简介：本资源是面向图像处理初学者与MATLAB实践者的专项教学包，聚焦区域生长算法在图像分割中的原理实现与工程应用。针对医学影像分析、遥感地物识别等典型场景，系统讲解从种子点选取、相似性准则设定到区域迭代扩张的完整流程，并涵盖噪声抑制、边界优化及多阈值改进策略。压缩包共6个文件（4个MATLAB源码文件用于核心算法实现与结果可视化，1幅TIFF格式测试图像，1段MP4实操演示视频），总大小38.29MB，结构精炼、即下即用。已有545人学习下载，内容包含可运行的ruzhan.m与shengzhang.m主函数、辅助排序脚本arrange.m、列表管理脚本listed.m，以及结课作业实录视频，覆盖理论推导、代码调试、结果对比与常见问题解析，助力读者扎实掌握区域生长这一经典分割方法的MATLAB落地能力。 从我个人的经验来说，MATLAB图像处理里“区域生长”这个词，属于那种看起来不起眼、但实际做项目时经常能救命的基础算法。尤其是当你拿到一张目标区域和背景灰度接近、但边缘还算连续的图像，阈值分割和边缘检测全都失效时，区域生长往往能给你一个意想不到的干净结果。这个专题是MATLAB图像处理系列的第19篇，标题很简单——区域生长用于图像分割，但我打算把它讲透一点，不光给你能直接跑的代码，还会把这套方法背后的原理、选参逻辑、和那些一踩一个准的坑都交代清楚，方便你不管是做大作业还是做实际项目，都能直接照着用。
1. 区域生长为什么到现在还是分割算法的必修课
先说结论：在深度学习分割大行其道的今天，区域生长这种经典方法依然有它的生态位，尤其是小样本、医学图像、规则连通区域提取这些场景下，它的可解释性和可控性比很多黑盒模型要好得多。
区域生长的核心思路特别朴素——从一组种子点出发，按照一定规则，把周围相似的像素“吸收”进当前区域，直到没有新的像素满足条件为止。这就像一个墨水滴到宣纸上，慢慢向外洇开的过程。墨水的扩散范围由纸张的纹理决定，而区域生长的范围由像素之间的相似度规则决定。
我在实际里比较过几种常见分割方法，各自的脾气差异很大：
- 阈值分割：最简单，但只适用于目标和背景灰度差异明显的图。稍微来点光照不均或者噪声，分割结果就变成“满天星”。
- 边缘检测：擅长找轮廓，但边缘断线之后很难闭合，后续要补齐边缘成本很高。
- 分水岭：对粘连目标效果好，但特别容易过分割，必须配合标记点使用。
- 区域生长：利用的是像素的“连通性+相似性”，天然保证分割结果是连通区域，而且不需要训练过程，人工干预直观，算法逻辑一眼就能看懂。
区域生长最大的优势在于，它把“分割”这个抽象问题转化成“找种子点”和“定生长规则”两个具体问题。种子点可以用鼠标点一下，也可以通过先验知识自动算；生长规则可以根据灰度、纹理、颜色等多个维度自定义。这种灵活性让它在工程上非常受欢迎。
你如果想把这套东西用到自己的项目里，首先得想明白一个问题：你要分割的目标区域是不是连通的？如果目标被噪声分割成好几块，或者本来就是多块不相连的区域，区域生长的效果会大打折扣。这是这个方法最本质的适用边界。
2. 区域生长的核心机制：三个关键要素怎么定
区域生长算法整个流程看起来很简短，但真正决定效果好坏的是三个要素：种子点选取、生长准则、停止条件。很多教程把这三件事混在一起讲，导致新手调参时无从下手。我分别拆开说清楚。
2.1 种子点的选取：实验成功的一半
种子点就是生长的起点。选错种子，后面全部白搭。实际操作中种子点有几种来源：
- 手动交互：在图像上人工点选目标区域内的像素点，这是最简单也最可靠的方式，因为它完全利用了人对图像的理解能力。初学者建议从手动开始。我在代码里给了
ginput的交互接口，可以直接运行然后鼠标点选。 - 先验坐标：有时候目标区域的位置基本固定（比如工业检测中零件在图像中的位置不变），你可以直接在代码里写死坐标。
- 自动选取：结合阈值、模板匹配、局部极大值等方法自动找到种子。这属于进阶玩法，精度要求高时比较麻烦。
不管哪种方式，种子点有一个硬性要求：必须落在目标内部。如果种子点落在边界上或者背景上，生长结果会完全跑偏。
2.2 生长准则：决定区域边界的尺子
生长准则是判断“一个像素能不能加入当前区域”的规则。这是我调参时花费时间最多的地方，因为不同准则对结果的影响是决定性的。
常用准则有以下几种：
| 准则类型 | 判定方式 | 适用场景 |
|---|---|---|
| 固定阈值差 | 当前像素与种子像素灰度差 < 阈值 | 目标灰度均匀、背景灰度差异大 |
| 区域均值差 | 当前像素与区域平均灰度差 < 阈值 | 目标内部灰度有缓慢变化 |
| 联合方差准则 | 加入后区域方差显著增大则停止 | 纹理均匀的医学图像 |
| 边缘约束准则 | 像素同时需要不落在边缘图上 | 目标与背景灰度接近但边缘明显 |
第一优先级推荐的是“固定阈值差”。因为简单可控，而且对大多数处理对象来说已经够用。你把种子点的灰度值当作参考基准，只要邻域像素和这个基准的差值小于阈值，就把它纳入区域。这种方式对目标内部灰度均匀的图像效果特别稳定。
但要注意一个情况：当目标内部存在灰度缓慢变化（比如CT图像中的软组织区域），固定阈值差可能在中途停下，导致分割不完整。这时候要切换到“区域均值差”。随着像素一个个加入，区域均值会不断更新，实际判定时采用动态阈值，容忍度更大。代价是阈值参数更敏感，稍有不慎就会从一个缺口“泄漏”到背景里。
2.3 停止条件：生长不能无限进行
停止条件通常和生长准则结合起来判断：当一个像素的邻域中没有任何满足相似性条件的像素时，生长过程自然终止。也可以增加额外的限制，比如最大区域面积、迭代次数上限，防止异常时算法跑飞。
这里有个细节容易被忽略：连通性的定义。区域生长中“邻域”通常指4邻域或8邻域。4邻域只考虑上下左右四个方向，生长出来的区域边界相对光滑；8邻域包括对角线方向，容易产生毛刺，但抗断裂能力强。医学图像分割经常用26邻域做三维生长，那是三维版本，二维里主要就在4和8之间选。我个人的经验是：如果目标边缘比较精细，用4邻域；如果目标有细长突起，怕断线，用8邻域。
3. MATLAB环境下的完整实现流程
光讲原理不写代码就是耍流氓。这一节我直接给出一套完整的、能跑的MATLAB实现。考虑到这个系列是实战向的，我尽量把代码组织得清晰、可复用，而且照顾到新手容易犯的错误。
3.1 目录结构和函数设计
拿到这个项目素材时，我是按一个最小可运行工程来组织的，建议你也这样安排：
regionGrowDemo/ ├── main.m % 主脚本，演示完整流程 ├── regionGrow.m % 区域生长核心函数 ├── pickSeed.m % 手动点选种子点，封装交互逻辑 └── test.jpg % 测试图像核心的regionGrow.m函数我用的是BFS（广度优先搜索）的思路，这样能让算法稳定地向外扩，而不是沿着一条路走到底。
3.2 核心代码逐段拆解
下面是区域生长的核心函数：
function J = regionGrow(I, seed, thresh, connectivity) % REGIONGROW 基于种子点的区域生长分割 % 输入: % I 灰度图像，double类型，范围[0,1] % seed 种子点坐标，[row, col]，可以是多个点的Nx2矩阵 % thresh 生长阈值，灰度差小于该值则纳入区域 % connectivity 邻域方式，4或8 % 输出: % J 逻辑掩膜，目标区域为true if ~isa(I, 'double') I = im2double(I); end [rows, cols] = size(I); J = false(rows, cols); visited = false(rows, cols); % 队列初始化：使用FIFO队列实现BFS queue = []; for k = 1:size(seed, 1) r = seed(k, 1); c = seed(k, 2); if r >= 1 && r <= rows && c >= 1 && c <= cols queue = [queue; r, c]; visited(r, c) = true; J(r, c) = true; end end % 参考灰度取所有种子点的均值，避免单个种子受噪声干扰 refGray = mean(I(sub2ind([rows, cols], seed(:,1), seed(:,2)))); % 根据connectivity参数设置邻域偏移量 if connectivity == 8 offsets = [-1 -1; -1 0; -1 1; 0 -1; 0 1; 1 -1; 1 0; 1 1]; else offsets = [-1 0; 1 0; 0 -1; 0 1]; end % BFS生长主循环 head = 1; while head <= size(queue, 1) r = queue(head, 1); c = queue(head, 2); head = head + 1; for i = 1:size(offsets, 1) nr = r + offsets(i, 1); nc = c + offsets(i, 2); if nr >= 1 && nr <= rows && nc >= 1 && nc <= cols && ~visited(nr, nc) visited(nr, nc) = true; if abs(I(nr, nc) - refGray) < thresh J(nr, nc) = true; queue = [queue; nr, nc]; end end end end % 后处理：提取最大连通域，去除小噪声块 J = bwareafilt(J, 1); end这里有几个设计决策值得说明：
- 为什么用BFS而不是递归或栈？MATLAB的递归深度有限，图像一大就蹦出“Maximum recursion limit reached”；BFS用循环实现，内存可控，而且区域生长的顺序正好符合从种子点向外均匀扩散的直觉。
- 为什么参考灰度取种子点均值而非第一个种子点的值？当你选了多个种子时，均值能降低单点噪声的影响。如果目标内部灰度分布不太均匀，可以用动态均值（每加入一个新像素就更新一次
refGray），但注意动态均值容易引起“泄漏”，建议基础版先用固定参考值。 - 为什么结尾加
bwareafilt(J, 1)？生长过程可能因为噪声漏进几个孤立的点，取最大连通域能把这些小杂质去掉。注意这个操作会把非连通的合法区域也删掉，所以只适用于目标是单一连通区域的情况。
3.3 交互式种子点选取的实现
手动选种子听起来简单，但直接写交互代码时有不少细节。下面这段可以直接集成到主脚本里：
% main.m 中的种子点交互选择部分 figure('Name', '区域生长 - 手动选择种子点'); imshow(img); title('请点击目标区域内部种子点，按回车确认'); [x, y] = ginput; % x对应列坐标，y对应行坐标 seeds = round([y, x]); % 转换为[row, col]格式 close(gcf);注意ginput返回的坐标顺序是(x, y)，对应的是(列, 行)，不是MATLAB矩阵索引的(行, 列)。这个坑我见过太多人踩了，一旦转换错了，你的种子点根本不在目标区域上，算法自然全乱套。
ginput可以多次点击取多个种子点，按回车结束。多个种子点对分割大目标区域非常有帮助，因为从一个点出发要长满整个区域耗时较长，而且容易在中途断掉。多给几个“根据地”能让算法更快覆盖全面。
3.4 完整主脚本示例
我把整个流程串起来，给你一个可以直接复制运行的版本：
%% 主脚本：区域生长图像分割演示 clear; clc; close all; %% 1. 读取图像 img = imread('test.jpg'); if size(img, 3) == 3 grayImg = rgb2gray(img); else grayImg = img; end %% 2. 预处理（可选） % 轻度高斯平滑，去掉噪声干扰，注意sigma不要过大 grayImg = imgaussfilt(grayImg, 0.8); %% 3. 手动选择种子点 figure('Name', '选择种子点'); imshow(grayImg); title('点击目标内部，按回车确认'); [x, y] = ginput; seeds = round([y, x]); close(gcf); %% 4. 设置参数并运行区域生长 thresh = 0.08; % 归一化灰度差阈值，8%灰度差 conn = 8; % 8邻域 mask = regionGrow(grayImg, seeds, thresh, conn); %% 5. 显示结果 figure('Name', '区域生长结果'); subplot(1, 2, 1); imshow(grayImg); title('原图'); subplot(1, 2, 2); imshow(mask); title('分割掩膜'); %% 6. 提取分割目标 segmented = grayImg; segmented(~mask) = 0; figure; imshow(segmented); title('分割后的目标区域');运行流程就是：读图 → 预处理 → 选种子 → 调参生长 → 看结果。非常直观。初学阶段不需要改太多东西，跑通一遍你能很快建立对算法效果的直观感觉。
4. 种子点、阈值、连通域：调参过程中的实战经验
这一节完全是基于我实际调试中踩过的坑和总结出来的规律。区域生长算法代码本身简单，难的是参数。同样的图像，参数差一点，结果可能从“完美闭合”变成“整个背景被吃进去”。我分几个方面来说。
4.1 阈值到底该怎么选
阈值是区域生长最主要的旋钮。选太大，目标区域会长穿背景，背景灰度和目标相近的部分全被“吸”进来；选太小，目标内部完整区域都长不满，出现大片空洞。
我的经验法则是：
- 先选中目标区域内的几个像素，分别查一下灰度值，再查一下目标边缘最暗/最亮处的灰度值，算出目标内部的最大灰度差，把这个差值作为阈值的初始值。
- 在此基础上逐步放大阈值，观察结果。每次只增加10%到20%，不要一口气翻倍。
- 当目标基本上完整出现、但背景还没大面积入侵时，这个阈值就是当前图像条件下的最优值。
这套“查值-估算-微调”的方法，比瞎猜随机试效率高得多。图像本身有噪声时，可以先用直方图看一眼目标灰度分布范围，这样估算阈值更准确。
4.2 为什么我的区域长成了一个“洞”？
这是新手最常遇到的问题：目标区域中间出现很多空洞，整个区域看起来像瑞士奶酪。原因通常是种子点选在了目标内部灰度变化最极端的位置，导致参考灰度偏离了区域的中心值。举个例子：目标区域实际灰度范围是0.3到0.5，但你选的种子点恰好在0.3附近，那么0.45到0.5之间的像素会因为差值超过阈值而无法被吸收，最后形成空洞。
解决办法有几个：
- 选多个种子点，分散在目标区域的不同位置，这样算法参考平均灰度更接近区域的整体中心值。
- 改用动态均值，让参考灰度随着像素不断加入而更新，这会大大增强对灰度缓慢变化区域的适应力。
- 把阈值适当调大，给灰度变化留足余量。
4.3 连通域的选择：4还是8？
很多人对此不敏感，但影响其实不小。下面这个场景最容易说明问题：
0 1 0 1 1 1 0 1 0如果目标区域中间有一条单像素宽的对角线连接，8邻域还能保持连通，4邻域就断了。实际图像中很多细长结构（比如血管、裂纹）都是单像素级的，用4邻域很容易断成碎片。反过来，如果你分割的是大块实体组织，用8邻域容易让噪声点沿着对角线方向钻进来，边界也变得锯齿感重，这时候4邻域更干净。
我的建议是：拿不准的时候先用8邻域。因为4邻域断一处就可能导致大片区域丢失，而8邻域多出来的边界噪声可以通过后续的形态学处理（比如bwmorph的开运算去掉毛刺）来修复。
4.4 种子点选在边界上会怎样？
种子点选在目标边缘上是最尴尬的情况。算法会把背景的一部分一起生长进来，因为背景紧贴边缘的像素和目标边缘灰度很接近。体现在结果上就是区域“长出手脚”，向背景方向蔓延。
判断种子点是否落错位置，可以在分割后把掩膜叠加到原图上，用imshowpair看一下边界是否和真实目标轮廓吻合。如果你发现某一边明显鼓包，大概率是种子点太靠近边缘了。这时候重新选一个离边缘至少5到10个像素的种子点，问题基本能解决。
4.5 光照不均怎么办？
光照不均是区域生长最怕的事情。即使目标内部灰度本身是均匀的，光照从左边到右边衰减10%到20%，生长结果就会在暗区提前停止。这时候有几个思路：
- 用形态学顶帽变换（
imtophat）做背景估计，然后从原图中减去背景，让目标灰度重新变得均匀。 - 改用局部阈值准则：计算像素与当前区域均值的局部差异，而不是与全局参考灰度差。
- 如果光照变化方向固定，可以先做分块处理，每块使用不同的阈值。
第一种是我最推荐尝试的，因为顶帽变换把光照不均的校正变成了一行代码的事，而且效果通常立竿见影。
5. 从大作业到实际项目：区域生长的评估、改进与扩展
把区域生长算法跑通是第一步，但如果你做的项目需要真正交付，还得往下走。这一章我讲讲效果评估、算法改进和工程化问题。
5.1 分割结果怎么量化评估
“看起来还行”在论文和大作业里不够硬气。常用的分割质量评估指标有：
| 指标 | 含义 | 计算方法 |
|---|---|---|
| Dice相似系数 | 分割结果与真值重叠度 | 2×交集面积 / (区域A面积 + 区域B面积) |
| IoU (Jaccard) | 交并比 | 交集面积 / 并集面积 |
| 敏感度 | 真目标被正确分割的比例 | 真阳性 / (真阳性 + 假阴性) |
| 特异性 | 背景被正确排除的比例 | 真阴性 / (真阴性 + 假阳性) |
当你们有手工标注的真值（Ground Truth）时，可以用这些指标对比。没有真值的话，至少要把分割结果保存成图，逐张检查，别只看一张效果图就宣布成功。
MATLAB里计算Dice可以用内置函数：
diceScore = dice(mask, groundTruthMask);一行代码，比手写更不容易算错。
5.2 自动种子点选取的简单方案
手动选种子点用起来很舒服，但到批量处理上百张图时就不现实了。我做过一个折中方案，效果稳定且实现简单：先用阈值粗筛，再提取连通域质心作为种子。
%% 自动种子点选取示例：基于Otsu粗分割 bw = imbinarize(grayImg); % Otsu自动阈值 bw = imopen(bw, strel('disk', 5)); % 去小噪声 stats = regionprops(bw, 'Centroid', 'Area'); [~, idx] = max([stats.Area]); % 取最大连通域 centroid = stats(idx).Centroid; seedAuto = round([centroid(2), centroid(1)]); % 转[row, col]取最大连通域的质心作为种子点，对大片目标区域已经足够准确。如果目标在图像中占比较小，需要先缩小BGR范围或者用先验知识来定位。这个方法不是100%可靠，但比纯手动上了一个台阶。
5.3 区域生长与边缘信息结合的改进方向
区域生长最怕的是目标与背景灰度相似，导致生长过界。改进思路之一是把边缘信息作为“防火墙”。具体做法是先用Canny或Sobel检测出边缘，然后在生长判定中加入一个限制：如果像素落在边缘上，就不允许生长进入。
edges = edge(grayImg, 'canny'); % 在regionGrow的判定条件中新增： % if edges(nr, nc), 则跳过该像素这相当于给区域生长加了一道“围墙”，防止区域从灰度缝隙中爬到背景里去。类似地，还可以结合超像素分割结果，把区域生长限制在超像素块内，这已经属于半自动分割的范畴了，效果非常好。
5.4 批量处理时的参数自适应策略
实际项目中每张图的灰度分布可能有差异，固定阈值切不了所有图。我常用的一种自适应阈值方法是：以种子点周围一个小窗口内灰度标准差为基准，设置阈值为该标准差的倍数。
win = grayImg(seed(1)-5:seed(1)+5, seed(2)-5:seed(2)+5); threshold = 1.5 * std(win(:));这样做的逻辑是，种子点附近的局部灰度波动可以代表目标区域内部的可接受变化范围，1.5到2倍标准差通常能覆盖大部分目标内部像素。实测下来的效果比全局固定阈值稳健很多，尤其适合光照变化温和的图像序列。
5.5 区域生长的三维扩展
医学图像处理中经常需要做三维分割（CT、MRI序列）。区域生长的三维版本和二维本质相同，只需要把8邻域扩展到26邻域。MATLAB里可以用bwconncomp配合自定义坐标偏移量实现，逻辑和二维版本几乎一致。如果你以后要处理三维数据，从二维这套代码迁移非常容易。
5.6 性能优化：别让MATLAB代码慢到怀疑人生
区域生长是串行算法，而MATLAB的循环效率在老版本里确实不够快。如果图像大（比如2000×2000）且目标区域占比高，纯循环可能要跑几十秒。实测中最有效的优化手段：
- 用队列维护待处理点，避免全图反复扫描：这是算法层面的优化，复杂度从O(N×R)降到O(R)，R是区域像素数。我给的代码已经是队列实现，不用再改。
- 把像素访问向量化思路留给后续版本：比如先把图像转成一维数组，用编号访问代替下标访问，可以减少
sub2ind的开销。 - 并行化多区域生长：如果有多个种子点，可以用
parfor分别生长，再把结果合并。缺点是区域边界可能需要后期缝合，不过大多数场景下直接用「多个种子单次生长」更简单。
我自己遇到的最大性能瓶颈不是循环本身，而是queue = [queue; r, c]这种动态数组拼接——每次追加一行都要重新分配内存，区域一大就非常痛。如果追求极致性能，可以预先分配一个大数组，用头尾指针模拟队列。简单优化版本的代码改动不大，但速度能快一个量级。
6. 从这19篇系列到实战应用的一些体会
写到这里，我可以坦白讲：区域生长是我在这个系列里最喜欢的算法之一，因为它足够简单，却足够深刻。它的代码量不超过50行，但要做好，需要你对图像本质有足够理解——灰度分布是什么样的、噪声在哪里、目标边界怎么定义。这恰恰是很多高级算法掩盖掉的东西。
在实际项目里，区域生长通常不是单独作战，而是作为一个中间步骤。比如我的一个自动分割流程中就把它夹在“形态学背景校正”和“边缘细化”中间，区域生长负责提供基础掩膜，后续算法再做精修。这种组合拳的思路，比任何单一算法都靠谱。
如果你正在用这个系列做课程作业或者项目，我建议你把regionGrow函数好好改一改，加一点自己的想法进去。可以尝试把固定的灰度差准则改成局部标准差准则，或者把单阈值改成双阈值（一个用于强生长、一个用于弱生长，类似Canny双阈值的思路）。这些改动会让你的作业在答辩时明显比同组的更有深度，也会让你对算法的理解真正深入一层。
最后再给你一个建议细节：写报告或者提交代码时，务必记录下你调参的过程，尤其是每个尝试过的阈值对应的分割结果截图。这些看似“失败”的记录会让你的项目复盘非常有价值。我从经验里学到一件事——在图像处理这个领域，知道“什么参数不能用”，往往比知道“什么参数能用”更宝贵。
本文还有配套的精品资源，点击获取
