連通區(qū)域標記算法用于從圖像中提取目標區(qū)域，并計算目標區(qū)域的特征參數(shù)，是目標檢測和目標識別的關(guān)鍵步驟[1]，其在工業(yè)檢測、光學字符識別、機器人目標跟蹤等領(lǐng)域有廣泛的應用。
    目前的連通區(qū)域標記算法中，基于等價標號的標記算法需要至少掃描圖像兩次，并且要處理標記沖突問題，其執(zhí)行時間過于依賴連通區(qū)域的復雜程度[2]。而基于區(qū)域生長的標記算法只需掃描圖像一次，沒有標記沖突問題，對復雜圖像適應性好，但目標點數(shù)多時搜索效率低，堆棧空間消耗大。
    本文所標記的圖像是經(jīng)過邊緣檢測得的二值邊緣圖像。相對于原始圖像（或其二值圖像），邊緣圖像保留了輪廓信息，目標點數(shù)大大減小，適合使用區(qū)域生長標記算法。但是，現(xiàn)有的區(qū)域生長標記算法一方面需要對每一個目標點進行N×N窗口搜索，搜索效率低并會出現(xiàn)同一像素重復掃描現(xiàn)象；另一方面，如果搜索窗口較小（如最常用的3×3，也稱8鄰域），雖然干擾少，但是同一個連通區(qū)很容易被標記成若干個不同的連通區(qū)；而如果增大搜索窗口（如7×7），雖然得到的標記圖像連通性好，但是會引入較多干擾點。
1 基于生長算法的區(qū)域標記
    像素P的上、下、左、右、左上、左下、右上、右下的像素集合為像素P的8鄰域，鄰域內(nèi)所有目標點同屬于一個連通區(qū)。通常采用8鄰域生長法則進行連通區(qū)域標記。
1.1 8鄰域區(qū)域生長算法
    設(shè)邊緣圖像的背景像素為255，目標像素為0，對其進行8鄰域區(qū)域生長標記的步驟如下：
    (1)按從上到下、從左到右的順序掃描圖像，遇到目標像素P時，標記為新的標記值L；
    (2)以P為種子點，將其8鄰域內(nèi)的目標像素標記為L；
    (3)將所有與L像素8鄰域內(nèi)相鄰的目標像素標記為L，直到該連通區(qū)域標記完畢；
    (4)繼續(xù)按順序掃描圖像，重復前三步，直到圖像中所有目標像素都標記完畢。
    每個連通區(qū)域的起始點是按順序掃描整個圖像得到的，而各個連通區(qū)域的標記過程是遞歸調(diào)用生長函數(shù)的過程。生長函數(shù)依次掃描目標點的8鄰域，若遇到新的目標點，則將當前目標點的處理過程壓棧，轉(zhuǎn)而掃描新目標點的8鄰域，如此不斷地將目標點壓棧。當某一目標點的8鄰域內(nèi)沒有新的目標點，則將其彈棧，當所有目標點都彈棧完畢，則該連通區(qū)域標記完畢。
1.2 鄰域重復掃描問題
    在圖1中，P0的8鄰域和P1、P2、P3、P4的8鄰域有4個像素的重疊，與P5、P6、P7、P8的8鄰域有2個像素的重疊。按上述的8鄰域區(qū)域生長算法，當P0與P4均為目標點時(設(shè)遞歸過程由P0 向P4傳遞)，P0、P1、P8、P3、P7這5個像素點被掃描了2次；當P0與P5均為目標點時(設(shè)遞歸過程由P0 向P5傳遞)，P0、P1、P2這3個像素點被掃描了2次。
1.3 8方向鄰域生長算法
    8方向鄰域生長算法的思路是：目標點A和目標點B相鄰，從A到B有8個方向，當按某個方向從A傳遞到B的8鄰域搜索時，只搜索B的8鄰域中未被A的8鄰域覆蓋的部分。例如，圖1中從P0傳遞到P4的8鄰域搜索時，只搜索P18、P04、P37；從P0傳遞到P5的8鄰域搜索時，只搜索P05、P25、P01、P15、P02。即：

    8方向鄰域生長算法由9個生長函數(shù)組成。對于連通區(qū)域的起點，必須搜索8個方向，此時調(diào)用主生長函數(shù)。在目標點傳遞的過程中，按其傳遞方向，按式(1)調(diào)用相應的生長函數(shù)搜索鄰域點。區(qū)域標記從起點調(diào)用主生長函數(shù)開始，過程是8個生長函數(shù)互相調(diào)用，最后這些函數(shù)都返回時，區(qū)域標記完畢。
    該方法充分利用了從目標點A到目標點B的方向信息，從而在搜索B的鄰域時，搜索個數(shù)降低為原來的3/8或5/8，平均效率提高了50%。
1.4 邊緣端點與區(qū)域合并
    僅用8鄰域搜索連通區(qū)，往往得到的連通區(qū)域并不完整，連通性不好。圖2(a)中，右半部分是圓形左下局部放大圖。當按逆時針搜索到圖中圓圈標識的“11”時，在其8鄰域內(nèi)沒有新的目標點，因此也就和區(qū)域“15”斷開了。當搜索到某個目標點時，其8鄰域內(nèi)沒有新的目標點，則該點就是邊緣的“末端”。一個區(qū)域可能有多個末端。
    在圖2(b)中，右半部分是“米”字中心局部放大圖。圖中圓圈標識的“4”點，其8鄰域內(nèi)有新的目標點（左下點），但最近的“3”點并不在其鄰域內(nèi)，因此兩個連通區(qū)斷開。對于單個像素寬的邊緣圖像，其走向基本一致；而走向改變較大的點，就是圖形的“拐點”，此時容易出現(xiàn)區(qū)域斷開的現(xiàn)象。

    圖1中，假設(shè)三個目標點的傳遞順序是P0到P5，P5再到P02，則P5就是走向拐點。
    要改善連通性，可以增大搜索范圍，如增大到7×7范圍。這樣雖然在一定程度上改善了連通性，但是會引入更多的干擾點。而本文的思路是：首先按照上述8方向鄰域生長算法搜索連通區(qū)域，同時記錄邊緣“端點”，然后通過比較各個區(qū)域的端點，將端點較近的兩個區(qū)域合并。結(jié)合前文的分析，本文認為邊緣端點包括3類：區(qū)域起點；邊緣末端；邊緣拐點。這樣得到的端點個數(shù)少，包含了絕大部分的“斷點”。通過不斷比較各個區(qū)域的端點，相近則將區(qū)域合并，最終得到合并后的標記圖像。
    該方法實質(zhì)上是在小尺度內(nèi)搜索連通區(qū)，并利用得到的邊緣端點在大尺度內(nèi)進行區(qū)域合并，既不引入更多的雜點，又改善了標記圖像的連通性，并在保證區(qū)域合并正確率的同時，提高了合并效率。
2 區(qū)域標記及合并的SoPC實現(xiàn)
    本文以FPGA為核心，利用SoPC技術(shù)，實現(xiàn)了對320×240圖像的8方向生長連通區(qū)域標記。系統(tǒng)使用FPGA邏輯硬件進行邊緣檢測[3]，使用NiosII軟核處理器進行連通區(qū)域標記，用Avalon總線將兩者結(jié)合起來，實現(xiàn)了硬件加速，軟硬件協(xié)同工作，既提高了實時性又保證了靈活性。
2.1 SoPC系統(tǒng)的結(jié)構(gòu)設(shè)計
    系統(tǒng)結(jié)構(gòu)圖如圖3所示，主要模塊的功能簡述如下：
    (1)NiosII CPU模塊。該模塊是整個系統(tǒng)運算和調(diào)度的中心，完成系統(tǒng)工作流程的控制；圖像處理中區(qū)域標記和區(qū)域合并算法的實現(xiàn)；圖形用戶接口(GUI)的實現(xiàn)。
    (2)Image模塊。圖像采集部分負責按照320×240大小采集攝像頭的數(shù)據(jù)，由DMA控制器通過Avalon總線將原始圖像數(shù)據(jù)存儲到DDR SDRAM中。邊緣檢測部分同步地將原始圖像數(shù)據(jù)邊緣化，生成邊緣圖像數(shù)據(jù)，并通過DMA控制器和Avalon總線存儲到DDR SDRAM中。
    (3)Display模塊。負責驅(qū)動LCD液晶顯示屏顯示原始圖像、標記圖像以及處理信息。

2.2 區(qū)域標記及合并的算法實現(xiàn)
      圖像處理過程分為連通區(qū)域標記、區(qū)域合并和區(qū)域排序三步。
      (1)連通區(qū)域標記：按照改進后的8方向鄰域生長算法進行連通區(qū)域標記，為每個連通區(qū)分配一個鏈表數(shù)組元素，用鏈表記錄該連通區(qū)的目標點和端點。
      (2)區(qū)域合并：逐個比較任意兩個連通區(qū)域的端點鏈表，在大尺度范圍內(nèi)（本文采用9×9范圍），若其中有相鄰的端點，則合并這兩個連通區(qū)。
      (3)區(qū)域排序：按照目標點的個數(shù)，從大到小對合并后的連通區(qū)域排序，取前N個目標點數(shù)大于X的連通區(qū)域作為后續(xù)特征提取的對象(本文N的最大取值為10，X取值20)，其余的視為干擾去掉。取形狀較大的N個連通區(qū)進行下一步的特征提取，可以節(jié)省處理時間。
3 實驗結(jié)果及分析
    本文使用Altera公司的高性價比CycloneIII系列的FPGA EP3C25F324C8。SoPC系統(tǒng)共用邏輯單元8916/24624(36%)，寄存器5 415個，引腳101個，片內(nèi)SRAM位數(shù)421 248/608 256(69%)，內(nèi)置乘法器4個，PLL鎖相環(huán)1個。系統(tǒng)時鐘為100 MHz，NiosII軟核處理器的性能為113 DMIPS。
    實驗結(jié)果如圖4所示。圖4(a)為實驗用開發(fā)板和攝像頭，圖4(b)、(c)、(d)是不同圖像在LCD液晶屏上顯示的實驗結(jié)果。顯示分為三部分：左側(cè)上部為原始灰度圖像，大小為320×240；左側(cè)下部為標記圖像（不同區(qū)域由不同顏色顯示），大小為320×240；右側(cè)為處理信息，大小為480×480。處理信息包括：Connection Num為連通區(qū)域個數(shù)；Merge Num為合并后的區(qū)域數(shù)；Region Num為排序后的區(qū)域數(shù)；Process Time為圖像處理時間，單位為ms。

    實驗結(jié)果表明，本文算法得出的標記圖像結(jié)果正確、邊緣清晰、去掉了雜點、提高了區(qū)域的連通性。在SoPC系統(tǒng)上實現(xiàn)時，對復雜圖像的處理速度約30幀/s，滿足了實時性要求。
    本文在SoPC系統(tǒng)中，將提出的基于目標像素鄰域的8方向生長區(qū)域標記算法和基于邊緣端點的區(qū)域合并算法成功地予以實現(xiàn)。實驗結(jié)果表明了算法的有效性和實時性。基于SoPC技術(shù)的圖像處理系統(tǒng)，軟硬件協(xié)同工作，提高了系統(tǒng)的并行性和靈活性，便攜性好，成本低。
參考文獻
[1] HE Lifeng，CHAO Yuyan，SUZUKI K.Fast connected-component labeling[J].Pattern Recognition，2009，42(9)：1977-1987.
[2] HU Qingmao，QIAN Guoyu.Fast connected-component  labelling in three-dimensional binary images based on iterative recursion[J].Computer Vision and Image Understanding，2005，99(3)：414-434.
[3] 謝昭莉，白穎杰.Prewitt圖像邊緣檢測及邊緣細化的FPGA實現(xiàn)[J].電子技術(shù)應用，2010，36(6)：39-42.