灰度阈值分割区域生长法

### 实现灰度阈值分割和区域生长法的图像处理技术

#### 灰度阈值分割 (Gray Level Thresholding)

灰度阈值分割是一种简单而有效的图像分割方法，尤其适用于光照条件不佳的情况。该方法的核心在于选择合适的阈值将像素分为前景和背景两类[^1]。

在实际应用中，通常会先对图像进行预处理以增强对比度或去除噪声。接着，根据选定的阈值将每个像素点分类为对象或背景：

import cv2
import numpy as np

def gray_level_thresholding(image_path, threshold_value=127):
    # 加载灰度图像
    img = cv2.imread(image_path, 0)
    
    # 应用固定的全局阈值操作
    ret, thresh_img = cv2.threshold(img, threshold_value, 255, cv2.THRESH_BINARY)
    
    return thresh_img

此代码片段展示了如何利用OpenCV库执行基本的固定阈值分割[^2]。

#### 区域生长算法 (Region Growing Algorithm)

区域生长是从种子点出发逐步扩展到相邻相似像素的过程。其主要优点是可以更好地保持物体边界连续性和内部一致性。具体实现如下：

def region_growing(image, seed=None):
    """
    :param image: 输入单通道灰度图像
    :param seed: 种子坐标列表，默认随机选取若干个点作为初始种子
    """

    # 获取图像尺寸并初始化标记矩阵
    rows, cols = image.shape[:2]
    segmented = np.zeros_like(image)

    if not seed:
        seeds = [(np.random.randint(0, rows), np.random.randint(0, cols)) for _ in range(5)]
    else:
        seeds = [seed]

    while len(seeds) > 0:
        current_seed = seeds.pop()
        
        # 访问当前种子位置处的颜色强度
        intensity = image[current_seed[0], current_seed[1]]
        
        queue = [current_seed]
        visited = set()

        while queue:
            point = queue.pop(0)
            
            if point in visited:
                continue
                
            i, j = point
            
            # 设置邻接范围内的差异容忍度
            diff_tolerance = 30
            
            # 判断周围8领域内是否有符合条件的新节点加入队列
            neighbors = [
                (i-1,j),(i+1,j),
                (i,j-1),(i,j+1),
                (i-1,j-1),(i-1,j+1),
                (i+1,j-1),(i+1,j+1)]

            for neighbor in neighbors:
                ni, nj = neighbor
                
                if 0 <= ni < rows and 0 <= nj < cols \
                   and abs(intensity - image[ni][nj]) < diff_tolerance\
                   and segmented[ni][nj]==0:

                    segmented[ni][nj]=intensity
                    queue.append((ni,nj))
                    
            visited.add(point)

    return segmented

上述Python脚本实现了简单的区域生长逻辑，其中`diff_tolerance`参数控制着新成员纳入集合的标准松紧程度；较小的值意味着更严格的匹配要求，反之亦然。