1 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 。本文对近年来国内外基于区域的图 像分割算法进行了介绍， 并分析了各算法在 实际应用中的优缺点。从中可以看出，仅仅 使用一种算法实现对图像的分割， 越来越难 以满足实际应用中对图像分割的要求。 但是 随着图像分割理论的研究， 将会有更多的图 像分割算法被提出。 图像分割算法也将向更 快速，更精确的方向发展。
合并的条件为止。 当分裂到不能再分的情况 时，分裂结束，然后它将查找相邻区域有没 有相似的特征， 如果有就将相似区域进行合 并，最后达到分割的作用。 分裂合并法的关键是分裂合并准则的 设计。这种方法对复杂图像的分割效果较 好，但算法较复杂，计算量大，分裂还可能 破坏区域的边界。 区域生长比区域分裂合并的方法节省 了分裂的过程， 而区域分裂合并的方法可以 在较大的一个相似区域基础上再进行相似 合并， 而区域生长只能从单一像素点出发进 行生长（合并）。区域生长和分裂合并是两 种典型的串行区域分割算法。 其特点是将分 割过程分解为顺序的多个步骤， 其中后续步 骤要根据前面步骤的结果进行判断而确定。 在一定程度上区域生长和区域分裂合 并算法有异曲同工之妙， 互相促进相辅相成 的，区域分裂到极致就是分割成单一像素 点，然后按照一定的测量准则进行合并，在 一定程度上可以认为是单一像素点的区域 生长方法。
最后，用图像处理工具箱中的 bwlable 函数把区域连接起来，以此完成图像的分 割。Bwlable 函数的调用语法为： [1，num]=bwlable（bw，n） 其中 bw 为输入图像， n 可取4或8， 表示四连 通或八连通区域，num 为找到的连通区域数 目，1为输出矩阵，其元素值为整数值，背 景标记为0，第一个连通区域被标记为1，第 二个连通区域被标记为2，依此类推。 2.4应用情况： 区域生长（region growing）是指将成 组的像素或区域发展成更大区域的过程。 从 种子点的集合开始， 从这些点的区域增长是 通过将与每个种子点有相似属性像强度、 灰 度级、纹理颜色等的相邻像素合并到此区 域。它是一个迭代的过程，这里每个种子像 素点都迭代生长，直到处理过每个像素，因 此形成了不同的区域， 这些区域它们的边界 通过闭合的多边形定义。 区域生长法的优点是计算简单， 对于较 均匀的连通目标有较好的分割效果。 它的缺 点是需要人为确定种子点，对噪声敏感，可 能导致区域内有空洞。另外，它是一种串行 算法，当目标较大时，分割速度较慢，因此 在设计算法时，要尽量提高效率。 2.5区域生长的后处理 由于非优化参数的设置， 区域生长经常 会导致欠生长或过生长。 人们已经开发了各 种各样的后处理。 从区域生长和基于边缘的 分割中，后处理能获得联合分割的信息。更 加简单的后处理是根据一般启发法， 并且根 据最初应用的均匀性标准， 减少分割图像中 无法与任何邻接区域合并的最小区域的数 量。
基于区域生长的图像分割算法及其实现
曾春玲，2011441794
（重庆科技学院测控2011-02）
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。 是图像处理和计算机视觉的基本问题之一， 是图像处理和图像分析的关键步骤。 本文对基于区域的图像分 割方法进行了综述，具体介绍了区域生长法和分裂合并法，并分析出这种算法在应用中的优缺点，实现此 种算法。 关键词：图像分割 区域生长 分裂合并
2 区域生长法
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（诸如灰度级或衍射 的特定范围）的相邻像素附加到生长区域
像的局部性质。 生长准则可以根据不同原理 制定, 而使用不同的生长准则会影响区域 生长的过程。 常用的生长准则和方法有三种, 即基于区域灰度差的、 基于区域内灰度分布 统计性质的、基于区域形状的。 2.2.1基于区域灰度差的生长准则 基于区域灰度差的生长准则在我们使 用的区域生长方法中, 操作的基本单位是 象素, 基于区域灰度差的生长准则步骤如 下: 1.对图像进行逐行扫描, 找出尚无归 属的象素; 2.以该象素为中心, 检查它相邻的象 素, 即将邻域中的象素逐个与它比较, 如 果灰度差小于事先确定的阈值, 则将它们 合并; 3.以新合并的象素为中心, 再进行步 骤2 检测, 直到区域不能进一步扩张; 4.重 新回到步骤1, 继续扫描直到不能发现没有 归属的象素, 整个生长过程结束。 上述方法是先要进行扫描, 这对区域 生长起点的选择有比较大的依赖性, 为克 服这个问题可以改进方法如下: 1. 设灰度差的阈值为零, 用上述方法 进行区域扩张, 合并灰度相同的象素; 2.求出所有邻接区域之间的平均灰度 差, 合并具有最小灰度差的邻接区域; 3. 设定终止准则, 通过反复进行步骤 2 中的操作将区域依次合并, 直到终止准 则满足为止, 生长过程结束。 2.2.2基于区域内灰度分布统计性质的生长 准则 考虑以灰度分布相似性作为生长准 则来决定区域的合并, 具体步骤为: 1.把图像分成互不重叠的小区域; 2.比较邻接区域的累积灰度直方图, 根据灰度分布的相似性进行区域合并; 3.设定终止准则, 通过反复进行步 骤2 中的操作将各个区域依次合并直到 满足终止准则, 生长过程结束。 2.3区域生长算法
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。 2.1区域生长 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 起点， 然后将种子像素和周围邻域中与种子 像素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 的种子继续上面的过程， 直到没有满足条件 的像素可被包括进来。 这样一个区域就生长 成了。 区域生长需要选择一组能正确代表所 需区域的种子像素， 确定在生长过程中的相 似性准则，制定让生长停止的条件或准则。 相似性准则可以是灰度级、彩色、纹理、梯 度等特性。选取的种子像素可以是单个像 素，也可以是包含若干个像素的小区域。大 部分区域生长准则使用图像的局部性质。 生 长准则可根据不同原则制定， 而使用不同的 生长准则会影响区域生长的过程。 2.2区域生长准则 区域生长的关键是选择合适的生长或 相似准则, 大部分区域生长准则会使用图
1 1 1 1 1 1 2）创建一个结构元素 B= 1 1 1
3）重复以下计算知道 fk+1=fk， fk+1=（fk B） maskim 其中 为形态学中的膨胀算子。
。
图2 脑部图像和区域生长法分割的结果 Fig.2 Brain image segmentation and region growing segmentationresults method
区域生长是一种很重要的图像分割 方法。它是指从某个像素出发，比较相邻 接像素的特征向量(包括灰度、边缘、纹 理等特征)，在预先指定的准则下，若它 们足够相似则作为同一区域合并，以此方 式使相似特征的区域不断增长，最后形成 分割图像。 图1给出已知种子点进行区域生长的 一个示例。图1（a）给出需要分割的图像， 设已知两个种子像素 （标为深浅不同的灰色 方块），现要进行区域生长。设这里采用的 判定准则是： 如果考虑的像素与种子像素灰 度值差的绝对值小于某个门限 T，则将该像 素包括进种子像素所在的区域。图1（b）给 出了 T=3时的区域生长结果，整幅图被较好 地分成2个区域；图1（c）给出了 T=1时的区 域生长结果，有些像素无法判定；图1（c） 给出了 T=6时的区域生长的结果，整幅图都 被分在一个区域中了。 由此可见门限的选择 是很重要的。

1 0 4 7 5 1 0 1 7 7 0 1 1 5 5 2 0 5 2 2 5
（a）
6 5 6 4

1 1 5 5 5 1 1 5 5 5 1 1 5 5 5 1 1 5 5 5 1 1 5 5 5
3 区域分裂合并
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， 进而实现目标提取。 分裂合并差不多是区域生长的逆过程： 从整 个图像出发，不断分裂得到各个子区域，然 后再把前景区域合并，实现目标提取。分裂 合并的假设是对于一幅图像， 前景区域由一 些相互连通的像素组成的，因此，如果把一 幅图像分裂到像素级， 那么就可以判定该像 素是否为前景像素。 当所有像素点或者子区 域完成判断以后， 把前景区域或者像素合并 就可得到前景目标。在这类方法中，最常用 的方法是四叉树分解法(如图3所示)。设 R 代表整个正方形图像区域， P 代表逻辑谓词。 基本分裂合并算法步骤如下：
2.3.1区域生长实现 首先确定一个或多个像素点作为种子 点，然后按照某种相似性度量增长区域，逐 步生成具有某种均匀性的空间区域， 并将相 邻的具有相似性的像素点或区域归并， 直至 没有可归并的像素点或小区域为止。 实现步骤如下：