·1738 工程科学学报，第39卷，第11期 测试（垂直、水平、2个对角）分别用4个对角来表示8 在每次迭代中新种子的信息会参与到区域特征的 邻域内的颜色变化情况.如果8个方向上的4个对角 计算中，所以，每个像元的颜色特征都会对整个区域的 都满足要求，则该检测像元可以作为种子 颜色特征做贡献.如果采用固定不变的颜色特征来完 本文的算法采用的是条件a,考虑到以下两点： 成区域生长，区域特征从一开始就固定不变，但是在边 (1)变化最剧烈的点不一定正好在邻域的对角，所以 界处颜色处于过渡态，所以当区域生长到靠近边界时， 仅仅采用4个对角的颜色信息没有办法准确而完整的 无法生长下去.如果采用变化的区域特征，就能考虑 表示整个邻域的颜色变化情况：(2)条件b算法没有 到区域的颜色过渡和彩色图像各像元之间的信息高度 考虑检测像元自己本身的颜色信息，因此无法排除检 相关图，使区域生长更加的完整 测像元本身是否是噪声点.所以本文定义种子选择的 1.4区域生长准则 第一个条件为： 种子生长即给定一个种子像元，判断种子像元的 √(R-Rx)2+(G-G)2+(B-B、)2<T.(6) 周围是否属于同一区域，然后生长.那么要定义邻域 式中，(R、,G、,B、)表示的是检测像元8邻域内各像元 内一个像元是否属于该区域，就要找到合适的指标来 RGB分量的各平均值.当检测像元与其邻域的平均值 量化、比较. 的欧氏距离小于特定阈值，则选为种子 准则1：基于颜色相似 (2)能作为种子的像元不应在边界上. 人眼在识别图像时往往将不同的颜色视为不同的 两个像元间的颜色距离越大越有可能说明这两个 类型.如果根据人视觉直接感知到的颜色差异来进行 像元代表的是不同的目标，不同的目标之间肯定存在 分割，那么要在RGB空间上进行，可采用曼哈顿距离 着边界.所以通过比较邻域间两个像元的颜色距离可 来表示两个对象之间的特征距离也即相似程度，或用 以判断该两像元是否代表了不同的目标，如果是，则要 三阙值法，即RGB中的三个分量各设一个阈值，三分 小心避免边界，因为边界往往处于过渡状态，边界附近 量同时满足要求即∑D,(C(x,y),Cx,)<T(i∈ 的颜色不能很好的代表整个区域的颜色特征，在边界 R,G,B)或者D,(C(x,y),Cax,y)<E.(i∈R,G,B). 附近选择的种子点没有办法向区域内部生长.避免边 其中，D为i∈R,G,B上的曼哈顿距离.T为设定阈 界的准则也可以用邻域内最大距离来表示 值，e:为三个分量(R、G、B)分别设定的阈值 Ed<T. (7) 曼哈顿距离形式上更简单，也更容易测量距离，视 式中，T为1.1中计算出来的阈值，Edx=max(Ed),i 觉颜色相似性稳定网.把三个分量分开讨论，考虑了 ∈，8]，Ed,为检测像元与8邻域像元的欧氏距离， RGB中的三分量之间的独立性和三分量各自的渐变 Ed表示检测像元8邻域内欧氏距离的最大值 性.但是这样需要设置3个阈值，比较麻烦.而且 (3)同一区域中的种子相联通 将所有的种子选择好后，相邻的种子视为同一颗 RGB中的分量受到光照的影像，不适合用来进行图像 种子.不相邻的种子视为不同的类.并重新计算各类 分割，所以本文考虑使用RGB空间上的欧氏颜色距 种子的颜色信息 离，该准则是被采用得最多的生长准则 (11) 1.3区域特征变化 Ed(C(x,y),CR(x,y))<T. 对于待分割区域R(R:Region)中的所有像元(x, 在RGB颜色空间上的欧氏距离，距离代表着颜色 y)定义一个N.函数： 特征的远近程度，小于阈值则表示检测像元与区域颜 (x,y）∈R 色的距离程度较近，可以算为一类，则将检测像元归为 IN0.other (8) 该类 则区域的平均值为 该准则考虑了检测像元与候选区域的颜色特征的 ∑∑IN.)cW 距离。是最直接最原始的比较办法.但是，由于噪声 Ca(x,y）= (9) 点是颜色突变的点，其与其所属的区域的颜色距离较 ∑∑IN,W 大，所以在准则1下的生长会受到这些噪声点的干扰， 该区域内的标准差表示为： 这些噪声点所在的像元会成为空洞点，造成分割欠缺 为了避免噪声点产生的空洞，本文在准则1的基础在 02= ∑∑IN.(x,)Ed(Cx,C(x)） ∑∑IN.(, 上再增加一条生长准则. 准则2：基于四周已标记像元（邻域相似比(NSR: (10) neighbor similar rate)).工程科学学报，第 39 卷，第 11 期 测试( 垂直、水平、2 个对角) 分别用 4 个对角来表示 8 邻域内的颜色变化情况． 如果 8 个方向上的 4 个对角 都满足要求，则该检测像元可以作为种子． 本文的算法采用的是条件 a，考虑到以下两点: ( 1) 变化最剧烈的点不一定正好在邻域的对角，所以 仅仅采用 4 个对角的颜色信息没有办法准确而完整的 表示整个邻域的颜色变化情况; ( 2) 条件 b 算法没有 考虑检测像元自己本身的颜色信息，因此无法排除检 测像元本身是否是噪声点． 所以本文定义种子选择的 第一个条件为: ( Ｒ － ＲN ) 2 + ( G － GN ) 2 + ( B － BN 槡 ) 2 ＜ T1 ． ( 6) 式中，( ＲN，GN，BN ) 表示的是检测像元 8 邻域内各像元 ＲGB 分量的各平均值． 当检测像元与其邻域的平均值 的欧氏距离小于特定阈值，则选为种子． ( 2) 能作为种子的像元不应在边界上． 两个像元间的颜色距离越大越有可能说明这两个 像元代表的是不同的目标，不同的目标之间肯定存在 着边界． 所以通过比较邻域间两个像元的颜色距离可 以判断该两像元是否代表了不同的目标，如果是，则要 小心避免边界，因为边界往往处于过渡状态，边界附近 的颜色不能很好的代表整个区域的颜色特征，在边界 附近选择的种子点没有办法向区域内部生长． 避免边 界的准则也可以用邻域内最大距离来表示． Edmax ＜ T． ( 7) 式中，T 为 1. 1 中计算出来的阈值，Edmax = max ( Edi ) ，i ∈［1，8］，Edi为检测像元与 8 邻域像元的欧氏距离， Edmax表示检测像元 8 邻域内欧氏距离的最大值． ( 3) 同一区域中的种子相联通． 将所有的种子选择好后，相邻的种子视为同一颗 种子． 不相邻的种子视为不同的类． 并重新计算各类 种子的颜色信息． 1. 3 区域特征变化 对于待分割区域 Ｒ( Ｒ: Ｒegion) 中的所有像元( x， y) 定义一个 INＲ 函数: INＲ = 1， ( x，y) ∈Ｒ; {0， otherwise． ( 8) 则区域的平均值为 CＲ ( x，y) = ∑x ∑y INＲ ( x，y) C( x，y) ∑x ∑y INＲ ( x，y) ． ( 9) 该区域内的标准差表示为: σ2 = ∑x ∑y INＲ ( x，y) Ed2 ( CＲ ( x，y) ，C( x，y) ) ∑x ∑y INＲ ( x，y) ． ( 10) 在每次迭代中新种子的信息会参与到区域特征的 计算中，所以，每个像元的颜色特征都会对整个区域的 颜色特征做贡献． 如果采用固定不变的颜色特征来完 成区域生长，区域特征从一开始就固定不变，但是在边 界处颜色处于过渡态，所以当区域生长到靠近边界时， 无法生长下去． 如果采用变化的区域特征，就能考虑 到区域的颜色过渡和彩色图像各像元之间的信息高度 相关［18］，使区域生长更加的完整． 1. 4 区域生长准则 种子生长即给定一个种子像元，判断种子像元的 周围是否属于同一区域，然后生长． 那么要定义邻域 内一个像元是否属于该区域，就要找到合适的指标来 量化、比较． 准则 1: 基于颜色相似． 人眼在识别图像时往往将不同的颜色视为不同的 类型． 如果根据人视觉直接感知到的颜色差异来进行 分割，那么要在 ＲGB 空间上进行，可采用曼哈顿距离 来表示两个对象之间的特征距离也即相似程度，或用 三阈值法，即 ＲGB 中的三个分量各设一个阈值，三分 量同时满足要求． 即 ∑i Di ( C( x，y) ，CＲ( x，y) ) ＜ T( i∈ Ｒ，G，B) 或者 Di ( C( x，y) ，CＲ ( x，y) ) ＜ εi ( i∈Ｒ，G，B) ． 其中，Di为 i∈Ｒ，G，B 上的曼哈顿距离． T 为设定阈 值，εi 为三个分量( Ｒ、G、B) 分别设定的阈值． 曼哈顿距离形式上更简单，也更容易测量距离，视 觉颜色相似性稳定［19］． 把三个分量分开讨论，考虑了 ＲGB 中的三分量之间的独立性和三分量各自的渐变 性． 但是这 样 需 要 设 置 3 个 阈 值，比 较 麻 烦． 而 且 ＲGB 中的分量受到光照的影像，不适合用来进行图像 分割，所以本文考虑使用 ＲGB 空间上的欧氏颜色距 离，该准则是被采用得最多的生长准则． Ed( C( x，y) ，CＲ ( x，y) ) ＜ T． ( 11) 在 ＲGB 颜色空间上的欧氏距离，距离代表着颜色 特征的远近程度，小于阈值则表示检测像元与区域颜 色的距离程度较近，可以算为一类，则将检测像元归为 该类． 该准则考虑了检测像元与候选区域的颜色特征的 距离． 是最直接最原始的比较办法． 但是，由于噪声 点是颜色突变的点，其与其所属的区域的颜色距离较 大，所以在准则 1 下的生长会受到这些噪声点的干扰， 这些噪声点所在的像元会成为空洞点，造成分割欠缺． 为了避免噪声点产生的空洞，本文在准则 1 的基础在 上再增加一条生长准则． 准则 2: 基于四周已标记像元( 邻域相似比( NSＲ: neighbor similar rate) ) ． · 8371 ·