参考论文：《Seeded Region Growing》 Rolf Adams and Leanne Bischof

1. 算法描述：

使用一系列的点（即所说的seed， 种子）来对图片进行分割

• 初始时，将一系列的种子分组为n个集合，$A_1,A_2,...,A_n$ 有时单独个一个集合只会包含一个点，需要去判断这是一个有效的特征（feature of interest）还是一个噪点（noise）

• 随后SRG算法，将image进行分割，保证分割出的每个连续区域，至少和一个集合$A_i$相关联

• 算法的每一步，会将一个新的像素包含进其中一个集合$A_i$里

• 考虑算法第m步集合$A_i$的状态（state）,T是至今未分配的像素集合， N(x)是像素x的直接邻居（x周围的8个像素）
  T={x∉⋃i=1nAi∣N(x)∩⋃i=1nAi≠ϕ}i(x)∈1,2,...,n表示x∈T且与x最接近的集合索引（该集合有元素是x的邻居）δ(x)=∣g(x)−meany∈Ai(x)[g(y)]∣,δ(x)代表x和其相邻区域的差异度，g(y)代表x点处的灰度值。T = \{ x \notin \bigcup_{i=1}^{n} A_i | N(x) \cap \bigcup_{i=1}^{n}A_i \ne \phi \} \\ i(x) \in {1, 2, ..., n} 表示x\in T 且与x最接近的集合索引（该集合有元素是x的邻居） \\ \delta(x) = |g(x) - \underset{y\in A_{i(x)}}{mean} [g(y)] |, \delta(x)代表x 和其相邻区域的差异度 ，g(y)代表x点处的灰度值。 \\ T={x∈/​i=1⋃n​Ai​∣N(x)∩i=1⋃n​Ai​​=ϕ}i(x)∈1,2,...,n表示x∈T且与x最接近的集合索引（该集合有元素是x的邻居）δ(x)=∣g(x)−y∈Ai(x)​mean​[g(y)]∣,δ(x)代表x和其相邻区域的差异度，g(y)代表x点处的灰度值。

• 当x与两个集合相邻接时，可以选择使得$\delta (x)$最小的集合$A_i$, 将其加入到该集合中，也可以将x加入到集合B中——已经发现的边界点（boundary pixels）。为边界点做标记可以用于后续的半交互修正过程（semiinteractive corrective procedure）。

• 不断重复以上步骤，直到所有像素点都被加入到集合中。