19 区域生长用于图像分割（matlab程序）-Toy模板网

这篇具有很好参考价值的文章主要介绍了19 区域生长用于图像分割（matlab程序）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1.简述

区域生长法
区域生长的基本思想是将具有相似性质的像素集中起来构建成分割区域。以一组种子点开始，将与种子性质相似(如灰度级)的领域像素附加到生长区域的每个种子上

算法步骤
a.随机选取图像中的一个像素作为种子像素，并将其表示出来

b.检索种子附近的未被标记的像素点，如果他们的差值在所规定的阈值内（阈值需要根据不同的情况进行设置），则合并到分割区域中

c.重复b步骤，直到区域停止扩张，并在此时再次随机选择非选定区域的一个像素做为种子像素

d.重复上述步骤，直到图像中的每个像素均被分配到不同的区域中

种子产生的方法

根据所解决问题的性质选择一个或多个起点
若无先验信息，则对每个像素计算相同的特性集，特性集在生长过程中用于将像素归属于某个区域
若这些计算的结果呈现了不同簇的值，则簇中心附近的像素可以作为种子
终止规则

若没有像素满足加入到某个区域的条件时，则区域停止生长，终止规则的制定需要先验知识或先验模型。

相似度准则

灰度级类似准则
纹理类似准则
颜色类似准则

区域分裂与合并
区域分裂与合并算法的基本思路类似于微分，即无穷分割，然后将分割后满足相似度准则的区域进行合并。

阈值分割
阈值分割主要运用于灰度图像的分割。如果一张灰度图中目标和背景之间的灰度值有差异，则可以通过阈值分割的方法把图中的目标和背景分开。如果只选取一个阈值的分割被称为单阈值分割，会将图像分割成目标和背景两部分；如果选取多个阈值的分割被称为多阈值分割，会将图形分割成多个区域。

区域合并
区域合并可以看做区域生长的逆向过程，从整个图像出发，不断分割出子区域

实现区域生长法

对图像进行分割，得到脑部的单独图像。

2.代码

clear all
clc

I = imread('11.tif');
[m,n,l]=size(I);
if l==3
I=rgb2gray(I);
end
figure(1),
imshow(I,[])
title('初始图像');
figure(2),
imhist(I)
title('初始图像的直方图');
T=30; %可以修改的阈值
f=double(I);
[m,n]=size(I);
shed1=zeros(3,round(m*n/2)); %存储区域生长方向上的点和该区域的均值的绝对差值和该点的坐标
sp1=0; % sp1 相当于指针，指向 shed1 中的最后放入的值和坐标
shed2=zeros(2,m); %存储符合生长条件的点的坐标
sp2=0; % sp2 指针，指向 shed2 中的最后放入点的坐标
Cut=ones(size(f))*260; % Cut 为区域生长后的新图像
hmin=min(min(f));
hmax=max(max(f));

h1 = waitbar(0,'Please wait...');
for q=hmin:hmax
for i=1:m
for j=1:n
if (f(i,j)==q&Cut(i,j)==260) %确定该点满足作为种子的条件，且未并入已% 有生长区域
% Cut(i,j)=259; % 259 时，标记该点在原图像的对应点已并入生长区域
ave=f(i,j); %确定新区域的均值的起始值
k=1; %设置生成的区域的象素个数
[Cut,shed1,sp1]=ruzhan(f,Cut,shed1,sp1,ave,i,j,m,n); %把周围的 8 个点入%栈
[shed1,sp1]=arrange(shed1,sp1); %对栈 shed1 的数据进行由大到小的排序
[shed1,sp1,shed2,sp2]=listed(shed1,sp1,T,shed2,sp2); %% 确定符合条件的生%%长点，将它从 shed1 中取出，并放入 shed2 中
end
% 根据生长点开始用 8 连通方式进行生长
while (sp2~=0) %当 sp2=0 时表示找不到符合的点，
% if (sp2~=0) %当有新的值加入区域时，求新的平均值
sum=ave*k;
for t=1:sp2
x=shed2(1,t); y=shed2(2,t);
sum=sum+f(x,y);
k=k+1;
end
ave=sum/k;%%%%合并后的区域的均值

for t=1:sp2 %合并栈 shed2 中的点，生成新的区域
x=shed2(1,t); y=shed2(2,t);
Cut(x,y)=q;
[Cut,shed1,sp1]=ruzhan(f,Cut,shed1,sp1,ave,x,y,m,n);
end
sp2=0;
[shed1,sp1]=arrange(shed1,sp1);
[shed1,sp1,shed2,sp2]=listed(shed1,sp1,T,shed2,sp2);
end
% 在一片区域生成之后，对栈 shed1(1,:)中未并入区域的值进行处理
if (sp1~=0)
for t=1:sp1
x=shed1(2,t); y=shed1(3,t);
Cut(x,y)=260;
end
sp1=0;
shed1=zeros(3,round(m*n/2));
shed2=zeros(2,m);
end
end
end

waitbar(q/(hmax-1))
end
max(max(Cut))

Cut=uint8(Cut);

imshow(Cut)

BW2 = edge(Cut,'sobel',0.000000000000001);

figure(22), imshow(BW2)
%% Cut为区域生长之后的图像
%% 将Cut中的区域的个数放在Cut1中，查看区域生长之后区域的个数和分布
clear k
Cut1=zeros(m,n);
Cut2=zeros(m,n);
Cut2=im2bw(Cut2);
k=1;
a=min(min(Cut));
b=max(max(Cut));
a=double(a);
b=double(b);
for i=a:b
II=find(Cut==i);
if length(II)~=0
Cut2(II)=1;
[L,num]=bwlabel(Cut2,8);
for j=1:num
III=find(L==j);
Cut1(III)=k;
k=k+1;
end
Cut2(II)=0;
end
end
a1=max(max(Cut1))
a2=min(min(Cut1))

%% 将Cut1中的区域进行合并，将合并之后的区域放在Z4中

a1=double(a1);
f=I;
f=double(f);
Z1=Cut1;
Z2=Z1;
Z3=Z1;
[m,n]=size(Z1);
for i=1:a1

[L,H]=find(Z1==i);
if length(L)<=200%若区域太小，则合并
j=1;
for i1=1:length(L)
if (L(i1)-1>0)&(H(i1)-1>0)
if Z1(L(i1)-1,H(i1)-1)~=i
zhan(1,j)=Z1(L(i1)-1,H(i1)-1);
j=j+1;
end
end
if L(i1)-1>0
if Z1(L(i1)-1,H(i1))~=i
zhan(1,j)=Z1(L(i1)-1,H(i1));
j=j+1;
end
end
if (L(i1)-1>0)&(H(i1)+1<=n)
if Z1(L(i1)-1,H(i1)+1)~=i
zhan(1,j)=Z1(L(i1)-1,H(i1)+1);
j=j+1;
end
end
if (H(i1)-1>0)
if Z1(L(i1),H(i1)-1)~=i
zhan(1,j)=Z1(L(i1),H(i1)-1);
j=j+1;
end
end
if (H(i1)+1<=n)
if Z1(L(i1),H(i1)+1)~=i
zhan(1,j)=Z1(L(i1),H(i1)+1);
j=j+1;
end
end
if (H(i1)+1<=n&L(i1)+1<=m)
if Z1(L(i1)+1,H(i1)+1)~=i
zhan(1,j)=Z1(L(i1)+1,H(i1)+1);
j=j+1;
end
end
if (L(i1)+1<=m)
if Z1(L(i1)+1,H(i1))~=i
zhan(1,j)=Z1(L(i1)+1,H(i1));
j=j+1;
end
end
if (L(i1)+1<=m&H(i1)-1>0)
if Z1(L(i1)+1,H(i1)-1)~=i
zhan(1,j)=Z1(L(i1)+1,H(i1)-1);
j=j+1;
end
end
end %%%%%%%%%%%%%%将和这些点相连的那些点放入矩阵zhan中
if ~isempty(zhan)
y(1,1)=zhan(1,1);
j1=2;
for i3=2:length(zhan)
for i4=1:length(y)
if zhan(1,i3)~=y(1,i4)
k=1;
break
else
k=0;
end
end
if k==1
y(1,j1)=zhan(1,i3);
j1=j1+1;
end
end
end

%% 以上将zhan里面的元素不同的元素放在y矩阵中
%% 以下将当前区域合并到与之相邻的区域中，规则为平均灰度值最接近,合并后的矩阵为Z2；
if length(y)==1
for i5=1:length(L)
Z2(L(i5),H(i5))=y(1,1);
end
else
s1=0;
for i6=1:length(L)
s1=s1+f(L(i6),H(i6)); %%为要处理的像素的总灰度值
end
s=0;
II=find(Z1==y(1,1));
for i7=1:length(II)
s=s+f(II(i7)); %%%为第一个总灰度值
end
cha=abs(s-s1);
log=y(1,1);
for i8=2:length(y)
II=find(Z1==y(1,i8));
s2=0;
for i9=1:length(II)
s2=s2+f(II(i9));
end
cha1=abs(s1-s2);
if cha1<cha
cha=cha1;
log=y(1,i8);
end
end
for i10=1:length(L)
Z2(L(i10),H(i10))=log; %%合成之后的为Z2矩阵
end
end
end
Z1=Z2;
zhan=[];
y=[];
k=0;
end
Z4=zeros(m,n);
k=1;
m1=min(min(Z1));
m2=max(max(Z1));
for i11=m1:m2
II=find(Z1==i11);
if ~isempty(II)
Z4(II)=k;
k=k+1;
end
end

max(max(Z4)) %%分成的区域的个数
min(min(Z4))
%%%%a1为Cut中的区域个数

BW2 = edge(Z4,'sobel',0.000000000000001);
figure(30),imshow(BW2);

Lrgb = label2rgb(Z4);
figure(33), imshow(Lrgb), title('Lrgb')
imwrite(Lrgb,'C:\Documents and Settings\Administrator\桌面\lena30_200.tif')
III=find(BW2==1);
I(III)=255;
figure(32),imshow(I)
imwrite(I,'C:\Documents and Settings\Administrator\桌面\lena_I.tif')
im2=xiaos_ipolartrans(Z4, 256, 256, 128, 128,'log','valid');
figure(44),imshow(im2,[])
X44=mat2gray(im2)
imwrite(X44,'C:\Documents and Settings\Administrator\桌面\lena_huanyuan.tif')

3.运行结果

19 区域生长用于图像分割（matlab程序）,matlab,人工智能,算法,图像处理,计算机视觉,深度学习,学习