基于SVM與區(qū)域生長的彩色商品標(biāo)簽圖像分割方法

巨志勇，翟春宇，張文馨

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093)

圖像分割是圖像處理和計(jì)算機(jī)視覺不可或缺的一部分，也是近年來的研究熱點(diǎn)之一，廣泛應(yīng)用于計(jì)算機(jī)視覺、計(jì)算機(jī)圖形學(xué)、機(jī)器人等領(lǐng)域，已取得了一定的成果。精確分割出目標(biāo)物有著十分重要的意義，但目前很多分割方法仍存在著明顯的缺陷。文獻(xiàn)[1]采用的一維熵閾值分割方法在求解分割閾值時(shí)易受噪聲的干擾。二維熵閾值分割方法雖提高了分割的精度，但運(yùn)算量過大導(dǎo)致運(yùn)算時(shí)間過長。文獻(xiàn)[2]提出用K-means均值聚類算法對圖像進(jìn)行分割，較好地改善了欠擬合的問題，但是較容易陷入到局部最優(yōu)解，最終仍會(huì)出現(xiàn)過分割的現(xiàn)象。

考慮以上缺點(diǎn) ，本文利用支持向量機(jī)(Support Vector Machine，SVM)整體復(fù)雜性較低的特點(diǎn)來提升分割效率。同時(shí)，SVM可以將圖像分割問題轉(zhuǎn)換成圖像像素的分類，提高分割精度[3-5]。

在支持向量機(jī)分割算法方面，文獻(xiàn)[6]采用分區(qū)域特征匹配方法，進(jìn)行二維圖像的分塊融合性檢測和特征塊匹配，根據(jù)超聲紋理的規(guī)則性特征分量進(jìn)行病理邊緣特征提取，并利用提取的精度作為約束條件，優(yōu)化SVM進(jìn)行分割。文獻(xiàn)[7]采用顯著性檢測得到大致的顯著區(qū)域和背景區(qū)域，并分別提取顏色等特征利用SVM進(jìn)行訓(xùn)練，有效解決了因?yàn)轱@著圖不均勻?qū)е路指罱Y(jié)果缺乏準(zhǔn)確邊緣的問題。

針對于區(qū)域生長算法噪聲及灰度不均可能會(huì)導(dǎo)致過分割的問題，基于文獻(xiàn)[6～7]，本文提出了一種基于SVM的區(qū)域生長分割算法。該方法改進(jìn)了區(qū)域生長算法的人工參與的缺陷，解決了可能會(huì)導(dǎo)致的空洞和過分割問題，提升了分割精度，提高了分割效率。

1 樣本數(shù)據(jù)的獲取與處理

1.1 樣本數(shù)據(jù)的獲取

為了使實(shí)驗(yàn)更加接近真實(shí)環(huán)境，獲得更好的仿真效果，本實(shí)驗(yàn)所采用的圖片大多數(shù)由研究者們自行拍攝，主要來源于生活中各種帶有標(biāo)簽的商品。但是考慮到實(shí)驗(yàn)所需要的數(shù)據(jù)集比較大，所以有部分商品圖片來源于網(wǎng)絡(luò)的公用數(shù)據(jù)集，主要包括帶有標(biāo)簽的水果蔬菜、衣服鞋帽、零食等，共計(jì)500張圖片。部分圖像如圖1所示。

圖1 圖像數(shù)據(jù)集

1.2 商品圖片的預(yù)處理

為了方便后續(xù)處理，實(shí)驗(yàn)人員將圖片的像素大小歸一化處理為640×480。本實(shí)驗(yàn)首先對圖片進(jìn)行預(yù)處理操作，包括對圖像的空間進(jìn)行變換以及圖像增強(qiáng)等。增強(qiáng)后的圖像無論在后期的特征提取，還是在進(jìn)行識別分類方面都有著較為明顯的效果[8]。

1.2.1 圖像增強(qiáng)

圖像增強(qiáng)[9]的目的是將原來不清晰的圖像變得清晰或強(qiáng)調(diào)某些感興趣的特征，抑制不感興趣的特征，改善圖像質(zhì)量，豐富圖像信息量，提升圖像細(xì)節(jié)和識別效果。圖像增強(qiáng)算法包括對比度拉伸、gamma校正、直方圖均衡化、直方圖規(guī)定化和同態(tài)濾波器。處理的圖像如圖2所示。

圖2 增強(qiáng)效果

在某些情況下，實(shí)驗(yàn)人員采集的數(shù)據(jù)特征不一定十分明顯，因此需要先處理成特定的直方圖，以便增強(qiáng)圖像中的灰度級。本實(shí)驗(yàn)采用直方圖規(guī)定化對圖像進(jìn)行增強(qiáng)。

1.2.2 彩色空間的轉(zhuǎn)換

在彩色圖像的處理過程中，不同顏色模型會(huì)影響后續(xù)的效果。最常見的顏色模型[10]有RGB、Lab、HSI、HSV等。在RGB顏色空間中，R、G、B分別表示三基色，世界上所有顏色均由這3種分量組合而成，但RGB顏色空間的亮度信息與色度信息沒有分離，關(guān)聯(lián)太大且每個(gè)通道都編入了亮度信息，邊緣像素信息不能得到較好的保存。因此本文將圖像從RGB色彩空間轉(zhuǎn)變至HSI空間進(jìn)行圖像增強(qiáng)。HSI色彩空間的色調(diào)、飽和度和亮度3個(gè)分量呈現(xiàn)圖像色彩，避開了RGB的缺陷，分離了圖像亮度與顏色分量，因此對亮度分量的增強(qiáng)操作不影響顏色信息，能有效避免圖像顏色失真，且對圖像的增強(qiáng)處理僅需在一個(gè)維度上進(jìn)行，提升了圖像處理速度。RGB向HSI顏色空間的轉(zhuǎn)換式如下

(1)

(2)

(3)

(4)

2 算法分析

本文算法首先通過區(qū)域生長算法將包含標(biāo)簽的商品從無關(guān)背景當(dāng)中分割出來，從而得到帶有標(biāo)簽的前景區(qū)域與無關(guān)背景區(qū)域，再利用區(qū)域生長算法從前景區(qū)域提取商品，剩余區(qū)域即為目標(biāo)區(qū)域。根據(jù)目標(biāo)標(biāo)簽區(qū)域和商品區(qū)域?qū)?yīng)的坐標(biāo)到RGB圖像中找到相應(yīng)位置，并將各自特征向量作為SVM的正負(fù)訓(xùn)練樣本。最終使用SVM對整幅圖像精確分割出目標(biāo)區(qū)域。算法流程圖如圖3所示。

圖3 算法流程圖

2.1 區(qū)域生長算法

區(qū)域生長算法[11]是一種影像分割技術(shù)，其根據(jù)一定判斷條件，將具有相似準(zhǔn)則的像素合并起來連成區(qū)域。噪聲和灰度不均可能會(huì)導(dǎo)致空洞和過分割，因此該方法對圖像中陰影效果處理較差。區(qū)域生長主要分兩個(gè)步驟，首先是種子點(diǎn)的選?。黄浯问歉鶕?jù)像素點(diǎn)和種子之間的性質(zhì)進(jìn)行對比、合并向外生長，即可獲取目標(biāo)標(biāo)簽。

2.2 支持向量機(jī)

SVM處理分類問題的主要思想是尋找一個(gè)最優(yōu)分類超平面作為決策曲面，使兩類之間的分類間距達(dá)到最大，從而將最優(yōu)分類超平面轉(zhuǎn)換為求解二次規(guī)劃尋優(yōu)的對偶問題。該算法的復(fù)雜度取決于支持向量的個(gè)數(shù)，所以該算法可有效地解決高維的問題。本實(shí)驗(yàn)中的輸入向量是正負(fù)樣本，設(shè)為xi，yi(i=1,2,3…)(xi∈Rd)，對應(yīng)的分類標(biāo)記yi∈{-1,+1}，SVM在高維特征向量中求解最優(yōu)分類超平面的問題是

(5)

式中，c為懲罰系數(shù)。c越大代表錯(cuò)誤越大，會(huì)導(dǎo)致w增加，即泛化能力下降。通過調(diào)節(jié)c的大小可以調(diào)整訓(xùn)練誤差。采用不同的核函數(shù)可以構(gòu)造不同的SVM分類算法[12]。常用的核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)(RBF核函數(shù))和Sigmoid核函數(shù)。本實(shí)驗(yàn)采用的是多項(xiàng)式核函數(shù)，計(jì)算式為

(6)

式中，d代表多項(xiàng)式核函數(shù)的最高次項(xiàng)，本實(shí)驗(yàn)中選用的是3；g代表核函數(shù)中的gamma參數(shù)，決定SVM的復(fù)雜程度，本實(shí)驗(yàn)中為0.5。

2.3 SVM模型的訓(xùn)練和區(qū)域生長法的分割

2.3.1 區(qū)域生長算法的改進(jìn)

傳統(tǒng)的區(qū)域生長算法是一種半人工算法，需要實(shí)驗(yàn)者手動(dòng)指定種子點(diǎn)位置來進(jìn)行分割。為了彌補(bǔ)這一不足，本實(shí)驗(yàn)采用區(qū)域生長進(jìn)行分割。但在分割時(shí)可能會(huì)受到陰影的影響，錯(cuò)誤地將陰影部分和商品部分一起分割出來，不能完整準(zhǔn)確尋找到商品區(qū)域，所以本文采用第二次區(qū)域生長分割出商品本身以及部分陰影，進(jìn)一步得到標(biāo)簽區(qū)域。在第一次區(qū)域生長分割時(shí)，將種子點(diǎn)自動(dòng)選取在(0,0)點(diǎn)，使周圍像素根據(jù)種子點(diǎn)的特征來進(jìn)行生長，可以確定無關(guān)背景區(qū)域，從而確定前景區(qū)域。在第二次區(qū)域生長時(shí)，先對商品進(jìn)行分割來獲得商品本身和標(biāo)簽上的部分陰影，使得剩余部分一定是標(biāo)簽的一部分，以便后續(xù)處理。本實(shí)驗(yàn)采用了多點(diǎn)生長的方法對區(qū)域生長進(jìn)行改進(jìn)，即在前景區(qū)域隨機(jī)選取十個(gè)像素點(diǎn)作為種子點(diǎn)分別進(jìn)行生長并形成各自像素點(diǎn)集合。由于商品本身所占前景的比例遠(yuǎn)大于目標(biāo)標(biāo)簽，所以商品上的像素點(diǎn)在集合中出現(xiàn)次數(shù)一定會(huì)在一個(gè)閾值之上。本實(shí)驗(yàn)中選取閾值d為5進(jìn)行判斷，即如果在10個(gè)集合中像素點(diǎn)出現(xiàn)次數(shù)大于5次，則認(rèn)為該部分為商品本身區(qū)域，其余部分即為目標(biāo)標(biāo)簽區(qū)域。

2.3.2 SVM的改進(jìn)

自然圖像中的顏色通常只覆蓋整個(gè)彩色空間的小部分。在大多數(shù)圖像中，目標(biāo)區(qū)域或商品區(qū)域中一般不超過3個(gè)主色。通過分析彩色圖像的特點(diǎn)，在目標(biāo)標(biāo)簽區(qū)域和商品本身區(qū)域分別選取3個(gè)主色，并將其對應(yīng)像素點(diǎn)的顏色、紋理等特征構(gòu)成特征向量，作為正負(fù)樣本的輸入向量，利用SVM分類器訓(xùn)練。

(1)主色的選取。在使用區(qū)域生長算法進(jìn)行分割時(shí)，可能會(huì)受到光線的影響，產(chǎn)生的陰影會(huì)對圖像特征提取造成影響。因此，本實(shí)驗(yàn)需要先對商品區(qū)域和目標(biāo)標(biāo)簽區(qū)域進(jìn)行主色的提取，步驟如下：

步驟1分別對處理后得到的HSI圖像中的商品區(qū)域和目標(biāo)標(biāo)簽區(qū)域提取顏色直方圖，獲得兩個(gè)區(qū)域中的3個(gè)主要顏色信息；

步驟2對比兩個(gè)區(qū)域的顏色，若標(biāo)簽區(qū)域和商品區(qū)域都有著相同的像素級，則該顏色不是主色，否則是主色；

步驟3將判定為標(biāo)簽主色和商品主色的像素點(diǎn)位置分別進(jìn)行記錄，記為S1和S2。

(2)顏色特征的提取。在同精度下，Lab(亮度、紅色到綠色的范圍、黃色到藍(lán)色的范圍)顏色空間的位圖比RGB或CMYK位圖需要獲得更多的像素?cái)?shù)據(jù)。Lab空間所定義的色彩最多，與光線及設(shè)備無關(guān)。此外，lab處理速度與RGB顏色空間速度相近，比CMYK模式快很多，因此本文采用Lab顏色空間進(jìn)行顏色特征提取。轉(zhuǎn)換式如下：

①RGB轉(zhuǎn)XYZ

(7)

(8)

(9)

(10)

②XYZ轉(zhuǎn)Lab

(11)

(12)

其中，R、G、B分別為某點(diǎn)像素通道的值，取值范圍均為[0,255]。

綜上，本實(shí)驗(yàn)所提取的顏色特征如式(13)所示。

Fxy=(a,b)

(13)

(3)紋理特征的提取。紋理是一種反映圖像中同質(zhì)現(xiàn)象的視覺特征[13]，它體現(xiàn)了物體表面的具有緩慢變化或者周期性變化的表面結(jié)構(gòu)組織排列屬性。本文通過以下步驟獲取紋理特征：

步驟2利用式(14)求取每個(gè)像素的4個(gè)方向梯度中絕對值的最大值，作為該像素的紋理特征

(14)

考慮到相鄰像素點(diǎn)具有相似的像素和特征，因此本文選自二維坐標(biāo)x、y作為空間向量特征。

綜上所述，圖像像素級特征向量表示為式(15)。

Zxy=(x,y,Fxy,Exy)

(15)

2.3.3 SVM和區(qū)域生長法相結(jié)合的分割方法

綜合SVM算法與區(qū)域生長分割方法，本文提出了基于SVM和區(qū)域生長的圖像分割方法，步驟如下：

步驟1將預(yù)處理得到的圖像通過區(qū)域生長算法[14]進(jìn)行第一次分割，標(biāo)記為背景區(qū)域，其他區(qū)域?yàn)閹в心繕?biāo)標(biāo)簽的商品區(qū)域；

步驟2分割商品標(biāo)簽。再一次使用改進(jìn)后的區(qū)域生長算法對具有相似紋理的商品本身進(jìn)行提取，標(biāo)記為商品區(qū)域。采用深度膨脹運(yùn)算獲得一個(gè)超過商品區(qū)域?qū)嶋H大小的物體，以確定其他區(qū)域全部都在目標(biāo)標(biāo)簽區(qū)域中。然后，用反向閾值將其余區(qū)域標(biāo)記為目標(biāo)標(biāo)簽區(qū)域[15]；

步驟3確定目標(biāo)標(biāo)簽區(qū)域和商品區(qū)域的坐標(biāo)，找到原圖像的對應(yīng)位置；

步驟4對商品區(qū)域和目標(biāo)標(biāo)簽區(qū)域進(jìn)行特征提取，得到Zxy，具體方法詳見章節(jié)2.3.2；

步驟5將得到的最終訓(xùn)練特征Zxy作為正負(fù)樣本分別放入SVM進(jìn)行訓(xùn)練，保存該模型；

步驟6當(dāng)處理新圖片時(shí)，利用該模型按照特征直接提取標(biāo)簽部分的坐標(biāo)；

步驟7將分割后的圖像與原圖像做交集運(yùn)算，即可將標(biāo)簽主體的彩色圖像從背景當(dāng)中分割出來。

各個(gè)步驟具體的效果圖如圖4所示。

圖4 分割處理過程

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)準(zhǔn)備

用SVM算法優(yōu)化區(qū)域生長算法的圖像分割方法，按照算法處理步驟，在Windows10操作系統(tǒng)平臺上，本文通過可視化開發(fā)平臺MATLAB R2018b編程加以實(shí)現(xiàn)。計(jì)算機(jī)的基本配置為CPU Intel(R)Core(TM)i5-5200U，2.20 GHz，運(yùn)行內(nèi)存為12 GB。

3.2 定性分析

為了驗(yàn)證本文所提到的分割方法的實(shí)用性和有效性，本實(shí)驗(yàn)對帶有標(biāo)簽的商品分別用傳統(tǒng)形態(tài)學(xué)區(qū)域生長分割算法和本文改進(jìn)的算法作對比，進(jìn)行效果驗(yàn)證。

實(shí)驗(yàn)結(jié)果如圖5所示，第1行表示原始圖像；第2行表示用傳統(tǒng)的區(qū)域生長算法分割出的圖像；第3行是利用本文算法分割出目標(biāo)標(biāo)簽的位置圖；第4行代表本文算法分割的彩色標(biāo)簽圖片。根據(jù)分割效果圖可知，傳統(tǒng)的區(qū)域生長算法由于人工參與確定種子點(diǎn)位置，因此可以較好地確定標(biāo)簽位置，但卻不能有效處理陰影部分，當(dāng)商品上有比較復(fù)雜紋理的圖片也會(huì)出現(xiàn)過分割的問題。而本實(shí)驗(yàn)提出的算法中有效改進(jìn)了傳統(tǒng)算法中需要人工的參與分割的問題，且分割更加準(zhǔn)確，分割后的效果圖中保留了更多的目標(biāo)標(biāo)簽信息，有利于下一步識別工作。

圖5 實(shí)驗(yàn)對比圖

3.3 定量分析

為了進(jìn)一步驗(yàn)證本文所提到的分割方法的準(zhǔn)確率和效率，采用分割準(zhǔn)確率和運(yùn)行時(shí)間作為指標(biāo)對本文算法進(jìn)行評定。

分割準(zhǔn)確率cor是分割結(jié)果相對于標(biāo)準(zhǔn)圖的欠擬合和過擬合的準(zhǔn)確率

N=z(x)

(16)

(17)

式中，T1表示的是準(zhǔn)確的標(biāo)簽分割圖像的像素點(diǎn)集合；T2表示的是本文算法分割出來的標(biāo)簽圖像的像素點(diǎn)集合；N代表像素點(diǎn)集合的個(gè)數(shù)。

表1表示的是分別采用傳統(tǒng)區(qū)域生長算法和本文算法對標(biāo)簽分割的準(zhǔn)確率與時(shí)間的對比。本實(shí)驗(yàn)對500張圖片分割處理，準(zhǔn)確率為平均準(zhǔn)確率，時(shí)間是分割的總運(yùn)行時(shí)間。

表1 準(zhǔn)確率與時(shí)間對比

由表1可知，處理較大規(guī)模的圖像時(shí)，傳統(tǒng)區(qū)域生長算法無論是在準(zhǔn)確率和運(yùn)行時(shí)間上都不顯優(yōu)勢，而本文提出的彩色標(biāo)簽圖像分割算法可以有效地分割彩色圖像，較好地去掉周圍的邊緣噪聲[16]，保留更多的細(xì)節(jié)。無論在分割的效率、精度，還是對彩色圖片的細(xì)節(jié)處理，本文算法都體現(xiàn)出明顯的優(yōu)勢。

4 結(jié)束語

本文提出的區(qū)域生長與SVM相結(jié)合的優(yōu)化算法，在傳統(tǒng)算法的基礎(chǔ)上增加了更正錯(cuò)誤檢測機(jī)制。在檢測時(shí)，可根據(jù)已經(jīng)訓(xùn)練好的模型更加快速和準(zhǔn)確地確定目標(biāo)標(biāo)簽的位置，進(jìn)行精確分割，提高分割效率，有效改善了傳統(tǒng)算法中可能存在的過分割的問題。實(shí)驗(yàn)結(jié)果表明，和傳統(tǒng)的區(qū)域生長算法相比，采用本文算法不僅能夠更加有效地獲得更為精確的分割效果，還能保留標(biāo)簽本身的一些細(xì)節(jié)，提高了分割效率，為下一步分類識別奠定了基礎(chǔ)。