基于最大相似性区域合并的交互式图像分割系统

资 源 简 介

本程序实现了一种基于最大相似性原则的交互式图像分割算法，旨在通过简单的用户干预实现复杂背景下的目标精确提取。项目核心逻辑首先将原始图像进行过分割处理，形成大量具有同质性的初始区域。在此基础上，用户通过交互界面在目标区域和背景区域分别标记种子点。算法随后通过构建区域邻接图（RAG），动态计算相邻区域之间的相似性度量，包括颜色统计直方图的巴氏距离、纹理特征的关联度以及边缘梯度强度。在合并阶段，程序遵循最大相似性准则，依次将与已知目标种子点相似度最高的相邻区域进行迭代合并。这种方法能够有效处理具有复杂纹理或光照

详 情 说 明

基于最大相似性区域合并的交互式图像分割

项目介绍

本项目实现了一种基于最大相似性原则的交互式图像分割工具。其核心目标是通过少量的人工干预（点击种子点），在复杂的图像背景中准确提取出目标物体。该程序结合了计算机视觉中的超像素分割技术、图论表达和统计相似性度量，通过迭代合并的过程使分割边界逐渐向目标边缘靠拢，最终生成高质量的二值掩膜和前景图像。

功能特性

• 灵活的图像加载：支持用户自定义上传各类主流格式图像（JPG、PNG、BMP），并具备灰度图自动转彩色的兼容性。
• 超像素预处理：利用 SLIC 算法将原始像素级图像转化为具有感知一致性的超像素块，大幅提升处理效率。
• 直观的交互逻辑：用户分两步分别指定“目标”种子点（红色）和“背景”种子点（蓝色），操作简便。
• 精准的相似性度量：通过 48 维归一化颜色统计直方图的巴氏距离进行区域匹配，能够有效分辨颜色细微差异。
• 动态区域生长：基于区域邻接图（RAG）寻找候选区域，并结合前景相似度和背景排斥因子进行综合评分合并。
• 自动化后处理：内置形态学运算，自动修复分割结果中的孔洞并平滑边缘毛刺。

使用方法

1. 启动程序：在 MATLAB 环境下运行脚本，程序会弹出文件选择对话框。
2. 图像预分割：选择图片后，程序会自动执行超像素分割，并在左侧显示带有白色网格线的待分割图像。
3. 选择目标点：在图像中标注一个或多个属于你想要提取的物体的点击点，点击完成后按下“回车键（Enter）”确认。
4. 选择背景点：在图像中标注一个或多个属于背景区域的点击点，点击完成后按下“回车键（Enter）”确认。
5. 等待处理：程序将自动进行邻接图构建及区域迭代合并。
6. 查看结果：处理完成后，程序会弹窗展示带边界的分割图、二值掩膜图以及最终抠出的前景目标。

系统要求

• MATLAB R2016a 或更高版本。
• Image Processing Toolbox（图像处理工具箱）。
• 操作系统：Windows、macOS 或 Linux 分发版。

详细功能实现逻辑

主程序的执行流程严格遵循以下技术路径：

• 图像加载与自适应：首先检测加载图像的通道数，若为单通道灰度图，则强制转换为三通道 RGB 图像，确保后续颜色统计的一致性。
• SLIC 超像素过分割：将图像划分为约 800 个初始区域。这一步骤将数以百万计的像素点压缩为少量具有同质性的超像素模块，作为后续合并的最小基本单位。
• 种子点映射与标记：记录用户输入的坐标，并根据标签矩阵将这些点映射到具体的超像素索引上。建立状态向量，标记前景种子为 1，背景种子为 -1，未标记区域为 0。
• 特征空间构建：为每个超像素生成双重特征表达。一是平均 RGB 颜色，二是分 16 个 Bin 的 R、G、B 三通道归一化直方图。直方图特征能更好地捕捉区域内的纹理分布。
• 区域邻接关系识别：通过全局扫描标签矩阵的相邻像素，查找标签值发生变化的位置，记录所有物理上相邻的超像素对，生成区域邻接图（RAG）的邻接矩阵。
• 迭代合并算法：这是程序的核心。算法在每一轮迭代中，挑选所有与“已知前景集”相邻的“未知区域”。计算每个候选区域与所有种子前景区域的巴氏系数（Bhattacharyya Coefficient），选取最大值作为相似度得分。同时计算其与背景种子点的相似度，采用“前景得分 - 0.5 * 背景得分”的项目公式进行排序。
• 阈值控制：当最高评分大于 0.4 时，将该区域合并入前景集并开启下一轮迭代，直至找不到符合条件的区域或所有区域均被标记。
• 形态学精修：应用 imfill 填充目标内部由于光照不均或空洞产生的未选中区域，利用 imopen（圆盘结构元素）去除合并过程中产生的边缘微小突起。

关键算法与技术细节

• 超像素（Superpixels）：利用 SLIC 算法在计算效率和边界保持之间取得平衡，避免逐像素处理导致的算力浪费。
• 区域邻接图 (RAG)：邻接矩阵记录了超像素间的空间连通性，确保合并过程是有序的物理生长，而不是随机的颜色填充。
• 巴氏距离 (Bhattacharyya Distance)：通过公式 sum(sqrt(hist1 .* hist2)) 计算直方图重叠度。相比于简单的均值距离，它对颜色分布的统计特性更敏感，抗噪性更强。
• 竞争合并机制：在计算得分时引入背景相似度的负向反馈，这是一种竞争策略，能有效防止目标区域向相似背景（如绿色叶片中的绿色目标）过度蔓延。
• 边界平滑化：通过计算 finalMask 的 boundarymask 并叠加在原图上，为用户提供精确的边界预览体验。