3.4　基于区域的图像分割方法

图像中的区域是一组具有相似属性的连接在一起的像素集合。在基于区域的图像分割方法中，每个像素都被分配给特定的对象或区域。基于区域的分割是通过在候选像素集合中应用均匀性／相似性准则将图像划分成连接像素的相似／同质区域。区域分割的主要方法是区域生长算法和区域分裂与合并算法。

3.4.1　区域生长算法

区域生长是一种简单的基于区域的图像分割方法。它也被分类为基于像素的图像分割方法，因为它涉及选择初始“种子点”。这种分割方法检查初始种子点的相邻像素，并确定是否应将像素的“邻居”添加到该区域中。该算法以与通用数据聚类算法相同的方式进行迭代。

区域增长方法利用了这样一个重要的事实，即考虑图像中邻近的像素具有相似的灰度值。区域生长的基本思路是将具有相似属性的像素集合起来形成一个区域。首先，每个细分区域都需要寻找种子像素作为生长点的起点；其次，相邻像素和种子像素周围的像素具有相同或相似的属性并被合并到种子像素区域；再次，这些新的像素被用作新的种子像素；最后，继续这一过程，直到不满足条件的像素也被包括在内。

区域生长算法的基本过程包括：（1）根据相似性约束，初始一组小区域被迭代、合并；（2）选择一个任意的种子像素并将其与相邻像素进行比较；（3）通过添加相似的相邻像素，使种子像素数目开始增加，从而增加区域的面积；（4）当一个区域的增长停止时，我们只需选择另一个尚未属于任何区域的种子像素重新开始即可；（5）整个过程一直持续到所有像素都属于某个区域。

区域生长算法的优点包括：（1）可以正确区分具有本书定义的相同属性的区域；（2）可以提供边缘清晰的原始图像及令人满意的分割结果；（3）概念简单，只需要少量的种子点就可以发展该区域。（4）在抗噪方面表现良好。

区域生长算法的缺点包括：（1）从时间方面看，计算成本很高；（2）噪声强度变化可能会导致出现漏洞等问题；（3）可能无法区分真实图像的阴影。

3.4.2　区域分裂与合并算法

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，进而完成目标提取工作。分裂与合并差不多是区域生长的逆过程，即从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，完成目标提取工作。因此，如果把一幅图像分裂到像素级别，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加以合并就可得到前景目标。

在这类算法中，最常用的方法是四叉树分解法。设R代表整个正方形图像区域，P代表逻辑谓词。基本的分裂与合并算法的步骤如下：

（1）对任何一个区域，如果H（Ri）=FALSE就将其分裂成不重叠的4等份。

（2）对相邻的两个区域Ri和Rj，它们可以大小不同（即不在同一层）；如果条件H（Ri∪Rj）=TRUE满足，就将它们合并起来。

（3）如果进一步的分裂与合并都不可能，则结束上述步骤。

分裂与合并法的关键是分裂与合并准则的设计。这种方法对复杂图像的分割效果较好；但缺点是算法较复杂，计算量大，甚至可能会破坏区域的边界（指分裂）。