基于弱小邊緣剔除的區(qū)域增長(zhǎng)改進(jìn)算法

唐湘成，黃自力，霍建亮，肖 柯，劉 怡

（西南技術(shù)物理研究所，四川 成都 610041）

基于弱小邊緣剔除的區(qū)域增長(zhǎng)改進(jìn)算法

唐湘成，黃自力，霍建亮，肖 柯，劉 怡

（西南技術(shù)物理研究所，四川 成都 610041）

提出了一種基于弱小邊緣剔除的區(qū)域增長(zhǎng)改進(jìn)算法。該算法引入了兩幅圖像主要結(jié)構(gòu)相似度判別公式，在圖像預(yù)處理時(shí)，剔除了同一目標(biāo)中的細(xì)小紋理和弱小邊緣，保留了圖像中目標(biāo)主要結(jié)構(gòu)。仿真實(shí)驗(yàn)表明，該算法能夠避免在區(qū)域增長(zhǎng)算法目標(biāo)分割時(shí)，同一個(gè)目標(biāo)被分割為多個(gè)小區(qū)域的情況，提高了目標(biāo)分割和提取的準(zhǔn)確性。

區(qū)域增長(zhǎng)；弱小邊緣剔除；圖像分割

圖像分割是進(jìn)行目標(biāo)識(shí)別和圖像理解的基礎(chǔ)，也是計(jì)算機(jī)視覺技術(shù)中的重要步驟，一直以來(lái)得到廣大研究人員的普遍關(guān)注與研究[1]。圖像分割就是把圖像分割為灰度相似的各個(gè)區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過(guò)程。隨著圖像處理技術(shù)的發(fā)展，很多圖像分割的算法被提出，但沒有一種算法能夠解決所有的圖像分割問(wèn)題。一般來(lái)說(shuō)，圖像分割算法主要分為3類：閾值分割、邊緣檢測(cè)、區(qū)域提取。本文主要采用區(qū)域增長(zhǎng)算法對(duì)圖像進(jìn)行分割。

區(qū)域增長(zhǎng)的基本思想是將具有相似性質(zhì)的像素合并起來(lái)形成區(qū)域。該算法需要先選擇種子點(diǎn)，然后在種子點(diǎn)周圍的像素中，按照生長(zhǎng)準(zhǔn)則進(jìn)行像素合并，形成灰度相似、像素相鄰的空間區(qū)域。區(qū)域內(nèi)像素的相似性度量常用灰度值、顏色等信息。圖像處理過(guò)程主要步驟為：圖像預(yù)處理、生長(zhǎng)種子點(diǎn)的確定和區(qū)域增長(zhǎng)的形成[2]。但是區(qū)域增長(zhǎng)算法存在增長(zhǎng)閾值不好確定、易受到噪聲影響和過(guò)分割等問(wèn)題。文獻(xiàn)[3]利用圖像直方圖局部峰值作為區(qū)域生長(zhǎng)算法的種子點(diǎn)。文獻(xiàn)[4]利用Canny邊緣提取對(duì)圖像進(jìn)行預(yù)處理。文獻(xiàn)[5]引入模糊C-均值聚類方法，選取區(qū)域增長(zhǎng)算法的種子點(diǎn)。文獻(xiàn)[6]對(duì)區(qū)域增長(zhǎng)后的區(qū)域進(jìn)行區(qū)域合并和平滑圖像分割的效果。

1 區(qū)域增長(zhǎng)算法

1.1 圖像預(yù)處理

區(qū)域增長(zhǎng)算法的圖像預(yù)處理過(guò)程主要有：

1）圖像平滑處理。由于區(qū)域增長(zhǎng)算法主要根據(jù)圖像區(qū)域相鄰像素灰度值的相似性進(jìn)行分割，但是受到圖像噪聲的影響，間斷了目標(biāo)灰度相似性，造成了圖像過(guò)分割。因此，分割之前需要對(duì)圖像進(jìn)行降噪處理，它常用均值濾波器或者高斯低通濾波器，也有使用自適應(yīng)濾波器。對(duì)于濾波窗口N×N內(nèi)的像素，判斷每個(gè)像素值是否在窗口內(nèi)的灰度均值 μ和3倍方差σ的范圍內(nèi)，即[μ-3×σ,μ+3×σ]，濾波時(shí)只選用該范圍內(nèi)的像素值進(jìn)行計(jì)算。

2）邊緣提取。它常用Canny算法進(jìn)行邊緣提取，疊加到原圖中，對(duì)圖像邊緣進(jìn)行增強(qiáng)，防止圖像欠分割。

1.2 區(qū)域增長(zhǎng)算法介紹

首先，選擇合適的種子點(diǎn)。常用的方法有從圖像的第一個(gè)像素開始按行掃描，根據(jù)當(dāng)前像素點(diǎn)標(biāo)記情況，如果標(biāo)記，則處理下一個(gè)點(diǎn)，否則作為種子點(diǎn)；或者選取圖像直方圖中的局部極值點(diǎn)作為種子點(diǎn)。

然后，確定生長(zhǎng)準(zhǔn)則。這里選用于區(qū)域灰度差的生長(zhǎng)準(zhǔn)則，即兩個(gè)像素的灰度差滿足

式中：f（i，j）為種子點(diǎn)灰度值；f（x+i，y+j）為當(dāng)前處理點(diǎn)灰度值；ε為區(qū)域生長(zhǎng)的灰度相似閾值。把當(dāng)前點(diǎn)加入分割區(qū)域中，同時(shí)將該點(diǎn)標(biāo)記為已處理。該點(diǎn)作為新的種子點(diǎn)，依據(jù)同樣規(guī)則，在鄰域點(diǎn)內(nèi)判斷，直到分割區(qū)域的所有點(diǎn)與周圍鄰域點(diǎn)不滿足式（1）。

最后，對(duì)相鄰分割區(qū)域，根據(jù)區(qū)域的平均灰度值和分割面積進(jìn)行區(qū)域合并，防止圖像過(guò)分割。

2 改進(jìn)區(qū)域增長(zhǎng)算法

傳統(tǒng)的圖像預(yù)處理算法中均值濾波或者低通濾波去除的不僅僅為弱小邊緣，對(duì)圖像強(qiáng)邊緣也有影響，而且根據(jù)圖像不同，濾波參數(shù)也會(huì)不同。針對(duì)上述問(wèn)題，引入文獻(xiàn)[7]提出的，兩幅圖像主要邊緣紋理相似度評(píng)價(jià)模型進(jìn)行判斷

式中：I為輸入圖像；S為輸出結(jié)果圖像；p為圖像的通道個(gè)數(shù)，彩色圖像為3，灰度圖像為1；(Sp-Ip)2為某通道下，處理后圖像與原始圖像的灰度差。

式中：g為高斯濾波函數(shù)；(?xS)q和(?yS)q為圖像兩個(gè)方向的梯度圖像；ε為大于0且很小的數(shù)，防止除0；λ為一個(gè)固定的系數(shù)。

用式（7）來(lái)衡量圖像弱小邊緣，當(dāng)值越小時(shí)圖像邊緣越少[7]。

式中：

式中：vI，vS為圖像向量表示的形式；Cx，Cy為托普利茲矩陣；Ux，Uy，Wx為對(duì)角矩陣。式（11）的最小化問(wèn)題可以轉(zhuǎn)化為線性迭代公式

式中：I為單位矩陣。設(shè)

這樣迭代計(jì)算，剔除了圖像的弱小邊緣，再進(jìn)行區(qū)域增長(zhǎng)計(jì)算，避免同一個(gè)目標(biāo)分割為多個(gè)細(xì)小區(qū)域。

3 實(shí)驗(yàn)結(jié)果

3.1 圖像預(yù)處理結(jié)果

仿真結(jié)果在CPU為Intel Celeron 887，主頻為1.5 GHz，軟件為MATLAB 2012a版本上實(shí)現(xiàn)。在高斯函數(shù)參數(shù)σ=3，λ=0.015，迭代次數(shù)N=4下，高斯濾波預(yù)處理和本文中預(yù)處理結(jié)果對(duì)比如圖1和圖2所示。

圖1 圖像1預(yù)處理結(jié)果對(duì)比圖

圖2 圖像2預(yù)處理結(jié)果對(duì)比圖

從仿真結(jié)果看，使用相同的高斯參數(shù)情況下，高斯濾波后，存在弱小邊緣紋理，并且圖像主要邊緣也變模糊，而本文預(yù)處理算法圖像弱小邊緣紋理被剔除，主要邊緣保留完整，但比高斯濾波處理時(shí)間（表1）大大增加。

表1 仿真結(jié)果對(duì)比

3.2 局部區(qū)域圖像分割結(jié)果對(duì)比

由于區(qū)域生長(zhǎng)分割算法為在感興趣區(qū)域設(shè)置區(qū)域生長(zhǎng)種子點(diǎn)，然后進(jìn)行分割。這里選取了常用的分割算法基于無(wú)邊緣活動(dòng)輪廓的分割[8]（圖3）、Graph分割[9]（此處列舉了如圖4所示的最鄰近算法和如圖5所示的KNN算法）、Graph Cuts分割[10]（圖6）和高斯預(yù)處理后的區(qū)域生長(zhǎng)算法（圖7），針對(duì)示例圖像1和示例圖像2兩幅示例圖像同本文算法（圖8）進(jìn)行比較。為了對(duì)比不同預(yù)處理對(duì)區(qū)域增長(zhǎng)算法的影響，選用了幾個(gè)區(qū)域，并且以區(qū)域中心為種子點(diǎn)，增長(zhǎng)準(zhǔn)則為灰度差閾值15。

圖3 無(wú)邊緣活動(dòng)輪廓的分割結(jié)果

圖4 Graph分割（采用最鄰近方法）結(jié)果

圖5 Graph分割（采用KNN方法）結(jié)果

圖6 Graph Cuts分割結(jié)果

圖7 高斯預(yù)處理后的區(qū)域生長(zhǎng)算法

圖8 本文改進(jìn)的區(qū)域增長(zhǎng)算法

表2為不同分割算法的對(duì)比結(jié)果，Graph分割（采用最鄰近方法）和Graph分割（采用KNN方法）受到干擾，目標(biāo)存在過(guò)分割現(xiàn)象，提取不準(zhǔn)確，基于無(wú)邊緣活動(dòng)輪廓的分割和Graph Cuts分割算法有一定的抗干擾性，對(duì)示例圖1目標(biāo)提取比較準(zhǔn)確，但是示例圖2干擾增強(qiáng)，提取目標(biāo)受到干擾。使用相同的區(qū)域增長(zhǎng)參數(shù)情況下，高斯濾波后，區(qū)域增長(zhǎng)結(jié)果受到弱小邊緣影響，分割不完整，并且主要邊緣變模糊，可能會(huì)增加錯(cuò)誤區(qū)域。本文預(yù)處理后，弱小邊緣剔除完整，并且不會(huì)使主要邊緣模糊，區(qū)域增長(zhǎng)分割準(zhǔn)確。由于區(qū)域增長(zhǎng)運(yùn)算時(shí)間與圖像區(qū)域灰度有關(guān)，這兩種預(yù)處理方式的區(qū)域增長(zhǎng)運(yùn)算時(shí)間相似。

表2 不同分割算法結(jié)果對(duì)比

[1]邊肇祺．模式識(shí)別[M]．北京：清華大學(xué)出版社，1988.

[2]劉軍，齊華.基于邊緣區(qū)域增長(zhǎng)法的飛機(jī)圖像目標(biāo)分割研究[J].飛行力學(xué)，2008，26（4）：93-96.

[3] 柳佳雯，梁光明.融合色調(diào)統(tǒng)計(jì)特征的自適應(yīng)區(qū)域增長(zhǎng)算法[J].計(jì)算機(jī)應(yīng)用研究，2012，29（8）：3176-3178.

[4] 馬建林，崔志明.一種新的基于區(qū)域增長(zhǎng)的ROI分割算法[J].計(jì)算機(jī)應(yīng)用研究，2008，25（5）：1582-1585.

[5]吳濤，畢篤彥.一種基于改進(jìn)遺傳算法的自適應(yīng)區(qū)域生長(zhǎng)法研究[J].微電子學(xué)與計(jì)算機(jī)，2008，25（4）：90-93.

[6] 李亮，舒寧.基于改進(jìn)的區(qū)域增長(zhǎng)算法的高分辨率影像分割[J].地理空間信息，2010，8（5）：67-69.

[7] LI Xu，QIONG Yan.Structure extraction from texture via relative total variation[J].ACM Trans.Graphics，2012，31（6）：139-149.

[8] TONY F.Active contours without edges[J].IEEE Trans.Image Processing，2001，10（2）：266-277.

[9] PEDRO F.Effcient graph-based image segmentation[J].Interna?tional Journal of Computer Vision，2004，59（2）：167-181.

[10]YURI B，OLGA V，RAMIN Z.Fast approximate energy minimiza?tion via graph cuts[J].IEEE Trans.Pattern Analysis and Ma?chine Intelligence，2001，23（11）：1222-1238.■

Improved Algorithm of Region Growing Based on Weak Edge Reject

TANG Xiangcheng，HUANG Zili，HUO Jianliang，XIAO Ke，LIU Yi
（Southwest Institude of Technical Physics，Chengdu 610041，China）

An improved algorithm of region growing based on weak edge reject is proposed in this paper，which introduces the discriminant formula of similarity about main structure between two images.On the image-processing stage，the small texture and weak edge of the same goal are rejected while the main structure remains there.It is indicated from the simulation experiment that the algorithm has the capability to avoid the possibility that the same goal is divided into several small regions when the goal segmentation through the traditional region-growing algorithm is conducted，thus the veracity of segmentation and extraction can be further enhanced.

region growing；weak edge reject；image segmentation

TP391.41 文獻(xiàn)標(biāo)志碼：A DOI：10.16280/j.videoe.2015.06.005

【本文獻(xiàn)信息】唐湘成，黃自力，霍建亮，等.基于弱小邊緣剔除的區(qū)域增長(zhǎng)改進(jìn)算法[J].電視技術(shù)，2015，39（6）.

時(shí) 雯

2014-07-24