科技信息
２００８
年 第
１５
期
ＳＣＩＥＮＣＥ ＆ ＴＥＣＨＮＯＬＯＧＹ ＩＮＦＯＲＭＡＴＩＯＮ
一
、
图像分割简介
图像分割
（
ｉｍａｇｅ ｓｅｇｍｅｎｔａｔｉｏｎ
）
是一种重要的图像技术
，
它不仅得
到人们的广泛重视和研究
，
在实际中也得到大量的应用
。
图像分割包
括目标轮廓
、
阈值化
、
图像区分或求差
、
目标检测
、
目标识别
、
目标跟踪
等技术
。
图像分割就是把图像分成各具特征的区域并提取出感兴趣目标
的技术和过程
。
这里特征可以是象素的灰度
、
颜色
、
纹理等
，
预先定义
的目标可以对应单个区域也可以对应多个区域
。
图像分割是图像处理
到图像分析的关键步骤
，
在图像工程中占据重要的位置
。
一方面
，
它是
目标表达的基础
，
对特征测量有重要的影响
。
另一方面
，
因为图像分割
及其基于分割的目标表达
、
特征提取和参数测量等将原始图像转化为
更抽象更紧凑的形式
，
使得更高层的图像分析和理解成为可能
。
二
、
图像分割定义
借助集合概念对图像分割给出如下较正式的定义
：
令集合
Ｒ
代表整个图像区域
，
对
Ｒ
的分割可看做将
Ｒ
分成
Ｎ
个
满足以下五个条件的非空子集
（
子区域
）
Ｒ
１
，
Ｒ
３
， …，
Ｒ
Ｎ
：
①
Ｎ
ｉ ＝ １
!
Ｒ
ｉ
＝Ｒ
；
②
对所有的
ｉ
和
ｊ
，
ｉ≠ｊ
，
有
Ｒ
ｉ
∩Ｒ
ｊ
≠
○
；
③
对
ｉ＝１，２，
…
，Ｎ
，
有
Ｐ（Ｒ
ｉ
）＝ＴＲＵＥ
；
④
对
ｉ≠ｊ
，
有
Ｐ（Ｒ
ｉ
∪Ｒ
ｊ
）＝ＦＡＬＳＥ
；
⑤
对
ｉ＝１，２，
…
，Ｎ
，
Ｒ
ｉ
是连接的区域
。
其中
Ｐ（Ｒ
ｉ
）
对所有在集合
Ｒ
ｉ
中元素的逻辑谓词
，
○
代表空集
。
三
、
图像分割方法及串行区域分割技术简述
多年来的研究使得人们对图像分割产生了高度的重视
，
并且已经
提出了上千种分割算法
，
将算法分类就是把一个集合分成若干子集
，
这与分割本身有一定相似性
，
因此参考分割定义
，
每个算法都能被分
成一类
，
各类总和包括所有算法
，
同类中算法有相同性质
，
不同类算法
有某些不同性质
。
参照这些条件进行分类
。
拿一幅普通的人物照片来举例
，
相邻象素在象素值方面有两个性
质
：
不连续性和相似性
（
区域内的象素都具有相似性
，
如人的额头和面
颊的象素
，
而区域边界一般具有某种不连续性
，
如耳朵的边缘和紧连
着耳朵的背景上的象素
） 。
另外由于分割过程的处理方法不同
，
算法又可分为串行和并行的
（
串行算法早期的结果被后来的计算所利用
，
时间较长
，
但抗噪声能力
强
，
并行算法所有的判断和决定都可独立
、
同时地完成
，
所需时 间较
短
） 。
综于以上两种分类
，
图像分割的算法可归入四大类
串行区域分割技术指采用串行处理的策略通过对目标区域的直
接检测来实现图像分割的技术
，
它的特点是将整个处理过程分解为顺
序的多个步骤逐次进行
，
对后继步骤的处理要对前面已完成步骤的处
理结果进行判断而确定
。
这里的判定要根据一定的准则
，
一般来说如
果准则是基于图像灰度特性的
，
则这个方法可以用于灰度图像分割
。
基于区域的串行分割技术有两种基本的形式
，
一是从单个象素出
发
，
渐渐合并以形成所需的分割区域
，
二是从整个图出发
，
分裂切割至
所需要的分割区域
，
第一种方法的典型技术就是区域生长法
。
四
、
区域生长的原理
区域生长的基本思想是将具有相似性质的象素集合起来构成区
域
。
首先对每个需要分割的区域找出一个种子象素作为生长的起点
，
然后将种子象素周围邻域中与种子有相同或相似性质的象素
（
根据事
先确定的生长或相似准则来确定
）
合并到种子象素所在的区域中
。
而
新的象素继续做种子向四周生长
，
直到再没有满足条件的象素可以包
括进来
，
一个区域就生长而成了
。
现在给出一个区域生长的示例
。
给出已知矩阵
Ａ
：
１ ０ ４ ７ ５
１ ０ ４ ７ ７
０ １ ５ ５ ５
２ ０ ５ ６ ５
２ ２ ５ ６
&
’
’
’
’
’
’
’
’
’
’
’
(
)
*
*
*
*
*
*
*
*
*
*
*
+
４
，
大写的
５
为种子
，
从种子 开始向 周围每 个象
素的值与种子值取灰度差的绝对值
，
当绝对值少于某个门限
Ｔ
时
，
该
象素便生长成为新的种子
，
而且向周围每个象素进行生长
；
如果取门
限
Ｔ＝１
，
则区域生长的结果为
：
１ ０ ５ ７ ５
１ ０ ５ ７ ７
０ １ ５ ５ ５
２ ０ ５ ５ ５
２ ２ ５ ５
,
-
-
-
-
-
-
-
-
-
-
-
(
)
*
*
*
*
*
*
*
*
*
*
*
+
５
，
可见种子周围的灰
度值为
４
、
５
、
６
的象素都被很好地包进了生长区域之中
，
而到了边界处
灰度值为
０
、
１
、
２
、
７
的象素都成为了边界
，
右上角的
５
虽然也可以成为
种子
，
但由于它周围的象素不含有一个种子
，
因此它也位于生长区域
之外
；
现在取门限
Ｔ＝３
，
新的区域生长结果为
：
１ ０ ５ ５ ５
１ ０ ５ ５ ５
０ １ ５ ５ ５
２ ０ ５ ５ ５
２ ２ ５ ５
&
-
-
-
-
-
-
-
-
-
-
-
(
)
*
*
*
*
*
*
*
*
*
*
*
+
５
，
这次
整个右边都成了一个区域
，
这次的分割效果较好
；
现在取门限
Ｔ＝６
，
生
长结果为
：
５ ５ ５ ５ ５
５ ５ ５ ５ ５
５ ５ ５ ５ ５
５ ５ ５ ５ ５
５ ５ ５ ５
&
-
-
-
-
-
-
-
-
-
-
-
(
)
*
*
*
*
*
*
*
*
*
*
*
+
５
，
整个矩阵都被分到一个区域中了
。
由此
可见门限选取是很重要的
。
在实际应用区域生长法时需要解决三个问题
：
１．
选择或确定一组能正确代表所需区域的种子象素
（
选取种子
） ；
２．
确定在生长过程中能将相邻象素包括进来的准则
（
确定门限
） ；
３．
确定让生长过程停止的条件或规则
（
停止条件
）
利用迭代的方法从大到小收缩是一种典型的方法
，
它不仅对
２－ Ｄ
图像而且对
３－ Ｄ
图像也适用
。
一般情况下可以选取图像中亮度最大
的象素作为种子
，
或者借助生长所用准责对每个象素进行相应的计
算
，
如果计算结果呈现聚类的情况则接近聚类重心的象素可以作为种
子象素
。
上面的例子
，
分析它的直方图可知灰度值为
１
和
５
的象素最
多且处于聚类的中心
，
所以可各选一个具有聚类中心灰度值的象素作
为种子
。
生长准则的选取不仅依赖于具体问题本身
，
也和所用图像数据种
类有关
，
如彩色图和灰度图
。
一般的生长过程在进行到再没有满足生
长条件的象素时停止
，
为增加区域生长的能力常需考虑一些与尺寸
、
形状等图像和目标的全局性质有关的准则
。
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
基于区域生长法的图像分割技术
陈方昕
（
广东科贸学院 广东 广州
５１０６４０）
【
摘 要
】
图像分割是图像处理领域的重要技术
，
本文介绍了图像分割的定义
、
基本算法
，
详细阐述了区域生长的原理并进行了相关的实
验
，
并对基于区域灰度差的生长准则和基于灰度形状的生长准则进行了分析
。
【
关键词
】
图像分割
；
区域生长
；
生长准则
；
灰度形状
；
灰度差
分 类 边界
（
不连续性
）
区域
（
相似性
）
并行处理 并行边界类技术
ＰＢ
并行区域类技术
ＰＲ
串行处理 串行边界类技术
ＳＢ
串行区域类技术
ＳＲ
○ＩＴ
技术论坛
○
５８
