注：本程序只能做图像分割结果图是转自原作者的，暂时没实现该功能

      区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种孓点作为生长的起点然后将种子点周围领域的像素点和种子点进行对比，将具有相似性质的点合并起来继续向外生长直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了这个过程中有几个关键的问题：

a> 给定种子点(种子点如何选取？)

      种子点的选取很哆时候都采用人工交互的方法实现也有用其他方式的，比如寻找物体并提取物体内部点作为种子点

b> 确定在生长过程中能将相邻像素包括进来的准则

     灰度图像的差值；彩色图像的颜色等等。都是关于像素与像素间的关系描述

c> 生长的停止条件

b> 将种子点存入vector中，vector中存储待生長的种子点；

c> 依次弹出种子点并判断种子点如周围8领域的关系(生长规则)相似的点则作为下次生长的种子点；

d> vector中不存在种子点后就停止生長。

 //分别对八个方向上的点进行生长

贴图看看使用该算法的图像处理效果：

首先对原图像进行二值化：

        得到种子点的方法这里就不用介绍叻这个不是该算法的重点。得到两个种子点（左右肺）分别使用区域生长算法得到左右肺区，然后与原图进行与运算得到结果：

        To：博乐评论中提到的原始区域生长的算法思想。原始区域生长中一般有四领域的生长和八领域的生长两种方式基本思想和该算法是一致的。这个算法也是博主在以前没有使用opencv的程序中修改得来的

区域生长基础理论及代码：

【摘要】ClassⅢ错牙合畸形患者中上頜骨发育不足,下颌骨正常约为18%,上颌骨正常,下颌骨生长过度者约占52%如何有效促进上颌骨向前生长,控制下颌骨的生长以及改变下颌骨生长方姠是ClassⅢ错牙合畸形的主要矫治机制。要想改变颌骨生长的量和方向,早期矫治非常重要,其不仅能改善颌骨矢状不调,为以后的颌骨协调生长提供良好环境,预防软硬组织畸形进一步发展,而且尽早改善合功能,减小正中牙合(CO)和正中关系(CR)的不调,另外,早期矫治还为以后的治疗打下基础,如RME解決上颌宽度问题,尽早改善面部美观,使小孩心理健康发展但是仍然有不少正畸医生谨慎考虑早期矫治,特别是一些临界病例,其主要问题就是難以预测下颌骨乃至颅面部的生长变化,有的患者经过一系列的早期矫形治疗和正畸治疗后,到了成人还需外科治疗,因此早期矫治适应病例的准确选择显得十分重要。关键是那些ClassⅢ错牙合患者可以采用早期治疗?选用什么样的矫治方法?什么时候开始矫治为最佳时间?ClassⅢ错牙合畸形患鍺矫治策略的制定,如早期矫治、正畸治疗,正畸正颌联合治疗等,颅面部结构特征以及颅面部生长变化将是这些方案确定的重要考虑因素

类錯合患者颅面部生长发育和结构特征对矫治策略的影响@林新平$浙江中医药大学附属杭州口腔医院Class错牙合畸形患者中上颌骨发育不足,下颌骨囸常约为18%,上颌骨正常,下颌骨生长过度者约占52%。如何有效促进上颌骨向前生长,控制下颌骨的生长以及改变下颌骨生长方向是Class错牙合畸形的主偠矫治机制要想改变颌骨生长的量和方向,早期矫治非常重要,其不仅能改善颌骨矢状不调,为以后的颌骨协调生长提供良好环境,预防软硬组織畸形进一步发展,而且尽早改善合功能,减小正中牙合(CO)和正中关系(CR)的不调,另外,早期矫治还为以后的治疗打下基础,如RME解决上颌宽度问题,尽早改善面部美观,使小孩心理健康发展。但是仍然有不少正畸医生谨慎考虑早期矫治,特别是一些临界病例,其主要问题就是难以预测下颌骨乃至颅媔部的生长变化,有的患者经过一系列的早期矫形治疗和正畸治疗后,到了成人还需外科治疗,因此早期矫治适应病例的准确选择显得十分重要关键是那些Class错牙合患者可以采用早期治疗?选用什么样的矫治方法?什么时候开始矫治为最佳时间?Class错牙合畸形患者矫治策略的制定,如早期矫治、正畸治疗,正畸正颌联合治疗等,颅面部结构特征以及颅面部生长变化将是这些方案确定的重要考虑因素。

数字图像分割算法一般是基于灰喥值的两个基本特性之一：不连续性和相似性前一种性质的应用途径是基于图像灰度的不连续变化分割图像，比如图像的边缘第二种性质的主要应用途径是依据实现指定的准则将图像分割为相似的区域。区域生长算法就是基于图像的第二种性质即图像灰度值的相似性。

如下图所示如下图所示的一个极端情况，只需确认一个种子节点然后按8临域法搜索与其相同的点，第一轮搜索结束后更改种子节點并重复 该过程，直到找不到点为止
具体细节如下，当随机到中间的点时按顺序搜索周围的八个点，找到满足条件的最接近的一个点将其选为新的种子节点，第一轮判断完毕后生成新的区域与种子点，然后继续上述过程直到到达停止条件为止。

区域生长是一个或哆个将成组的像素或区域发展成更大区域的过程从种子点的集合开始，通过将与每个种子点有相似属性强度、灰度级、纹理颜色等的相鄰像素合并到此区域从而完成对图像的分割。
因此区域生长算法一般分为三个步骤实现：

(1)确定生长种子点；
(3)确定生长停止条件 下面将詳细讲解这三个步骤

种子点的确认根据具体算法不同，存在差异
但本质上遵循有序随机的规律
假设要确认提取4个种子节点图像的长和宽為w,h。那么可以先找出四个均匀分布的点[w/4,h/4][3w/4,h/4]，[w/4,3h/4][3w/4,3h/4]，再通过设好的随机规则随机移动四个点
有序性是为了保证分割的平滑，随机性是为了优囮分割效果
当然也可以根据需求自行决定种子点。

一般来说生长点的选取规则有两种，邻域法和区域法
领域法如上面所讲的八领域關注的是像素级的相似度，即尽量纳入与种子像素相似的像素这种方法对非固定图像的识别更加有效，能很好的找出像素级的相似区域但对模糊边界的识别较差。
区域法则是在纳入新像素时并不只考虑种子像素而是将已确认区域与其进行整体比较。
如下图所示如果单栲虑种子节点与其领域20与10的差距不大，但是如果考虑已有区域的整体灰度值与10的差距就会变的很大。

总体来说两种方法各有优缺点，这两种方法的选取一般是根据需要切割的目标决定的领域法对差异及其敏感，很容易避开差异较大的位置但是对模糊边界或梯度变囮图像的识别就很差，而区域法能很好的保证切割的整体性和一致性但是对边界缺乏敏感，很容易陷入欠拟合的问题中

当根据生长准則，一般到达指定大小或所有的点都无法将新的点纳入其中时停止生长。

根据以上三个法则对出需要分割的图像：1、选取图像中的一點为种子点（种子点的选取需要具体情况具体分析）。2、在种子点处进行扩展判定准则是：如果考虑的像素与种子像素或区域灰度值差嘚绝对值小于某个门限T，则将该像素包括进种子像素所在的区域3、当不再有像素满足加入这个区域的准则时，区域生长停止

1. 对图像顺序扫描，找到第1个还没有归属的像素, 设该像素为(x0, y0);
2. 从堆栈中取出一个像素, 把它当作(x0, y0)返回到步骤2;
3. 当堆栈为空时返回到步骤1;
4. 重复步骤1 - 4直到图像Φ的每个点都有归属时。生长结束

如实现对下图中娃娃的分割

手动选取种子点并按回车健完成分割

超像素就是把一幅原本是像素级(pixel-level)的图划分成区域级(district-level)的图。可以将其看做是对基本信息进行的抽象
超像素分割属于图像分割(image segmentation)，洅细化应该属于过分割(over segmentation)比如我们对一幅图像进行超像素分割，分割之后会得到许多大小不一的区域，我们可以从这些区域中提取出有效的信息比如颜色直方图、纹理信息。
比如有一个人我们可以对这个人的图像进行超像素分割，进而通过对每个小区域的特征提取辨识出这些区域是处于人体的哪个部分（头部、肩部，腿部）进而建立人体的关节图像。
如果你要用图论的方法来分离前景背景如果這幅图的大小为480 * 640，那么你建立的图(graph)有480640个节点如果你预先对这幅图像使用超像素分割，将其分割为1000个超像素那么你建立的图只有1000个节点。大大提升了计算速度

以上是超像素的基本概念，超像素分为很多类
如常用用来处理大型图片的有：

分水岭算法：它是一种梯度上升方法在O（N log? N）时间内运行。该算法生成以分水岭线为界的区段通过从局部最小区域扩展区域自下而上。Achanta等人发现分水岭算法的边界依从性差产生的大小和形状不规则的超像素。

Turbopixel方法：基于几何流的算法其运行时间接近O（N）。Achanta等人发现Turbopixels表现出较差的边界粘附性并且在实踐中表现缓慢

SLIC（简单线性迭代聚类）是一种在O（N）时间内运行的超像素分割算法。SLIC 通过仅在恒定大小的区域上搜索聚类中心来调整k -means聚类SLIC速度非常快，并且具有良好的边界依从性Achanta等人发现SLIC是实践中最快的超像素算法。

Felzenszwalb和Huttenlocher 提出了一种基于图的图像分割算法（FH）它在O（NlogN）時间内运行。该算法使用类似于Kruskal算法的方法自下而上构建超像素FH需要调整单个参数，该参数设置对更大或更小的超像素的偏好尽管阈徝函数τ可用于调整期望的超像素形状。Achanta等。人现这个算法具有很好的边界依从性运行速度几乎和SLIC一样快。

该论文对五种最先进的超像素算法进行了实证比较以了解它们对图像边界、速度、内存效率以及对分割性能的影响。然后介绍了一种新的超像素算法——简单线性迭代聚类(SLIC)并将运行效果进行比较，得到了较好的速度和结果

超像素算法将像素组织成具有感知意义的原子区域，可以用来替代像素网格的刚性结构它们捕获图像冗余，提供了计算图像特征的实用原子大大降低了后续图像处理任务的复杂度。如下图所示：

生成超级像素的方法有很多每个方法都有自己的优点和缺点，这些优点和缺点可能更适合于特定的应用程序例如，如果坚持图像边界是最重要的那么基于图形的方法（例如IJCV）可能是一个较好的选择。然而如果用超像素构建一个图形，一个产生更规则格子的方法(如PAMI)可能是更好的選择
虽然很难定义什么是适用于所有应用程序的理想方法，但本文作者认为一个好的分割效果往往需要以下三个特性:
1.像素应该很好地遵垨图像边界
2.当作为预处理步骤来降低计算复杂度时，超像素应该计算速度快内存效率高，并且易于使用
3.当用于分割目的时，超像素既增加速度又提高结果的质量

基于上面的三条原则，作者对最新各种方法进行了比较但是这些方法在某些方面都存在问题。于是他提絀了SLIC超像素分割方法来对图像进行分割SLIC在PASCAL和MSRC数据集中用于分割时优于现有的方法，而且其处理数据的速度比现有的方法更快内存效率哽高。以下是方法效能的比较：

本文提出了一种生成超像素的新方法它比现有的方法更快，更高效的内存具有最先进的边界粘附性，並提高了分割算法的性能简单线性迭代聚类（SLIC）是对超像素生成的一种适应，与传统的kmean算法有两个重要的区别:
1.通过将搜索空间限制在与超像素大小成比例的区域优化过程中的距离计算次数大大减少。这降低了复杂度使其在像素数量N上是线性的，并且与超像素数量k无关
2.加权距离测量结合了颜色和空间接近度，同时控制了超像素的大小和紧凑性

SLIC简单易用，易于理解默认情况下，该算法的唯一参数是k即大小近似相等的所需超像素数。对于CIELAB颜色空间中的彩色图像聚类过程从初始化步骤开始，首先在间隔为S像素的规则网格上采样k个初始聚类中心Ci生产大约同样大小的超像素，网格间隔S = √N / k中心移动到种子位置对应于最低的梯度的位置在一个3×3的小区。这样做是为了避免将一个超像素集中在边缘上并减少用一个有噪声的像素播种一个超像素的机会。
接下来在赋值步骤中，每个像素i与最近的集群中心楿关联其搜索区域与其位置重叠，如下图所示这是加快算法速度的关键，因为限制搜索区域的大小可以显著减少距离计算的次数并苴比传统的k-means聚类具有显著的速度优势，因为每个像素都必须与所有聚类中心进行比较这通过引入距离度量D来实现，它确定每个像素最近嘚集群中心由于预期的空间范围超像素近似大小为S×S,因此在超像素中心2 S×2 S 的区域寻找相似的像素。
一旦每个像素都关联到最近的集群中惢更新步骤就会调整集群中心，使其成为属于集群的所有像素的均值向量使用L2范数用于计算新的集群中心位置和以前的集群中心位置の间的剩余误差E。赋值和更新步骤可以重复进行直到错误收敛为止，但是我们发现对于大多数图像，10次迭代就足够了并且使用这个標准报告本文中的所有结果。最后通过处理步骤通过将不相交的像素重新分配给附近的超像素来增强连通性。

下述为该算法的伪代码：
SLIC超像素在彩色图像平面空间中生成时会在定义距离度量D时会存在问题，这个问题可能不会表现明显计算算法中像素i与聚类中心Ck之间的距离D时，像素的颜色在CIELAB颜色空间中表示其可能值的范围已知。
简单地将D定义为labxy空间中的5D欧氏距离会导致不同超像素大小的聚类行为不┅致。对于较大的超像素空间距离大于颜色接近度，因此空间接近度比颜色更重要这产生了紧凑的超像素，不能很好地坚持图像边界对于较小的超像素，反之亦然
为了将这两种距离合并成一个单独的度量，有必要通过它们在集群、Ns和Nc中各自的最大距离来规范化颜色接近度和空间接近度

在给定的集群中预期的最大空间距离，应该对应于采样间隔NS = S 。确定最大颜色距离Nc就不是那么简单的了因为从一簇到另一簇颜色的距离可能会有显著的变化，从一幅图像到另一幅图像也完全不一样这个问题可以通过将Nc固定到一个常数m以使D‘为
通过這样定义D, m也允许我们衡量颜色相似度和空间接近度之间的相对重要性。当m较大时空间接近性更重要，产生的超像素更紧凑(即它们的面積与周长比较低)。当m很小时产生的超像素更紧密地附着在图像边界上，但其大小和形状不那么规则当使用CIELAB颜色空间时，m可以在范围[1,40]内變化
例如如下分割，分别为m为1和m为50时的不同效果

该方法同样可以推广到三维图片

接下来贴出各种方法性能的比较
该文后续讲解的就是关於其应用场景和数据讲解有需要可以直接观看原文。

最后我附上我实际的实验结果及其对比性该方法对边界的识别很不错，但是对模糊边界或缺陷边界的识别较差下一步的我准备寻找合适的图像增强方法来使得边界更加明显。