機(jī)器視覺第四章

第四章區(qū)域分析

圖像中的區(qū)域是指相互連結(jié)的具有相似特性的一組像素。由于區(qū)域可能對(duì)應(yīng)場(chǎng)景中的物體，因此，區(qū)域的檢測(cè)對(duì)于圖像解釋十分重要。一幅圖像可能包含若干個(gè)物體，而每一個(gè)物體又可能包含對(duì)應(yīng)于物體不同部位的若干個(gè)區(qū)域。為了精確解釋一幅圖像，首先要把一幅圖像劃分成對(duì)應(yīng)于不同物體或物體不同部位的區(qū)域。本章內(nèi)容4．1區(qū)域和邊緣4．2分割4．3區(qū)域表示4．4分裂和合并4．5區(qū)域增長(zhǎng)4.1區(qū)域和邊緣

圖像區(qū)域劃分有兩種方法：一種是基于區(qū)域的方法，另一種是使用邊緣檢測(cè)的輪廓預(yù)估方法。在基于區(qū)域的方法中，把所有對(duì)應(yīng)于一個(gè)物體的像素組合在一起，并進(jìn)行標(biāo)記，以表示它們屬于一個(gè)區(qū)域，這一處理過程稱為分割。圖像分割中的兩個(gè)最基本的原則是數(shù)值相似性和空間接近性。在簡(jiǎn)單的情況下，可以通過閾值法和連通成份標(biāo)記法來(lái)進(jìn)行圖像分割。對(duì)于復(fù)雜的圖像，可以使用更高級(jí)的方法實(shí)現(xiàn)圖像分割。分割也可以通過求取區(qū)域邊界上的像素來(lái)進(jìn)行。這些像素點(diǎn)（也稱為邊緣）可以通過搜尋鄰近像素的方法來(lái)得到。由于邊緣像素是在邊界上，在邊界兩邊的區(qū)域具有不同的灰度值，這樣，區(qū)域的邊界可以通過測(cè)量鄰近像素差值來(lái)求取。盡管邊緣檢測(cè)可能使用誘導(dǎo)特性（如紋理和運(yùn)動(dòng)）來(lái)檢測(cè)邊緣。但大多數(shù)邊緣檢測(cè)器僅使用強(qiáng)度特性作為邊緣檢測(cè)的基礎(chǔ)。本章將討論區(qū)域的基本概念，主要集中在兩個(gè)問題上：圖像分割和區(qū)域表示。4.2分割

已知一幅圖像像素集

和一個(gè)一致性謂詞

，求圖像表示成n個(gè)區(qū)域集合的一種劃分： （４．１）

一致性謂詞和圖像劃分具有如下特性，即任何區(qū)域滿足如下謂詞：

（４．２）

任何兩個(gè)相鄰區(qū)域不能合并成單一區(qū)域，必滿足謂詞：

（４．３） 一致性謂詞定義了在區(qū)域上的所有點(diǎn)與區(qū)域模型的相似程度。把一幅灰度圖像轉(zhuǎn)換成二值圖像是圖像分割的最簡(jiǎn)單形式。用于求取二值圖像的閾值算法可以推廣到求取多值圖像。4.2.1自動(dòng)閾值化法

為了使分割更加魯棒，系統(tǒng)應(yīng)能自動(dòng)選擇閾值．基于場(chǎng)景中的物體、環(huán)境和應(yīng)用域等知識(shí)的圖像分割算法比基于固定閾值算法更具有普遍性。這些知識(shí)包括：對(duì)應(yīng)于物體的圖像灰度特性，物體的尺寸，物體在圖像中所占的比例，圖像中不同類型物體的數(shù)量等。圖像灰度直方圖就是一種灰度特性，它是指圖像所有灰度值出現(xiàn)的相對(duì)頻率。

使用上述知識(shí)并在無(wú)人介入的情況下自動(dòng)選取閾值的方法稱為自動(dòng)閾值化方法。自動(dòng)閾值化算法通常使用灰度直方圖來(lái)分析圖像中灰度值的分布，并使用特定應(yīng)用域知識(shí)來(lái)選取最合適的閾值。由于所用的知識(shí)具有普遍性，因此大大增加了算法的應(yīng)用范圍。

假設(shè)一幅圖像中包含有n個(gè)物體

，包括背景，并假設(shè)不同的區(qū)域

的灰度值具有概率分布函數(shù)

。在許多應(yīng)用中，物體在圖像中出現(xiàn)的概率

也許是已知的。使用這些知識(shí)來(lái)嚴(yán)格地計(jì)算閾值是完全可能的。由于場(chǎng)景中的照明控制著圖像中強(qiáng)度值的概率分布函數(shù)

,因此預(yù)先計(jì)算閾值是不可能的。我們將要看到，大多數(shù)自動(dòng)閾值的選取算法使用了物體尺寸和出現(xiàn)概率，并通過計(jì)算灰度直方圖估算強(qiáng)度分布。下面將討論幾種常用的自動(dòng)閾值化方法。為了簡(jiǎn)化表示，我們將遵循物體在圖像中的表示慣例，即物體相對(duì)于光亮背景是黑的。也就是說(shuō)，低于某一閾值的灰度值屬于物體，而高于這一閾值的灰度值屬于背景。下面將要討論的算法稍作改動(dòng)就可以應(yīng)用到其它場(chǎng)合，如光亮物體相對(duì)于黑暗背景，灰暗物體相對(duì)于光亮和黑暗背景，光亮或黑暗物體相對(duì)于灰暗背景。一些算法還可以推廣到由任意像素值集合組成的物體。

(1)模態(tài)方法

如果圖像中的物體具有同一灰度值，背景具有另一個(gè)灰度值，圖像被零均值高斯噪聲污染，那么就可以假定灰度分布曲線是由兩個(gè)正態(tài)分布函數(shù)疊加而成．圖像直方圖將會(huì)出現(xiàn)兩個(gè)分離的峰值，如圖4．1所示．在理想恒定灰度值情況下，，其直方圖為兩條線分別對(duì)應(yīng)兩個(gè)峰值，這時(shí)的閾值可以設(shè)置在兩個(gè)最大值之間的任何位置．在實(shí)際應(yīng)用中，兩個(gè)最大值并不是分得很開，此時(shí)需要檢測(cè)直方圖曲線的波谷和波峰，并把閾值設(shè)置成波谷對(duì)應(yīng)的像素值．可以證明，當(dāng)物體的尺寸和背景相等時(shí)，這樣選取閾值可使誤分類概率達(dá)到極小值．在大多數(shù)情況下，由于直方圖在波谷附近的像素很稀疏，因此，閾值的選取對(duì)圖像分割影響不大．

這一方法可推廣到具有不同灰度均值的多物體圖像中．假設(shè)有n個(gè)物體，其強(qiáng)度值的正態(tài)分布參數(shù)為，背景也服從正態(tài)分布．如果這些均值明顯的不同，方差值很小，且沒有小尺寸物體，那么圖像直方圖將包含n+1個(gè)波峰，并可確定波谷的位置，落入每一個(gè)間隔中的所有像素被分配給對(duì)應(yīng)的物體，如圖4．２所示．(2)迭代式閾值選擇

迭代式閾值選擇方法如下：首先選擇一個(gè)近似閾值作為估計(jì)值的初始值，然后連續(xù)不斷地改進(jìn)這一估計(jì)值．比如，使用初始閾值生成子圖像，并根據(jù)子圖像的特性來(lái)選取新的閾值，再用新閾值分割圖像，這樣做的效果將好于用初始閾值分割的圖像．閾值的改進(jìn)策略是這一方法的關(guān)鍵．算法4.1給出了這一方法的步驟．算法4.1：迭代式閾值選擇算法

I.選擇一個(gè)初始閾值的估算值

，比如，圖像強(qiáng)度均值就是一個(gè)較好的初始值．

II.利用閾值

把圖像分割成兩組，

和

．

III.計(jì)算區(qū)域

和

的均值

．

IV.

選擇新的閾值

重復(fù)2－4步，直到和的均值不再變化．(3)自適應(yīng)閾值化方法

如果場(chǎng)景中的照明不均勻，那么上述的自動(dòng)閾值化方法就不能使用。顯然，在這種情況下，一個(gè)閾值無(wú)法滿足整幅圖像的分割要求。處理不均勻照明或不均勻灰度分布背景的直接方法是首先把圖像分成一個(gè)個(gè)小區(qū)域，或子圖像，然后分析每一個(gè)子圖像，并求出子圖像的閾值。比如，把圖像分成

個(gè)子圖像，并基于第

子圖像的直方圖來(lái)選擇該子圖像的閾值

（

），圖像分割的最后結(jié)果是所有子圖像分割區(qū)域的邏輯并。這一算法如圖4.3所示。(4)變量閾值化方法

在不均勻照明條件下的另一種實(shí)用的閾值化方法是使用簡(jiǎn)單的函數(shù)，如平面、二次曲面等，來(lái)逼近不均勻照明下的物體圖象與背景圖象之間的分界面。分界面在很大程度上是由背景灰度值確定的。例如，圖4．4（a）是在不均勻照明下獲取的圖像，其中物體上一部分點(diǎn)的灰度值大于背景點(diǎn)的灰度值，而物體的另一部分點(diǎn)的灰度值則小于背景點(diǎn)的灰度值，圖4.4（d）和（e）是取直方圖的兩個(gè)波谷值和作為閾值得到的二幅二值圖象。顯然，不存在一個(gè)閾值可以很好地分割圖像。如果用一個(gè)平面來(lái)擬合背景灰度值，則目標(biāo)很容易從背景中分離出來(lái)，如圖4.4（f）—（j）所示．原圖像與背景擬合平面之差形成規(guī)范化圖像，在規(guī)范化圖像中，目標(biāo)的灰度值大于背景灰度值，即圖像直方圖有顯著的波谷存在，因此，目標(biāo)很容易從背景圖像中分離出來(lái)。(5)雙閾值方法

在許多應(yīng)用中，屬于物體的某些灰度值是已知的。然而，可能還有一些灰度值或者屬于物體，或者屬于背景。在這種情況下，人們可能使用一個(gè)保守一點(diǎn)的閾值

來(lái)分離物體圖像，稱之為物體圖像核，然后，使用有關(guān)算法來(lái)增長(zhǎng)物體圖像。增長(zhǎng)物體圖像的方法取決于特定的應(yīng)用，通常使用另一個(gè)閾值來(lái)吸收那些圖像核像素的鄰接像素，或用圖像強(qiáng)度特性（如直方圖）來(lái)決定屬于物體區(qū)域上的那些點(diǎn)，一種簡(jiǎn)單的方法是吸收低于第二個(gè)閾值

并且與原先物體圖像點(diǎn)相連結(jié)的所有點(diǎn)。算法4．2概括了這一算法。算法4.2：區(qū)域增長(zhǎng)的雙閾值算法1. 選擇兩個(gè)閾值

和

．2. 把圖像分割成三個(gè)區(qū)域：

，包含所有灰度值低于閾值

的像素；

，包含所有灰度值位于閾值

和

之間的像素；

，包含所有灰度值高于閾值

的像素．3. 查看分配給區(qū)域中的每一個(gè)像素

．如果某一像素鄰接區(qū)域

，則把這一像素重新分配給

．4. 重復(fù)步驟3直到?jīng)]有像素被重新分配．5. 把區(qū)域

剩下的所有像素重新分配給

．

在算法4．2中，區(qū)域是區(qū)域核，區(qū)域是邊緣區(qū)（也稱中間區(qū)或過渡區(qū)），區(qū)域是背景。把邊緣區(qū)域中鄰接核區(qū)域的像素點(diǎn)歸并到核區(qū)域，使核區(qū)域得到增長(zhǎng)。核區(qū)域增長(zhǎng)結(jié)束后，剩下哪些不屬于核區(qū)域的像素為背景像素。區(qū)域增長(zhǎng)的雙重閾值算法體現(xiàn)了灰度相似性和空間接近性。邊緣區(qū)的像素灰度值十分接近核區(qū)域像素灰度值是由于兩個(gè)區(qū)域的像素點(diǎn)集合在直方圖意義下是相鄰的，而邊緣區(qū)的像素在空間上接近核區(qū)域像素是由于它們是鄰接點(diǎn)。4.2.2直方圖方法的局限性我們已經(jīng)討論了用圖像直方圖信息來(lái)選擇用于圖像分割的閾值．這一方法在物體圖像具有恒定灰度值的情況下特別有用．如果場(chǎng)景中不同部分具有不同的照明，那么，即使圖像中僅包含有一個(gè)物體，也無(wú)法用一個(gè)閾值來(lái)分割圖像．在這種情況下，我們應(yīng)該使用有效的分割方法，或者說(shuō)，在每一個(gè)子圖像中獨(dú)立地選擇閾值．現(xiàn)在也有一些基于圖像直方圖的啟發(fā)式方法．但對(duì)于復(fù)雜的圖像，這些方法仍然不能適用．基于直方圖的圖像分割方法沒有利用圖像強(qiáng)度的空間信息，因此，在本質(zhì)上存在著局限性．直方圖僅描述了圖像強(qiáng)度分布，因此具有不同灰度空間分布的圖像可能具有類似的直方圖．例如，用直方圖無(wú)法區(qū)分隨機(jī)分布的黑白點(diǎn)圖像、黑白棋格圖像和黑白各半的圖像．直方圖的全局特性限制了其在復(fù)雜圖像中的應(yīng)用．直方圖完全沒有考慮由于物體表面的連續(xù)性而使得物體圖像點(diǎn)常常在空間上非常密集這一特點(diǎn)．4.3區(qū)域表示

區(qū)域有許多應(yīng)用，也有許多種表示方法．不同的表示方法有著不同的應(yīng)用．一些應(yīng)用只需計(jì)算單個(gè)區(qū)域，而另一些則需要計(jì)算圖像各區(qū)域的關(guān)系．本節(jié)將討論幾種區(qū)域表示方法并研究它們的特性．需要指出，區(qū)域完全可以表示成封閉輪廓，有關(guān)表示方法將在第七章討論．

大多數(shù)區(qū)域表示方法可以歸納為下面三種類型：陣列表示，層級(jí)表示，基于特征的區(qū)域表示．4.3.1陣列表示區(qū)域表示的基本形式是一個(gè)與原始圖像一樣大小的陣列，陣列元素表示像素所屬區(qū)域．這樣，如果陣列元［,

］具有標(biāo)記

，那么對(duì)應(yīng)的圖像像素就屬于區(qū)域．這種表示的最簡(jiǎn)單例子是二值圖像，其中每個(gè)像素屬于區(qū)域0或?qū)儆趨^(qū)域1．另一種表示方法是使用模板（mask）或比特位圖（bitmap）．每一個(gè)區(qū)域?qū)?yīng)一個(gè)二值圖像，稱之為模板，表示圖像中哪些像素屬于該區(qū)域．把模板重疊在原始圖像上，可以求得對(duì)應(yīng)區(qū)域的強(qiáng)度特性．這種方法的一個(gè)優(yōu)點(diǎn)是可以處理不確定性問題，即像素的區(qū)域?qū)傩圆荒艽_切地定義時(shí)，允許該像素屬于一個(gè)或一個(gè)以上的區(qū)域．在一個(gè)以上的區(qū)域（模板）中，該像素值皆為1．陣列表示方法包含了圖畫或圖像中的區(qū)域信息，而符號(hào)信息沒有被明顯地表示出來(lái)．4.3.2層級(jí)表示

圖像可以用多種不同的分辨率來(lái)表示．顯然，降低圖像的分辨率可以降低陣列的尺寸，但要丟失一些信息，使得信息恢復(fù)工作比較困難．然而，降低分辨率可以降低對(duì)存儲(chǔ)器容量和計(jì)算速度的要求．圖像的層級(jí)表示可以是多分辨率表示．在許多應(yīng)用中，首先在低分辨率下進(jìn)行圖像特性計(jì)算，然后在高分辨率上對(duì)圖像某一選定區(qū)域再進(jìn)行精細(xì)計(jì)算．多級(jí)圖像表示也在圖像瀏覽中得到了廣泛地應(yīng)用．下面我們給出兩種常用的圖像層級(jí)表示方法，金字塔型和四叉樹型．（１）金字塔型

陣列圖像的金字塔型（pyramid）表示包含了原圖像和原圖像的個(gè)遞減圖像，其中n是2的指數(shù)冪，其它圖像分別是

,

,...

,

陣列。在圖像的金字塔型表示中，L層的像素是通過對(duì)L+1層的若干像素組合得到的。在頂層或0層，圖像表示為單一像素；而底層則是原始圖像或未被遞減的圖像。某一層的一個(gè)像素表示下一層的幾個(gè)像素的合成信息。圖4．5所示的是一幅圖像及其金字塔型遞減圖像。其中金字塔型圖像是通過求簡(jiǎn)單的2X2鄰域的均值得到。當(dāng)然，構(gòu)想其它策略來(lái)獲取遞減分辨率圖像是完全可能的。同樣，以非線性的方法來(lái)構(gòu)造金字塔型表示方法也是可能的。需要補(bǔ)充說(shuō)明的是，整個(gè)金字塔型圖像滿足維數(shù)為2的線性陣列

。（２）四叉樹型

四叉樹（quadtree）被認(rèn)為是二值圖像金字塔型表示的擴(kuò)展,它包含了三種類型的節(jié)點(diǎn)：白、黑和灰度．一個(gè)四叉樹是通過不斷地分裂圖像得到的．一個(gè)區(qū)域可以分裂成大小一樣的四個(gè)子區(qū)域，如圖4．6所示．對(duì)于每一個(gè)子區(qū)域，如果其所有點(diǎn)或者是黑的，或者是白的，則該區(qū)域不再進(jìn)行分裂；但如果同時(shí)包含有黑白兩種點(diǎn)，則認(rèn)為該區(qū)域是灰度區(qū)域，可以進(jìn)一步分裂成四個(gè)子區(qū)域．通過這種不斷分裂得到的圖像就可用樹型結(jié)構(gòu)表示．分裂過程不斷進(jìn)行，直到樹中沒有灰度區(qū)域．樹結(jié)構(gòu)中的每一個(gè)節(jié)點(diǎn)或者是一個(gè)樹葉，或者包含有四個(gè)子節(jié)點(diǎn)，故稱為四叉樹．

四叉樹在立體數(shù)據(jù)庫(kù)中的應(yīng)用在不斷地增加．把一幅光柵圖轉(zhuǎn)化為一個(gè)四叉樹以及把一個(gè)四叉樹轉(zhuǎn)化為一幅光柵圖的算法也有若干．最近幾年人們致力于用代碼表示四叉樹，以減少指針對(duì)存儲(chǔ)空間的需求．4.3.3基于特征的區(qū)域表示

一個(gè)區(qū)域可以使用其特征來(lái)表示。一些常用的特征有：最小外接矩形、中心、矩、歐拉數(shù)等。其它的圖像特征也經(jīng)常在圖像區(qū)域表示中使用，如，灰度均值、方差等。另外，與應(yīng)用有關(guān)的區(qū)域特征也可以用來(lái)表示區(qū)域。如果我們要解釋一幅圖像，則圖像的表示還應(yīng)該包含有相鄰區(qū)域的關(guān)系。4.3.4圖像分割數(shù)據(jù)結(jié)構(gòu)

為了實(shí)現(xiàn)用于圖像分割的區(qū)域合并和分裂算法（見4．4節(jié)），所生成的區(qū)域必須以某種數(shù)據(jù)結(jié)構(gòu)保存．合并和分裂運(yùn)算要使用區(qū)域之間的邊界信息以及區(qū)域的總體特性，因此，為了更容易地處理區(qū)域特征，人們提出許多相應(yīng)的數(shù)據(jù)結(jié)構(gòu)．在本節(jié)，我們將討論幾種用于區(qū)域合并和分裂的數(shù)據(jù)結(jié)構(gòu)．（１）區(qū)域鄰接圖

區(qū)域鄰接圖（regionadjacencygraphs,RAG）表示圖像中區(qū)域與區(qū)域之間的關(guān)系，它主要強(qiáng)調(diào)由區(qū)域構(gòu)成的圖像的劃分和每一個(gè)劃分的特性。區(qū)域的不同特性可以存貯在不同的節(jié)點(diǎn)數(shù)據(jù)結(jié)構(gòu)中。RAG（見圖4.7）中的節(jié)點(diǎn)表示區(qū)域，節(jié)點(diǎn)之間的弧線表示區(qū)域的公共邊界。RAG強(qiáng)調(diào)區(qū)域的鄰接性，因此在圖像分割中起著關(guān)鍵的作用。RAG形成的基本過程是：在進(jìn)行基于灰度值等基元特性的初始分割后，將分割結(jié)果表示為RAG，然后，可以再組合區(qū)域以得到更好的分割。算法4.3給出了產(chǎn)生RAG的步驟。算法4.3:區(qū)域鄰接圖生成算法

I.掃描陣列a并在每一個(gè)像素角標(biāo)[i,j]完成下列各步;

II.讓r1=a[i,j]

;

III.查看像素在[i,j]的鄰接像素[k,l].對(duì)每一個(gè)鄰近像素，進(jìn)行下一步;

IV.讓r2=a[k,l],如果

，在區(qū)域鄰接圖的節(jié)點(diǎn)r1和r2之間增加一條弧線.在某些場(chǎng)合，也可能用到區(qū)域鄰近圖的對(duì)偶圖．在對(duì)偶圖的表示中，節(jié)點(diǎn)表示邊界，而弧線則表示被邊界分割的區(qū)域．圖4．7用于圖像分割的區(qū)域鄰接圖．左圖：已分割的圖像，右圖：區(qū)域鄰接圖（２）超級(jí)網(wǎng)格

在某些應(yīng)用中，希望把分割信息存貯在圖像陣列中。在這種情況下表示邊界會(huì)遇到一些問題。直觀地看，邊界應(yīng)位于兩個(gè)鄰接區(qū)域的像素之間。然而，在圖像陣列表示中，邊界只能用實(shí)際的像素來(lái)表示。解決這一問題的方法是引進(jìn)超級(jí)網(wǎng)格，如圖4．8所示．如果原始圖像是nxn，那么超級(jí)網(wǎng)格就是(2n+1)x(2n+1)陣列。每一個(gè)像素被八個(gè)位于超級(jí)網(wǎng)格上的非像素點(diǎn)包圍。非像素點(diǎn)用來(lái)表示兩個(gè)像素之間的邊界，以及邊界的方向。這就大大簡(jiǎn)化了合并和分裂運(yùn)算。4.4分裂和合并

具有恒定灰度的區(qū)域，閾值化算法的輸出也常常包含有許多額外的區(qū)域。造成這一問題的主要原因是高頻噪聲和不同區(qū)域灰度值的緩變。

在基于灰度特征進(jìn)行區(qū)域的初始分割后，所得到的區(qū)域可能需要進(jìn)一步細(xì)化分割或修正處理。目前已經(jīng)有了許多種處理的方法，其中的一些方法是使用了相關(guān)域知識(shí)，另一些方法則使用了圖像處理知識(shí)。區(qū)域的進(jìn)一步細(xì)化分割可以由人通過計(jì)算機(jī)界面交互地進(jìn)行，也可以由計(jì)算機(jī)自動(dòng)來(lái)完成。在計(jì)算機(jī)自動(dòng)細(xì)化分割中，必須使用有關(guān)物體的特性、圖像的特性等知識(shí)。

使用分裂和合并的組合算法可以實(shí)現(xiàn)自動(dòng)細(xì)化分割運(yùn)算。裂和合并運(yùn)算是通過合并屬于同一物體的鄰接區(qū)域來(lái)消除錯(cuò)誤的邊界和虛假的區(qū)域，同時(shí)可以通過分裂屬于不同物體的區(qū)域來(lái)增添丟失的邊界。4.4.1區(qū)域合并

合并運(yùn)算就是把相似的區(qū)域組合起來(lái)．算法4．4是一種合并運(yùn)算的高層算法，該算法可以用于各種相似區(qū)域的測(cè)量．

算法4.4:區(qū)域合并算法1.使用閾值法（或其它簡(jiǎn)單的方法）進(jìn)行圖像的初始區(qū)域分割，然后進(jìn)行連通域標(biāo)記,

2.建立圖像的RAG,

3.對(duì)于圖像中的每一個(gè)區(qū)域，完成下列步驟： a．查看是否與鄰接區(qū)域相似, b．合并相似的區(qū)域，并修改RAG,4.重復(fù)步驟3，直到?jīng)]有區(qū)域可以合并．

然而，當(dāng)使用這一簡(jiǎn)單算法時(shí)，也可能遇上麻煩．例如，一幅圖像具有三個(gè)鄰接區(qū)域A、B、C，相似性謂詞分別確定A和B是相似的，B和C是相似的，但A和C不相似．在合并相似區(qū)域時(shí)，盡管A和C這兩個(gè)區(qū)域并不相似，但分別合并A、B和B、C這樣的局部決策會(huì)把三個(gè)區(qū)域合并成單一區(qū)域．在這種情況下，我們必須在區(qū)域合并前，考慮附加的區(qū)域特征．

合并算法中最重要的運(yùn)算是確定兩個(gè)區(qū)域的相似性．評(píng)判區(qū)域相似性方法有許多．廣義地說(shuō)，評(píng)判相似性的方法可以基于區(qū)域的灰度值，也可以基于區(qū)域邊界的強(qiáng)弱性，也許還包含著這些區(qū)域的空間鄰近性．

評(píng)價(jià)鄰接區(qū)域的相似性有兩種方法：1. 比較它們的灰度均值．如果灰度均值無(wú)法用預(yù)先設(shè)置的灰度值來(lái)區(qū)分，則可以認(rèn)為它們相似，并確定為合并的候選區(qū)域．這一方法的改進(jìn)形式是使用曲面擬合方法，以便確定是否存在一個(gè)曲面來(lái)逼近區(qū)域．2. 假設(shè)灰度值服從概率分布，根據(jù)相鄰區(qū)域是否具有相同的概率分布函數(shù)考慮是否合并它們．這一方法使用了假設(shè)－檢驗(yàn)方法來(lái)評(píng)判鄰接區(qū)域的相似性（下面將詳細(xì)討論）．4.4.2區(qū)域分裂

如果區(qū)域的某些特性不是恒定的，則區(qū)域應(yīng)該分裂?；诜至逊椒ǖ膱D像分割過程是從最大的區(qū)域開始，在許多情況下，常常把整個(gè)圖像作為起始分裂的圖像。算法4.5給出了圖像分裂的一種算法。

區(qū)域分裂前，必須明確二個(gè)問題，一是確定什么情況下區(qū)域的特性不恒定，二是如何分裂這樣的區(qū)域，使得分裂后的子區(qū)域特性值恒定。這些問題與應(yīng)用域有關(guān)，須在特定應(yīng)用領(lǐng)域中有關(guān)區(qū)域特性的基礎(chǔ)上討論。在某些應(yīng)用場(chǎng)合，灰度的變化量常常作為灰度值接近恒值程度的度量。在其它的一些應(yīng)用中，可用擬合函數(shù)來(lái)逼近灰度值，擬合函數(shù)與實(shí)際的灰度值之差可作為區(qū)域相似度的度量。分裂區(qū)域要比確定區(qū)域灰度值是否恒定難的多。一種用于區(qū)域分割的最佳邊界確定方法是在區(qū)域內(nèi)考慮邊緣強(qiáng)度測(cè)量。最容易的區(qū)域分裂方法是把區(qū)域分割成固定數(shù)量的等尺度區(qū)域，稱為常規(guī)分解方法。在4.3.2節(jié)討論的四叉樹圖像表示方法就是常規(guī)分解方法的一個(gè)例子。算法4．5區(qū)域分裂算法

1.形成初始區(qū)域

2.對(duì)圖像的每一個(gè)區(qū)域，連續(xù)執(zhí)行下面兩步：

（a）計(jì)算區(qū)域灰度值方差（b）如果方差值大于某一閾值，則沿著某一合適的邊界分裂區(qū)域。需要指出，四叉樹方法不能直接用于非二值圖像的分割，必須經(jīng)過修正后才能使用。也就是說(shuō)，決定區(qū)域是否分裂的基礎(chǔ)不是黑白區(qū)域，而是圖像方差。一般說(shuō)來(lái)，區(qū)域分裂比其合并更困難。4.4.3分裂和合并分裂和合并運(yùn)算可以同時(shí)進(jìn)行，也就是說(shuō)，用閾值化方法預(yù)分割后，連續(xù)進(jìn)行分裂和合并，最后得到圖像的精確分割．分裂和合并組合算法對(duì)分割復(fù)雜的場(chǎng)景圖像十分有用．引入應(yīng)用域知識(shí)，可以提高分裂和合并算法的有效性．假定把一幅圖像分割成為若干區(qū)域，形成區(qū)域集，

，

，按照有關(guān)區(qū)域的謂詞邏輯P的性質(zhì)，區(qū)域上的所有像素將是一致的．謂詞表示了區(qū)域中像素之間的相似性．例如，在區(qū)域中使用灰度方差來(lái)定義謂詞：

（4．10）區(qū)域分割的分裂和合并算法見算法4.6算法4.6:區(qū)域分割的分裂與并合算法：

1.設(shè)整幅圖像為初始區(qū)域;

2.選一個(gè)區(qū)域，如果錯(cuò)誤，則把該區(qū)域分裂成四個(gè)子區(qū)域;

3.考慮圖像中任意兩個(gè)或更多的鄰接子區(qū)域;

4.如果正確，則把這個(gè)區(qū)域合并成一個(gè)區(qū)域;

5.重復(fù)以上各步，直到不能再進(jìn)行區(qū)域分裂和合并;4．5區(qū)域增長(zhǎng)

在許多圖像中，單個(gè)區(qū)域內(nèi)的灰度值不是完全恒定的，因此需要更復(fù)雜的算法來(lái)進(jìn)行圖像分割。其中最好的算法是那些基于如下假設(shè)的算法，即圖像可以劃分成區(qū)域，而區(qū)域可以用簡(jiǎn)單函數(shù)模型化。將這種想法用于圖像分割是很自然的。

由第4.2節(jié)提出的分割問題可導(dǎo)出如下算法：尋找初始區(qū)域核，并從區(qū)域核開始，逐漸增長(zhǎng)核區(qū)域，形成滿足一定約束的較大的區(qū)域。例如，一