楚里面的数学是件很遗憾的事情，我把OTSU的代码加上详细的注释，也算是对自己以后继续努力的一个鞭笞吧！ 最大类间方差法（otsu）的原理： 阈值将原图象分成前景，背景两个图象。 前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源） 在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景图象的方差： g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本 上面的g的公式也就是下面程序中的sb的表达式 当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值 unsafe public int GetThreshValue(Bitmap image) { BitmapData bd = (new Rectangle(0, 0, , , , ; byte* pt = (byte*); int[] pixelNum = new int[256]; //图象直方图，共256个点 byte color; byte* pline; int n, n1, n2; int total; //total为总和，累计值 double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值 int k, t, q; int threshValue = 1; // 阈值 int step = 1; switch { case :

图像分割区域生长法

江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。

基于最大类间方差准则的变化区域提取

第35卷第12期 光电工程V ol.35, No.12 2008年12月Opto-Electronic Engineering Dec, 2008文章编号：1003-501X(2008)12-0063-04 基于最大类间方差准则的变化区域提取 孟瑜1, 2，赵忠明1，柳星春3，汤泉1, 2 ( 1. 中国科学院遥感应用研究所，北京 100101； 2. 中国科学院研究生院，北京 100039； 3. 国家遥感中心航空遥感一部，北京 100076 ) 摘要：针对不同时相遥感影像变化检测研究中变化区域的自动提取问题，本文提出一种基于类间最大方差准则，利用C均值算法自动确定变化阈值的方法。该方法中将变化区域提取问题转化为两类之间的分类问题，利用C均值算法进行迭代处理，当两类之间方差最大时即为最佳变化阈值T。实验结果表明，该方法可准确快速地确定图像变化检测的最佳阈值，实现变化区域提取的自动化。 关键词：变化阈值；最大类间方差；C均值；自动提取 中图分类号：TP751 文献标志码：A Automatic Extraction of Changed Region Based on Maximal Variance Between-class MENG Yu1, 2，ZHAO Zhong-ming1，LIU Xing-chun3，TANG Quan1, 2 ( 1. Institute of Remote Sensing Application, Chinese Academy of Science, Beijing 100101, China; 2. Graduate University of Chinese Academy of Sciences, Beijing 100039, China; 3. First Aerial Remote Sensing Department, National Remote Sensing Center, Beijing 100076, China ) Abstract: Extracting changed areas from different images was an important problem in the field of remote sensing image change detection. To solve this problem, a method based on maximal variance between-class criteria and C-means algorithm was proposed. Changed area extraction was converted into a typical problem of two-category classification and could be solved by employing threshold strategy. The C-means algorithm is used to classify an image into two classes and obtained its best threshold when the variance between-class is maximal. The experimental results show that the method can automatically determine the best image change detection threshold and extract the changed areas quickly and accurately. Key words: change threshold; maximal variance between-class; C-means algorithm; automatic extraction 1 引 言 随着社会与技术的发展，人类的各种活动每天都在改变着地表景观及其利用形式，人口的快速增长及城市化的发展，加速了这种变化的速度。因此，快速而有效地检测这些变化信息，分析变化的特点和原因及其影响结果，对于实现我国的可持续发展具有十分重要的意义。 近几十年来，随着航天技术、传感器技术、计算机技术及其相关科学的迅猛发展，遥感技术得到了飞速进步。作为一门正在兴起、并有着广泛应用前景的学科，遥感技术具有空间上的连续性和时间上的序列性，可以提供进行地物感知和监测的多时相图像数据。 利用多时相遥感图像获取地物变化信息的过程称之为变化检测，在变化检测中阈值的选择起着关键作 收稿日期：2008-06-19；收到修改稿日期：2008-09-03 作者简介：孟瑜(1981-)，女(汉族)，宁夏银川人，博士研究生，主要研究工作是遥感图像处理。E-mail:mengyu_irsa@https://www.sodocs.net/doc/e85743745.html,

一种基于HLS的快速图像分割算法

一种基于HLS的快速图像分割算法 【摘要】本文提出了一种新的基于HLS的快速图像分割算法。通过分析HLS 颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区域。在图像的预分割过程中起到了快速定位的作用。与基于MEANSHIFT 的图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速的，良好的的特性。 【关键词】预分割；图像分割；HLS颜色空间 1.分割的意义与现状 图像分割是计算机图像处理与机器视觉研究领域中的基本问题之一。随着计算机硬件和计算机理论的不断取得突破进展，数字图像处理技术和计算机视觉技术得到了广泛的应用。在对图像进行研究和应用中，前景提取或前景分割是一个重要的研究组成部分。在应用的过程中，往往只对图像中某些部分某些区域感兴趣，这些部分通常称之为前景。前景是图像中特定的，具有某些特性的区域，或者说是具有更高层次语义的区域。例如人，桌子等等自然物体，也可能是人身体的一部分，如头发，脸等等。为了进一步的研究分析，需要把前景区域单独提取出来，作为下一步的算法的输入。所以说图像分割算法是指将某些特定区域从背景中分割出来的算法。图像分割是数字图像处理与计算机视觉研究领域中的基本问题之一，也是热点之一。 在每一次交互式的过程中，我们并不需要对整幅图像进行处理，只需要对交互处周围的像素点进行分析即可。这样不仅仅是因为处理的像素点减少，从而可以节省大量的处理时间，同时在处理过程中，可以去掉不相似点的干扰，在处理速度上，在收敛性上，也可以节省大量的时间。所以如果能明确处理的区域，可以提高处理速度，从而保证算法的实时性。 如果定义一个固定的矩形或者圆形等形状的话，对于不同的物体显然具有不同的效果。如果物体比所定义的矩形框大，则不能一次性的分割出相邻的区域。如果物体比所定义的矩形框小很多的时候，不仅仅是处理速度上变慢，分割效果会降低。所以使用简单的分割算法进行粗定位，确定下一步的处理范围，对整个交互式过程来说是一个非常重要的步骤。 在过去二十多年中，人们对前景图像提取问题做了大量的研究。最简单的方法是，能过选取满足用户指定图像的颜色值的所有像素来提取前景。Photoshop 的智能剪刀和魔杖工具就是采用了这种方法。但是这种方法需要大量的用户交互，使用起来极其不方便。 近十年来，研究者提出了很多精确提取前景区域的系统，同时使用户的交互尽可能少。比如智能画布[1]和基于对象的图像编辑系统[2]等，通过将图像分割成区域，然后用户选取一些区域产生最后的前景对象的方法。Grab cut系统[3]

最简单的java版图片切割方法

package day1107; import java.awt.image.BufferedImage; import java.io.File; import javax.imageio.ImageIO; public class ImageCutUtil { public boolean cutImage(File souceImage,int cutNumber,String saveImagePath){ try{ BufferedImage source=ImageIO.read(souceImage); int allWidth=source.getWidth(); int allHeight=source.getHeight(); int width=(int) (allWidth*1.0/cutNumber); int height=(int) (allHeight*1.0/cutNumber); for(int i=0;i

图像分割最大类间方差法

OPENCV的二值化操作中，有一种“大津阈值处理”的方法，使用函数 cvThreshold(image,image2,0,255,CV_THRESH_OTSU) 实现，该函数就会使用大律法OTSU得到的全局自适应阈值来进行二值化图片，而参数中的threshold不再起作用。OTSU算法 OTSU算法也称最大类间差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分 的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。 设灰度图像灰度级是L，则灰度范围为[0,L-1]，利用OTSU算法计算图像的最佳阈值为： t = Max[w0(t) * (u0(t) - u)^2 + w1(t) * (u1(t) - u)^2)] 其中的变量说明：当分割的阈值为t时，w0为背景比例，u0为背景均值，w1为前景比例，u1为前景均值，u为整幅图像的均值。 使以上表达式值最大的t，即为分割图像的最佳阈值。 以下是一段在OpenCV中实现的C语言程序，即一个使用OTSU算法提取图像阈值的函数，输入参数为一个图像指针，返回分割该图像的最佳阈值。 其中的变量说明：当分割的阈值为t时 w0为背景像素点占整幅图像的比例 u0为w0平均灰度 w1为前景像素点占整幅图像的比例 u1为w1平均灰度 u为整幅图像的平均灰度 公式:g = w0*pow((u-u0),2) + w1*pow((u-u1),2) int MyAutoFocusDll::otsuThreshold(IplImage *frame) { const int GrayScale = 256; int width = frame->width; int height = frame->height; int pixelCount[GrayScale]; float pixelPro[GrayScale]; int i, j, pixelSum = width * height, threshold = 0; uchar* data = (uchar*)frame->imageData; //指向像素数据的指针

图像分割方法综述

图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：

最大类间方差法原理及程序

最大类间方差法（otsu）的原理： 阈值将原图象分成前景，背景两个图象。 前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度 后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准 而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源） 在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本 上面的g的公式也就是下面程序中的sb的表达式 当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值C程序： unsafe public int GetThreshV alue(Bitmap image) { BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat); byte* pt = (byte*)bd.Scan0; int[] pixelNum = new int[256]; //图象直方图，共256个点 byte color; byte* pline; int n, n1, n2; int total; //total为总和，累计值 double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值 int k, t, q; int threshV alue = 1; // 阈值 int step = 1; switch (image.PixelFormat) { case PixelFormat.Format24bppRgb: step = 3; break; case PixelFormat.Format32bppArgb: step = 4; break;

基于区域生长法的图像分割论文原稿

基于区域增长法的图像分割 王春者 （信工学院电子信息工程专业） 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。 本论文首先简单介绍图像分割的主要方法，然后重点介绍一种基于区域增长法的图像分割方法,该方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 关键词：图像分割；区域增长法；基本算法

Abstract The image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.The purpose is to image segmentation image is divided into different areas,based on region growing segmentation technique is based on the direct search for regional. This paper first briefly introduce the main method of image segmentation, and then focuses on a method of image segmentation based on region growing method, the method is based on similar properties in the same region within the object pixel to pixel aggregation method, from the initial area (as regards neighborhood of each pixel, or even), the adjacent pixel having the same nature or other areas merge into the current so as to gradually increase the area of the region can merge up until no other point or small area. Similarity measure may include a region of the pixel values of the average gray, texture, color and other information. Key words：Image segmentation; region growing method; basic algorithm

基于区域生长的图像分割

安康学院 学年论文﹙设计﹚ 题目基于区域生长法的图像分割 学生姓名周东阳 2012020081 所在院(系)电子与信息工程系 专业班级电子信息工程2012级2班 指导教师余顺园 2015年6月25日

基于区域生长法的图像分割 作者：周东阳 安康学院电子与信息工程系电子信息工程专业12级，陕西安康 725000 指导教师：余顺园 【摘要】图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级等）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。 【关键词】区域生长种子点分割像素 Image segmentation based on region growing arithmetic Author：ZhouDongyang Grade three ,Class two,Major Electronic and Information Engineering ,Dept.，Ankang University，Ankang 725000，Shaanxi Directed by YuShunyuan Abstract:Image segmentation aims to divide the image into different areas, based on region growing is to find region-based segmentation techniques. Criteria defined in advance by the region growing is a pixel or sub-regional aggregate into bigger regional process. Basic method is based on a set of "seed" point, with seeds similar in nature (such as grayscale) adjacent pixels on each attach to the growth region of the seed. Region growing is one of the problems with formulas describing a termination rule. Basically, no pixels when you meet the conditions for joining a regional, regional growth will stop. In the design of this course, in algorithm design fully reflects that. Traverse the image function is called during testneitesting i,j

设计利用区域生长算法进行图像分割的程序

设计利用区域生长算法进行图像分割的程序 1、目的：把一幅图像划分成满足某种判据的一些区域，在这里形成一个二值图。 2、原理：首先确定每个区域中的某个已知点，加上与已知点相似的邻近点形成一个区域，在这里利用区域的均值。当邻近点与区域均值的差值的绝对值小于阈值T 时，即满足生长条件。方法是从种子点开始，在8连通方向上生长区域，当其邻近点满足生长条件，则就并入小快区域，当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时该区域生成过程终止。 3、设计思路： 1）通过具体观察某幅图像的直方图，估计其确定种子点范围[S1，S2]，并确定其阈值T; 2）透过对整幅图像的扫描，找出某个区域的一个种子点：(.)f x y 3）开始利用8连通方向，以该种子点为中心进行生成区域；[(),()]s r s θ |(,)(.)|diff f i j f x y T =-<(,)ave f i j = 4）继续用8连通方向，以该区域为中心，把邻近满足生长条件的点并入，生成新的区域； 1(,)k ave f i j k =∑ |(,)|diff f i j ave T ''=-< 5）重复4）步，直到不再存在邻近满足生长条件的点为止，该区域生成过程结束； 6）继续对图像进行扫描，寻找其他区域的一个种子点，按3）~5）的步骤进行 4、程序设计 根据下面的流程图可分为

区域生长算法实现流程图

5、程序 %district.m主函数 clear clc I = imread('bacteria.tif'); subplot(1,2,1) imshow(I) title('初始图像'); subplot(1,2,2) imhist(I) title('初始图像的直方图'); %透过该直方图确定种子满足S1~S2 的值（灰度值）和判定的依据阈值T S1=8;S2=70;T=33; f=double(I); [m,n]=size(I); shed1=zeros(3,round(m*n/2)); %存储区域生长方向上的点和该区域的均值的绝对差值和 该%点的坐标 sp1=0; % sp1 相当于指针，指向shed1 中的最后放入的值和坐标 shed2=zeros(2,m); %存储符合生长条件的点的坐标 sp2=0; % sp2 指针，指向shed2 中的最后放入点的坐标 Cut=zeros(size(f)); % Cut 为区域生长后的新图像 Cut=Cut+255; % Cut 矩阵初始值设为255 vb=0; %标记值，当vb=1 时，即要求重新计算已有的栈shed1(1,:) 的大小 for i=1:m for j=1:n if (f(i,j)>S1&f(i,j)