唐湘成，黄自力，霍建亮，肖 柯，刘 怡

（西南技术物理研究所，四川 成都 610041）

基于弱小边缘剔除的区域增长改进算法

唐湘成，黄自力，霍建亮，肖 柯，刘 怡

（西南技术物理研究所，四川 成都 610041）

提出了一种基于弱小边缘剔除的区域增长改进算法。该算法引入了两幅图像主要结构相似度判别公式，在图像预处理时，剔除了同一目标中的细小纹理和弱小边缘，保留了图像中目标主要结构。仿真实验表明，该算法能够避免在区域增长算法目标分割时，同一个目标被分割为多个小区域的情况，提高了目标分割和提取的准确性。

区域增长；弱小边缘剔除；图像分割

图像分割是进行目标识别和图像理解的基础，也是计算机视觉技术中的重要步骤，一直以来得到广大研究人员的普遍关注与研究[1]。图像分割就是把图像分割为灰度相似的各个区域，并提取出感兴趣目标的技术和过程。随着图像处理技术的发展，很多图像分割的算法被提出，但没有一种算法能够解决所有的图像分割问题。一般来说，图像分割算法主要分为3类：阈值分割、边缘检测、区域提取。本文主要采用区域增长算法对图像进行分割。

区域增长的基本思想是将具有相似性质的像素合并起来形成区域。该算法需要先选择种子点，然后在种子点周围的像素中，按照生长准则进行像素合并，形成灰度相似、像素相邻的空间区域。区域内像素的相似性度量常用灰度值、颜色等信息。图像处理过程主要步骤为：图像预处理、生长种子点的确定和区域增长的形成[2]。但是区域增长算法存在增长阈值不好确定、易受到噪声影响和过分割等问题。文献[3]利用图像直方图局部峰值作为区域生长算法的种子点。文献[4]利用Canny边缘提取对图像进行预处理。文献[5]引入模糊C-均值聚类方法，选取区域增长算法的种子点。文献[6]对区域增长后的区域进行区域合并和平滑图像分割的效果。

1 区域增长算法

1.1 图像预处理

区域增长算法的图像预处理过程主要有：

1）图像平滑处理。由于区域增长算法主要根据图像区域相邻像素灰度值的相似性进行分割，但是受到图像噪声的影响，间断了目标灰度相似性，造成了图像过分割。因此，分割之前需要对图像进行降噪处理，它常用均值滤波器或者高斯低通滤波器，也有使用自适应滤波器。对于滤波窗口N×N内的像素，判断每个像素值是否在窗口内的灰度均值 μ和3倍方差σ的范围内，即[μ-3×σ,μ+3×σ]，滤波时只选用该范围内的像素值进行计算。

2）边缘提取。它常用Canny算法进行边缘提取，叠加到原图中，对图像边缘进行增强，防止图像欠分割。

1.2 区域增长算法介绍

首先，选择合适的种子点。常用的方法有从图像的第一个像素开始按行扫描，根据当前像素点标记情况，如果标记，则处理下一个点，否则作为种子点；或者选取图像直方图中的局部极值点作为种子点。

然后，确定生长准则。这里选用于区域灰度差的生长准则，即两个像素的灰度差满足

式中：f（i，j）为种子点灰度值；f（x+i，y+j）为当前处理点灰度值；ε为区域生长的灰度相似阈值。把当前点加入分割区域中，同时将该点标记为已处理。该点作为新的种子点，依据同样规则，在邻域点内判断，直到分割区域的所有点与周围邻域点不满足式（1）。

最后，对相邻分割区域，根据区域的平均灰度值和分割面积进行区域合并，防止图像过分割。

2 改进区域增长算法

传统的图像预处理算法中均值滤波或者低通滤波去除的不仅仅为弱小边缘，对图像强边缘也有影响，而且根据图像不同，滤波参数也会不同。针对上述问题，引入文献[7]提出的，两幅图像主要边缘纹理相似度评价模型进行判断

式中：I为输入图像；S为输出结果图像；p为图像的通道个数，彩色图像为3，灰度图像为1；(Sp-Ip)2为某通道下，处理后图像与原始图像的灰度差。

式中：g为高斯滤波函数；(∂xS)q和(∂yS)q为图像两个方向的梯度图像；ε为大于0且很小的数，防止除0；λ为一个固定的系数。

用式（7）来衡量图像弱小边缘，当值越小时图像边缘越少[7]。

式中：

式中：vI，vS为图像向量表示的形式；Cx，Cy为托普利兹矩阵；Ux，Uy，Wx为对角矩阵。式（11）的最小化问题可以转化为线性迭代公式

式中：I为单位矩阵。设

这样迭代计算，剔除了图像的弱小边缘，再进行区域增长计算，避免同一个目标分割为多个细小区域。

3 实验结果

3.1 图像预处理结果

仿真结果在CPU为Intel Celeron 887，主频为1.5 GHz，软件为MATLAB 2012a版本上实现。在高斯函数参数σ=3，λ=0.015，迭代次数N=4下，高斯滤波预处理和本文中预处理结果对比如图1和图2所示。

图1 图像1预处理结果对比图

图2 图像2预处理结果对比图

从仿真结果看，使用相同的高斯参数情况下，高斯滤波后，存在弱小边缘纹理，并且图像主要边缘也变模糊，而本文预处理算法图像弱小边缘纹理被剔除，主要边缘保留完整，但比高斯滤波处理时间（表1）大大增加。

表1 仿真结果对比

3.2 局部区域图像分割结果对比

由于区域生长分割算法为在感兴趣区域设置区域生长种子点，然后进行分割。这里选取了常用的分割算法基于无边缘活动轮廓的分割[8]（图3）、Graph分割[9]（此处列举了如图4所示的最邻近算法和如图5所示的KNN算法）、Graph Cuts分割[10]（图6）和高斯预处理后的区域生长算法（图7），针对示例图像1和示例图像2两幅示例图像同本文算法（图8）进行比较。为了对比不同预处理对区域增长算法的影响，选用了几个区域，并且以区域中心为种子点，增长准则为灰度差阈值15。

图3 无边缘活动轮廓的分割结果

图4 Graph分割（采用最邻近方法）结果

图5 Graph分割（采用KNN方法）结果

图6 Graph Cuts分割结果

图7 高斯预处理后的区域生长算法

图8 本文改进的区域增长算法

表2为不同分割算法的对比结果，Graph分割（采用最邻近方法）和Graph分割（采用KNN方法）受到干扰，目标存在过分割现象，提取不准确，基于无边缘活动轮廓的分割和Graph Cuts分割算法有一定的抗干扰性，对示例图1目标提取比较准确，但是示例图2干扰增强，提取目标受到干扰。使用相同的区域增长参数情况下，高斯滤波后，区域增长结果受到弱小边缘影响，分割不完整，并且主要边缘变模糊，可能会增加错误区域。本文预处理后，弱小边缘剔除完整，并且不会使主要边缘模糊，区域增长分割准确。由于区域增长运算时间与图像区域灰度有关，这两种预处理方式的区域增长运算时间相似。

表2 不同分割算法结果对比

[1]边肇祺．模式识别[M]．北京：清华大学出版社，1988.

[2]刘军，齐华.基于边缘区域增长法的飞机图像目标分割研究[J].飞行力学，2008，26（4）：93-96.

[3] 柳佳雯，梁光明.融合色调统计特征的自适应区域增长算法[J].计算机应用研究，2012，29（8）：3176-3178.

[4] 马建林，崔志明.一种新的基于区域增长的ROI分割算法[J].计算机应用研究，2008，25（5）：1582-1585.

[5]吴涛，毕笃彦.一种基于改进遗传算法的自适应区域生长法研究[J].微电子学与计算机，2008，25（4）：90-93.

[6] 李亮，舒宁.基于改进的区域增长算法的高分辨率影像分割[J].地理空间信息，2010，8（5）：67-69.

[7] LI Xu，QIONG Yan.Structure extraction from texture via relative total variation[J].ACM Trans.Graphics，2012，31（6）：139-149.

[8] TONY F.Active contours without edges[J].IEEE Trans.Image Processing，2001，10（2）：266-277.

[9] PEDRO F.Effcient graph-based image segmentation[J].Interna⁃tional Journal of Computer Vision，2004，59（2）：167-181.

[10]YURI B，OLGA V，RAMIN Z.Fast approximate energy minimiza⁃tion via graph cuts[J].IEEE Trans.Pattern Analysis and Ma⁃chine Intelligence，2001，23（11）：1222-1238.■

Improved Algorithm of Region Growing Based on Weak Edge Reject

TANG Xiangcheng，HUANG Zili，HUO Jianliang，XIAO Ke，LIU Yi
（Southwest Institude of Technical Physics，Chengdu 610041，China）

An improved algorithm of region growing based on weak edge reject is proposed in this paper，which introduces the discriminant formula of similarity about main structure between two images.On the image-processing stage，the small texture and weak edge of the same goal are rejected while the main structure remains there.It is indicated from the simulation experiment that the algorithm has the capability to avoid the possibility that the same goal is divided into several small regions when the goal segmentation through the traditional region-growing algorithm is conducted，thus the veracity of segmentation and extraction can be further enhanced.

region growing；weak edge reject；image segmentation

TP391.41 文献标志码：A DOI：10.16280/j.videoe.2015.06.005

【本文献信息】唐湘成，黄自力，霍建亮，等.基于弱小边缘剔除的区域增长改进算法[J].电视技术，2015，39（6）.

时 雯

2014-07-24