【深度學(xué)習(xí)】基于區(qū)域生長的圖像分割算法！

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記為1，其他像素標記為0.
• 在坐標形成圖像，如果輸入圖像在該點坐標處滿足給定的屬性，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)域標記為1，其他區(qū)域標記為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 #include 
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 seeds;     // 壓入初始種子點    seeds.push_back(seed);     // 種子點設(shè)置為白    result.ptr(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(neighborPoint.y)[neighborPoint.x] == 0) && abs(img.ptr(neighborPoint.y)[neighborPoint.x] - img.ptr(seed.y)[seed.x]) < threshold) {                // 設(shè)置為種子點                result.ptr(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?？梢钥吹?，區(qū)域生長算法基本上能分割出目標區(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。