成長地域

領域成長法は、領域ベースのシンプルな画像分割手法です。初期シード点の選択を伴うため、ピクセルベースの画像分割手法にも分類されます。

このセグメンテーション手法では、初期シード点の近傍ピクセルを調べ、近傍ピクセルを領域に追加すべきかどうかを判断します。このプロセスは、一般的なデータクラスタリングアルゴリズムと同様に繰り返し実行されます。領域拡張アルゴリズムの概要については、以下で説明します。

セグメンテーションの主な目的は、画像を領域に分割することです。閾値処理などのセグメンテーション手法は、グレースケールや色特性の不連続性に基づいて領域間の境界を探すことでこの目的を達成します。領域ベースのセグメンテーションは、領域を直接決定する手法です。基本的な定式化は次のとおりです。^{[ 1 ]}

${\displaystyle (a){\text{ }}\bigcup _{i=1}^{n}{R_{i}=R.}}$

$\displaystyle (b) R_{i} は連結領域である (i=1,2,...,n)$

${\displaystyle (c){\text{ }}R_{i}\bigcap R_{j}=\varnothing ,i\neq j}$

${\displaystyle (d){\text{ }}P(R_{i})=\mathrm {TRUE} {\text{ for }}i=1,2,...,n.}$

${\displaystyle (e){\text{ }}P(R_{i}\bigcup R_{j})=\mathrm {FALSE} {\text{任意の隣接領域}}R_{i}{\text{および}}R_{j}について。}$

${\displaystyle P(R_{i})}$は、集合内の点に対して定義された論理述語である。${\displaystyle R_{i}}$そして${\displaystyle \varnothing }$は空集合です。

（a）は、セグメンテーションが完全でなければならないことを意味します。つまり、すべてのピクセルが領域内になければなりません。

（b）領域内の点が何らかのあらかじめ定義された意味で接続されている必要がある。

（c）は、領域が互いに素でなければならないことを示しています。

（d）は、分割された領域内のピクセルが満たさなければならない特性を扱います。たとえば、${\displaystyle P(R_{i})={\text{TRUE}}}$すべてのピクセルが${\displaystyle R_{i}}$同じグレースケール値を持つ。

（e）は、その領域を示す。${\displaystyle R_{i}}$そして${\displaystyle R_{j}}$述語の意味において異なる${\displaystyle P}$。

領域拡張の最初のステップは、シードポイントのセットを選択することです。シードポイントの選択は、ユーザーが設定した基準（例えば、特定のグレースケール範囲のピクセル、グリッド上に均等に配置されたピクセルなど）に基づいて行われます。初期領域は、これらのシードポイントの正確な位置から始まります。

次に、領域メンバーシップ基準に基づいて、これらのシードポイントから隣接するポイントへと領域が拡張されます。この基準としては、例えば、ピクセル強度、グレースケールテクスチャ、または色などが挙げられます。

領域は基準に基づいて分割されるため、画像情報自体が重要となる。例えば、基準が画素強度の閾値である場合、画像のヒストグラムに関する知識は、領域メンバーシップ基準に適した閾値を決定するために役立つ。

シード点から成長させるには、4連結近傍を使用できます。隣接ピクセルの関係を表す別の方法として、 8連結近傍があります。シード点に隣接するピクセルを調べ、同じ輝度値を持つ場合はシード点に分類します。これは、2回の連続する反復段階で変化がなくなるまで繰り返されるプロセスです。他の基準を選択することもできます。主な目的は、画像の類似性を領域に分類することです。

セグメンテーションの主な目的は、画像を明確かつ意味的に意味のある領域に分割することです。これまでの議論では、この目的を達成するために、境界検出や閾値処理など、さまざまな手法を検討してきました。しかし、領域成長法は、指定されたシードポイントから領域を直接識別して拡張することに焦点を当てた代替アプローチであり、画像セグメンテーションの分野に新たな視点をもたらします。

領域拡張とは、あらかじめ定義された基準に基づいてピクセルまたはサブ領域をより大きなまとまりのある領域にグループ化するために使用される、高度なアルゴリズム技術です。この反復プロセスは、画像内に戦略的に配置されたシードポイントから始まります。これらのシードは領域拡張の起点となり、輝度や色域などの特定の類似性基準を満たす隣接ピクセルが徐々に拡張領域に取り込まれ、まとまりのある境界が明確に定義されます。

適切なシードポイントの選択は、領域拡張において極めて重要な要素であり、セグメンテーション処理の有効性と精度に大きく影響します。シードポイントは、既存のドメイン知識に基づいて選択することも、ピクセル特性を分析することで動的に計算することもできます。事前情報が不足している場合は、各ピクセルの特性を計算し、値のクラスターが潜在的なシードポイントを示します。これらのクラスターの中心に近いピクセルは、シードポイントとして適していると判断されることがよくあります。

類似性基準の選択と定義は、領域拡大プロセスを導く上で極めて重要です。基準の選択は、特定の課題領域と対象となる画像データの特性によって異なります。例えば、土地利用衛星画像解析のようなアプリケーションでは、色が領域境界の決定において重要な役割を果たすことがありますが、モノクロ画像では、輝度と空間特性がより重要になります。

接続性を確保することは、領域拡張における基本的な要素であり、有意義なセグメンテーション結果を生成するために不可欠です。接続性を考慮しないと、偽の領域が形成され、セグメンテーションプロセスの整合性と有用性が損なわれる可能性があります。接続性メカニズムは、ピクセルを意味のある領域に整合的に集約することを促進し、セグメンテーション結果の解釈可能性と適用性を向上させます。

領域拡張プロセスの終了を制御するためには、堅牢な停止ルールを確立することが不可欠です。強度、テクスチャ、色などの局所的な基準は領域拡張の停止に重要な役割を果たしますが、サイズ、拡張ピクセルとの類似性、領域形状などの追加パラメータは、セグメンテーション結果の精度向上に貢献します。これらの停止ルールにより、領域に含めるための事前定義された基準が満たされなくなった時点で領域拡張が停止し、正確で意味のあるセグメンテーション結果の生成が促進されます。

8連結性に基づく基本的な領域拡張アルゴリズムは、以下のように要約できます。

• シード配列S(x, y)内のすべての連結成分を見つけ、各連結成分を1ピクセルに縮小し、そのようなピクセルをすべて1とラベル付けします。S内のその他のすべてのピクセルは0とラベル付けされます。
• 画像foを生成する。ただし、座標(x, y)のペアにおいて、入力画像がその座標で与えられた述語Qを満たす場合はfo(x, y) = 1、そうでない場合はfo(x, y) = 0とする。
• g を、S の各シード点に、そのシード点に 8 接続されている fo のすべての 1 値点を追加することによって形成される画像とする。
• g内の各連結成分に、異なる領域ラベル（例：1、2、3、…）を付与します。これが領域拡張によって得られたセグメント化画像です。

• k平均クラスタリング
• 流域（画像処理）

• 丁建俊、「時間周波数解析とウェーブレット変換」の授業、国立台湾大学（NTU）電気工学科、台北、台湾、2007年。
• 丁建俊、「高度デジタル信号処理」の授業、国立台湾大学（NTU）電気工学科、台北、台湾、2008年。
• WKプラット著、『デジタル画像処理 第4版』、ジョン・ワイリー・アンド・サンズ社、カリフォルニア州ロスアルトス、2007年
• M. Petrou および P. Bosdogianni、『画像処理の基礎』、Wiley、英国、2004 年。
• RC ゴンザレス、RE ウッズ著、『デジタル画像処理 第 2 版』、プレンティス ホール、ニュージャージー、2002 年。