基于SLIC和多尺度顯著性的紅棗圖像分割算法

曹洪武+王振磊+姚娜+姚江河

摘要： 針對自然光條件下具有復(fù)雜背景的紅棗圖像，提出了1種新的圖像分割方法。首先，該方法用簡單線性迭代聚類（simple linear iterative clustering，SLIC）算法對圖像進(jìn)行超像素分割，并進(jìn)行迭代合并處理，從而得到不同尺度的圖層；其次，利用圖像局部對比度估計和區(qū)域位置估計來獲取相應(yīng)的顯著性圖；最后，用K-means算法得到紅棗圖像聚類分割結(jié)果。結(jié)果表明，該方法能有效去除圖像的復(fù)雜背景，消除紅棗上光斑的影響，準(zhǔn)確地將紅棗圖像從背景中分割出來。

關(guān)鍵詞： 圖像分割；簡單線性迭代聚類；多尺度；紅棗圖像；顯著性；K-means

中圖分類號： TP391.4；S126 文獻(xiàn)標(biāo)志碼： A 文章編號：1002-1302（2016）03-0455-03

新疆地區(qū)有著豐富的紅棗資源，紅棗的種植和加工已成為新疆特色支柱產(chǎn)業(yè)之一，目前，新疆紅棗產(chǎn)量已居全國首位。因此，進(jìn)行紅棗采摘機(jī)器人研究，對提高采摘效率、節(jié)約勞動力成本有特別的現(xiàn)實意義，而其中紅棗圖像的分割是研發(fā)采摘機(jī)器人的關(guān)鍵步驟。近年來，已有較多國內(nèi)外學(xué)者從不同角度開展了圖像分割研究，典型的方法有直方圖閾值法[1]、特征空間聚類法[2]、區(qū)域分級方法[3]、邊緣檢測方法[4]、顯著性圖像分割方法[5]等。雖然上述方法在各自領(lǐng)域均有較好的應(yīng)用，但仍未有一種通用方法能適合于所有類型的圖像，各種新思路和新算法還在不斷地出現(xiàn)。本研究針對復(fù)雜環(huán)境背景中的紅棗圖像提出了1種基于簡單線性迭代聚類[6]（simple linear iterative clustering，SLIC）和多尺度顯著性圖的分割算法進(jìn)行紅棗圖像分割的算法，先利用SLIC算法構(gòu)建超像素，迭代后獲得不同尺度圖層，然后利用顯著性檢測方法獲得不同尺度下的紅棗顯著度圖像，最后利用K-means算法對顯著性圖像進(jìn)行聚類處理，得到最終分割結(jié)果。

1 不同尺度的圖層生成

通過SLIC算法可將圖像分割為包含若干均質(zhì)區(qū)域的超像素圖像，將超像素區(qū)域按從小到大的多個尺度順序進(jìn)行合并處理可得到不同尺度的圖層，可以避免因一次性選擇過大的區(qū)域尺度而產(chǎn)生邊界分割錯誤。通過從較小尺度開始處理超像素，再逐步增大尺度的方式，可以保留圖像主體結(jié)構(gòu)，舍棄部分非關(guān)鍵性細(xì)節(jié)，消除這些細(xì)節(jié)對關(guān)鍵目標(biāo)的影響。主要步驟為：首先利用SLIC算法對圖像進(jìn)行超像素分割預(yù)處理，得到新圖像I；其次，判定I中各區(qū)域尺度，迭代合并生成不同尺度圖層，先得到圖層L1，并在L1基礎(chǔ)上，同理獲得圖層L2。

1.1 SLIC算法原理

SLIC是1種基于像素色彩和色彩空間來進(jìn)行超像素分割的方法[6]，其算法流程如下。

（1）初始化過程。在 CIELAB色彩空間（CIE 1976 L*，a*，b* Color Space）中，依據(jù)超像素區(qū)域數(shù)目控制因子k，將圖像劃分為k個正方形網(wǎng)格，每個網(wǎng)格邊長S=N/K，并將每個網(wǎng)格中心點3×3領(lǐng)域內(nèi)的最小梯度位置初始化為聚類中心，如第j個聚類中心為：Cj[lj，aj，bj，xj，yj]T （lj為像素點光亮度，aj、bj為像素點色度坐標(biāo)，xj、yj為像素空間坐標(biāo)）；并初始化每個像素的分類標(biāo)記l（i）=-1，像素點距離d（i）=∞。

（2）對每個聚類中心Cj進(jìn)行迭代處理。計算Cj與每個像素的距離D，計算范圍為Cj的2S×2S鄰接區(qū)域，當(dāng)D式中：dc為像素點i與聚類中心點j之間的色彩距離；ds為像素點i與聚類中線點j之間的空間距離；m用來確定分割結(jié)果與圖像實際邊界貼合度，m值越小，貼合程度越高。

1.2 區(qū)域的迭代合并處理

為減少區(qū)域的數(shù)量，必須對超像素分割所得圖像的各個區(qū)域進(jìn)行合并處理，主要步驟如下。

（1）定義超像素分割所得任意區(qū)域Ri的尺度。如果存在1個t×t大小的正方形區(qū)域Rt×t，在滿足Rt×tRi的條件下，使得Rt×t面積最大的t值作為區(qū)域Rt×t的尺度值。

（2）為了選擇與Ri區(qū)域相鄰的區(qū)域，使用以下公式計算在CIELUV色彩空間[CIE 1976 （L*，u*，v*） color space]中區(qū)域Ri、Rj的色彩均值距離：

Dluv（Ri，Rj）=（lj-li）2+（uj-ui）2+（vj-vi）2。

（3）進(jìn)行區(qū)域迭代合并處理。通過計算與Ri距離最小且閾值大于t的相鄰區(qū)域，使用1個內(nèi)核為t×t的方框濾波器對圖像進(jìn)行濾波處理，如果該區(qū)域能夠完全包含該濾波核，則顏色不作改變；否則，用濾波核范圍內(nèi)該區(qū)域的色彩均值來更新其中心點對應(yīng)位置的色彩值，通過迭代，可實現(xiàn)圖像中各區(qū)域的合并。

2 顯著性圖像的生成

生成紅棗圖像與背景反差盡可能大的顯著性圖，有利于后續(xù)進(jìn)行聚類處理，本研究利用上述生成的不同尺度圖像來獲取對應(yīng)的多個尺度的顯著性圖。顯著性圖像的生成受到圖像中所包含像素的數(shù)量、色彩、關(guān)鍵區(qū)域所處位置及其大小等因素影響，通過綜合考慮區(qū)域局部對比度估計值和圖像位置估計值來計算圖像顯著度[7]。

（1）區(qū)域局部對比度估計。圖像區(qū)域局部對比度可以通過計算待測區(qū)域Ri與其周邊n個區(qū)域的色差加權(quán)和Ci來估計，Ri與其周邊區(qū)域?qū)Ρ榷仍酱?，視覺上越顯著，公式如下：

式中：ci、cj分別是Ri、Rj的顏色；ρ（Rj）為Rj中像素數(shù)量，區(qū)域中擁有的像素數(shù)量越多，對局部對比度權(quán)值的貢獻(xiàn)將越大；φ（i，j）=e-D（Ri，Rj）/σ2表示Ri、Rj間的空間距離影響權(quán)值，與Ri區(qū)域距離越近，則受影響越大，其中σ2為檢測區(qū)域的范圍，D（Ri，Rj）為Ri、Rj中心點的歐氏距離平方。

（2）區(qū)域位置估計。圖像中心點在人類視覺中較容易引起關(guān)注，則距離圖像中心越近的區(qū)域，視覺上越具有顯著性。因此，使用Hi來計算這類區(qū)域，計算區(qū)域Ri中的任意像素坐標(biāo)xi與圖像中心的坐標(biāo)xc間的距離影響權(quán)值，λ為權(quán)重調(diào)節(jié)參數(shù)，ρ（Ri）為Ri中的像素數(shù)量，計算公式如下：

3 基于K-means算法的顯著性圖像聚類處理

為了減少上述顯著性圖中的區(qū)域數(shù)量，實現(xiàn)紅棗和背景的分割，本研究使用K-means算法對圖像進(jìn)行聚類處理。K-means算法是一種無監(jiān)督自適應(yīng)的基于樣本間相似性度量的間接聚類方法，其算法主要步驟[8]如下。

（1）在n個像素的數(shù)據(jù)集上隨機(jī)選定k個初始聚類中心，設(shè)置迭代次數(shù)為R次。

（2）計算每個像素到各聚類中心的歐氏距離D（xi，μj）。按最近鄰原則將其劃分到以μj為聚類中心的子類Cj中，得到k個子類：C1，C2，…，Ck。

（3）設(shè)di為第i個子類中所有像素到其聚類中心μi的歐氏距離和，則每個像素到其聚類中心的歐氏距離和為：

4 算法主要步驟

綜上，本研究提出的算法主要步驟歸納如下。

（1）不同尺度圖層的生成。利用SLIC算法對紅棗圖像進(jìn)行超像素分割預(yù)處理，得到圖像I，判定圖像I中各區(qū)域所屬尺度，迭代合并以生成不同尺度圖層。初始化區(qū)域尺度閾值為t，逐一判斷I中每個區(qū)域Ri的尺度，若小于t，則計算該區(qū)域與其相鄰區(qū)域間的CIELUV色彩空間均值距離，找出其中距離最小且閾值大于t的區(qū)域，將其與Ri合并，并更新合并后區(qū)域的尺度和顏色。對圖中滿足條件的所有區(qū)域進(jìn)行迭代合并處理，得到新圖層L1，繼續(xù)增大t值，在L1基礎(chǔ)上重復(fù)上述操作得到圖層L2。

（2）顯著性圖像的生成。通過綜合考慮區(qū)域局部對比度估計值和圖像位置估計值的方法計算圖像顯著度，分別得到圖層L1、L2所對應(yīng)的顯著性圖像S1、S2。

（3）利用K-means算法對各層顯著性圖層進(jìn)行聚類處理。分別得到S1、S2的聚類分割圖像，實現(xiàn)紅棗圖像與背景的分割。

5 結(jié)果與分析

采用3 000×2 250分辨率的紅棗圖像，CPU為Intel i5-3 470 3.2 GHz，內(nèi)存4.0 GB，操作系統(tǒng)為Windows 7，用Matlab 2013b編程實現(xiàn)紅棗圖像的分割。

圖1為原始圖像，設(shè)置SLIC超像素分割數(shù)量k=3 500。為了突出細(xì)節(jié)，圖2為SLIC分割的局部放大結(jié)果，截取了從左至右方向上第3個紅棗放大圖，可見圖中各超像素區(qū)域內(nèi)部色彩均勻，分割邊緣與紅棗圖像實際邊緣緊密貼合。

選取尺度t的值為55、70，對圖2結(jié)果進(jìn)行迭代合并處理，分別得到2個不同尺度圖像L1、L2，如圖3、圖4所示。分別檢測其顯著性，得到對應(yīng)的顯著性圖像S1、S2，如圖5、圖6所示。S2中紅棗圖像與S1相比，對比度得到進(jìn)一步提高，紅棗邊緣與其周邊區(qū)域有清晰邊界，所包含的區(qū)域數(shù)量大幅減少，有利于后續(xù)進(jìn)行區(qū)域聚類處理。

為了分割出紅棗和背景，設(shè)置K-means算法聚類數(shù)量 k=2，迭代次數(shù)R=-1，即重復(fù)迭代直至收斂，分別得到圖像S1、S2的聚類結(jié)果，如圖7、圖8所示。在圖7中，紅棗圖像分割結(jié)果邊緣部分仍有少量缺失，原因在于所缺失的區(qū)域在迭代過程中仍然沒有被合并到紅棗目標(biāo)區(qū)域中；圖8分割結(jié)果中，紅棗目標(biāo)已經(jīng)被完整分割出來，并且邊緣部分保持完整。為了驗證分割效果，使用Photoshop 14.0軟件對紅棗圖像進(jìn)行手工分割，取得基準(zhǔn)分割圖像，如圖9所示。對比圖8中聚類結(jié)果和圖9手工分割結(jié)果，可見本研究算法比手工分割結(jié)果實際外形總體略微偏小，除紅棗果實被遮擋區(qū)域、相連區(qū)域、果蒂和部分邊緣細(xì)節(jié)與手工分割結(jié)果相比有誤差外，紅棗圖像整體分割效果良好。

6 結(jié)論

通過利用SLIC算法進(jìn)行超像素分割，設(shè)定不同區(qū)域閾值來獲得多個不同尺度的圖層，能夠確保分割邊緣與實際邊緣緊密貼合，避免分割錯誤，確保邊緣完整性。另外，依據(jù)不同尺度的顯著性圖進(jìn)行K-means聚類，能有效去除圖中干擾因素，將紅棗與背景有效分割，確保分割效果。試驗結(jié)果表明，在選擇合適的區(qū)域尺度及分層數(shù)量基礎(chǔ)上，該方法能夠很好地消除紅棗上光斑影響，準(zhǔn)確地將邊緣光滑的紅棗圖像與背景分割開，取得較好的分割效果。在今后的工作中，如何進(jìn)一步提高圖像的分割精度和提高處理效率將是研究重點。

參考文獻(xiàn)：

[1]Lan J H，Zeng Y L. Multi-threshold image segmentation using maximum fuzzy entropy based on a new 2D histogram[J]. Optik - International Journal for Light and Electron Optics，2013，124（18）：3756-3760.

[2]Jin R，Kou C，Liu R，et al. A color image segmentation method based on improved k-means clustering algorithm[C].Chongqing，China：Proceedings of the International Conference on Information Engineering and Applications，2013：499-505.

[3]張長青. 葛文英與劉國英.一種基于區(qū)域分級合并的彩色圖像分割方法[J]. 計算機(jī)工程與應(yīng)用，2012，48（17）：203-206.

[4]王江濤，練 煜，石紅巖. 結(jié)合模糊C均值聚類和邊緣檢測算法的彩色圖像分割[J]. 蘭州文理學(xué)院學(xué)報：自然科學(xué)版，2015，29（2）：61-65.

[5]張 辰，楊文柱，劉召海. 基于HSV綜合顯著性的彩色圖像分割方法[J]. 計算機(jī)工程與設(shè)計，2013，34（11）：3944-3947.

[6]Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[7]Yan Q，Xu L，Shi J，et al. Hierarchical saliency detection[C]. Portland，Oregon：2013 IEEE Conference on Computer Vision and Pattern Recognition，2013：1155-1162.

[8]霍迎秋，秦仁波，邢彩燕，等. 基于CUDA的并行K-means聚類圖像分割算法優(yōu)化[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2014，45（11）：47-53，74.