基于超像素和最近鄰圖合并的彩色圖像分割*

杜偉杰， 于晉偉， 楊衛(wèi)華

(太原理工大學(xué) 數(shù)學(xué)學(xué)院， 山西 晉中 030600)

0 引 言

圖像分割是視覺計(jì)算應(yīng)用的預(yù)處理步驟， 研究者在圖像分割領(lǐng)域得到諸多經(jīng)典分割方法， 如分水嶺分割[1]、 歸一化割[2]、 基于圖的分割[3]、 統(tǒng)計(jì)區(qū)域合并[4]等. 然而， 隨著高性能預(yù)處理需求的增加， 一些經(jīng)典的分割方法逐漸顯示出它們的局限性， 超像素算法成為更高效的預(yù)處理方法. 超像素區(qū)域一般定義為一幅圖像中感知均勻和同質(zhì)的區(qū)域[5]. 超像素算法的一個(gè)主要優(yōu)勢是能夠提高相應(yīng)系統(tǒng)的計(jì)算效率. 與原圖像的像素?cái)?shù)目相比， 超像素區(qū)域映射為像素點(diǎn)使得要處理的像素?cái)?shù)目大量減少， 提高了后面階段的處理速度. 超像素允許以更大的尺度去研究圖像， 它能以較好的空間支持去計(jì)算區(qū)域特征. 超像素算法廣泛應(yīng)用于目標(biāo)檢測和追蹤[6]、 圖像分割與模型化[7-8]、 顯著性檢測[9-10]與目標(biāo)分類[11]等方面.

2009年以來， 超像素算法研究領(lǐng)域得到持續(xù)關(guān)注. 2009年， Levinshtein A 等人提出了Turbopixel的方法， 它是在水平集中引入空間約束獲得稠密的過分割和緊湊的超像素[12]. 2012年， Achanta R提出了在均值聚類方法中嵌入空間約束的超像素方法[5]. 這兩種方法都可以有效地產(chǎn)生超像素， 然而這兩種方法都需要復(fù)雜的迭代過程去細(xì)化結(jié)果. 2015年， Hu Z采用了一種空間約束的分水嶺超像素算法(Spatial-constrained Water-shed， SCOW)[13]， 該算法引入了空間約束和均勻標(biāo)記去獲得緊湊和均勻分布的超像素. 雖然該方法提升了速度， 但是該方法產(chǎn)生的規(guī)則的相鄰區(qū)域通常破壞了圖像真實(shí)的局部空間結(jié)構(gòu). 分水嶺算法可以高效地執(zhí)行， 但是它容易受到圖像中的噪聲和非規(guī)則灰度的擾動， 直接運(yùn)用分水嶺算法進(jìn)行圖像分割時(shí)， 通常會造成過分割現(xiàn)象. 文獻(xiàn)[14]采用了多尺度的形態(tài)學(xué)預(yù)處理技術(shù)， 消除了冗余的區(qū)域極值和噪聲. 與傳統(tǒng)分水嶺算法相比， 分割效果有了一定的改善. 文獻(xiàn)[15]提出了基于分水嶺和快速區(qū)域合并的混合圖像分割， 采用了最近鄰圖合并的后處理技術(shù)， 分割效果有了一定的改善， 但低信噪比時(shí)， 消除噪聲的性能較差， 有嚴(yán)重的過分割現(xiàn)象. 2018年， Lei等人提出的基于分水嶺超像素的快速模糊C均值聚類[16](Superpixel-based Fast Fuzzy C-means Clustering， SFFCM)， 采用了多尺度形態(tài)學(xué)梯度重建預(yù)處理和模糊C均值聚類后處理相結(jié)合的方法， 得到了比較好的分割效果.

圖像分割除了使用預(yù)處理的一些工具以外， 后處理的一些算法對于分割效果也同樣重要， 可以對超像素區(qū)域進(jìn)行進(jìn)一步合并， 保證了分割效果更符合人眼視覺， 比如最近鄰圖合并就是很好的后處理方法. HARIS K等人[15]后處理時(shí)對區(qū)域鄰接圖進(jìn)行改進(jìn)， 保持了所謂的最近鄰圖. 他們提出不需要將所有的RAG(Region Adjacency Graph， RAG)邊存儲在堆中， 而只要將一部分邊存儲在堆中， 這是通過引入有向圈實(shí)現(xiàn)的， 這種方法明顯地減少了合并階段搜索的時(shí)間， 提高了分割效率. Kiana Hajebi等人[17]提出了一種新的最近鄰搜索算法. 該算法在離線階段建立一個(gè)最近鄰圖， 當(dāng)用一個(gè)新點(diǎn)進(jìn)行查詢時(shí)， 從圖的一個(gè)隨機(jī)抽樣節(jié)點(diǎn)開始爬山， 實(shí)驗(yàn)證明了該算法在高維現(xiàn)實(shí)世界問題以及合成生成的數(shù)據(jù)集上的有效性. Wei Dong等人[18]提出了NN-Descent(Nearest-neighbor Descent， NN-Descent)， 這是一種具有任意相似性度量的近似K-NNG(K-nearest-neighbor Graph， K-Nearest-Neighbor)構(gòu)建的簡單而有效的算法， 該方法基于局部搜索， 具有最小的空間代價(jià)， 并且不依賴于任何共享的全局索引， 該方法通常會收斂到90%以上的召回率. 羅學(xué)剛等人[19]在超像素上融合了區(qū)域間的顏色和邊緣信息作為度量準(zhǔn)則， 提出一種RNN(Reciprocal Nearest Neighbor)聚類自動分割彩色自然圖像方法， 通過結(jié)合區(qū)域分布特征， 運(yùn)用RNN聚類算法來尋找最佳合并區(qū)域， 同時(shí)， 利用距離差異的單調(diào)特性， 提出一種實(shí)現(xiàn)自動停止合并的方法， 解決了RNN聚類合并閾值難確定的問題. Yikun Qin等人[20]提出了一種新的基于HKNN(Hybrid K-nearest-neighbor， HKNN)圖和內(nèi)部效度指標(biāo)KNNI(K-nearest-neighbor Index， KNNI)的非線性聚類方法CHKNN(Clustering Method Based on the HKNN， CHKNN). CHKNN對噪聲不敏感， 可以在線性和復(fù)雜非線性數(shù)據(jù)集上通過適當(dāng)?shù)膮?shù)正確地找到聚類， 而KNNI可以幫助選擇最優(yōu)的參數(shù)， 通過在合成數(shù)據(jù)集和真實(shí)數(shù)據(jù)集上進(jìn)行的實(shí)驗(yàn)比較， 證明了所提方法的有效性.

為了有效減弱過分割的影響， 本文采用多尺度形態(tài)學(xué)梯度重建的預(yù)處理方法和最近鄰圖合并的后處理方法， 著眼于分割之前的預(yù)處理和后處理相結(jié)合的過程， 提出了標(biāo)記符控制(Marker Control， MC)融合多尺度形態(tài)學(xué)梯度重建(Multiscale Morphological Gradient Reconstruction， MMGR)的分水嶺圖像分割方法. 然后， 再將分水嶺算法產(chǎn)生的超像素作為改進(jìn)的最近鄰(Nearest Neighbor)合并過程的輸入， 產(chǎn)生最終的分割結(jié)果.

1 分割策略

本文采用的標(biāo)記符控制(MC)融合多尺度形態(tài)學(xué)梯度重建(MCMMGR)的分水嶺算法產(chǎn)生的超像素圖像有較少的區(qū)域、 精度較高的輪廓， 這降低了錯(cuò)誤合并的概率. 這些超像素區(qū)域作為分層合并的輸入， 經(jīng)過迭代過程產(chǎn)生最終的分割結(jié)果. 構(gòu)造圖時(shí)， 使用區(qū)域鄰接圖(Region Adjacency Graph， RAG)表示圖像區(qū)域之間的關(guān)系. 每次合并， 確定最相似的一對區(qū)域進(jìn)行合并進(jìn)而更新區(qū)域鄰接圖. 為了提升運(yùn)算速度， 對RAG進(jìn)行改進(jìn)， 通過構(gòu)造圈堆搜索最小權(quán)重邊進(jìn)行合并， 即最近鄰圖合并(Nearest Neighbor Graph， NNG). 本文方法最終產(chǎn)生了一個(gè)像素寬的、 封閉的、 局部的輪廓. 算法采用的技術(shù)流程見圖1. 首先輸入原始圖像， 用高斯濾波器消除噪聲對圖片的影響， 得到梯度圖像； 接著將原圖的灰度圖像進(jìn)行形態(tài)學(xué)重建并提取局部極小值或極大值作為內(nèi)部標(biāo)記， 將Sobel和Prewitt組成的邊緣檢測器得到的標(biāo)記作為外部標(biāo)記， 取內(nèi)部標(biāo)記和外部標(biāo)記的交集或并集得到最終的標(biāo)記， 用其修改梯度圖像， 使得局部最小值僅出現(xiàn)在標(biāo)記處； 然后對修改的梯度圖像進(jìn)行多尺度形態(tài)學(xué)梯度重建， 得到最終的梯度圖像； 之后進(jìn)行分水嶺變換(Watershed Transformation， WT)， 得到超像素區(qū)域； 最后將超像素區(qū)域作為最近鄰合并的輸入， 實(shí)現(xiàn)圖像的分割.

圖1 算法整體框圖

2 分割策略的具體實(shí)現(xiàn)

本文的分割策略主要包括標(biāo)記控制符的建立、 多尺度形態(tài)學(xué)梯度重建和快速最近鄰區(qū)域合并三個(gè)主要過程. 具體的算法流程圖見圖2.

圖2 算法流程圖

2.1 標(biāo)記控制符的建立

由于原圖梯度圖像的極小值點(diǎn)遠(yuǎn)多于圖像中感興趣目標(biāo)的數(shù)目， 如果直接進(jìn)行分水嶺變換會導(dǎo)致嚴(yán)重的過分割現(xiàn)象. 為了有效弱化過分割現(xiàn)象， 采用標(biāo)記符控制方法得到感興趣目標(biāo)的點(diǎn)， 消除與感興趣目標(biāo)無關(guān)的極小值點(diǎn). 為了有效地提取圖像中感興趣的目標(biāo)， 本文針對圖像中前景目標(biāo)相對于背景的明暗程度不同的一類圖片， 提出了如下的標(biāo)記符控制方法， 具體實(shí)現(xiàn)如下：

1) 對原圖的灰度圖像進(jìn)行形態(tài)學(xué)的開閉重建， 得到圖像fobrcbr；

2) 對重建后的圖像提取局部最小值或局部最大值， 得到的標(biāo)記即為內(nèi)部標(biāo)記符， 分別記為fgm1和fgm2. 其中， 提取局部極小值一般適用于前景目標(biāo)相對于背景較暗的圖像， 而提取局部極大值一般適用于前景目標(biāo)相對于背景較亮的圖像.

3) 對灰度圖像用邊緣定位效果好的Prewitt算子和Sobel算子進(jìn)行邊緣檢測， 得到的標(biāo)記圖像分別記為bgm3和bgm4. 在噪聲抑制方面， Sobel算子比Prewitt算子性能強(qiáng)一些， 但檢測結(jié)果中會出現(xiàn)虛假邊緣和多像素寬度. 為了克服這些缺點(diǎn)， 取bgm3和bgm4的交集作為外部標(biāo)記符.

4) 最終得到的標(biāo)記有兩個(gè)， 分別是內(nèi)部標(biāo)記符與外部標(biāo)記符的交集得到的標(biāo)記和內(nèi)部標(biāo)記符與外部標(biāo)記符的并集得到的標(biāo)記， 第一個(gè)標(biāo)記一般適用于目標(biāo)物體較暗， 前景和背景簡單的圖像， 第二個(gè)標(biāo)記一般適用于目標(biāo)物體較亮， 前景和背景復(fù)雜的圖像， 使用標(biāo)記時(shí)視具體圖像而定.

5) 借助形態(tài)學(xué)極小值標(biāo)定技術(shù)[21]， 利用獲取的最終標(biāo)記對梯度圖像進(jìn)行修改. 采用強(qiáng)制最小的技術(shù)修改梯度圖像， 使得梯度圖像僅在標(biāo)記處取得局部最小值.

2.2 多尺度形態(tài)學(xué)梯度重建

經(jīng)過標(biāo)記修改過的梯度圖像， 噪聲和細(xì)節(jié)依然存在， 對于傳統(tǒng)分水嶺算法來說， 仍然會出現(xiàn)過分割現(xiàn)象. 為了解決這個(gè)問題， 研究者提出了許多算法來修改原圖的梯度圖像. 其中， 形態(tài)學(xué)梯度重建[22]是克服過分割現(xiàn)象的一種簡單有效的算法， 它在保留目標(biāo)輪廓細(xì)節(jié)的同時(shí)能夠去除噪聲引起的局部極值.

形態(tài)學(xué)梯度重建定義為

(1)

基于上述運(yùn)算， 形態(tài)學(xué)開操作RO和形態(tài)學(xué)閉操作RC分別定義為

(2)

其中， 標(biāo)記圖像g通常被認(rèn)為是Rδ中的g=lB(f)或Rl中的g=δB(f)，B是一個(gè)結(jié)構(gòu)元素(SE).RO和RC都能夠去除梯度圖像中的局部極小值以減少過分割.

結(jié)構(gòu)元素的尺寸決定著形態(tài)學(xué)開閉重建的性能， 過大的結(jié)構(gòu)尺寸會使邊界精度降低、 分割區(qū)域數(shù)少， 造成欠分割； 相反， 過小的結(jié)構(gòu)尺寸會產(chǎn)生過多的小區(qū)域， 導(dǎo)致過分割.為了消除分割結(jié)果對單一尺寸結(jié)構(gòu)元素的依賴， 本文采用不同尺寸的結(jié)構(gòu)元素來重建梯度圖像， 提出了一個(gè)由RMO表示的MMGR操作， 定義為

(3)

式中：r1和rn分別表示r的最小半徑和最大半徑，r1≤r≤rn，r1,rn∈N+，g≥f.

RMO使用多尺度SE重建梯度圖像以獲得多個(gè)重建圖像.通過計(jì)算這些重建梯度圖像的逐點(diǎn)極大值， 可以去除大部分無關(guān)的局部極小值， 同時(shí)保留重要的邊緣細(xì)節(jié),得到一幅優(yōu)良的梯度圖像.對于rn， 取值較大時(shí)， 超像素圖像是收斂的并且收斂效果很好， 包含較少的區(qū)域的同時(shí)保持了精確的輪廓.由于每幅圖片rn是不同的， 在實(shí)際應(yīng)用中， 通過設(shè)置一個(gè)最小誤差閾值T代替rn， 使得rn是自適應(yīng)的， 具體為

(4)

式中： ‖f‖是圖片的像素?cái)?shù)目.通過實(shí)驗(yàn)發(fā)現(xiàn)， 一般當(dāng)T較小或等于10-4時(shí)， 圖片收斂效果好.

算法的具體步驟如下：

輸入： 彩色圖片.

輸出： 標(biāo)記后的梯度圖像.

Step 1： 設(shè)置最大的迭代次數(shù)為50， 閾值T=10-4；

Step 3： 運(yùn)用形態(tài)學(xué)重建對梯度圖像進(jìn)行處理， 其中迭代次數(shù)i的初始值為1， 結(jié)構(gòu)元素r的初始值為2；

Step 5：判斷是否滿足diff

Step 6：對標(biāo)記符采用極小值標(biāo)定技術(shù)將最終的梯度圖像進(jìn)行標(biāo)記.

2.3 快速最近鄰區(qū)域合并

2.3.1 區(qū)域不相似度函數(shù)

(5)

式中： ‖R‖表示集R的基數(shù),r(pk,n)、g(pk,n)和b(pk,n)分別代表第k個(gè)區(qū)域， 第n個(gè)像素的R、 G、 B分量.

相應(yīng)的平方誤差為

(6)

因此， 總平方誤差為

(7)

任意兩個(gè)區(qū)域的顏色坐標(biāo)分別為

i,j=1,2,…,M,

(8)

式(8)中各系數(shù)的意義如下：

wr、wg、wb是人眼對紅綠藍(lán)三分量變化的敏感程度權(quán)重， 本文分別取值為1， 2， 1[23].

Sr、Sg、Sb代表紅綠藍(lán)三分量的重要性程度.

(9)

(10)

(11)

(12)

θ是RGB空間中兩個(gè)待比較的矢量角度的歸一化.

(13)

Sθ用來檢驗(yàn)RGB空間的紅、 綠、 藍(lán)三分量變化對兩個(gè)待比較顏色的矢量角度的貢獻(xiàn)， 依據(jù)三分量重要性程度來調(diào)整角度θ.

Sθ=Sθr+Sθg+Sθb.

(14)

Sratio用于調(diào)整系數(shù)以防止θ在RGB空間底部過大.

(15)

最優(yōu)劃分的數(shù)目通過檢查δ的值來確定， 如果δ大于給定閾值， 則合并過程終止. 該閾值可以通過使用有關(guān)噪聲分布的知識來確定(假設(shè)檢驗(yàn))[24].

2.3.2 區(qū)域鄰接圖合并

區(qū)域之間的鄰接關(guān)系用區(qū)域鄰接圖(RAG)表示[25]. 圖3 為一個(gè)圖像劃分成六個(gè)區(qū)域的例子和相應(yīng)的RAG. RAG被定義為一個(gè)無向圖，G=(V,E)，v1,v2…,vK和eij(i,j∈K)分別是G的點(diǎn)和邊.區(qū)域由圖節(jié)點(diǎn)表示， 兩個(gè)相鄰的節(jié)點(diǎn)vi,vj∈V， 它們之間存在邊eij.邊eij的權(quán)重δ， 表示兩個(gè)相鄰區(qū)域之間的差異， 最相似的一對相鄰區(qū)域?qū)?yīng)具有最小權(quán)重的邊.每次合并， 合并具有最小權(quán)重邊的節(jié)點(diǎn).所有的RAG邊存儲在堆中[26]， 根據(jù)權(quán)重值的大小采用自下而上的方法構(gòu)造邊堆， 構(gòu)造邊堆需計(jì)算邊的權(quán)重并需要花費(fèi)O(‖E‖)時(shí)間.在應(yīng)用分水嶺變換后， 使用導(dǎo)出的K劃分圖像來構(gòu)造輸入到區(qū)域合并過程的初始RAG(K-RAG). 然后， 計(jì)算每個(gè)RAG區(qū)域的大小和R、 G、 B分量的強(qiáng)度和， 并將其存儲在相應(yīng)的RAG節(jié)點(diǎn)中.

(a) 六分區(qū)

給定初始K劃分的RAG及其邊堆， 用下面的算法構(gòu)造K-n劃分的RAG(K-n)-RAG)， 實(shí)現(xiàn)上面描述的逐步優(yōu)化過程.

輸入：K劃分的RAG(K-RAG).

輸出：K-n劃分的RAG((K-n)-RAG).

Step 1：從i=1開始， 使用邊堆， 搜索K-RAG中的最小權(quán)重邊；

Step 2：合并相應(yīng)的區(qū)域?qū)θカ@得(K-i)-RAG, 同時(shí)將此最小權(quán)重邊從邊堆中移除；

Step 3：重新計(jì)算與合并節(jié)點(diǎn)相鄰的節(jié)點(diǎn)的邊權(quán)重， 更新邊堆；

Step 4：繼續(xù)搜索(K-i)-RAG中的最小權(quán)重邊e， 然后與預(yù)先給定的閾值η比較， 當(dāng)e>η時(shí)， 迭代終止； 否則， 更新i值，i=i+1返回Step2.

堆中權(quán)重變化的邊的位置必須更新， 每次更新需要O(log2(‖E‖)的時(shí)間. 此外， 一些因合并而被取消的邊必須刪除. 圖4 進(jìn)行了解釋. 然而， 因?yàn)檫@些位置是未知的， 一個(gè)線性搜索操作需要O(‖E‖)時(shí)間， 導(dǎo)致每次合并需要O(dn‖E‖·log2‖E‖)時(shí)間， 其中dn表示合并最相似的區(qū)域?qū)Ξa(chǎn)生的節(jié)點(diǎn)的度. 由于通常的堆尺寸較大， 總的計(jì)算時(shí)間大大增加. 在三維圖像中更是這樣， 初始劃分通常包含大量的區(qū)域.

圖4 兩個(gè)RAG節(jié)點(diǎn)的合并

2.3.3 快速最近鄰合并

為了加快運(yùn)算速度， 在有向圖中構(gòu)造圈堆可以有效縮短計(jì)算時(shí)間， 即最近鄰合并(NNG). NNG定義如下： 對于給定的RAG，G=(V,E)和對稱不相似函數(shù)S∶V×V→R， NNG即G=(V,D)是一個(gè)有向圖，V是點(diǎn)集， 如果Sij=min{Sik∶eik∈E}， 有向邊eij∈D，i,j∈V. 圖4 為一個(gè)RAG例子和它可能的NNG. 當(dāng)有多個(gè)節(jié)點(diǎn)最小化S時(shí)， 邊指向具有最小標(biāo)簽的節(jié)點(diǎn). 上述定義意味著每個(gè)節(jié)點(diǎn)的出度等于1， 從節(jié)點(diǎn)開始的邊指向其最相似的鄰點(diǎn). NNG中圈定義為起始節(jié)點(diǎn)和結(jié)束節(jié)點(diǎn)重合的連通的圖節(jié)點(diǎn)序列(路徑)(見圖5). 由定義可知， NNG包含‖V‖條邊并具有下列性質(zhì).

(a) RAG

性質(zhì) 1： 至少包含一個(gè)圈.

性質(zhì) 2： 一個(gè)圈的最大長度是2.

性質(zhì) 3： 最相似的區(qū)域?qū)τ梢粋€(gè)圈連接.

性質(zhì) 4： 節(jié)點(diǎn)最多可以參與一個(gè)圈.

輸入：K劃分的RAG(K-RAG).

輸出：K-n劃分的RAG((K-n)-RAG).

Step 1：從i=1開始， 使用圈堆， 搜索K-RAG中的最小權(quán)重邊；

Step 2： 合并相應(yīng)的區(qū)域?qū)θカ@得(K-i)-RAG, 同時(shí)將此最小權(quán)重邊從圈堆中移除；

Step 3：重新計(jì)算與合并節(jié)點(diǎn)相鄰的節(jié)點(diǎn)的邊權(quán)重， 更新圈堆.

Step 4：繼續(xù)搜索(K-i)-RAG中的最小權(quán)重邊， 然后與預(yù)先給定的閾值η比較， 當(dāng)e>η時(shí)， 迭代終止； 否則， 更新i值，i=i+1返回Step2.

3 實(shí)驗(yàn)結(jié)果與分析

為了證明標(biāo)記符控制融合多尺度形態(tài)學(xué)梯度重建的分水嶺算法的有效性， 從Berkeley數(shù)據(jù)庫選取四幅不同分辨率的圖片進(jìn)行實(shí)驗(yàn). 實(shí)驗(yàn)中采用Inter(R) Core(TM) CPU， i7-6700， 3.4 GHz， 16 GB RAM的DELL電腦.

3.1 不同超像素算法分割效果比較

表1 本文算法與SLIC、 SCOW、 MMGR-WT的區(qū)域數(shù)、 欠分割誤差和分割精度

圖6 不同超像素算法圖像

本文的超像素算法自適應(yīng)效果好， 很好地貼合了目標(biāo)邊界， 區(qū)域數(shù)更少， 過分割現(xiàn)象與MMGR-WT相比明顯改善， 顯然本文提出算法的視覺效果更能滿足真實(shí)圖像的要求. 與SLIC[5]、 SCOW和MMGR-WT相比， 本文的超像素算法更能滿足任務(wù)需要.

3.2 最終分割結(jié)果分析和比較

圖7 展示了Lei等人提出的算法(SFFCM)[16]和本文算法的最終分割結(jié)果.

本文算法的主要參數(shù)為閾值δ和期望劃分的區(qū)域數(shù)num， 實(shí)際分割結(jié)果的區(qū)域數(shù)不一定等于期望劃分的區(qū)域數(shù)， 其中，δ=1 000. 圖7(c)中從左到右四幅圖片的num值分別為3， 8， 4和8.

由圖7 可以看出， 與SFFCM算法相比， 本文算法很好地分割出了目標(biāo)物體， 分割區(qū)域數(shù)少， 過分割現(xiàn)象明顯改善， 更符合人眼的視覺. 在運(yùn)行時(shí)間方面， 本文算法的運(yùn)行速度比SFFCM算法更快.

圖7 本文算法和SFFCM算法的分割效果

對分割結(jié)果進(jìn)行定量評價(jià)， 具體公式與3.1節(jié)相同， 結(jié)果如表2 所示. 從表2 可以看出， 本文算法能夠用更合理的區(qū)域數(shù)對分割結(jié)果進(jìn)行描述， 且欠分割誤差比SFFCM算法更小.

表2 本文算法和SFFCM算法的區(qū)域數(shù)、 欠分割誤差和分割精度

4 結(jié) 論

相比傳統(tǒng)分水嶺算法， 本文提出的標(biāo)記符控制融合多尺度形態(tài)學(xué)梯度重建的快速區(qū)域合并分水嶺圖像分割算法， 能夠明顯提升目標(biāo)的分割精度， 有效解決分水嶺算法的過分割問題. 特別地， 本文分別選用了三種算法的超像素圖像(具體為SLIC、 SCOW， MMGR-WT)與所提算法的超像素圖像進(jìn)行實(shí)驗(yàn)效果的比較. 并且從區(qū)域數(shù)、 欠分割誤差和精確度三個(gè)方面同最近提出的SFFCM算法進(jìn)行了最終分割結(jié)果的定量評價(jià). 實(shí)驗(yàn)結(jié)果表明， 本文的算法不僅分割速度快而且可以對圖像進(jìn)行較精確的分割.

下一步研究將考慮從兩方面進(jìn)行改進(jìn)， 一是進(jìn)一步優(yōu)化最近鄰圖合并， 更有效地將相似區(qū)域進(jìn)行合并； 二是模型還存在小目標(biāo)分割精度不高的問題， 不能很好地將小目標(biāo)分割出來， 之后計(jì)劃將多尺度邊緣檢測方法和本文結(jié)合起來， 提高對圖像中目標(biāo)的分割精度.