【正文】 先驗(yàn)條件無效時，需要對圖像的所有像素或者區(qū)域進(jìn)行相同特性的計(jì)算。如果計(jì)算結(jié)果形成了不同組的值，則那些自身性質(zhì)接近組中心的像素或者區(qū)域就可以作為種子。而我們把基于像素的區(qū)域生長方法推廣到了以區(qū)域?yàn)閱挝簧厦妗? 區(qū)域生長的準(zhǔn)則不僅和問題的性質(zhì)有關(guān)，還和圖像自身數(shù)據(jù)有直接聯(lián)系。特別是在處理彩色圖像時，如果自身沒有固定的可用信息，可能就無法進(jìn)行生長。對于灰度或者顏色單一的圖像，則必須考慮圖像的灰度級和它的空間信息特征，以及其鄰域的特性，否則會出現(xiàn)無任何意義的分割結(jié)果。 在一般情況下，沒有像素和區(qū)域滿足生長條件時，區(qū)域生長就可以停止了。但如顏色，灰度，紋理等特征都是局部信息，一般都沒有考慮到生長過程。為了提高區(qū)域生長的能力，可以加入像素或區(qū)域的相似性，大小，形狀等描繪算子概念。這些描繪算子是以能得到部分預(yù)期有效結(jié)果為基礎(chǔ)的。區(qū)域生長算法中，種子的選取非常重要，在本文中的算法中種子的選取有三個原則：(1) 種子的鄰域像素不是任何尺度的邊緣像素點(diǎn)。(2) 種子與其鄰域像素有高度的顏色相似性，通過顏色距離并選擇合適的閾值判斷。(3) 種子與其鄰域像素有高度的紋理相似性，通過紋理距離并選擇合適的閾值判斷。假如一個像素點(diǎn)滿足上述三個條件即可最為種子像素點(diǎn)，由此可知種子的選取選擇在邊緣圍起的區(qū)域內(nèi)，使得種子區(qū)域生長更為合理，從而能是最終的分割效果更為準(zhǔn)確。如圖34所示種子選取效果：圖34　種子選取效果圖區(qū)域生長中選用像素間顏色和紋理的相對歐氏距離作為相似度函數(shù)，其相似度表達(dá)式為 () ()式中Dc和Dt分別為相對顏色距離和相對紋理距離，在區(qū)域生長過程中，判定閾值不應(yīng)選地太大，否則容易產(chǎn)生過分割。區(qū)域生長之后，會產(chǎn)生多個區(qū)域，將這些區(qū)域中屬于同一區(qū)域的進(jìn)行區(qū)域合并，把像素之間特征相對距離變成兩個區(qū)域平均特征的相對距離判定就可。如圖35所示為區(qū)域生長和區(qū)域合并的效果圖。 (a)區(qū)域生長 (b)區(qū)域合并圖35　區(qū)域生長和區(qū)域合并效果圖第4章．實(shí)驗(yàn)結(jié)果與分析在實(shí)驗(yàn)中選取Berkeley圖像庫中的彩色圖像，像素分辨率為321*481。因?yàn)槊糠N算法分割出的區(qū)域不一致，采用人工涂色往往會造成不同算法的同一區(qū)域顯示不一樣的顏色，為了更好對比分割后的效果，在分割的區(qū)域內(nèi)使用該區(qū)域內(nèi)像素的平均值涂色。將原圖像進(jìn)行保持邊緣信息的自適應(yīng)濾波，將濾波后的圖像進(jìn)行Sobel邊緣檢測，因?yàn)槠淦揭撇蛔冃?，在變換域求得多尺度邊緣和融合的紋理特征，在區(qū)域生長和合并中。由于本文的算法是以顏色和紋理特征計(jì)算像素與種子，區(qū)域與區(qū)域之間的相對距離，并且種子的選取遠(yuǎn)離邊緣。如圖41所示的分割效果看，本文的算法是有效和準(zhǔn)確的。同時如圖42提取指定目標(biāo)的輪廓與區(qū)域，這樣為彩色圖像的目標(biāo)匹配，跟蹤與識別奠定了不錯的基礎(chǔ)。本文闡述了一種基于Sobel算子提取邊緣和紋理特征，結(jié)合了區(qū)域生長和區(qū)域合并的方法實(shí)現(xiàn)了彩色圖像的分割，而且能準(zhǔn)確提取目標(biāo)的輪廓與區(qū)域，為機(jī)器視覺中的目標(biāo)匹配、跟蹤和識別打下了很好的基礎(chǔ)。在實(shí)驗(yàn)中采用Berkeley圖像庫中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法具有很好的效果。 (a)原圖像 (b)分割結(jié)果 (c) 原圖像 (d) 分割結(jié)果 (e) 原圖像 (f) 分割結(jié)果 (g) 原圖像 (h) 分割結(jié)果 （i）原圖像 （j）分割結(jié)果 （k）原圖像 （l）分割圖像圖41　圖像分割效果圖第5章 總結(jié)和展望圖像處理在現(xiàn)代生活中的應(yīng)用非常廣泛，其中數(shù)字圖像處理技術(shù)已經(jīng)深入各個領(lǐng)域。圖像分割是數(shù)字圖像處理技術(shù)中的關(guān)鍵,同時也是一道經(jīng)典的難題。一直以來各種圖像分割技術(shù)都是針對灰色圖像的，但隨著彩色圖像應(yīng)用的海量增加以及計(jì)算機(jī)處理能力的提高，針對彩色圖像的分割方法也越來越受到關(guān)注。雖然彩色圖像分割是灰色圖像分割的延伸，但是適用于灰色圖像分割的方法并不能直接應(yīng)用于彩色圖像分割。人們對灰度圖像分割方法進(jìn)行研究和改進(jìn)，提出了適合彩色圖像分割的方法，并具有更好的通用性，這也是圖像分割研究人員的目標(biāo)。本文論述了彩色圖像分割的目前方法，并提出了一種基于結(jié)合邊緣提取、區(qū)域生長和合并方法的分割算法，并能準(zhǔn)確提取目標(biāo)圖像的輪廓與區(qū)域，為機(jī)器視覺中的目標(biāo)匹配、跟蹤與識別打下良好的基礎(chǔ)。在試驗(yàn)中選用Sobel算子圖像庫中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法實(shí)現(xiàn)分割的效果良好，論證了本文算法的有效性和準(zhǔn)確性。同時本文算法還存在需要進(jìn)一步研究和改進(jìn)的地方。（1） 種子區(qū)的選取具有有局限性，不易選取。（2） 在區(qū)域生長合并當(dāng)中采用的閾值大部分為全局閾值，在以后的研究應(yīng)考慮用局部閾值。（3） HSV顏色空間自身的局限性。致 謝在西安郵電大學(xué)上學(xué)的四年里，無論是理論水平，還是實(shí)踐水平，以及個人能力都得到了極大程度的提高。這些提高都對我以后的生活和工作都有很大的幫助，同時我的進(jìn)步也離不開學(xué)校的栽培，老師的指導(dǎo)和同學(xué)的幫助。首先我們應(yīng)該感謝西安郵電大學(xué)給我們提供了良好的學(xué)習(xí)環(huán)境和學(xué)習(xí)氛圍，特別是電工院的所有領(lǐng)導(dǎo)和老師多年來對我們的培養(yǎng)；其次要感謝我們的導(dǎo)師許靜，本文是在我的導(dǎo)師許靜講師的悉心指導(dǎo)下完成的。從論文的選題、研究思路的確定、論文的撰寫直到論文修改的整個過程中，許老師傾注了大量的心血和精力。再次在幾年的學(xué)習(xí)生活中，感謝各位老師給予我的關(guān)心、指導(dǎo)和培養(yǎng)。他們?yōu)槿藥煴?，學(xué)識淵博，學(xué)術(shù)作風(fēng)相當(dāng)嚴(yán)謹(jǐn)，給我們樹立了一個好榜樣，每當(dāng)遇到困難時，他們都給我極大的幫助，幫我解決實(shí)際的困難。在我的學(xué)習(xí)生活即將結(jié)束之際，特地向我的導(dǎo)師表達(dá)衷心的感謝和崇高的敬意。還要感謝科技08級的同學(xué)們，他們對我的學(xué)習(xí)和生活給予了很大的支持。所有這些人都激勵著我不斷前進(jìn)，迎接挑戰(zhàn)。最后感謝各位專家和評委的耐心審閱，他們提出了許多寶貴的建議。參考文獻(xiàn)[1]曾璐. 彩色圖像分割技術(shù)研究[D].武漢：.[2]Gonzalez R C,Wood R Image Processing,[M]..[3][M].北京：科學(xué)出版社，2001.[4]Brink A B. Gray level thresholding of Images using a correlation criterion[J].Pattern Recognition Letters,1989,9:335341.[5]Mardia K V and Hainsworth T spatial thresholding method for Image segmentation. IEEE Trans[J]. Pattern Analysis and Machine Interlligence,1988,10(6):919927.[6]劉文萍，[J].模式識別與人工智能,1997,9(3):271277.[7]Bomana M, Hohne K H, Tiede U, and Rieme Segmentation of MR Images of the head for 3D display. IEEE Trans[J]. On Medical imaging,1990,9:177183 .[8][J].計(jì)算機(jī)工程與應(yīng)用,（1）：8283.[9]Bergholm F. Edge focusing. IEEE Trans[J]. Pattern analysis and Machine Intelligence,1987,9(9):726741.[10]Frank Y,Shih,Shouxian seeded region growing for color image segmentation[J]. Image and Vision (23):877886.[11]李慶忠,石巍,[J].計(jì)算機(jī)工程與應(yīng)用,（14）:7678.[12]T. Zhang, R. Ramakrishnan, M. Livny. BIRCH: An Efficient Data Clustering Method for very Large Databases[C]. In Proceedings of the 1996 ACM SIGMOD International Conference on Management of Data, Montreal, Canada,1996:103114.[13]JR Adams,L region growing[J].IEEE Transactions on Panttern Analysis and Maehine ,16(6)