基于區(qū)域合并的圖像分割方法

薛輝+高倩倩+羅欣

摘要：提出了一種基于相似性最大原則進(jìn)行區(qū)域合并的方法。用戶僅需要對感興趣的對象進(jìn)行標(biāo)記，以此為依據(jù)來進(jìn)行區(qū)域合并；該方法以分水嶺算法的初始分割結(jié)果為基礎(chǔ)，利用彩色直方圖來度量不同區(qū)域的相似性，從而引導(dǎo)區(qū)域合并的進(jìn)程。實(shí)驗(yàn)結(jié)果表明，該方法能較好地從背景中提取出所需對象，最終達(dá)到圖像分割的效果。

關(guān)鍵詞：圖像分割；相似性；分水嶺算法

0. 引言

在圖像處理領(lǐng)域中，圖像分割是進(jìn)行圖像分析的關(guān)鍵技術(shù)。其是在一定的應(yīng)用需求上，把圖像分成不同類型的區(qū)域并從中提取所需的對象。通常，對于彩色圖像而言，光譜和紋理特征是非常復(fù)雜的。因此，結(jié)合用戶的先驗(yàn)知識進(jìn)行圖像分割已成為一個研究熱點(diǎn)。本文提出了一種人機(jī)交互的圖像分割方法[1-2]，該方法以分水嶺算法的初始分割結(jié)果為基礎(chǔ)，通過人為的標(biāo)記感興趣的對象，綜合利用圖像的光譜特征進(jìn)行合并[2]。在合并過程中，以局部最優(yōu)合并條件為依據(jù)來選取合并區(qū)域，可得到最終的分割結(jié)果。

1. 相似性度量準(zhǔn)則

圖像分割實(shí)質(zhì)上就是不斷合并相鄰區(qū)域，而合并的過程就是尋找相似性最大的相鄰區(qū)域進(jìn)行合并[3]。本文選擇利用彩色直方圖來描述圖像的特征。其中，將每一個顏色通道都被統(tǒng)一量化成16個灰度級，然后在16×16×16=4096維的特征空間中，計算出每個區(qū)域的顏色直方圖[5]。

2. 分水嶺變換分割算法

要合并同質(zhì)區(qū)域，需要用初始分割將圖像分割成均勻的區(qū)域，本文將利用分水嶺算法來對圖像進(jìn)行初始分割。過程如下：

（1）尋找每一個像元的下游像元，記錄在數(shù)組中。尋找數(shù)組中，與每個像元相比灰度最小的鄰域像元；

（2）標(biāo)識局部最小像元。判斷數(shù)組中每個像元是否為局部最小，若是，則賦予一個新的編號，并賦予與其連通且局部最小的區(qū)域同樣的編號；

（3）標(biāo)識非局部最小像元。對于每一個非局部最小像元r，都有一個下游像元，若其下游像元已被賦予編號，則將該編號同樣賦予r；否則，尋找下游像元的下游像元，直到找到賦予編號的像元，將其賦予r。

3. 基于最大相似性的區(qū)域合并算法

分割過程中，MSRM方法加入了人工標(biāo)注信息。經(jīng)過初始分割后的圖像，由于過分割問題得到了許多小區(qū)域，因此需要人為標(biāo)記成目標(biāo)與背景區(qū)域。其中，目標(biāo)區(qū)域用MO表示；背景區(qū)域用MB表示；沒有被標(biāo)記的區(qū)域記為N[5]。因此，標(biāo)記后的圖像可分為三部分：MO，MB和N。

整個MSRM算法分為兩步，過程如下[2]：

第一步：合并N中未被標(biāo)記的區(qū)域與MB中的背景區(qū)域。

（1）定義每個區(qū)域?yàn)锽的相鄰區(qū)域?yàn)镾B={Ai}i=1，2，...，r，其中B MB；

（2）定義每個區(qū)域Ai的相鄰的區(qū)域?yàn)镾Ai={Sj}j=1，2，...，k，其中Ai MB；

（3）根據(jù)最大相似性準(zhǔn)則計算ρ（Ai，Sj），如果ρ（Ai，B）=maxj=1，2，...，kρ（Ai，Sj），合并B和Ai，反之則不合并；

（4）更新標(biāo)號MB和N；

（5）如果MB Φ，結(jié)束第一步，否則回到（1）。

第二步：合并N中未被標(biāo)記的區(qū)域。

（6）定義每個區(qū)域P的鄰接區(qū)域?yàn)镾P={Hi}i=1，2，...，p，其中P N；

（7）定義每個區(qū)域Hi的鄰接區(qū)域?yàn)镾Hi={Sj}j=1，2，...，k，其中Hi MB且Hi MO；

（8）根據(jù)最大相似性準(zhǔn)則計算ρ（Hi，Sj），如果ρ（Hi，B）=maxj=1，2，...，kρ（Hi，Sj）合并P和Hi，反之則不合并；

（9）更新標(biāo)號N；

（10）如果N Φ ，結(jié)束第二步，否則回到（6）.

4. 實(shí)驗(yàn)結(jié)果

MSRM算法是使用顏色信息來實(shí)現(xiàn)圖像分割的，通過人工標(biāo)注信息進(jìn)行區(qū)域合并，以達(dá)到圖像分割的目的。

4.1實(shí)驗(yàn)分析

為了分析本文算法，此次試驗(yàn)以Mina Lisa圖像為例，輸入標(biāo)記和分水嶺初始分割后的圖像，使用MSRM算法進(jìn)行區(qū)域合并。通過分割結(jié)果可見，分水嶺算法進(jìn)行分割后，過分割現(xiàn)象比較嚴(yán)重，使用本文提到的算法可將感興趣對象較完整的提取出來。

4.2實(shí)驗(yàn)對比

為了判斷初始分割是否會對分割結(jié)果造成影響，本次實(shí)驗(yàn)分別采用分會玲算法和均值漂移算法進(jìn)行初始分割，用以進(jìn)行比較。通過分割結(jié)果可見，兩種算法雖然產(chǎn)生的過分割程度不同，但通過人工標(biāo)記，使用MSRM進(jìn)行合并后，都能較好的將感興趣的對象提取出來，因此，初始分割算法的選取不會影響最終的分割結(jié)果。

5. 結(jié)論

在文中，我們提出了一個基于最大相似性度量準(zhǔn)則進(jìn)行區(qū)域合并的交互式圖像分割算法，在分水嶺分割結(jié)果的基礎(chǔ)上，標(biāo)記對象的主要特征，以完成整個合并過程。實(shí)驗(yàn)結(jié)果表明，初始分割算法的選取對分割結(jié)果不會造成影響，而用戶輸入的標(biāo)記是分割過程中的重要因素。相比于別的交互式算法而言，本算法利用一種新穎的區(qū)域合并機(jī)制，較完美的提取出了感興趣的對象。由于本算法在運(yùn)用過程中涉及到了相似性度量，因此如何將紋理、形狀等信息引入到合并過程中，將會是今后關(guān)注的一個方向。

參考文獻(xiàn)：

[1] Levin A， Rav Acha A， Lischinski D. Spectral matting[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2008， 30（10）： 1699-1712.

[2] Ning J， Zhang L， Zhang D， et al. Interactive image segmentation by maximal similarity based region merging[J]. Pattern Recognition， 2010， 43（2）： 445-456.

[3] 林卉， 劉培， 夏俊士， 等. 基于分水嶺變換的遙感影像面向?qū)ο蠖喑叨确指钏惴ㄑ芯縖J]. 測繪通報， 2011， 10： 008.

[4] 胡春. 一種新的基于區(qū)域合并的圖像分割算法[J]. 合肥學(xué)院學(xué)報： 自然科學(xué)版， 2012， 22（1）： 31-35.

[5] 戴令正. 自然圖像分割算法的研究[D]. 南京理工大學(xué)， 2013.endprint