奶牛圖像的分割算法研究

金一初，馬 燕

（上海師范大學(xué) 上海 200234）

將圖像識(shí)別技術(shù)引入奶牛養(yǎng)殖，能加強(qiáng)奶牛管理和提高科學(xué)飼養(yǎng)作用。生物識(shí)別技術(shù)已較成熟，基于臉部、膚色、虹膜等的識(shí)別算法已被應(yīng)用于眾多領(lǐng)域。一般情況下，由于攝入的奶牛圖像背景雜亂，光照條件各異，故在識(shí)別前，須將奶牛從復(fù)雜的背景中分割出來(lái)。本文主要采用顏色聚類和區(qū)域生長(zhǎng)的方法分割奶牛圖像，并根據(jù)奶牛特征進(jìn)行修正，從而實(shí)現(xiàn)奶牛與背景的有效分離。

1 算法描述

區(qū)域生長(zhǎng)算法是圖像分割的基本算法之一[1]，但若將此算法用于整幅圖像，會(huì)由于遞歸層數(shù)太深而造成算法耗時(shí)。采用基于子塊的區(qū)域生長(zhǎng)的算法能有效控制遞歸深度[2]，從而提高分割性能，本文將采用類似算法結(jié)構(gòu)。

本文在子塊處理中采用聚類的方法，基于人類視覺(jué)特性提取代表子塊的顏色特征和紋理特征，通過(guò)將顏色聚類方法與基于子塊的區(qū)域生長(zhǎng)算法的融合提高了奶牛圖像分割效果。

本算法的基本流程如圖1所示。

1.1 色彩空間轉(zhuǎn)換

原圖像所采用的RGB色彩空間是一種被廣泛應(yīng)用的色彩空間，但對(duì)于一般情況下采集的奶牛圖像，由于光照等因素，視覺(jué)上相似的區(qū)域所代表的RGB值卻有較大差異。故本文采用CIE Luv空間來(lái)保證視覺(jué)一致性。在Luv空間中，L分量代表亮度，u和v分量代表色調(diào)，利用u、v分量能有效排除光照對(duì)圖像分割的影響。

圖1 算法流程圖Fig.1 Flow chart of algorithm

1.2 子塊內(nèi)顏色聚類及特征提取

1.2.1 子塊內(nèi)顏色聚類

首先將圖像進(jìn)行4×4大小子塊劃分，隨后確定視覺(jué)一致性距離dist，該距離是用于聚類的閾值，由實(shí)驗(yàn)確定其數(shù)值，根據(jù)已轉(zhuǎn)換為L(zhǎng)uv空間的圖像，可將dist設(shè)為0.000 2。

1）以子塊的第一個(gè)像素點(diǎn) p1（L1，u1，v1）為聚類中心 C1，建立類別class1，且該類別的像素?cái)?shù)目N1為1。

2）對(duì) 子 塊 內(nèi) 的 每 一 個(gè) 像 素 pi（Li，ui，vi），計(jì) 算 其 到 class1的歐氏距離若 Di小于 dist，則將pi歸入class1，將class1的像素?cái)?shù)目N1增加1。同時(shí)修改class1的聚類中心其中若Di大于等于dist，則以該像素點(diǎn)位聚類中心C2，建立類別class2。若子塊中出現(xiàn)兩個(gè)及以上的聚類中心，則要分別計(jì)算每個(gè)點(diǎn)到各聚類中心的歐式距離，并對(duì)距離值進(jìn)行排序。若最小值小于dist，則將該像素歸入與之距離最小的那一類。

3）重復(fù)1）、2），將子塊內(nèi)所有像素遍歷一次。

4）為進(jìn)一步克服子塊內(nèi)顏色類別過(guò)多的現(xiàn)象，要對(duì)子塊內(nèi)部各類別進(jìn)行合并。分別計(jì)算各類別間的歐式距離Dc=若Dc小于dist， 則classj并入

5）經(jīng)塊內(nèi)類別合并后，塊內(nèi)的顏色類別已經(jīng)很少，實(shí)驗(yàn)表明塊內(nèi)類別已降至3～5種。隨后將采用符合人類觀察奶牛的視覺(jué)特性提取出代表子塊的顏色特征和紋理特征。具體提取算法見2.2節(jié)描述。

6）重復(fù)1）～5）將所有子塊遍歷一次。即完成子塊內(nèi)顏色聚類。

1.2.2 子塊內(nèi)顏色及紋理特征的提取

由于奶牛顏色相對(duì)單一，為提取顏色特征提供了便利。人類對(duì)景物進(jìn)行分割的時(shí)候一般是采用主色調(diào)原則，即在一個(gè)顏色相對(duì)一致的區(qū)域中盡管還存在一些與其余區(qū)域相比梯度較大的小面積區(qū)域，人眼會(huì)自動(dòng)將其過(guò)濾掉，并將其視為與區(qū)域其他的顏色一致。本文利用人眼的這一特點(diǎn)提取每個(gè)子塊的顏色特征。

對(duì)子塊內(nèi)各類別的class根據(jù)其所含的像素?cái)?shù)目進(jìn)行降序排列，提取所含像素?cái)?shù)目最多的class的L、u、v值作為主顏色值，提取位列第二的class的L、u、v值作為次顏色值。這樣每個(gè)子塊的顏色類別分別由主顏色和次顏色代表，忽略其他顏色類別，從而模擬人眼的顏色過(guò)濾功能。

僅提取子塊的顏色特征不足以反映子塊內(nèi)顏色的空間分布，因此要進(jìn)一步提取子塊的紋理特征，紋理的提取是基于L分量的。

其中，若 m=n，T（m－n）=0，若 m≠n，T（m－n）=1。 Tx反映的是子塊中水平方向的顏色變化程度，Tx=0代表水平方向上只有1種顏色，Tx=n則代表水平方向上有n+1個(gè)顏色區(qū)域。同理Ty反映的是子塊中垂直方向的顏色變化程度。

1.3 基于子塊的區(qū)域生長(zhǎng)

區(qū)域生長(zhǎng)算法的基本思想是以圖像中任意像素點(diǎn)為中心，以一定的標(biāo)準(zhǔn)與其領(lǐng)域像素對(duì)比，若符合標(biāo)準(zhǔn)則將該領(lǐng)域像素記為與中心像素相同的標(biāo)記，并以該像素為中心再與其領(lǐng)域像素對(duì)比，以此類推[3－4]。區(qū)域生長(zhǎng)法的優(yōu)點(diǎn)是算法簡(jiǎn)單，易于編程實(shí)現(xiàn)，但是遞歸深度較深，計(jì)算量較大，不使用于分辨率較大的圖像。在實(shí)際應(yīng)用中有很多針對(duì)區(qū)域生長(zhǎng)的改進(jìn)算法。如對(duì)已標(biāo)記過(guò)的像素做記錄，保證在之后的過(guò)程中不會(huì)重復(fù)比較[5]；或規(guī)定以順時(shí)針?lè)较驗(yàn)楸容^8領(lǐng)域像素的方向，起始的領(lǐng)域像素位置為上一次比較末尾像素位置逆時(shí)針旋轉(zhuǎn)90°，依次比較5次，從而減少37.5%的計(jì)算量[6]。本文采用基于子塊的區(qū)域生長(zhǎng)法算法?；谧訅K的區(qū)域生長(zhǎng)和基于像素的區(qū)域生長(zhǎng)的原理一樣。在提取代表子塊的顏色和紋理特征后可以視為在一幅縮小16倍的圖像上進(jìn)行基于像素的區(qū)域生長(zhǎng)，這樣可減少遞歸深度，提高計(jì)算效率。具體算法如下：

1）新建一矩陣，其大小與經(jīng)塊內(nèi)聚類后的圖像一致，且每個(gè)像素與原圖像的像素一一對(duì)應(yīng)。矩陣元素初始化為0。

2）根據(jù)每個(gè)子塊的顏色和紋理特征，用不同的生長(zhǎng)標(biāo)準(zhǔn)進(jìn)行區(qū)域生長(zhǎng)。

Case1：若對(duì)應(yīng)子塊只有一類顏色，則用該子塊的顏色標(biāo)注矩陣的對(duì)應(yīng)區(qū)域。

Case2：若對(duì)應(yīng)子塊有兩類及以上顏色，則以該子塊為種子點(diǎn)進(jìn)行八鄰域區(qū)域生長(zhǎng)。生長(zhǎng)條件如下：

①相鄰塊顏色類別相同；

②相鄰塊的主顏色歐氏距離小于閾值1；

③相鄰塊的次顏色歐氏距離小于閾值2；

④相鄰塊的水平紋理參數(shù)的歐氏距離小于閾值3；

⑤相鄰塊的垂直紋理參數(shù)的歐氏距離小于閾值4。

其中閾值①②③④由實(shí)驗(yàn)確定。閾值1、閾值2與dist的值相同，閾值3和閾值4取0.25。如果同時(shí)滿足上述5個(gè)條件，則將相鄰子塊合并，并用種子塊的顏色標(biāo)注矩陣的對(duì)應(yīng)區(qū)域。

3）重復(fù)（1）、（2）將所有子塊遍歷一次。若矩陣的對(duì)應(yīng)區(qū)域未被標(biāo)注，即對(duì)應(yīng)區(qū)域的值為0，則進(jìn)行區(qū)域生長(zhǎng)，否則檢測(cè)下一個(gè)矩陣區(qū)域。

1.4 分離背景與目標(biāo)

經(jīng)區(qū)域生長(zhǎng)后，奶牛圖像分割已基本完畢，但是分割后的圖像尚存在多種顏色，需進(jìn)一步提取目標(biāo)。待分割的圖片將分成3類，一類是黑色區(qū)域，對(duì)應(yīng)奶牛的黑色斑紋；一類是白色區(qū)域，對(duì)應(yīng)奶牛的白色斑紋；最后一類是灰色區(qū)域，對(duì)應(yīng)背景。據(jù)此，要確定2個(gè)閾值，將圖片分割成3類。

在閾值的確定上，本文采用Otsu法的多閾值分割技術(shù)。Otsu法的基本原理為以最佳閾值將圖像的灰度直方圖分割成兩部分，使兩部分的方差取最大值，即分離性最大，使兩部分有最佳的分離性[7]。

二維圖像的灰度直方圖可以用各灰度級(jí)的出現(xiàn)概率Pi，（i=1，2，…，L）來(lái)表示，其中L為直方圖邊界。圖像灰度的均值、方差分別用 μ，σ2表示，有：

對(duì)于n類分割，各類的概率、均值、方差分別標(biāo)記為ωk，μk，σ2k（k=0，1，2，…，n－1），各分割閾值的組合標(biāo)記為 t={tk｜k=1，2，……，n－1}。 有：

由于σ2作為圖像總方差是固定的，所以求類間方差的最大值和求類內(nèi)方差的最小值的等價(jià)的。如果能找出一組閾值t={tk｜k=1，2，…，n－1}，使類內(nèi)方差最小，則這組閾值即為最佳閾值。具體算法如下描述：

1）對(duì)于n類分割（分割類數(shù)由人工確定或其他分割算法給出），有n－1個(gè)待定閾值，其特定組合標(biāo)記為t={tk｜k=1，2，…，n－1}。 可令 t0=0，使 t1在 t0+1～L－n+2 之間變化，t2在 t1+1～L－n+3 之間變化，…，tk在 tk－1+1～L－n+k+1 之間變化，…，tn－1在tn－2+1～L 之間變化，由 t0到 tn－1依次形成 n 重嵌套的搜索循環(huán)；對(duì)于n為任意數(shù)的情況，嵌套搜索循環(huán)可以采用函數(shù)遞歸來(lái)實(shí)現(xiàn)。

i.由于待分割的圖片只需分成3類，遞歸深度只有3層，其效率可以滿足應(yīng)用要求。

1.5 修補(bǔ)小洞和裂縫

由于圖像采集一般在牧場(chǎng)中完成，故背景比較雜亂，經(jīng)分割后背景部分仍會(huì)出現(xiàn)顏色與奶牛顏色相同的區(qū)域，一般以小洞或裂縫等連通區(qū)域的形式存在。本文采用快速八連通域標(biāo)記算法對(duì)這些連通區(qū)域進(jìn)行標(biāo)注，隨后將這些標(biāo)注過(guò)的連通區(qū)域覆蓋為背景色即可。

本文采用快速八連通域標(biāo)記算法對(duì)二值圖像進(jìn)行標(biāo)記?？焖侔诉B通域標(biāo)記算法是一種基于二值圖像的連通區(qū)域標(biāo)記算法[8]，與傳統(tǒng)的像素標(biāo)記法和游程標(biāo)記法[9]相比，快速八連通域標(biāo)記算法可以邊掃描圖片邊標(biāo)記連通域；與基于區(qū)域生長(zhǎng)法的標(biāo)記算法相比，快速八連通域標(biāo)記算法無(wú)需遞歸，大大減少了計(jì)算復(fù)雜度。

之前得到的奶牛圖片并非二值圖片，若想對(duì)該圖片中的背景部分進(jìn)行區(qū)域標(biāo)記，必須將已經(jīng)標(biāo)記為灰色的背景像素區(qū)域予以保護(hù)，并將余下部分的像素進(jìn)行二值化。本文采用迭代法求出分割閾值。

分割閾值計(jì)算方法：

1）求出背景部分的最小灰度值z(mì)1和最大灰度值z(mì)2，其中z1>0，z2＜1。 T0=（z1+z2）/2。

2）計(jì)算目標(biāo)與背景的平均灰度值：

②其中 z（x，y）是像素的灰度值，N（x，y）是權(quán)重系數(shù)，這里取1，代表小于或大于閾值Tk的像素的數(shù)目。

3）迭代：Tk+1=（z0+zB）/2

i.如果 Tk+1=Tk，即 Tk收斂，則 Tk即為所求，否則重復(fù)2）、3）。

快速八連通域標(biāo)記算法的描述如下：

1）初始化。新建一矩陣，其尺寸與上一步得到的圖片矩陣相同，且每個(gè)像素與上一步得到的圖像的像素一一對(duì)應(yīng)。由于奶牛對(duì)象由數(shù)字0，1表示，所以連通區(qū)域初始化標(biāo)記i=2，以便將背景上的連通區(qū)域與奶牛對(duì)象區(qū)別開。num（i）表示第i個(gè)連通區(qū)域的像素?cái)?shù)目，初始化num（i）=1。從左到右，從上到下以此掃描圖像中的每一個(gè)像素，若遇到像素值不為1，則繼續(xù)掃描；否則對(duì)該像素八領(lǐng)域內(nèi)其中四個(gè)像素依次進(jìn)行判別。

2）判別與標(biāo)記標(biāo)準(zhǔn)如下：

以左上角像素，正上方像素，右上角像素和左邊像素的順序依次判別。

Case1：先判別左上角像素，若左上角像素值也為1，則用左上角像素的區(qū)域標(biāo)記i標(biāo)記該領(lǐng)域。同時(shí) num（i）=num（i）+1。

Case2：若左上角像素值不為 1，則判別正上方像素，若正上方像素值也為1，則用正上方像素的區(qū)域標(biāo)記i標(biāo)記該領(lǐng)域。同時(shí)num（i）=num（i）+1。

Case3：若正上方像素值不為 1，則判別右上角像素，若右上角像素值也為1，則用右上角像素的區(qū)域標(biāo)記i標(biāo)記該領(lǐng)域。同時(shí)num（i）=num（i）+1。

Case4：若右上角像素值不為 1，則判別左邊像素，若左邊像素值也為1，則用左邊像素的區(qū)域標(biāo)記 i標(biāo)記該領(lǐng)域。 同時(shí) num（i）=num（i）+1。

Case5：若左上角像素，正上方像素，右上角像素和左邊像素均不為1，則i=i+1，用新的連通區(qū)域標(biāo)記i標(biāo)記該領(lǐng)域。 同時(shí) num（i）=num（i）+1。

3）糾正標(biāo)記。掃描完整圖像后，仍會(huì)出現(xiàn)同一區(qū)域各部分標(biāo)記不一致的情況。在同一區(qū)域標(biāo)記變化的地方即相鄰像素點(diǎn)不同處會(huì)有以下4種情況：①當(dāng)前像素標(biāo)記與左邊像素標(biāo)記不同；②當(dāng)前像素標(biāo)記與右邊像素標(biāo)記不同；③當(dāng)前像素標(biāo)記與左下角像素標(biāo)記不同；④當(dāng)前像素與正下方像素標(biāo)記不同。針對(duì)以上情況可采取再度掃描圖像來(lái)對(duì)不一致的標(biāo)記進(jìn)行處理，從而將同一區(qū)域中不一致的標(biāo)記進(jìn)行更正。若當(dāng)前像素與左邊像素標(biāo)記不同，則用左邊像素標(biāo)記來(lái)更正所有與當(dāng)前標(biāo)記值相同的像素。同理更正其他3種情況。

4）將值大于1的像素設(shè)為0.5（灰色），這樣就彌補(bǔ)了背景中的小洞和裂縫。

2 分割效果

下圖例能反映原始圖像通過(guò)本文提出的分割算法得出的分割效果。原圖1和原圖2分別反映了在低照度和高照度條件下的原始圖像采集場(chǎng)景。分割效果1和分割效果2分別對(duì)應(yīng)圖1和原圖2的分割結(jié)果。通過(guò)對(duì)4副圖像對(duì)比可以發(fā)現(xiàn)分割效果能較好地表達(dá)奶牛的基本輪廓和基本顏色特征，并且高照度條件下的分割效果要比低照度條件下的分割效果好。

3 結(jié)論

本文使用Matlab實(shí)現(xiàn)算法對(duì)50幅奶牛圖像進(jìn)行分割，分割準(zhǔn)確率達(dá)到80%以上。實(shí)驗(yàn)表明分割效果符合人的視覺(jué)感知結(jié)果，基本滿足奶牛識(shí)別等后續(xù)工作。實(shí)地采集的圖片經(jīng)過(guò)本文提出的算法處理后將雜亂無(wú)章的背景基本去除，突出奶牛的基本輪廓和身體花紋，為后續(xù)的識(shí)別工作提供了識(shí)別的幾何范圍和特征參數(shù)，從而減少了識(shí)別過(guò)程的計(jì)算量。在進(jìn)行分割的過(guò)程中，由于奶牛的顏色與背景顏色比較接近，往往奶牛的輪廓并非是一個(gè)相對(duì)封閉的邊界，從而導(dǎo)致了背景和奶牛的部分區(qū)域是連通的，對(duì)后續(xù)的識(shí)別造成了不便。在以后的研究中將著重改進(jìn)對(duì)奶牛輪廓部分的分割，以進(jìn)一步縮小識(shí)別的范圍。

圖2 分割前后效果對(duì)比Fig.2 Comparison between pre segmentation and after segmentation

[1] 章毓晉.圖像工程（中冊(cè)）：圖像分析[M].2版.北京：清華大學(xué)出版社，2005.

[2] 李慶忠，石巍，褚東升.一種融合聚類與區(qū)域生長(zhǎng)的彩色圖像分割方法[J].計(jì)算機(jī)工程與應(yīng)用，2006，42（14）:76-78.LI Qing-zhong， SHI Wei， CHU Dong-sheng.A color image segmentation method by fusion of clustering and region growing [J].Computer Engineering and Applications，2006，42（14）:76-78.

[3] TIE Qi-chen，YI Lu.Color image segmentation-an innovative approach[J].Pattern Recognition，2002 （35）:395-405.

[4] Tremeau A，Borel N.A region growing and merging algorithm to color segmentation[J].Pattern Regcognition，1997，30（7）:1191-1203.

[5] 陳方昕.基于區(qū)域生長(zhǎng)法的圖像分割技術(shù)[J].科技信息，2008（15）:58-59.CHEN Fang-xin.The segmentation algorithm based on the region growing algorithm [J].Science & Technology Information，2008（15）:58-59.

[6] 鄒耀斌，高輝.區(qū)域生長(zhǎng)算法進(jìn)行肺的CT圖像分割[J].電腦編程技巧與維護(hù)，2009 （3）:66-68，79.ZOUYao-bin，GAOHui.ThesegmentationofCTimageprocessed by region growing algorithm[J].Computer Programming Skills&Maintenance，2009（3）:66-68，79.

[7]殷蔚明，王典洪.Otsu法的多閾值推廣及其快速實(shí)現(xiàn)[J].中國(guó)體視學(xué)與圖像分析，2004，9（4）：219-223.YING Wei-ming，WANG Dian-hong.Generalization and quick approach of Otsu S method for multi-threshold image segmentation[J].Chinese Journal of Stereology and Image Analysis，2004，9（4）：219-223.

[8] 李芳，吳斌，張紅英.基于快速8一連通域標(biāo)記的視頻字幕提取新算法[J].視頻應(yīng)用與工程，2009，33（2）：69-71.LI Fang， WU Bing， ZHANG Hong-ying.New algorithm for video caption extraction based on 8-connected components labeling[J].Video Application&Project，2009，33（2）：69-71.

[9] 蔡世界，于 強(qiáng).基于游程編碼的連通區(qū)域標(biāo)記算法優(yōu)化及應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2008，28（12）：3150-3153.CAI Shi-jie，YU Qiang.Optimization and application of connected component labeling algorithm based on run_length encoding[J].Computer Applications， 2008，28 （12）：3150-3153.