采用基于区域的自动种子区域生长法的彩色图像分割方法

摘要图像分割是图像处理领域中的经典难题，也一直是图像处理技术研究中的热点和焦点，随着计算机处理能力的提高和对彩色图像应用的增加，彩色图像分割受到研究者们越来越多的关注。

彩色图像分割方法可以被看作是灰度图像分割方法在彩色图像上的延伸，但很多原有的灰度图像分割方法并不能直接应用于彩色图像，这就需要结合彩色图像信息丰富的特点将原有灰度图像分割方法进行改进，或研究专门用于彩色图像分割的方法。

本文在传统的种子区域生长方法的基础上，将分水岭算法和种子区域生长算法相结合，提出了一种基于区域的自动种子区域生长的彩色图像分割方法。

首先，将彩色图像从RGB空间转换到HSI彩色空间，使用色调和饱和度来计算区域之间的差异。

在此基础上，使用抖动处理来减少彩色图像中的颜色数目，并利用中值滤波等方法做去噪声处理。

然后，使用分水岭算法实现对图像的初始分割。

由于传统的分水岭算法在对彩色图像分割时，常常会出现过度分割的现象，本文以这些过分割的区域为基础进行种子区域生长。

和传统的种子生长方法不同，我们的算法使用分水岭算法形成的区域作为初始种子区域。

在选择种子区域时，需要考虑两个方面：首先被选为种子的区域必须和它的邻接区域有较高的相似度，换言之，种子区域应该能代表我们所期望得到的结果区域的属性；另外，我们要求一个区域和它的邻居区域的相对欧式距离的最大值小于一个阈值。

在区域生长阶段，我们从选取的种子区域出发，逐步将非种子区域划分到种子区域中。

由于在种子区域选取过程中，有可能在我们所期望的结果区域中选出多个种子区域，这样会造成过分割的效果，为此我们还要进一步的进行区域合并。

最后，我们将根据两条规则进行区域合并，最终实现彩色图像的分割。

相对于传统的种子区域生长算法，本文在种子选择和区域生长步骤中使用区域代替像素，从算法时间复杂度的角度来说算法效率有较大提高；另一方面，由于区域所携带的图像信息远高于像素所携带的图像信息，所以使用区域做为种子更能代表所期望得到的结果区域。

也能取得更好的分割效果。

实验结果证明，本文的算法在彩色图像分割上取得了较好的效果。

关键词: 彩色图像分割；分水岭算法；自动种子区域生长AbstractIn this paper, we present an automatic seeded region growing (SRG) based region algorithm for color image segmentation. The method uses regions instead of pixels as the seeds of SRG. The architecture of the algorithm can be described as follows.First, in the pre-processing stage, the input RGB color image is transformed into HSI color space, because HSI color system has a good capability of representation of the colors of human perception and is a commonly used color space in image processing. In the second step, we use watershed algorithm for segmentation of a given color image. Watershed algorithm acts as one of the most powerful tool for image segmentation. However, the result of watershed algorithm is usually an over-segmentation image because of the noise and other factors. Fortunately, the regions of the over-segmentation can be qualified as the initial seeds for SRG. Therefore in the third step we introduce the automatic seeds selection process from the regions obtained from step two. In step four, region-growing procedure is called to acquire the regions. And in step 5 regions merging procedure is called to merge similar or small regions.We can compare our algorithm and traditional SRG algorithm here. First, our method use regions as initial seeds rather than pixels. In this sense, high-level knowledge of the image partitions can be exploited through the choice of the seeds much better because region has more information compared to pixels. Second, our method is more efficient. The most time-consuming step of the segmentation is the process of region growing. For traditional method, the time complexity is O(nlogn), in which n denotes the number of pixels of original image. While for our method, the time complexity is O(mlogm), where m denotes the number of regions produced by watershed algorithm. Obviously m is much smaller than n especially for very large images.We have implemented the algorithms in MATLAB. Experimental results have shown that our algorithm can produce excellent results.Key words:Color image segmentation; Watershed segmentation; Automatic seeded region growing目录摘要 (I)ABSTRACT (II)第一章绪论 (1)1.1图像处理概述 (1)1.1.1 图像 (1)1.1.2 图像处理 (1)1.2 数字图像处理技术 (2)1.3 图像分割 (3)1.3.1定义 (3)1.3.2研究意义 (4)1.4论文的选题和研究意义 (5)1.5本文的主要工作及内容安排 (5)第二章彩色图像分割的研究 (7)2.1引言 (7)2.2彩色空间 (7)2.2.1 RGB彩色空间 (8)2.2.2 由RGB空间线性变换得到的空间 (9)2.2.3 由RGB空间非线性变换得到的空间 (10)2.3彩色图像分割方法 (12)2.3.1直方图阈值法 (12)2.3.2特征空间聚类 (13)2.3.3基于区域的方法 (13)2.3.4边缘检测 (15)2.3.5模糊方法 (16)2.3.6人工神经网络 (16)2.3.7基于物理模型的方法 (17)第三章种子区域生长法与分水岭算法 (18)3.1 种子区域生长法的基本原理及发展现状 (18)3.2 分水岭算法 (18)3.2.1 分水岭算法发展简介 (18)3.2.2 分水岭算法基本原理及分类 (20)3.2.3 分水岭算法的描述 (21)3.2.4 分水岭算法实验结果及分析 (23)第四章基于区域的种子区域生长法 (24)4.1 算法概述 (24)4.2预处理步骤 (25)4.2.1抖动处理 (25)4.2.2中值滤波去噪声 (26)4.3 种子区域的自动选取 (26)4.3.1区域关系矩阵 (26)4.3.2种子区域的自动选取 (27)4.4 区域生长 (29)4.5 区域合并 (30)4.6实验结果及结论 (31)第五章总结与展望 (34)5.1 总结 (34)5.2 展望 (34)参考文献 (36)致谢 (39)在学期间公开发表论文及著作情况 (40)第一章 绪论1.1图像处理概述1.1.1 图像我们对图像并不陌生，它是用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视知觉的实体[1]。

人的视觉系统就是一个观测系统，人们生活环境中的可见的自然景物都是一幅图像。

其中能为人的视觉系统所感受到的图像称为可见图像；由X 射线、红外线、微波、超声波等形成，不能为人眼直接感受，需要通过与显示装置变换后才能为人的视觉所感受的图像称为不可见图像[2]。

一幅图像可以被定义为一个二维函数),(y x f ，其中x ,y 为像素点的空间坐标，f 为连续函数，),(y x f 描述该点图像的强度或灰度。

由于连续函数不适合用计算机处理，因而必须转换成数字图像。

数字图像是指空间上取样、亮度上量化了的图像，即从一幅连续图像中抽取一组离散的样本并对这些样本在取值上进行离散化。

通常，为便于计算机操作，样本值的量化等级均取2的m 次幂，且每级灰度值只取整数值。

例如当m ＝8时，图像样本值便量化成256级，若最亮灰度级(白)取值为256，则最暗灰度级(黑)取值为0[3]。

统计数据表明，人类从外界获得的信息中，听觉信息占20％，视觉信息占60％，其它如味觉、触觉、嗅觉总的加起来不足20％，所以图像信息作为传递信息的重要媒体和手段十分重要。

在近代科学研究、军事技术、工农业生产、医学、气象及天文学领域中，人们越来越多地利用图像信息来认识和判断事务，解决实际问题。