基于譜聚類與多信息特征融合的圖像分割算法

趙希 于雙元

摘 要：為了改善傳統(tǒng)基于聚類的圖像分割算法對(duì)噪聲敏感以及僅使用單一特征無法精確描述目標(biāo)特性等問題，提出了一種基于區(qū)域的多特征圖像分割算法。首先，使用Meanshift算法對(duì)原圖像進(jìn)行預(yù)分割，獲得一組區(qū)域塊;其次，提取每個(gè)區(qū)域塊的顏色特征和紋理特征，使用FCM算法分別對(duì)每個(gè)特征進(jìn)行聚類，針對(duì)每個(gè)特征獲得一個(gè)類標(biāo)簽鄰接矩陣;再次，將多個(gè)鄰接矩陣疊加，形成多特征鄰接矩陣;最后，使用NCUT算法對(duì)疊加鄰接矩陣進(jìn)行聚類，獲得最終分割圖像。實(shí)驗(yàn)結(jié)果表明，基于區(qū)域多特征的分割算法優(yōu)于對(duì)比算法，融合多特征對(duì)圖像分割可以更準(zhǔn)確地識(shí)別不同的目標(biāo)結(jié)構(gòu)，具有更好的分割效果。

關(guān)鍵詞：圖像分割;特征聚類;NCUT算法;鄰接矩陣

DOI：10. 11907/rjdk. 191946 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

中圖分類號(hào)：TP317.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2020）005-0221-04

0 引言

圖像分割在圖像處理及計(jì)算機(jī)視覺中占有非常重要的地位，其為后續(xù)相關(guān)處理提供了重要信息。該類技術(shù)使用顏色、紋理及空間關(guān)系等特征將圖像劃分為多個(gè)具有獨(dú)立意義的區(qū)域，使得區(qū)域內(nèi)部像素具有較大相似性，不同區(qū)域內(nèi)的像素具有較大相異性。圖像分割技術(shù)在遙感影像處理[1]、醫(yī)學(xué)圖像處理[2]、人臉檢測等領(lǐng)域的應(yīng)用較為成功。

1 相關(guān)工作

近年來，大量的圖像分割算法被提出。以閾值分割、區(qū)域分割、邊緣分割以及能量函數(shù)分割等為代表的傳統(tǒng)分割算法已經(jīng)被廣泛研究[3]。隨著機(jī)器學(xué)習(xí)研究的逐步深入，基于機(jī)器學(xué)習(xí)的分割算法也備受關(guān)注。在該類算法中，基于聚類的分割算法因其不需要過多的人工干預(yù)而受到青睞。常用聚類算法包括Kmeans算法、Fuzzy C-Means算法[4]（FCM）及NCUT算法[5-6]，都已經(jīng)成功地應(yīng)用于圖像分割中。但該類算法的局限性在于其沒有考慮像素間的空間關(guān)系，使得分割結(jié)果帶有大量噪聲。解決該問題常采用兩種策略：一是將圖像空間信息加入聚類模型;二是先將圖像預(yù)分割成多個(gè)小區(qū)域，再對(duì)小區(qū)域進(jìn)行聚類合并。對(duì)于第一種策略，Ahmed[7]提出了FCM-S算法，通過將像素周圍的空間信息加入到傳統(tǒng)聚類模型中，可以有效減少分割結(jié)果中的噪聲點(diǎn);Chen&zhang[8]提出了兩個(gè)改進(jìn)算法FCM_S1和FCM_S2以降低FCM_S的時(shí)間復(fù)雜度。然而，該類算法需要調(diào)節(jié)參數(shù)平衡聚類模型和空間模型之間的權(quán)重?；诖耍琙hong[9]提出了一種基于自調(diào)節(jié)平衡參數(shù)的算法AFCM_S1，該算法通過加入熵信息自動(dòng)計(jì)算該參數(shù)。對(duì)于第二種策略，其不僅可以保證圖像的空間信息，還可以通過縮小問題規(guī)模降低算法時(shí)間復(fù)雜度;Makroginanis[10]使用分水嶺算法來獲得該預(yù)分割塊[11];Tao[12]使用Meanshift算法獲得該預(yù)分割圖像[13];Hettiarachchi 使用Dirichlet tessellation獲得Voronoi塊[14]。

特征提取是圖像分割的重要部分，現(xiàn)有圖像分割算法大都基于單一特征而設(shè)計(jì)，其中以顏色特征應(yīng)用最為廣泛。然而圖像中包含很多信息，僅使用顏色特征不能完全表示圖像特性，特別是當(dāng)不同的目標(biāo)具有相同顏色或者單一目標(biāo)具用不同顏色時(shí)，分割結(jié)果不甚理想。因此，融合多種特征的圖像分割算法是未來研究的主要方向。雖然部分研究者設(shè)計(jì)了基于多種該特征的圖像分割算法，但大多數(shù)算法都是僅僅將多種特征作簡單疊加[15]。鑒于此，本文提出一種基于譜聚類和融合分塊多特征的圖像分割算法。首先，使用Meanshift對(duì)原始圖像作預(yù)分割，獲得一組規(guī)模較小的圖像塊，該操作既可以保持圖像局部區(qū)域的整體性，又可以降低算法時(shí)間復(fù)雜度;其次，提取每個(gè)圖像塊的特征，主要提取像素的RGB顏色信息、HSV顏色信息、Gabor紋理信息[16]和離散余弦紋理（DCT）[17]信息作為像素特征;再次，分別基于每一維特征進(jìn)行聚類，可獲得4個(gè)聚類結(jié)果，針對(duì)4種聚類結(jié)果建立4個(gè)類標(biāo)簽鄰接矩陣，將4個(gè)矩陣進(jìn)行疊加;最后，使用NCUT算法對(duì)疊加矩陣進(jìn)行分割，獲得最終分割結(jié)果。

2 算法設(shè)計(jì)

2.1 圖像預(yù)分割

本節(jié)將原始圖像預(yù)分割為多個(gè)過分割區(qū)域。該過程不僅能保留圖像的局部空間信息，還能夠通過縮小問題規(guī)模以降低算法時(shí)間復(fù)雜度。許多超像素分割算法都可以實(shí)現(xiàn)該操作，常用的超像素分割算法包括Meanshift算法、分水嶺算法、LSC算法[18]以及SLIC算法[19]等。本文使用Meanshift算法實(shí)現(xiàn)該操作。Meanshift算法是一種非監(jiān)督聚類算法，在1975年由Fukunaga提出。由于其快速收斂和不需要人工干預(yù)，在圖像處理和目標(biāo)識(shí)別中獲得了廣泛應(yīng)用。它是一種爬山算法，通過計(jì)算最大概率密度獲取目標(biāo)位置。給定[n]個(gè)采樣點(diǎn)[X={x1，？，xn}]，Meanshift向量可通過式（1）獲得。

給定一副圖像I，使用Meanshift算法將其劃分為一系列不重疊的超像素區(qū)域[{R1，？，Rr}]，其中r表示超像素區(qū)域數(shù)目，通過提取每個(gè)超像素區(qū)域特征對(duì)其進(jìn)行聚類。

2.2 特征提取

特征提取是圖像分割中非常重要的部分，顏色特征含有大量信息。但在很多圖像中，僅使用顏色信息發(fā)現(xiàn)某些特定結(jié)構(gòu)是不夠的。因此，本文同時(shí)考慮顏色和紋理特征，設(shè)計(jì)基于多特征的圖像分割算法。

2.2.1 RGB顏色特征

對(duì)于每一個(gè)像素[p，p∈I]。可以獲得其RGB顏色特征為[pRGB={pr，pg，pb}]。針對(duì)每一塊超像素區(qū)域[Ri]，[i∈{1，？，r}]，其平均RGB顏色值計(jì)算如式（3）所示。

2.2.2 HSV顏色特征

RGB顏色空間是為了更好地顯示圖像而設(shè)計(jì)，為了更直觀呈現(xiàn)，使用HSV顏色特征作為第二個(gè)特征。首先將像素從RGB空間轉(zhuǎn)換到HSV空間，然后計(jì)算每個(gè)像素的HSV顏色特征[pHSV={pH，pS，pV}]。針對(duì)每一塊超像素區(qū)域[Ri]，[i∈{1，？，r}]，其平均HSV顏色值計(jì)算如式（4）所示。

2.2.3 Gabor紋理特征

紋理特征可以有效地檢測到規(guī)律結(jié)構(gòu)的目標(biāo)。使用Gabor小波[16]獲取圖像的Gabor紋理特征，小波函數(shù)如式（5）所示。

2.3 鄰接矩陣構(gòu)建

通過提取特征，對(duì)每個(gè)區(qū)域獲得4種特征，分別為[RRGBi]、[RHSVi]、[Rgabori]和[Rdcti]，i=1，…，r。由于每個(gè)特征含有不同的量綱，直接融合在一起會(huì)導(dǎo)致值域較大的特征占有較大比重?；诖?，分別使用4種特征進(jìn)行聚類，獲得4種不同的聚類標(biāo)簽;然后針對(duì)每一種聚類標(biāo)簽，建立其標(biāo)簽鄰接矩陣;再將4種鄰接矩陣融合在一起，形成多特征鄰接矩陣。

2.4 NCUT聚類

對(duì)上文通過不同特征獲得的標(biāo)簽鄰接矩陣進(jìn)行聚類，鄰接矩陣A表示任意兩個(gè)超像素塊之間的親和關(guān)系，因此使用NCUT算法對(duì)矩陣A進(jìn)行分割。NCUT是一種基于圖論的方法，也稱為歸一化割算法。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，將提出的M_RHGD_N算法與現(xiàn)有多種算法進(jìn)行有效性對(duì)比。本文基于分塊思想，對(duì)比方法包括同樣基于分塊思想的不同特征分割。第1種對(duì)比方法為基于Meanshift算法的RGB顏色圖像分割，使用NCUT算法作分割算法（Meanshift+RGB+NCUT），簡稱為M_R_N算法;第2種對(duì)比算法為基于Meanshift算法的Gabor紋理圖像分割（Meanshift+Gabor+NCUT），簡稱M_G_N算法;第3種算法和第4種算法沒有基于分塊思想，直接用FCM算法實(shí)現(xiàn)像素點(diǎn)的顏色特征（FCM+RGB）和紋理特征分割（FCM+Gabor），分別簡稱為R_FCM和G_FCM算法;第5種算法為基于多特征的圖像分割，將本文使用的4種特征直接合稱為一個(gè)特征向量，使用FCM算法分割（RGB+HSV+Gabor+DCT+FCM），簡稱RHGD_FCM 算法。

將本文算法與對(duì)比算法在多種圖片上進(jìn)行測試，本文選取3種常用測試圖片作為展示，如圖1所示。每幅圖片都可以分成2類，6種算法對(duì)3幅展示圖片的分割結(jié)果如圖2、圖3和圖4所示。從分割結(jié)果可以得出，M_RHGD_N算法比其它5種算法獲得了更加精確的分割結(jié)果。

使用Rand指標(biāo)（RI）和F-measure指標(biāo)（F）[20]對(duì)6種算法進(jìn)行量化分析，兩個(gè)指標(biāo)的值越大，說明分割效果越好。6種算法的RI和F值如表1所示，可以得出，M_RHGD_N算法比其它5種對(duì)比算法獲得了更加精確的分割結(jié)果。

4 結(jié)語

圖像分割是當(dāng)前人們關(guān)注的熱點(diǎn)，越來越多的學(xué)者致力于相關(guān)研究。由于直接將聚類算法應(yīng)用于圖像分割中會(huì)產(chǎn)生大量噪聲，且現(xiàn)有圖像分割算法大都基于單一特征而設(shè)計(jì)，在對(duì)特定結(jié)構(gòu)的目標(biāo)進(jìn)行分割時(shí)效果并不理想?；诖?，本文提出了一種基于區(qū)域多特征的圖像分割算法，先使用Meanshift算法對(duì)原始圖像進(jìn)行預(yù)處理，可以保證像素周圍的空間信息，然后將多種特征融合，建立融合多特征的圖像分割算法。實(shí)驗(yàn)結(jié)果表明，該算法獲得了較好的分割效果。如何選擇合適的特征，以及對(duì)哪些特征進(jìn)行融合是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[1] 彭檢貴，張良，李維良，等. 桌面遙感圖像處理系統(tǒng)并行處理架構(gòu)選擇與實(shí)驗(yàn)分析[J]. 軟件導(dǎo)刊， 2017，16（4）： 201-204.

[2] 錢紅瑩. 基于改進(jìn)Canny算子的醫(yī)學(xué)圖像邊緣檢測算法[J]. 軟件導(dǎo)刊， 2019，18（2）： 45-48.

[3] 楊紅亞，趙景秀，徐冠華，等. 彩色圖像分割方法綜述[J]. 軟件導(dǎo)刊， 2018，17（4）： 1-5.

[4] 蔣秋霖，王昕. 改進(jìn)FCM的MR腦腫瘤圖像分割[J]. 長春工業(yè)大學(xué)學(xué)報(bào)，2019，40（2）：149-155.

[5] SHI J，MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）：888-905.

[6] 吳瓊，劉衍聰，伊鵬，等. 基于NCUT優(yōu)化的巖心體視圖像巖粒分割方法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2018，30（3）：485-490.

[7] AHMED M N，YAMANY S M，MOHAMED N，et al. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Transactions on Medical Imaging，2002，21（3）：193-199.

[8] CHEN S，ZHANG D. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J]. IEEE Transactions on Systems，Man and Cybernetics， Part B （Cybernetics）， 2004， 34（4）：1907-1916.

[9] ZHONG Y，MA A，ZHANG L. An adaptive memetic fuzzy clustering algorithm with spatial information for remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（4）：1235-1248.

[10] 李永焯，戴曙光. 改進(jìn)分水嶺算法在腦腫瘤CT圖像分割中的應(yīng)用[J]. 軟件導(dǎo)刊，2018，17（6）： 157-159.

[11] MAKROGIANNIS S，ECONOMOU G，F(xiàn)OTOPOULOS S. A region dissimilarity relation that combines feature-space and spatial information for color image segmentation[J]. IEEE Transactions on Cybernetics，2005，35（1）：44-53.

[12] CHENG Y. Mean shift，mode seeking and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002，17（8）：790-799.

[13] TAO W，JIN H，ZHANG Y. Color image segmentation based on mean shift and normalized cuts[J]. IEEE Transactions on Systems，Man and Cybernetics，Part B （Cybernetics），2007，37（5）：1382-1389.

[14] HETTIARACHCHI R，PETERS J F. Voronoi region-based adaptive unsupervised color image segmentation[J]. Pattern Recognition，2016，65：119-135.

[15] SENGUR A，GUO Y. Color texture image segmentation based on neutrosophic set and wavelet transformation[J]. Computer Vision and Image Understanding， 2011，115（8）：1134-1144.

[16] YANG P，ZHANG F，YANG G. Fusing DTCWT and LBP based features for rotation， illumination and scale invariant texture classification[J]. ?IEEE Access， 2018（6）：13336-13349.

[17] 張賜勛. 離散余弦變換的設(shè)計(jì)與實(shí)現(xiàn)[D]. 杭州：浙江大學(xué)， 2006.

[18] LI Z，CHEN J. Superpixel segmentation using linear spectral clustering[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2015.

[19] 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.

[20] KURTZ C，PASSAT N，GANARSKI P，et al. Extraction of complex patterns from multiresolution remote sensing images：a hierarchical top-down methodology[J]. Pattern Recognition，2012，45（2）：685-706.

（責(zé)任編輯：孫 娟）