目录
种子区域生长算法
弊端
现状
改进
种子区域生长算法
弊端
我们都知道种子区域生长算法是基于图像像素的运算操作，可简单分为4联通和8联通。但种子区域生长算法处理较大任务量时，处理效率大幅度降低。
现状
现在大部分人选择将大幅图像分区，进行种子区域生长算法处理，之后再将分区的结果拼接。这样的虽然会增加种子区域生长算法的处理速度，但是由于图像分区运行，每个分区不存在衔接，拼接后的结果会存在明显的条带现象或者衔接不自然现象。
改进
先假设有一副灰度图像g=[0,255];种子区域生长的基本原理是将灰度值作为阈值判断条件，重点来了：我们可以将二维图像三维化，这里的三维化是一种我们自己的想象，并非程序处理。将灰度图像的x方向和y方向作为xy轴，将每个像素的灰度值作为高z轴，那这个灰度图像就变成了一个三维的类似柱状图的东西。
那么这个三维图沿着x或者y轴投影就可以类似得到下面的图：（再强调一遍：高度就是灰度值）
好了，我们开始重新从这个视角来看种子区域生长算法的处理流程，假设种子点阈值seed_th设定为90(th=90),即灰度值g>90的像素点被认定为种子点；分类的阈值image_th设定为50(image_th=50),即灰度值大于50的像素且与种子点构成4连通或者8连通区域的会判定为真，并重新作为新的种子点，灰度值小于50或者灰度值大于50但是不能与种子点构成4连通或者8连通区域的判定为假。
那么从上图中就可以认为A区域为种子点，因为A区域的灰度值大于90。B为真值，D区和C区域为假。
改进的要点！！！！
我们可以看出C区和B区是两个独立的联通区域，C区中的像素不能通过灰度值g大于50的像素到达A区，但B区可以。也就是B区的联通区域中包含种子点，C区并没有包含。那么我们只要事先获得B和C两个联通区域，只要判断区域内是否存在种子点，如果存在（例如B区）即整个联通区域都是真值，如果不存在（例如C区）就整个联通区域都判定为假，这样就将传统的像素处理提升到了区域处理。
那么问题就来到了如果获取图像的联通区域
retval, labels, stats, centroids = cv2.connectedComponentsWithStats(image, connectivity=8)
opencv库的cv2.connectedComponentsWithStats可以实现对联通区域的获取和操作。
我之前写过这个函数处理不规则联通区域的方法，这是传送门
相信看完这个文章就会运用opencv来实现对种子点的改进，经过测试，处理全球影像数据，种子区域生长区域处理时间为90个小时，改进后仅18个小时，精度相差0.5%。
