基于模糊聚類算法的體育運動視頻圖像分析應(yīng)用

王科飛

摘 要： 針對當(dāng)前的體育運動視頻圖像分割方法存在圖像分割結(jié)果粗糙以及空間畸變率高等缺陷，提出基于模糊聚類算法的體育運動視頻圖像分割方法。介紹了模糊聚類算法的基本理論，借助時域差分圖像建立含有正態(tài)分布和灰度值的二階模糊屬性，賦予模糊屬性隸屬度函數(shù)，進(jìn)而對時域差分圖像進(jìn)行模糊聚類，再通過邊緣檢測得到運動視頻圖像分割結(jié)果。實驗結(jié)果證明，該方法的空間精度高、噪聲迭代性能好、空間畸變率低，可精準(zhǔn)分割復(fù)雜運動視頻圖像，得到高清畫面。

關(guān)鍵詞： 模糊聚類算法； 隸屬度； 體育運動視頻； 圖像分割

中圖分類號： TN911.73?34； TP391.41 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）09?0039?04

Abstract： Since the current sports video image segmentation methods have the defects of rough image segmentation result and high space distortion rate， a sports video image segmentation method based on fuzzy clustering algorithm is proposed. The basic theory of fuzzy clustering algorithm is introduced. The two?order fuzzy attribute containing the normal distribution and gray value is established by virtue of the time?domain difference image to give the fuzzy attribute S?membership function， so as to perform the fuzzy clustering to the time?domain difference image. The sports video image segmentation result is obtained with edge detection. The experimental results show that the proposed method has high space accuracy， perfect noise iteration performance and low space distortion rate， and can segment the complex sports video image accurately to obtain the high?definition image.

Keywords： fuzzy clustering algorithm； membership degree； sports video； image segmentation

0 引 言

隨著網(wǎng)絡(luò)和多媒體技術(shù)的快速發(fā)展，大量的體育運動和全民健身資料以視頻和圖片的形式保存在各類健身指導(dǎo)系統(tǒng)中。為更好的促進(jìn)大眾健身，便于學(xué)習(xí)和查看，對體育運動視頻也有了編輯、分割、整合的多種需求。視頻壓縮技術(shù)也漸漸成為熱點研究課題。視頻壓縮技術(shù)通過視頻編碼對視頻容量進(jìn)行縮減，便于釋放存儲空間并減少轉(zhuǎn)存、傳輸用時，傳統(tǒng)視頻編碼標(biāo)準(zhǔn)有MPEG?2，H.263等。MPEG指Moving Picture Experts Group，代表動態(tài)圖像專家組，其計算冗余度小，整體性能比較平穩(wěn)[1]，H.263的效率則更高。

另外，視頻編碼技術(shù)需要將目標(biāo)物體圖像分割出來，以保證目標(biāo)物體的編碼完整性。然而傳統(tǒng)視頻編碼標(biāo)準(zhǔn)無法搜索視頻內(nèi)容，具有一定的圖像分割難度。2000年推出的MPEG?4加入了視頻內(nèi)容語義搜索功能，可將圖像背景與前景分割為不同語義對象，編碼效率有所提高，但其在編碼過程中無法快速消除噪聲。時域分割、頻域分割是最早提出的專門用于運動視頻圖像分割的方法，經(jīng)多次實踐驗證，這兩種方法均沒能對目標(biāo)物體姿態(tài)進(jìn)行精準(zhǔn)描繪，圖像分割不清晰。

因此，該研究基于模糊聚類算法對目標(biāo)物體運動姿態(tài)變化強(qiáng)烈的體育運動視頻進(jìn)行研究，將有助于更好地利用和分析體育視頻圖像。

1 模糊聚類算法

模糊聚類算法來自于模式聚類理論，是一種使用數(shù)學(xué)法則描述分割區(qū)間的算法，進(jìn)行體育運動視頻圖像分割時，模糊聚類算法利用迭代操作進(jìn)行目標(biāo)物體像素點區(qū)域分割，將圖像像素劃分到不同隸屬度區(qū)間，做出圖像分割決策。當(dāng)目標(biāo)物體擁有個像素樣本時，將像素樣本組成一個未聚類集合，表示為代表像素樣本。設(shè)表示圖像分割種類數(shù)量，表示模糊聚類加權(quán)因子。圖像分割區(qū)域在數(shù)值上等同于像素點到聚類中心間距平方和的模糊聚類加權(quán)累計，即：

式中：代表隸屬度函數(shù)集合，是像素點到聚類中點的間距；代表未聚類像素樣本所處的隸屬度種類為第類。

用表示含有所有隸屬度種類的集合，是內(nèi)的一個像素點模糊集合，代表樣本的隸屬度數(shù)值[2]。從隸屬度數(shù)值可以看出樣本屬于何種分割區(qū)域，當(dāng)時，必定不屬于模糊集合當(dāng)時，一定屬于隸屬度數(shù)值對視頻圖像的分割操作是極其嚴(yán)謹(jǐn)?shù)模坏┐_定出正確的模糊集合以及合適的隸屬度函數(shù)，分割結(jié)果誤差就可以被消除。

2 模糊聚類算法的體育運動視頻圖像分割方法

體育運動視頻中的目標(biāo)物體運動姿態(tài)比較隨機(jī)，圖像變化趨勢模糊，分割區(qū)域不易確定[3]，所提體育運動視頻圖像分割方法可將圖像中目標(biāo)物體的運動姿態(tài)區(qū)域與無用像素區(qū)域分割成前景與背景，提取目標(biāo)物體的運動情況。

模糊聚類算法在體育運動視頻播放狀態(tài)下提取圖像序列，并同時開啟邊緣檢測進(jìn)程，根據(jù)圖像序列進(jìn)行目標(biāo)物體運動預(yù)測和補償，在間距較小的若干幅圖像上建立相同背景，利用相鄰圖像幀數(shù)值大小不同的屬性提取時域差分圖像，設(shè)置目標(biāo)物體運動過程中的模糊屬性并寫入相應(yīng)的隸屬度函數(shù)，之后對時域差分圖像進(jìn)行模糊聚類，通過邊緣檢測進(jìn)程切割目標(biāo)物體邊緣輪廓，得到前景區(qū)域，消除前景區(qū)域得到背景區(qū)域。圖像分割框圖如圖1所示。

2.1 模糊聚類算法分割問題討論

對于模糊聚類算法中模糊屬性的選取需要討論以下兩個問題：一是目標(biāo)物體的何種屬性能夠精準(zhǔn)描述運動姿態(tài)；二是運動姿態(tài)區(qū)域與無用像素區(qū)域中的模糊屬性不能相同且必須存在明顯差別。經(jīng)過討論，所提體育運動視頻圖像分割方法發(fā)現(xiàn)，當(dāng)運動視頻圖像中的目標(biāo)物體歷經(jīng)運動預(yù)測和補償后，背景區(qū)域可以表示成間距較小且背景相同的圖像背景差值，此時，如果原體育運動視頻圖像的背景擁有正態(tài)分布性質(zhì)，那么分割后的圖像也應(yīng)該擁有正態(tài)分布性質(zhì)，并且像素分布平均值等于0。

因為運動姿態(tài)區(qū)域中目標(biāo)物體運動姿態(tài)是隨機(jī)變化的，分割圖像前景的像素分布情況無法直接確定，前景區(qū)域無法提取，所以需要對圖像進(jìn)行灰度測量。背景中的不同幀圖像像素點灰度差值相差不大，而前景的不同幀圖像像素點灰度差值必然大于背景[4]，根據(jù)這個性質(zhì)，選取模糊屬性時可將灰度值作為一個重要屬性。另外，單一模糊屬性對分割效果的增益不大，可從背景的正態(tài)分布性質(zhì)出發(fā)，將運動姿態(tài)區(qū)域與無用像素區(qū)域的圖像分割過程當(dāng)成一個在正態(tài)分布像素內(nèi)描述非正態(tài)分布像素的過程。文獻(xiàn)[9]使用一種四階矩陣提取非正態(tài)分布像素，設(shè)時域差分圖像為代表像素點，采用一個運動的空心矩形衡量圖像時域矩陣，即：

一般而言，SA越小的分割方法，其空間精度越高。不同分割方法的SA計算結(jié)果見表1，可見，本文采用的模糊聚類算法在四種分割方法中擁有最小的SA值，能夠有效填充體育運動視頻空間缺口，防止圖像分割區(qū)域中出現(xiàn)空置，可以精準(zhǔn)分割環(huán)境與色彩度等因素比較復(fù)雜的圖像，空間精度高。

3.2 噪聲迭代性能

分割方法需要對分割圖像進(jìn)行噪聲迭代才能夠得到高清晰度圖像，人們對分割方法噪聲迭代性能的基本要求是快速自適應(yīng)收斂，圖2是體育視頻內(nèi)兩段連續(xù)變化運動圖像的噪聲平均值曲線，圖3，圖4是不同分割方法的迭代次數(shù)與噪聲平均值關(guān)系曲線。圖2中，兩段連續(xù)變化運動圖像的最大噪聲平均值分別為0.40 dB和0.23 dB，噪聲的整體上升趨勢比較平緩。在圖3，圖4中，經(jīng)過分割方法的處理，圖像噪聲有所降低，本文所提出的基于模糊聚類算法的體育視頻圖像分割方法在相同的迭代次數(shù)下能夠進(jìn)行快速自適應(yīng)收斂，迭代6次就能將圖像噪聲降至原來的50%，擁有很好的噪聲迭代性能。

3.3 空間畸變率

圖5，圖6分別是兩段連續(xù)變化的運動圖像在不同分割方法的處理過程中空間畸變率變化情況。空間畸變率的定義式如下：

式中：代表視頻第幀圖像的空間畸變率；分別代表分割像素值和完整像素值。

由圖5，圖6可知，空間畸變率與圖像幀數(shù)、分割效果有關(guān)，段1圖像幀數(shù)大，所以空間畸變率要明顯低于幀數(shù)少的段2圖像。模糊聚類算法在兩段圖像中的空間畸變率都比較穩(wěn)定且數(shù)值較低，表示模糊聚類算法能夠消除體育運動視頻圖像背景中的無用像素點，使分割圖像噪聲降低，得到清晰的運動目標(biāo)變化趨勢。而其他三種分割方法的空間畸變率較高且變化趨勢不穩(wěn)定，不能對圖像噪聲點進(jìn)行有效處理，背景構(gòu)建不成功，得到的分割圖像比較模糊。

4 結(jié) 語

本文研究提出的基于模糊聚類算法的體育視頻圖像分割方法可以提高體育運動圖像的分析水平和效果，與MPEG?4、頻域分割、時域分割等方法相比，該方法在空間精度、噪聲迭代性能以及空間畸變率的實驗評估中均處于領(lǐng)先地位。該體育運動視頻圖像分析方法的應(yīng)用將有助于通過視頻圖像分析掌握運動技術(shù)規(guī)律和健身人群的動作技能特點，為體育教學(xué)、全民健身和競技體育水平提高服務(wù)。

參考文獻(xiàn)

[1] 孫立新，張栩之，鄧先瑞，等.自適應(yīng)果蠅算法優(yōu)化模糊均值聚類算法圖像分割[J].控制工程，2016，23（4）：494?499.

[2] 王少華，狄嵐，梁久禎.基于核與局部信息的多維度模糊聚類圖像分割算法[J].計算機(jī)應(yīng)用，2015，35（11）：3227?3231.

[3] 張杰，范洪輝.一種改進(jìn)的模糊聚類圖像分割算法研究與仿真[J].計算機(jī)仿真，2015，32（4）：380?383.

[4] 薛艷鋒，劉繼華，高永強(qiáng)，等.一種加權(quán)模糊C均值聚類算法及其在圖像分割中的應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2016，33（7）： 273?277.

[5] 鄭金志，鄭金敏，汪玉琳.基于優(yōu)化初始聚類中心的改進(jìn)WFCM圖像分割算法[J].軟件，2015，36（4）：136?142.

[6] 陳放，楊艷.基于超像素和模糊聚類的醫(yī)學(xué)超聲圖像分割算法[J].半導(dǎo)體光電，2016，37（1）：146?150.