基于自動(dòng)多種子點(diǎn)的圖像分割技術(shù)

摘要:在水面圖像區(qū)域分割中，分別選用了自適應(yīng)直方圖閾值、邊緣檢測(cè)和區(qū)域生長(zhǎng)的方法對(duì)倒影區(qū)域進(jìn)行了分割，分析了3種方法的局限性，并結(jié)合直方圖閾值和區(qū)域生長(zhǎng)給出了一種自動(dòng)多種子點(diǎn)區(qū)域生長(zhǎng)方法。實(shí)驗(yàn)結(jié)果表明，該方法算法實(shí)現(xiàn)簡(jiǎn)單，能有效提高分割質(zhì)量，達(dá)到了預(yù)期效果。

關(guān)鍵詞:數(shù)字圖像處理;圖像分割;邊緣檢測(cè);區(qū)域增長(zhǎng);自動(dòng)種子點(diǎn)

中國(guó)分類號(hào):TP391.4文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1009-3044(2009)36-10269-03

Image Segmentation Based on Automatic Multiple Seeds

YANG Fan1， FAN Jin-hui2

(1.Liaoning Finance Vocational College， Shenyang 110122， China; 2.Shenyang Orient Titanium Co.ltd， Shenyang 110016， China)

Abstract: Through the methods of self-adapting histogram threshold， edge detection and region growing according to the water regionalisms. Discussed the limitations of the three methods and provide a regional growing way of automatic multi-Seeds. The experimental results show that the method algorithm is simple and can effectively improve the quality of segmentation achieved the desired results.

Key words: image processing; image segmentation; edge extraction; regional growing; automatic seeds

圖像分割是進(jìn)行圖像識(shí)別和理解的基礎(chǔ)，也是計(jì)算機(jī)視覺(jué)研究中的核心問(wèn)題和經(jīng)典難題之一，一直以來(lái)得到普遍關(guān)注與研究。在水面目標(biāo)檢測(cè)中。圖像中水面區(qū)域分割的是一個(gè)重要環(huán)節(jié)。圖像中水面區(qū)域有一定的相似性，而圖像中非目標(biāo)的固定物體及圖像構(gòu)成復(fù)雜，分割較為困難。圖像分割的目的是要把圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的過(guò)程，分割的結(jié)果與圖像的復(fù)雜程度和尺度有關(guān)。盡管如今分割方法多種多樣，但是沒(méi)有任何一種圖像分割方法能適用于所有圖像。由于各種算法對(duì)圖像的處理都帶有一定的針對(duì)性和局限性，如何選擇適用于當(dāng)前圖像特點(diǎn)的有效算法，是我們要解決的問(wèn)題。

1 常用圖像分割算法分析

直方圖閾值法、邊緣檢測(cè)分割和區(qū)域生長(zhǎng)的方法是常用的圖像分割方法，這里對(duì)上述三種方法進(jìn)行了實(shí)驗(yàn)分析。

1.1 自適應(yīng)直方圖分割法

HSI(色調(diào)、飽和度、強(qiáng)度)顏色空間符合人類視覺(jué)系統(tǒng)觀察顏色的方式，能更方便地描述和控制彩色信息，另外還具有平移不變性和縮放不變性等特征。在HSI空間中，I分量與彩色信息無(wú)關(guān)，而H和S一起則描述了圖像的色彩信息，與人感受顏色的方式是緊密相連的。通過(guò)對(duì)水面目標(biāo)圖像的實(shí)驗(yàn)發(fā)現(xiàn)在大部分情況下H和S分量受波浪的影響較小，可以和I分量形成很好的互補(bǔ)。

通過(guò)實(shí)驗(yàn)分析，圖像中具有高亮特征的部分屬于水面的可能性遠(yuǎn)大于不具備該特征的部分，圖像中飽和度小的部分屬于水面的可能性遠(yuǎn)大于不具備該特征的部分?；谏鲜黾僭O(shè)，這里分別選取圖像的亮度和飽和度作為特征，采取自適應(yīng)直方圖閾值方法分割圖像，具體步驟為:

1)選擇一個(gè)初時(shí)估計(jì)值T(一般為該特征的平均值)

2)使用T分割圖像，產(chǎn)生兩組像素:G1、G2

3)計(jì)算G1中像素特征的平均值并賦值給μ1，計(jì)算G2中像素特征的平均值并賦值給μ2

4)計(jì)算一個(gè)新的閾值T:

5)重復(fù)步驟2→4，一直到兩次連續(xù)的T之間的差收斂于一個(gè)可接受范圍。

該方法算法簡(jiǎn)單，復(fù)雜度低。實(shí)驗(yàn)發(fā)現(xiàn)，在多數(shù)水面區(qū)域變化不大的圖像中，該方法適用，能夠有效分割區(qū)域與水面區(qū)域。但是，并不是所有的待分割圖像都符合直方圖雙峰性，在水面區(qū)域明暗變換較大，區(qū)域復(fù)雜的圖像中，直方圖閾值的方法不能很好的將區(qū)域分割，會(huì)造成誤檢或漏檢;分割區(qū)域沒(méi)有考慮連通性和邊界特性，不符合人眼理解圖像的標(biāo)準(zhǔn)。

1.2 基于邊緣檢測(cè)的區(qū)域分割

圖像中，水面區(qū)域與其他區(qū)域形成了很明顯的邊緣特征。這也是人眼區(qū)分這兩類區(qū)域的最主要特征。準(zhǔn)確的檢測(cè)出區(qū)域與水面區(qū)域的邊緣，就能夠?qū)崿F(xiàn)對(duì)這兩類區(qū)域的準(zhǔn)確分割。

試驗(yàn)中在多數(shù)圖像中可以有效的抑制水面區(qū)域的波浪噪聲，并很好的保留了區(qū)域與水面區(qū)域的邊界，達(dá)到了很好的檢測(cè)效果。但是在水面較為模糊，波浪噪聲較大的境況下，區(qū)域與水面的邊緣不明顯，檢測(cè)結(jié)果不理想，此外應(yīng)用canny算子的閾值選擇上也是一個(gè)難點(diǎn)。

1.3 基于區(qū)域生長(zhǎng)方法的區(qū)域分割

圖像中，其水面區(qū)域存在著很強(qiáng)的連通性。根據(jù)這一特性，可選用區(qū)域生長(zhǎng)的方法，將水面區(qū)域提取出來(lái)。

區(qū)域生長(zhǎng)(Region Growing)是一種已受到人工智能領(lǐng)域中的計(jì)算機(jī)視覺(jué)界十分關(guān)注的圖像分割方法。區(qū)域生長(zhǎng)法的基本思想是將具有相似性質(zhì)的像素合起來(lái)構(gòu)成區(qū)域，具體做法是選給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)被稱為“生長(zhǎng)點(diǎn)”的地方開始，搜索其鄰域，不斷將其周圍的像素點(diǎn)或子區(qū)以一定的判斷規(guī)則加入其中，達(dá)到最終將代表該物體的所有像素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的。該方法的關(guān)鍵是要選擇合適的生長(zhǎng)或相似準(zhǔn)則。這個(gè)過(guò)程是一個(gè)迭代的過(guò)程。

考慮圖像的連通域(或鄰域)有兩種方式，四連通域和八連通域如圖1，圖2。在分割判斷時(shí)也相應(yīng)的有兩種判斷方式。

實(shí)驗(yàn)發(fā)現(xiàn)區(qū)域生長(zhǎng)的分割結(jié)果最符合人眼的判斷標(biāo)準(zhǔn)，在區(qū)域像較強(qiáng)的水面檢測(cè)中，分割效果較好。但是，區(qū)域生長(zhǎng)的種子點(diǎn)選擇是個(gè)難點(diǎn)，使用傳統(tǒng)區(qū)域生長(zhǎng)的檢測(cè)方法時(shí)，選取的是(0.5X，0.9Y)這個(gè)根據(jù)先驗(yàn)知識(shí)判定的一幅水面圖像中最有可能是水面區(qū)域的點(diǎn)，實(shí)際上仍屬于手工選取種子點(diǎn)。此外有時(shí)會(huì)因?yàn)樗鎱^(qū)域過(guò)不是一個(gè)連通區(qū)域時(shí)，有時(shí)會(huì)因?yàn)樗鎱^(qū)域不連通出現(xiàn)漏檢。

2 基于自動(dòng)多種子點(diǎn)區(qū)域生長(zhǎng)的分割方法

上述3種經(jīng)典區(qū)域方法對(duì)水面區(qū)域進(jìn)行分割都存在著一定得局限性，通過(guò)分析上述3種算法，結(jié)合水面區(qū)域的特點(diǎn)，這里給出了一種基于自動(dòng)多種子點(diǎn)的區(qū)域生長(zhǎng)算法。水面圖像中各個(gè)區(qū)域在亮度、飽和度、紋理等特征上的差異。

2.1 種子點(diǎn)選取

種子點(diǎn)的選取對(duì)區(qū)域生長(zhǎng)的結(jié)果至關(guān)重要，上述傳統(tǒng)的經(jīng)典算法中，種子點(diǎn)需要人工干預(yù)設(shè)定。大量實(shí)驗(yàn)表明，有些區(qū)域總能被正確檢測(cè)，有些區(qū)域則使用不同的方法得到不同的檢測(cè)結(jié)果?；谶@樣一種假設(shè)，本文把圖像分為四個(gè)小區(qū)域如圖3:R1，R2，R3，R4。其中定義R1為強(qiáng)目標(biāo)區(qū)域，R2為弱目標(biāo)區(qū)域，R3為弱非目標(biāo)區(qū)域，R4為強(qiáng)非目標(biāo)區(qū)域。

理想的分割應(yīng)該是把圖像分為M、N兩個(gè)區(qū)域其中:

而實(shí)際境況中R2 R3區(qū)域有可能被分割到M和N中任意一個(gè)區(qū)域中，因此造成了誤檢和漏檢。而每一種分割方法，或者基于每一種合理的特征進(jìn)行分割檢測(cè)出的水面區(qū)域M1…Mn 都包含強(qiáng)水面區(qū)域R4。從而有:

R4=M1∩M2∩...∩Mn

這樣就得到了強(qiáng)水面區(qū)域R4，這里R4可以是單一連通區(qū)域也可以是多個(gè)不連通的區(qū)域，從中R4的每個(gè)不連通區(qū)域選取種子點(diǎn)，這樣就解決了傳統(tǒng)經(jīng)典區(qū)域生長(zhǎng)中對(duì)水面呈不連通多個(gè)區(qū)域時(shí)出現(xiàn)漏檢和Seed點(diǎn)選擇需人工參與的局限性。

根據(jù)水面區(qū)域的特點(diǎn)，這里選取了亮度、飽和度、紋理相似性3個(gè)特征，采用簡(jiǎn)單的閾值分割方法，分別提取水面區(qū)域，然后從中選取共同區(qū)域作為強(qiáng)水面區(qū)域R4。因?yàn)榇颂幏指钅康氖且页鲆欢ㄊ悄繕?biāo)區(qū)域的部分，而不是準(zhǔn)確分割出目標(biāo)區(qū)域，所以選取簡(jiǎn)單快速的算法。由于紋理相似度判定的代價(jià)較高，所以首先進(jìn)行亮度分割和飽和度分割中分別選取灰度平均值和飽和度平均值作為閾值。然后對(duì)兩種分割結(jié)果的交集作紋理相似度檢測(cè)。這里應(yīng)用一種簡(jiǎn)單的紋理檢測(cè)方法，選取8×8的正方形窗口在檢測(cè)區(qū)域內(nèi)滑動(dòng)，計(jì)算檢測(cè)區(qū)域的紋理相似度，計(jì)算方法定義如下:

其中x為窗口內(nèi)灰度平均值

通過(guò)實(shí)驗(yàn)水面區(qū)域的相似度一般在70左右，而區(qū)域則為100或者更高。

基于自動(dòng)多種子點(diǎn)區(qū)域生長(zhǎng)的分割方法可分為如下步驟:

1)輸入圖像轉(zhuǎn)換到HSI色彩空間;

2)根據(jù)I分量進(jìn)行亮度閾值分割得到M1;

3)根據(jù)S分量進(jìn)行飽和度分割得到M2;

4)合并M1、M2;

5)得到結(jié)果進(jìn)行紋理相似度判別生成R4(強(qiáng)水面區(qū)域);

6)在R4的每個(gè)非連通區(qū)域內(nèi)選取種子點(diǎn)Seed1…Seedn進(jìn)行區(qū)域生長(zhǎng)。

3 實(shí)驗(yàn)結(jié)果及分析

圖5(a) (c)(e)為輸入圖像，圖5(b)(d)(f)分別為直方圖閾值、邊界檢測(cè)、區(qū)域增長(zhǎng)的方法進(jìn)行的分割。圖(g)(h)為基于自動(dòng)多種子點(diǎn)區(qū)域生長(zhǎng)的分割方法。實(shí)驗(yàn)表明，該方法繼承了傳統(tǒng)區(qū)域分割方法符合人眼判別標(biāo)準(zhǔn)的優(yōu)勢(shì)，有效地解決了種子點(diǎn)選擇與非連通區(qū)域漏檢的局限性，達(dá)到了預(yù)期效果。

參考文獻(xiàn):

[1] 彭啟民，賈云得.一種形態(tài)學(xué)彩色圖像多尺度分割算法[J].中國(guó)圖象圖形學(xué)報(bào)，2006，11(5):635-639.

[2] 趙春燕，閆長(zhǎng)青，時(shí)秀芳.圖像分割綜述[J].中國(guó)科技信息，2009(1).

[3] 席礪莼，閆宏偉.彩色圖像的分割技術(shù)[J].微機(jī)發(fā)展，2003，13(4):46-48.