自適應K-means圖像分割方法

王嘉棟，李寒松

(北京華航無線電測量研究所，北京 100013)

自適應K-means圖像分割方法

王嘉棟，李寒松

(北京華航無線電測量研究所，北京 100013)

本文提出了一種自適應K-means圖像分割方法，該方法通過用Otsu方法來初步選取閾值作為初始K-means聚類中心，然后經(jīng)過K-means聚類方法對圖像進行分割，最后根據(jù)K-means獲得的聚類中心與Otsu所確定的閾值進行平均計算，作為圖像分割的閾值。實驗結果表明：該方法自動快速形成的分割閾值較為合理，對圖像能達到更好的分割效果，可以進一步提高后續(xù)圖像匹配與定位的準確性。

自適應K-means；圖像分割；聚類中心；Otsu

0 引言

圖像處理是圖像匹配定位的重要組成部分，因此要想使圖像匹配定位更加精確，首先要將圖像處理的工作做好，K均值方法是其一種新的方法。圖像分割是從圖像處理到圖像分析的關鍵步驟，所謂圖像分割就是將圖像中有意義的邊緣、區(qū)域等有意義的部分與背景圖像進行分離，并且進行標記和定位，一個完整的目標邊緣對后續(xù)圖像與定位的準確性至關重要。因此，圖像分割的效果直接影響對圖像的理解以及后續(xù)對目標的匹配定位，本文的算法可以將目標區(qū)域的邊緣信息更加清晰完整地檢測出來，進一步提高了后續(xù)圖像匹配與定位的準確性。

目前，圖像分割的方法很多，根據(jù)不同評價標準，圖像分割可以劃分為不同種類，本文圖像分割的方法可以粗略地分為三類：1)基于直方圖的分割技術，包括閾值分割[1]和聚類[2-3]等；2)基于鄰域的分割技術，包括邊緣檢測和區(qū)域增長；3)基于物理性質的分割技術，包括利用光照特性和物體表面特征等。

在大多數(shù)文章中，依靠K-means聚類方法對圖像進行分割的方法中，K-means聚類的初始中心是靠隨機選擇的，但這樣帶來的結果是當初始聚類中心選取不當時，會導致最終聚類結果陷入局部最優(yōu)值，從而影響后續(xù)的圖像處理。因此，初始聚類中心位置的選擇直接影響到聚類劃分結果的好壞。

本文巧妙地將Otsu方法與K-means方法進行結合，發(fā)揮了每種算法的優(yōu)勢，并創(chuàng)造出了一種新的圖像分割方法：通過用Otsu方法[4-6]來初步選取閾值作為初始K-means聚類中心，然后經(jīng)過K-means聚類方法對圖像進行分割，最后根據(jù)K-means獲得的聚類中心與Otsu所確定的閾值進行平均計算，作為圖像分割的閾值。實驗結果表明：該方法自動快速形成的分割閾值較為合理，對圖像能達到更好的分割效果，使得目標更加清晰，可以進一步提高后續(xù)圖像匹配的準確性。

1 K-means聚類算法

MacQueen在1967年提出了K-means算法，其算法原理是使得聚類域中所有點到聚類中心距離的平方和達到最小值，從而對樣本進行聚類分割，該方法簡單高效，在圖像分割領域中是一種經(jīng)典算法，在目標定位中，該方法得到了有效的應用。

K-means算法的大致過程如下：

1)首先隨機選擇K個初始聚類中心；

2)分別計算每個點xi(i=1,2,…，n)到各個聚類中心mi(i=1,2,…,p,…,k)的歐式距離大小，若D(xi,mp)≤D(xj,mi)，則分配xi點到第p類；

4)進行收斂判斷，通過步驟2)和3)的循環(huán)計算，直到聚類中心mi不再發(fā)生變化，則聚類劃分結束。

從K-means算法的基本步驟可以看出：1)初始聚類中心的選擇不同會導致最后聚類的結果不同；2)該算法極有可能導致最后的聚類結果陷入局部最優(yōu)值。因此，本文提出了一種基于Otsu閾值分割的自適應獲取初始聚類中心的方法。

2 自適應K-means圖像分割方法

2.1Otsu多閾值分割劃分聚類中心的方法

選取最佳閾值使得用該閾值分割圖像得到的兩類具有最好的分離性，即計算得到的兩類的類間方差達到最大值或者類內方差達到最小值。

Otsu算法得到的灰度值T就是將圖像中目標與背景劃分的最佳劃分界限，當圖像比較簡單時，可以將圖像劃分為兩類，其中每類的聚類中心從灰度值T左右兩端分別自動選取，這樣可以避免陷入局部最優(yōu)值。

當圖像比較復雜，存在較多目標信息時，可以首先將直方圖用Otsu算法進行直方圖多閾值分割，將圖像分成多個類，使得多個類的類間方差達到最大，每個類的類內方差達到最小，由此得到的分割閾值就是最佳分割閾值。

假設圖像有背景及目標共計M個待區(qū)分的類C0,C1,…,CM-1，其中C0與C1之間的閾值為T1，C1與C2之間的閾值為T2，則根據(jù)Otsu算法將獲得M-1個分割閾值，分別是T1,T2,…,TM-1。

則C0到CM-1對應的概率和均值分別如下：

則類間方差為：

pCM-1[μCM-1-μ]2

2.2 自適應K-means圖像分割方法

本文算法流程：

1)將K個Otsu的分割閾值T1,T2,…,TK作為K-means的初始聚類中心；

2)分別計算每個點xi(i=1,2,…，n)到各個聚類中心Ti(i=1,2,…,p,…,K)的歐式距離大小，若D(xi,Tp)≤D(xj,Ti)，則分配xi點到第p類；

4)進行收斂判斷，通過步驟2)和3)的循環(huán)計算，直到聚類中心ti不再發(fā)生變化，則聚類劃分結束；

5)將聚類中心ti與對應的Otsu的分割閾值Ti相加除二得到最后的圖像分割閾值Mi；

6)用新的圖像分割閾值M1,M2,…,MK對圖像進行分割。

3 實驗結果仿真及分析

為了驗證本文自適應K-means算法，本文進行了大量的仿真對比測試，由于篇幅的限制，在這一節(jié)中將部分結果內容進行展示以驗證本文算法的效果，將本文算法與傳統(tǒng)K-means算法進行比較分析，實驗結果如圖1～圖3所示(適應典型場景)。

(a)原圖

(b)K-means算法分兩類

(c)本文算法分兩類圖1 分兩類時，本文算法與K-means算法效果對比圖Fig.1 The contast of the method of the paper and the K-means when divided into two categories

(a)原圖

(b)K-means分三類

(c)本文算法分三類圖2 分三類時，本文算法與K-means算法效果對比圖 Fig.2 The contast of the method of the paper and the K-means when divided into three categories

(a)原圖

(b)K-means分四類

(c)本文算法分四類圖3 分四類時，本文算法與K-means算法效果對比圖 Fig.3 The contast of the method of the paper and the K-means when divided into four categories

從圖1～圖3的對比中可以看出，隨著聚類中心數(shù)的增加，分類的效果逐漸明顯，目標邊緣更加清晰，可以更好地定位目標，并且本文算法比傳統(tǒng)的K-means算法更清晰地將背景與目標分割出來。

表1是兩種算法針對人圖像的性能對比，表2是兩種算法針對rice圖像的性能對比。其中閾值是根據(jù)本文算法計算得到的分割閾值，準確率是根據(jù)檢測到的圖像邊緣像素數(shù)與原圖像邊緣像素數(shù)的比值來計算的，并且根據(jù)最后分割的準確率進行對比，準確率越高，說明圖像邊緣檢測的越完整，為后續(xù)圖像匹配提供了完整的待檢測目標，提高了后續(xù)圖像定位的精確度。

表1 兩種算法的性能對比(人)

表2 兩種算法的性能對比(rice)

由此可知，用傳統(tǒng)的K-means算法雖然能顯示部分圖像細節(jié)，但是還有很多部分的細節(jié)信息沒有顯示出來，目標定位不清晰，并且一些不太清晰的邊緣會漏檢。尤其是圖3，用普通K-means算法分類會將一些較亮背景劃分為目標信息，而用本文算法能根據(jù)Otsu獲取的閾值進行聚類的調整，從而減少背景較亮信息的干擾，使得最后的分類結果更加清楚。這對于以后檢測目標具有很大的現(xiàn)實意義，能更精確地把目標從背景中分割出來，從而為后續(xù)目標檢測、目標跟蹤、目標識別打下堅實的基礎。

4 結論

本文通過用Otsu方法來初步選取閾值作為初始聚類中心，然后經(jīng)過K-means聚類方法對圖像進行分割，最后根據(jù)Otsu方法所確定的閾值對聚類結果進行適當調整。實驗結果表明：該方法自動快速形成的K-means聚類中心較為合理，對圖像能達到更好的分割效果，使得目標邊緣信息更加準確，可以進一步提高后續(xù)圖像匹配與定位的準確性。下一步，將針對更加復雜的背景與目標進行研究，使得目標的定位更加準確，目標的邊緣更加清晰，為以后的圖像匹配與定位奠定基礎。

[1] 陳崢，石勇鵬，吉書鵬.一種改進的Otsu圖像閾值分割算法[J]. 激光與紅外，2012，42(5)：584-588.

[2] 謝娟英，蔣帥，王春霞，等.一種改進的全局K均值聚類算法[J]. 陜西師范大學學報(自然科學版)，2010，38(2)：18-22.

[3] 江健生，朱會萍.基于直方圖的K-means聚類中心自動檢測方法[J]. 廊坊師范學院學報(自然科學版)，2013，13(2)：49-52.

[4] 何志勇，孫立寧，陳立國.Otsu準則下分割閾值的快速計算[J]. 電子學報，2013，41(2)：267-272.

[5] 李惠光，姚磊，石磊.改進的Otsu理論在圖像閾值選取中的應用[J]. 計算機仿真，2007，24(4)：216-220.

[6] 尹奎英，劉宏偉，金林.快速的Otsu雙閾值SAR圖像分割法[J]. 吉林大學學報(工學版)，2011，41(6)：1760-1765.

Self-AdaptiveK-means on the Method of Image Segmentation

WANG Jia-dong, LI Han-song

(Beijing Huahang Radio Measurement Research Institute，Beijing 100013,China)

This paper proposes an adaptiveK-means about image segmentation method,the method uses Otsu to preliminarily select threshold as the initialK-meansclustering centers,and then the image is segmentated through theK-means clustering method, finally, according to the obtained cluster centers and threshold by Otsu, the average is determined as the threshold of the image segmentation.The experimental results show that:the segmentation threshold is reasonable and the image can achieve better segmentation results.

AdaptiveK-means;Image segmentation;Clustering centers;Otsu

10.19306/j.cnki.2095-8110.2016.05.013

2014-10-11；

2015-04-10。

王嘉棟(1990 - )，男，碩士，主要從事目標檢測、識別方面的處理。E-mail:1324564709@qq.com

U666.12

A

2095-8110(2016)05-0066-04