《区域生长法实验报告》由会员分享，可在线阅读，更多相关《区域生长法实验报告（8页珍藏版）》请在金锄头文库上搜索。
1、创新实验报告基于区域生长法的图像分割实验目的：实验目的： 区域生长法分割图像 算法描述：算法描述： 区域生长法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。 本文应用的区域生长法是根据像素点的强度来确定一个像素点是否属于某一个区域的 这个算法的初始点的确定是可以由用户给定，或者由 getpts 函数产生。 可以把由性质相同的像素组成的二维的集合
2、看成一个区域，区域生长法是把输入图像中的 由几个像素（甚至是单个像素）组成的“核”扩展成一个区域（即一个像素集） 。在本文中 的算法是将单个像素组成的核扩展成的，初始的核由一个像素组成。 区域生长法首先要对每一个“生长核”赋予一组参数，该参数能够反映该“生长核”所属 不同区域的特性。在本文中，这个参数取的比较简单，但是很实用，本文中参数取得的是 像素的强度。 接下来是考察“生长核”周围的所有的边界，在本文中，边界是和这个像素相邻的最近的 四个点，即上下左右四个点，这四个点是用一个矩阵来表示的 10 10 0 1 01这个矩阵的行和列分别代表了生长核边界点的四邻和该边界点的关系 接下来，如果边界
3、的两侧的某种特征值（如灰度值，纹理，颜色等，在本文中为像素点的 强度）相差明显，则认为这个边界是一个强边界，否则是弱边界。强边界是要保留的，并 且认为是一个不同区域的分界线，弱边界是要消除的，是所涉及的两个区域的合并，这种 检测边界，合并区域进而找到强边界的过程是一个迭代的过程，这个过程就像区域生长一 样。 在本文中，这个边界是根据阈值来确定的。这个阈值可以事先由使用者给 出，如果没有给 出，则默认为 0.2 如果某个像素点的四个相邻的邻居的强度和该区域的平均阈值相差在阈值范围内，则认为 该邻居是属于这个区域的；否则就认为是不属于这个区域。 最简单的区域生长法是阈值区域生长算法，就是本文所讨论
4、的办法，该方法假定图像中包 含着物体和背景，且定义：(,) ,则（,）是物体；(,)=1) neg_list(neg_pos+1):neg_free,:)=0; end%增加 10000 行，并且将未用到的，从 neg_pos 一直到 20000 行的位置全赋 0% region 将具有和这个区域均值最接近的的强度像素加入区域中dist = abs(neg_list(1:neg_pos,3)-reg_mean);%dist 是个矩阵，用 1 到 neg_pos 的像素的强 度和区域均值相减得到的一个强度列表，从中找到绝对值最小的那个pixdist, index = min(dist);%ind
5、ex 返回的是相应的像素在 neg_list 中的位置J(x,y)=2;%这个和函数最后一行有关系reg_size=reg_size+1;%区域的大小加 1%计算这个区域的新均值%reg-区域%neg_list 存储列表reg_mean= (reg_mean*reg_size + neg_list(index,3)/(reg_size+1);%保存 x,和 y 的坐标x = neg_list(index,1); y = neg_list(index,2);%将新的生长点的位置赋予 x 和 y%将该像素从邻居列表（检查）中移除neg_list(index,:)=neg_list(neg_pos,:); neg_pos=neg_pos-1;%巧妙地将邻居列表中最后一个 邻居放到这个位置，同时 neg_pos 退一格。 end%将这个分好的区域作为逻辑矩阵输出 J=J1;%J 中是 2 的赋 1，是 1 的赋 0 实验结果：实验结果： 源图像：分割后的图像：算法综述：算法综述： 区域生长法可以很好的将具有相同性质的像素点分到一起，但是，区域生长法很容易被噪 音干扰，如果某个区域中存在一个或者两个或者一些孤立的噪音，则这个噪音将孤立地产 生，并且是不能被很好的判定为属于这个区域，所以，这个区域生长法的缺点就是容错性 不好。优点是运算速度快，结构简单。
