区域生长聚类算法介绍

### 区域生长聚类算法概念

区域生长是一种基于像素相似性的图像分割技术，通过聚集具有相似特征的像素点来构建连贯的区域。该过程始于选定的一组种子像素，在这些种子的基础上逐步扩展至相邻且符合特定相似性标准的其他像素[^1]。

### 工作流程解析

#### 种子选取
选择合适的种子对于成功实施区域增长至关重要。通常情况下，可以从图像中的某些显著位置挑选种子，也可以随机分布多个种子在整个待处理区域内。理想状态下，每个预期要分离出来的目标对象至少应该有一个对应的起始种子点[^2]。

#### 生长准则设定
定义清晰的增长规则是实现有效分区的关键因素之一。常见的判断依据包括但不限于：

- **灰度差异**：计算候选加入新区域的像素与其当前所属区间的平均亮度差距；
- **色彩属性**：考虑RGB或其他颜色空间下的色调一致性；
- **纹理特性**：评估局部模式重复性和方向感等因素；

当新增加成员后的统计参数变化保持在预设阈值范围内，则允许其并入现有集群；反之则停止扩张动作。

#### 迭代执行
随着符合条件的新元素不断被吸纳进来，原始种群逐渐发展壮大成为更大的连续区块。此操作持续循环直至遍历完所有可能连接的对象边界处为止，最终完成整个场景内各独立部分的有效划分。

import numpy as np
from skimage.segmentation import expand_labels


def region_growing(image, seeds, threshold):
    """
    实现简单的二维图像区域生长算法
    
    参数:
      image (ndarray): 输入的灰度图或彩色图片数组
      seeds (list of tuples): 初始种子列表 [(y,x), ...]
      threshold (float): 像素间最大允许的距离/差异
      
    返回:
      label_image (ndarray): 输出带有标签的结果矩阵
    """

    # 初始化标记图像以及访问记录表
    height, width = image.shape[:2]
    visited = np.zeros((height, width), dtype=bool)
    labels = np.zeros_like(visited)

    for idx, seed in enumerate(seeds):

        stack = [seed]

        while len(stack) != 0:

            current_point = stack.pop()
            
            y, x = current_point
            
            if not visited[y, x]:
                
                neighbors = [
                    p for p in get_neighbors(current_point, height, width)
                    if not visited[p[0], p[1]]
                ]
                    
                mean_intensity = calculate_mean_intensity(image, labels==idx+1)

                intensity_diffs = abs(image[tuple(zip(*neighbors))] - mean_intensity)

                valid_points = list(compress(neighbors, intensity_diffs<threshold))

                update_label(labels, valid_points, idx + 1)

                stack.extend(valid_points)

                visited[current_point] = True
                
    return labels


def get_neighbors(point, h, w):
    """获取给定点周围的邻居坐标"""
    dydx = ((-1,-1),(0,-1),(1,-1),
             (-1, 0),       (1, 0),
             (-1, 1),(0, 1),(1, 1))
    
    ys, xs = zip(*(tuple(map(sum,zip(point,d))) for d in dydx))
    
    mask = (np.array(xs)>=0)&(np.array(xs)<w)\
           &(np.array(ys)>=0)&(np.array(ys)<h)
           
    return tuple(zip(np.compress(mask, ys), np.compress(mask, xs)))


def calculate_mean_intensity(img, mask):
    """根据掩码计算均值强度"""
    masked_img = img.copy()[mask]
    return masked_img.mean() if any(masked_img) else None
    

def update_label(label_map, points, new_value):
    """更新指定坐标的标签值"""
    for pt in points:
        label_map[pt] = new_value
        
# 示例调用方式        
image_data = load_your_image_here()  # 加载测试用的数据集
start_positions = [(50,75)]          # 定义一些初始种子的位置
tolerance_level = 3                  # 设置容差范围用于控制生长速度与精度
resulting_segments = region_growing(image_data, start_positions, tolerance_level)