Регион растет - Region growing

Регион растет простой региональный сегментация изображения метод. Он также классифицируется как метод сегментации изображения на основе пикселей, поскольку он включает в себя выбор начальных начальные точки.

Этот подход к сегментации исследует соседние пиксели исходных точек и определяет, должны ли соседние пиксели быть добавлены в область. Процесс повторяется так же, как и общие кластеризация данных алгоритмы. Общее обсуждение алгоритма выращивания области описано ниже.

Сегментация по регионам

Основная цель сегментации - разделить изображение на регионы. Некоторые методы сегментации, такие как пороговое значение достичь этой цели, ища границы между регионами на основе разрывов в оттенки серого или цвет свойства. Сегментация по регионам - это метод прямого определения региона. Основная формулировка:[1]:

это логический предикат определяется по точкам в множестве и - нулевой набор.

(а) означает, что сегментация должна быть полной; то есть каждый пиксель должен находиться в области.

(б) требует, чтобы точки в регионе были связаны в некотором заранее определенном смысле.

(c) указывает, что области должны быть непересекающимися.

(d) имеет дело со свойствами, которым должны удовлетворять пиксели в сегментированной области. Например, если все пиксели в одинаковые оттенки серого.

(e) указывает, что регион и разные в смысле сказуемого .

Основная концепция начальных точек

Первым шагом в выращивании региона является выбор набора начальных точек. Выбор исходной точки основан на некотором критерии пользователя (например, пиксели в определенном диапазоне оттенков серого, пиксели, равномерно распределенные по сетке и т. Д.). Начальная область начинается с точного местоположения этих семян.

Затем регионы выращивают от этих начальных точек до соседних точек в зависимости от критерия принадлежности к региону. Критерием может быть, например, интенсивность пикселей, оттенки серого. текстура, или цвет.

Поскольку регионы выращиваются на основе критерия, важна сама информация об изображении. Например, если критерием было пороговое значение интенсивности пикселей, знание гистограмма изображения было бы полезно, поскольку его можно было бы использовать для определения подходящего порогового значения для критерия принадлежности к региону.

Ниже приводится очень простой пример. Здесь мы используем 4-связный район расти из точек семян. Мы также можем выбрать 8-связный район для наших пикселей смежных отношений. И критерии, которые мы здесь делаем, - это то же самое значение пикселя. То есть мы продолжаем исследовать соседние пиксели исходных точек. Если они имеют такое же значение интенсивности, что и начальные точки, мы классифицируем их по начальным точкам. Это повторяющийся процесс до тех пор, пока не будет никаких изменений в двух последовательных итерационных этапах. Конечно, мы можем сделать другие критерии, но основная цель - разделить схожесть изображения на регионы.


Некоторые важные вопросы

Рисунок 0. Гистограмма на Рисунке 1.
Рисунок 2. Исходные точки: 255 ~ 255
Рисунок 3. Порог: 225 ~ 255
Рисунок 4. Порог: 190 ~ 255
Рисунок 5. Порог: 155 ~ 255

Тогда мы можем сделать вывод о нескольких важных вопросах, касающихся выращивания регионов :

1. Важен правильный выбор точек посева.

Выбор начальных точек зависит от пользователей. Например, на изображении молнии в оттенках серого мы можем захотеть отделить молнию от фона. Тогда, вероятно, мы сможем изучить гистограмма и выберите начальные точки из самого высокого диапазона.

2. Чем больше информации об изображении, тем лучше.

Очевидно, что информация о связности или смежных пикселях полезна для определения пороговых и начальных точек.

3. Значение «минимальный порог площади».

Ни одна область в результате метода выращивания области не будет меньше этого порога в сегментированном изображении.

4. Значение «Пороговое значение схожести».

Если разница значений пикселей или разница значений средней шкалы оттенков серого для набора пикселей меньше, чем «Пороговое значение схожести», области будут рассматриваться как одна и та же область.

Выбранные нами критерии сходства или так называемой однородности также важны. Обычно это зависит от исходного изображения и желаемого результата сегментации.[2]

Некоторые часто используемые критерии: оттенки серого (средняя интенсивность или дисперсия), цвет, текстура или форма.

Примеры моделирования

Здесь мы показываем простой пример выращивания региона.

Рисунок 1 - исходное изображение, которое представляет собой изображение молнии в оттенках серого. Значение оттенков серого для этого изображения составляет от 0 до 255. Причина, по которой мы применяем растущую область на этом изображении, заключается в том, что мы хотим отметить самую яркую часть изображения с молнией, а также хотим, чтобы результат был соединен без разделения на части. Поэтому мы выбираем точки с самым высоким значением оттенков серого, равным 255, в качестве начальных точек, показанных на рисунке 2.

После определения начальных точек мы должны определить диапазон порога. Всегда помните, что цель - выделить самый яркий свет на изображении. Третья цифра - это результат роста области в результате выбора порога между 225 и значением начальных точек (которое равно 255). Следовательно, мы выделяем только те точки, у которых значения оттенков серого выше 225.

Если мы сделаем диапазон порога шире, мы получим результат с большей площадью области молнии, показанной на рисунках 4 и 5.

Мы можем наблюдать разницу между двумя последними цифрами, которые имеют разные пороговые значения. Рост регионов дает нам возможность отделить ту часть, которую мы хотим соединить.

Как видно на рисунках 3–5, сегментированные результаты в этом примере связаны с начальным значением. Это означает, что результат вырос из одних и тех же начальных точек в одних и тех же регионах. И точки не будут расти без связи с начальными точками.

Следовательно, в исходном изображении все еще есть много точек со значениями шкалы серого выше 155, которые не отмечены на рисунке 5.

Эта характеристика обеспечивает надежность сегментации и дает возможность противостоять шуму. В этом примере эта характеристика не позволяет нам выделить на изображении часть без молнии, потому что молния всегда соединена как одна часть.

Преимущества и недостатки выращивания в регионах

Вкратце сделаем вывод о преимуществах и недостатках выращивания регионов.

Преимущества методов выращивания Регион :

  1. может правильно разделить регионы с такими же свойствами, которые мы определяем.
  2. может предоставить исходные изображения с четкими краями и хорошими результатами сегментации.
  3. простая концепция: нужно лишь небольшое количество начальных точек, чтобы представить желаемое свойство, а затем увеличивать область.
  4. можем определить начальные точки и критерии, которые мы хотим создать.
  5. можно выбрать несколько критериев одновременно.
  6. теоретически очень эффективен из-за посещения каждого пикселя за ограниченное время.

Недостатки :

  1. локальный метод без глобального обзора проблемы.
  2. чувствителен к шуму.
  3. если к изображению не применена пороговая функция, может существовать непрерывный путь точек, связанных с цветом, который соединяет любые две точки на изображении.
  4. практически случайный доступ к памяти замедляет алгоритм, поэтому может потребоваться адаптация

Смотрите также

Заметки

  1. ^ Pal, Nikhil R; Пал, Санкар К. (1993). «Обзор методов сегментации изображений». Распознавание образов. 26 (9): 1277–1278. Дои:10.1016 / 0031-3203 (93) 90135-Дж.
  2. ^ Адуи, Мохаммед Эль; Дрисис, Стилианос; Бенджеллун, Мохаммед (21.07.2017). Анализ неоднородности опухоли груди для прогнозирования ответа на химиотерапию с использованием регистрации 3D-МРТ изображений. ACM. С. 56–63. Дои:10.1145/3128128.3128137. ISBN  9781450352819.

использованная литература

  • Цзянь-Цзюн Дин, класс "Частотно-временной анализ и вейвлет-преобразование", факультет электротехники, Национальный университет Тайваня (NTU), Тайбэй, Тайвань, 2007 г.
  • Цзянь-Цзюн Дин, класс "Расширенная цифровая обработка сигналов", факультет электротехники, Национальный университет Тайваня (NTU), Тайбэй, Тайвань, 2008 г.
  • В. К. Пратт, Цифровая обработка изображений 4-е издание, John Wiley & Sons, Inc., Лос-Альтос, Калифорния, 2007 г.
  • М. Петру и П. Босдогианни, Основы обработки изображений, Уайли, Великобритания, 2004 г.
  • Р. К. Гонсалес и Р. Э. Лес, Цифровая обработка изображений, 2-е издание, Прентис-Холл, Нью-Джерси, 2002.