基于区域邻接图的自适应图像区域合并算法库

资 源 简 介

本项目专注于实现和封装基于区域邻接图（Region Adjacency Graph, RAG）的图像区域合并规则与从属算法。其主要功能包括：1. RAG构建：根据输入的初始图像分割结果（如超像素或分水岭分割标签），自动构建节点代表区域、边代表邻接关系的图结构；2. 多维度合并规则设定：提供灵活的接口定义区域合并的判别标准，支持基于颜色欧氏距离、纹理特征差异、边界强度以及区域大小比率的加权组合规则；3. 迭代合并引擎：实现高效的贪婪算法或层级合并策略，在每次迭代中查找最小权重的边，判断是否满足合并阈值，若满足则合并对应节点并动态更新图的拓扑结构及相关属性（如新区域的均值、相邻关系）；4. 结果优化：能够有效减少图像的过分割现象，将语义相似的小区域融合成完整的物体区域。该工具代码结构清晰，易于根据具体应用场景（如医学影像分析、遥感地物分类）修改合并代价函数，是研究图像分割后处理阶段的有力辅助工具。

详 情 说 明

基于区域邻接图(RAG)的自适应区域合并算法库

项目简介

本项目实现了一套基于区域邻接图（Region Adjacency Graph, RAG）的图像区域合并算法库。该工具旨在作为图像分割后的处理步骤，通过分析区域间的颜色、纹理和空间关系，自动将过分割的图像（如超像素）合并为语义完整的区域。核心引擎采用迭代贪婪策略，支持动态更新图拓扑结构和区域属性，能够显著减少过分割现象，适用于医学影像分析、遥感图像处理及计算机视觉基础研究。

核心功能特性

• 自动化数据生成：内置合成图像生成器，能够创建包含颜色差异、纹理特征及噪声的测试图像，无需外部数据即可运行演示。
• 初始过分割处理：集成简单线性迭代聚类（SLIC）算法，基于紧凑度参数生成初始超像素，为RAG构建提供基础节点。
• 多维特征提取：

* 颜色特征：自动将图像从RGB空间转换为Lab颜色空间，计算区域平均颜色以符合人类视觉感知。 * 纹理特征：利用灰度图像的区域像素标准差作为纹理描述符。 * 几何特征：计算区域质心及像素面积大小。

• 高效RAG构建：利用稀疏矩阵存储邻接关系，通过向量化操作（矩阵移位比较）快速识别水平和垂直方向的相邻区域，构建无向图结构。
• 自适应迭代合并引擎：

* 采用贪婪算法策略，每次迭代优先合并代价最小的边。 * 支持RAG拓扑的动态维护，在节点合并后自动更新邻接关系和边权重，无需全局重建。 * 实现了区域属性的加权更新（颜色、纹理、大小），确保合并后的新区域特征准确。

• 可配置的合并代价模型：提供灵活的代价计算接口，综合加权了颜色欧氏距离、纹理差异以及基于区域尺寸的惩罚因子（优先合并小区域）。

系统要求

• MATLAB R2014b 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 环境准备：确保MATLAB路径中包含本项目的所有函数文件。
2. 运行主程序：直接执行主入口函数。程序将自动生成合成数据，执行从过分割到最终合并的全过程。
3. 参数调整：在主函数的参数设置部分，可以修改以下关键参数以适应不同场景：

* 超像素数量：决定初始分割的精细程度。 * 紧凑度：控制初始超像素的形状规则程度。 * 合并阈值：决定迭代停止的条件，阈值越高合并越激进。 * 权重系数：分别控制颜色差异、纹理差异和区域大小在合并判别中的重要性。

算法实现细节

本项目的主要逻辑流程分为数据准备、图构建、迭代合并与结果重构四个阶段，具体实现逻辑如下：

1. 初始分割与图构建

• 超像素生成：利用SLIC算法对原始图像进行过分割，生成标签矩阵。为方便后续计算，标签即被视为RAG的初始节点索引。
• 节点特征计算：遍历每个标签区域，提取Lab颜色均值、灰度标准差（纹理）以及像素索引列表。
• 邻接与边构建：

* 不使用低效的双重循环，而是通过对标签矩阵进行“错位比较”（当前像素与右侧/下方像素对比），快速提取所有相邻节点对。 * 使用稀疏矩阵（Sparse Matrix）构建邻接矩阵，并确保其对称性，以此表示无向图的边。

2. 多维合并代价计算

合并代价函数 (calculateCost) 定义了两个相邻区域是否相似。计算公式包含三个核心部分：

• 颜色距离：Lab空间下两个区域均值的欧氏距离。
• 纹理差异：两个区域灰度标准差的绝对差值。
• 尺寸因子：鼓励小区域优先合并。使用了两个区域大小最小值的平方根作为调节因子。
• 最终代价是颜色与纹理的加权和乘以尺寸因子的结果。

3. 动态迭代合并引擎

这是本项目的核心模块 (performRegionMerging)，其工作流程如下：

• 初始化：将稀疏矩阵中的所有边转换为边列表（Edge Table），并预计算所有边的初始代价。
• 贪婪迭代：

* 在循环中不断查找并选中代价最小且低于设定阈值的边。 * 节点融合：将两个节点（r1, r2）合并。新节点的属性（颜色、纹理）通过基于像素数量的加权平均计算得出，以保证统计特性的准确性。 * 映射更新：建立索引映射，记录被吞并的节点（r2）指向保留节点（r1）的关系。 * 局部拓扑更新：这是算法高效的关键。并不重建整个图，而是移除被吞并节点的相关边，将其邻居重新连接到保留节点上。 * 即时权重更新：对于新建立的连接，立即基于更新后的节点属性重新计算合并代价。

• 终止条件：当最小边的代价超过预设阈值，或图中不再存在有效边时，停止迭代。

4. 结果重构

合并过程完成后，算法通过路径压缩逻辑处理节点映射表，将所有初始标签映射到最终的区域ID。随后，根据映射关系重建最终的图像标签矩阵，完成从像素级数据到语义区域的转换。