結(jié)合蟻群和自動(dòng)區(qū)域生長(zhǎng)的彩色圖像分割算法

李　浩，何建農(nóng)（福州大學(xué)　數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建　福州　350116）

結(jié)合蟻群和自動(dòng)區(qū)域生長(zhǎng)的彩色圖像分割算法

李浩，何建農(nóng)
（福州大學(xué)數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建福州350116）

為克服傳統(tǒng)區(qū)域生長(zhǎng)算法對(duì)初始種子像素選擇以及生長(zhǎng)順序魯棒性較差等缺點(diǎn)，提出了一種基于蟻群算法優(yōu)化區(qū)域生長(zhǎng)的彩色圖像分割方法。首先，根據(jù)給定閾值，利用蟻群算法自動(dòng)選取種子像素，然后，根據(jù)相鄰距離di和相似度值d（Hi，Hj）的值選取生長(zhǎng)及終止準(zhǔn)則，最后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)分割結(jié)果進(jìn)行優(yōu)化。通過(guò)與JSEG和SRG算法比較發(fā)現(xiàn)，所提出的改進(jìn)算法在分割準(zhǔn)確性上具有明顯優(yōu)勢(shì)。

蟻群算法；種子像素；彩色圖像分割

0　引言

圖像分割［1］（Image segmentation）作為圖像處理領(lǐng)域的關(guān)鍵技術(shù)，是將圖像中感興趣目標(biāo)與其他區(qū)域的分離，從而可以對(duì)感興趣的目標(biāo)采用跟蹤、檢測(cè)、識(shí)別等高層次的視覺(jué)技術(shù)進(jìn)行進(jìn)一步處理。

由于彩色圖像提供更加豐富的信息，對(duì)人視覺(jué)感知極為重要，因此對(duì)彩色圖像的分割研究正備受關(guān)注，在彩色模型系統(tǒng)中，RGB彩色模型可以與其他模型之間進(jìn)行相互轉(zhuǎn)化，并且RGB具有空間內(nèi)連續(xù)、不存在奇異等優(yōu)點(diǎn)，因此本文采用的是RGB顏色空間。

目前，常用的圖像分割算法有閾值分割方法、區(qū)域分割方法、混合算法分割方法等。而區(qū)域生長(zhǎng)算法（SRG）是混合算法的一種，該算法可以直接對(duì)顏色空間作用以及可以利用圖像空間連通性等特性，但是該算法在分割過(guò)程中受到初始種子點(diǎn)選取以及生長(zhǎng)順序等問(wèn)題的影響。針對(duì)上述問(wèn)題，楊家紅等人［2］提出了一種基于色調(diào)均值差的種子選取的分割算法，但該方法復(fù)雜且不利于目標(biāo)的分割。Chen Hejun等人［3］提出了一種利用Canny算子對(duì)種子點(diǎn)進(jìn)行選取的分割方法，但該方法易產(chǎn)生偽邊緣導(dǎo)致計(jì)算量增加。因此本文在參考文獻(xiàn)［3］的基礎(chǔ)上，首先利用蟻群算法對(duì)種子點(diǎn)進(jìn)行提取，然后對(duì)生長(zhǎng)及終止準(zhǔn)則利用相對(duì)歐氏距離進(jìn)行改進(jìn)，最后對(duì)分割的結(jié)果應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法進(jìn)行處理，通過(guò)實(shí)驗(yàn)證明，改進(jìn)的算法更為合理，且能得到更好的分割結(jié)果。

1　相關(guān)理論知識(shí)

1.1蟻群算法

蟻群算法是一種優(yōu)化搜索算法，其主要思想為：蟻群在覓食過(guò)程中會(huì)在經(jīng)過(guò)的路上留下一種被稱為“信息素”的物質(zhì)進(jìn)行信息傳遞，其后的螞蟻通過(guò)對(duì)信息素的分析，選擇信息量較大路徑的概率相對(duì)較大，如此循環(huán)形成了一個(gè)正反饋的機(jī)制，最終將會(huì)找出最優(yōu)路徑。在這個(gè)過(guò)程中有兩個(gè)關(guān)鍵因素：轉(zhuǎn)移概率矩陣和信息素矩陣的更新。設(shè)螞蟻的活動(dòng)范圍是以r為半徑的圓內(nèi)，即：Ω=｛xs|dsj≤r，s=1，2，…，N｝，所有元素的初始值設(shè)為τinit，螞蟻xi選擇到xj的轉(zhuǎn)移概率為：

當(dāng)所有的螞蟻都移動(dòng)之后，對(duì)信息素矩陣進(jìn)行更新，如式（2）所示：

其中，ψ為信息素衰減系數(shù)。然后對(duì)信息素矩陣使用閾值T，就可以判斷一個(gè)像素點(diǎn)是否滿足邊緣點(diǎn)條件。

1.2區(qū)域生長(zhǎng)算法

區(qū)域生長(zhǎng)算法（SRG）是由ADAMS R等人提出的一種圖像分割方法［4］，算法主要原理是將具有相似特征的像素附到每個(gè)種子上，從而完成圖像的分割。其主要步驟是：（1）尋找合適的像素作為生長(zhǎng)的種子點(diǎn)；（2）確定生長(zhǎng)準(zhǔn)則；（3）確定終止準(zhǔn)則。

1.2.1初始種子像素提取

在區(qū)域生長(zhǎng)算法中，初始種子選取得適當(dāng)與否，直接關(guān)系到后期的區(qū)域的分割及合并的效果。參考文獻(xiàn)［5］將極小值區(qū)域作為種子點(diǎn)，這里的極小值區(qū)域指的是包含的像素個(gè)數(shù)占總像素個(gè)數(shù)的0.002 5的區(qū)域，但是該方法沒(méi)有充分考慮到彩色圖像的空間信息。

1.2.2區(qū)域生長(zhǎng)準(zhǔn)則

在區(qū)域生長(zhǎng)算法中，區(qū)域生長(zhǎng)準(zhǔn)則的選取是至關(guān)重要的，在分割算法中通常利用歐式距離對(duì)生長(zhǎng)準(zhǔn)則進(jìn)行定義：

其中，Ri、Gi、Bi為沒(méi)有被標(biāo)簽的像素點(diǎn)的分量屬性值，（，，）為種子鄰域的像素平均值。

1.2.3區(qū)域合并準(zhǔn)則

區(qū)域生長(zhǎng)算法在分割過(guò)程中都會(huì)存在過(guò)度分割的不足。為了克服這一缺點(diǎn)，通常采用區(qū)域融合的方式來(lái)抵消過(guò)度分割。同樣，區(qū)域融合也需要一個(gè)標(biāo)準(zhǔn)，本文采用歐式距離來(lái)對(duì)相似度進(jìn)行定義：

重復(fù)以上3個(gè)步驟，直至圖像分割完成。

2　算法的改進(jìn)

2.1初始種子點(diǎn)提取改進(jìn)

由上文可知，種子點(diǎn)的選取是十分重要的，因此，在這方面有很多人提出了改進(jìn)策略，F(xiàn)AN J等人［6］提出一種圖像邊界結(jié)合區(qū)域生長(zhǎng)的圖像分割方法，主要利用目標(biāo)邊界作為種子點(diǎn)，導(dǎo)致計(jì)算量增大、圖像分割不精確。所以本文利用蟻群算法提取種子點(diǎn)。根據(jù)實(shí)驗(yàn)所得閾值T=0.006 5，若某點(diǎn)的像素大于T，則該點(diǎn)就為邊緣點(diǎn)。由參考文獻(xiàn)［7］可知，種子點(diǎn)必須是相鄰區(qū)域高度相似屬性的點(diǎn)，所以相似度判斷的準(zhǔn)則是十分重要的。本文中將采取曼哈頓距離作為衡量相似的標(biāo)準(zhǔn)，對(duì)像素的3個(gè)屬性分量的曼哈頓距離為：

其中，xi代表像素點(diǎn)，x0表示xi的8-鄰域的中心點(diǎn)。此處的T1為設(shè)定的值，若邊緣點(diǎn)中某像素滿足上式的條件，則該點(diǎn)就為種子點(diǎn)，根據(jù)彩色圖像的相關(guān)理論，本文取T1=0.02。

2.2區(qū)域生長(zhǎng)準(zhǔn)則改進(jìn)

設(shè)p1，p2，…，pi為初始的種子像素點(diǎn)，Si表示pi相對(duì)應(yīng)種子點(diǎn)的區(qū)域，那么在區(qū)域Si上的各個(gè)分量R、G、B的所有種子像素的平均值表示為（，，），本文采用相對(duì)歐式距離作為區(qū)域間的相似度，如式（3）所示：

同理，為了克服過(guò)度分割這一缺陷，本文應(yīng)用圖像融合算法進(jìn)行相應(yīng)的完善。

2.3區(qū)域融合準(zhǔn)則改進(jìn)

本文采用相對(duì)歐式距離作為測(cè)量區(qū)域相似度的依據(jù)，如式（4）所示：

2.4數(shù)學(xué)形態(tài)學(xué)處理

經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)于背景比較復(fù)雜的圖像，分割的結(jié)果有時(shí)不是十分清楚，所以本文采取形態(tài)學(xué)中的算法來(lái)平滑分割的邊緣。其中腐蝕和膨脹中使用的“掩膜”是半徑為3個(gè)像素的圓形區(qū)域。

2.5算法的步驟

（1）確定相應(yīng)的參數(shù)及啟發(fā)信息素ηij；

（3）重復(fù)步驟（2）直至選取合適的種子點(diǎn)；

（4）根據(jù)式（7）、（8）完成區(qū)域生長(zhǎng)及合并，直至分割完成；

（5）對(duì)分割結(jié)果進(jìn)行優(yōu)化處理。

3　實(shí)驗(yàn)及分析

本文的實(shí)驗(yàn)環(huán)境為Window 8操作系統(tǒng)，實(shí)驗(yàn)是在MATLAB R2009b系統(tǒng)上實(shí)現(xiàn)的。參數(shù)設(shè)置：初始螞蟻數(shù)：512，循環(huán)600次，迭代5次，常數(shù)α和β分別取0.9和0.1，信息素?fù)]發(fā)系數(shù)為0.1，信息素衰減系數(shù)為0.05，初始信息素值為為0.000 1。實(shí)驗(yàn)圖像是從Berkeley Data［9］中隨機(jī)選取的。

3.1實(shí)驗(yàn)與分析一

本文設(shè)定閾值T=0.006 5，T1=0.02，然后對(duì)彩色圖像進(jìn)行邊界和初始種子像素的提取，其邊界和種子像素點(diǎn)提取如圖1所示。其中，圖1（a）是原始圖像；圖1（b）是閾值T=0.006 5時(shí)提取的邊界，從圖中可以看出提取目標(biāo)邊界時(shí)沒(méi)有過(guò)度提??；圖1（c）是閾值T1=0.02時(shí)所提取的種子像素。

圖1　種子點(diǎn)提取圖

3.2實(shí)驗(yàn)與分析二

從Berkeley Data［8］任意選擇3張彩色圖像，分別為：“山”、“熊”、“馬”，它們的大小都為：481×321。閾值T2=0.15。本文利用所提出的算法成功地對(duì)彩色圖像進(jìn)行了分割，并且提高了分割的質(zhì)量。為了更好地說(shuō)明本算法的優(yōu)勢(shì)，本文將該算法與傳統(tǒng)的分割方法SRG［8］、JSEG［9］相比較，其分割圖如圖2所示。

圖2　算法分割結(jié)果比較

［5］給出了一種比較圖像分割結(jié)果的方法，查準(zhǔn)率（P）、查全率（R）和F-值。其中查準(zhǔn)率P是用來(lái)檢測(cè)圖像分割中正確分割的比率，查全率R是用來(lái)檢測(cè)正確分割被提取的比率，P與R的取值范圍都為［0，1］，而且值越大說(shuō)明分割效果越好；另外，除了這兩個(gè)標(biāo)準(zhǔn)以外，還可以利用P和R的幾何平均值F進(jìn)行比較，計(jì)算公式為：

其中，α為調(diào)優(yōu)參數(shù)，本文設(shè)置α=1。根據(jù)F值就可以看出算法的效果。其具體數(shù)據(jù)如表1所示。

表1　本文算法同傳統(tǒng)算法比較

表1中的N表示分割的區(qū)域數(shù)，由表中的數(shù)據(jù)可以發(fā)現(xiàn)，在圖“山”中，圖（d）的分割效果比圖（b）差，但相較SRG效果提高了3.3％，這是由于JSEG算法計(jì)算量過(guò)大導(dǎo)致的過(guò)度分割引起的。在圖“馬”中，本文算法分割效果比JSEG效果提高了9.6％，比SRG效果提高了16％，這是因?yàn)閳D（b）分割十分模糊，邊界不精確。圖（c）相比較而言比較清晰，但是，在馬的腹部存在過(guò)度分割的現(xiàn)象。

4　結(jié)論

本文在區(qū)域生長(zhǎng)算法的基礎(chǔ)上，針對(duì)種子像素過(guò)度選取而導(dǎo)致的分割效果不精確等問(wèn)題，提出了利用群算法進(jìn)行種子的選取，通過(guò)仿真實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，該算法不僅可以使計(jì)算量減少，而且有助于搜索全局最優(yōu)種子像素，改善分割結(jié)果，提高分割效率。另外，在區(qū)域生長(zhǎng)和終止準(zhǔn)則方面，本文利用相對(duì)歐式距離作為相似度的標(biāo)準(zhǔn)，經(jīng)過(guò)實(shí)驗(yàn)檢驗(yàn)，這種改進(jìn)方法較以歐式距離作為相似度標(biāo)準(zhǔn)得到的結(jié)果更好。

參考文獻(xiàn)

［1］岡薩雷斯.數(shù)字圖像處理（第3版）（英文版）［M］.北京：電子工業(yè)出版社，2010.

［2］楊家紅，劉杰，鐘堅(jiān)成，等.結(jié)合分水嶺與自動(dòng)種子區(qū)域生長(zhǎng)的彩色圖象分割算法［J］.中國(guó)圖象圖形學(xué)報(bào)，2010，15（1）：63-68.

［3］Chen Hejun，DingHaiqiang.Colorimagesegmentation based on seeded region growing with canny edge detection［J］.IEEE，2014 12th International Conference on Signal Processing（ICSP）Hangzhou，2014：683-686.

［4］ADAMS R，BISCHOF L.Seeded region growing［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1994，16（6）：641-647.［5］Wang Tong．Intelligent Mosacis algorithm of overlapping images［C］.The Proceeding of the 1st International Conference on Natural Computation（ICN′05），Changsha，China，2005：938-942．

［6］FAN J，YAU D K Y，ELMAGARMID A K，et al.Automatic image segmentation by integrating color-edge extraction and seeded region growing［J］.IEEE Transactions on Image Processing（2001），10（10）：1454-1466.

［7］SHIH F Y，ChengShouxian.Automaticseeded region growing for color image segmentation［J］.Image and Vision Computing，2005，23（10）：877-886.

［8］MARTIN D，F(xiàn)OWLKES C，TAI D，et al.A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics［J］.Proceedings of Eighth IEEE International Conference on Computer Vision，2001，ICCV 2001，2001，2（7）：416-423.

［9］馮曉毅，王西博，王蕾，等.基于改進(jìn)JSEG算法的高分辨率遙感圖像分割方法［J］.計(jì)算機(jī)科學(xué)，2012，39（8）：284-286.

Combined with ant colony and automatic color image segmentation algorithm of region growing

Li Hao，He Jiannong
（Department of Mathematics，Mathematics and Computer Science Institute，F(xiàn)uzhou University，F(xiàn)uzhou 350116，China）

In order to overcome some shortcomings of traditional region growing algorithm，such as bad initial seed pixels and poor robustness of growing order，this paper puts forward a method of color image segmentation based on ant colony optimization region growing.First of all，according to the given threshold，we can select automatically the seed pixels by using ant colony algorithm，then select growth and adjacent termination criterion on the basis of the distance diand similarity value d（Hi，Hj），finally optimize segmentation result by using mathematical morphologymethod.We can find that this algorithm has obvious advantages in the segmentation accuracy compared with JSEG and SRG algorithm.

ant colony algorithm；seed pixels；color image segmentation

TP391

A

1674-7720（2015）16-0036-03

李浩，何建農(nóng).結(jié)合蟻群和自動(dòng)區(qū)域生長(zhǎng)的彩色圖像分割算法［J］.微型機(jī)與應(yīng)用，2015，34（16）：36-38，42.

2015-04-17）

李浩（1989-），男，碩士研究生，主要研究方向：圖像分析。

何建農(nóng)（1960-），女，副教授，主要研究方向：遙感圖像處理，網(wǎng)絡(luò)GIS，多媒體處理。