劉明媚

（武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢 430081）

在當(dāng)今這個(gè)科技日新月異的世界大環(huán)境下，人們對(duì)于視覺(jué)感知的要求也越來(lái)越高。數(shù)字圖像處理的要求也與日俱增，圖像分割就是機(jī)器領(lǐng)域的重要研究方向。圖像分割的定義是把一幅圖像分成一個(gè)個(gè)特性不同的區(qū)域，然后把所需要的目標(biāo)區(qū)域提取出來(lái)的一種技術(shù)和過(guò)程。分割把圖像細(xì)分成構(gòu)成它的一個(gè)個(gè)子區(qū)域或著對(duì)象，依據(jù)主要解決的問(wèn)題的不同來(lái)決定分割的程度。隨著人們的要求越來(lái)越高，彩色圖像獲得的成本的下降和能給予更多的信息量，圖像分割技術(shù)也從之前主要集中研究灰度圖像到近幾年來(lái)越來(lái)越多研究彩色圖像。圖像的分割算法雖然有很多種，但是大多數(shù)算法主要都是通過(guò)兩個(gè)基本原理，基于區(qū)域或者是基于邊界來(lái)實(shí)現(xiàn)的。彩色圖像分割方法的分類(lèi)沒(méi)有一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，常見(jiàn)的分為以下幾類(lèi)[1]:基于邊緣、基于像素、基于區(qū)域和混合方法。

本文提出的算法主要是根據(jù)圖像的區(qū)域顯著性來(lái)進(jìn)行分割。對(duì)于一幅圖像來(lái)說(shuō)，通常情況下人眼容易關(guān)注到圖像中的特定區(qū)域被稱(chēng)為顯著性區(qū)域。而且顯著性目標(biāo)區(qū)域通常是被當(dāng)做一個(gè)整體區(qū)域考慮，不會(huì)過(guò)多的關(guān)注區(qū)域中的細(xì)節(jié)信息。

本文方法是采用基于圖像區(qū)域的顯著性操作思路。首先是用Kmeans算法聚類(lèi)的思想，將圖像進(jìn)行區(qū)域分割，然后計(jì)算各個(gè)被分割區(qū)域的對(duì)比度值，以及區(qū)域在圖像中位置的影響因子，計(jì)算出顯著性值。最后確定目標(biāo)區(qū)域，將其他的非顯著性目標(biāo)區(qū)域合并，最終得到分割結(jié)果。實(shí)驗(yàn)的結(jié)果表明對(duì)于大多數(shù)自然圖像我們的方法能取得較好的效果。

1 分割算法

1.1 Kmeans算法

Kmeans算法[2]描述為給定一個(gè)數(shù)據(jù)集其中含有n個(gè)數(shù)據(jù)，生成聚類(lèi)的個(gè)數(shù)設(shè)定為k。然后將這n個(gè)數(shù)據(jù)劃分成為k個(gè)子集，分成的每個(gè)子集就代表一個(gè)聚類(lèi)，同一個(gè)聚類(lèi)中數(shù)據(jù)間的距離較近，而不同聚類(lèi)數(shù)據(jù)間的距離較遠(yuǎn)。用中心值來(lái)表示每一個(gè)聚類(lèi)，而中心值是由計(jì)算聚類(lèi)中所有數(shù)據(jù)的平均值得到的。

聚類(lèi)與分類(lèi)不同，聚類(lèi)是一種無(wú)監(jiān)督學(xué)習(xí)，不依賴預(yù)定義的類(lèi)和類(lèi)標(biāo)號(hào)。聚類(lèi)分析不是去預(yù)測(cè)某一個(gè)結(jié)果，而是從輸入中發(fā)現(xiàn)特征。記錄被分成類(lèi)并且使得同一類(lèi)中的記錄彼此相似，而不同的記錄盡量不同。

初始分割過(guò)程如下：首先我們輸入一幅彩色圖像，并將圖像從RGB轉(zhuǎn)化到Lab彩色空間，然后提取出Lab空間的a分量和b分量。根據(jù)兩個(gè)分量進(jìn)行Kmeans聚類(lèi)最后得到各個(gè)分割區(qū)域。

1.2 顯著性檢測(cè)

隨著多媒體信息的大量涌入，如何選取大量數(shù)據(jù)中的重要內(nèi)容進(jìn)行深入分析，忽略一些次要部分成為提高效率和優(yōu)化效果的關(guān)鍵?；谝曈X(jué)特性的顯著性檢測(cè)是人類(lèi)信息加工過(guò)程中的一項(xiàng)重要的調(diào)節(jié)機(jī)制。Goferman[3]等人提出了幾個(gè)顯著性與心理相關(guān)的注意機(jī)制原則。首先圖像局部的低層次特征與顯著性有關(guān)，它是由圖像自身數(shù)據(jù)的協(xié)同性在預(yù)處理階段形成自顯著性。這不需要主觀的認(rèn)知或者習(xí)慣的指導(dǎo)僅僅是依賴數(shù)據(jù)[4]。其次基于全局特征，比如過(guò)濾掉反復(fù)出現(xiàn)的頻率，而保留那些較少出現(xiàn)的頻率。第三是視覺(jué)組織：原則感興趣的目標(biāo)像素一般比較集中。第四是高層次的因素，這個(gè)原則依賴于人的目的性和主觀認(rèn)知。

本文就是依據(jù)上述原則來(lái)進(jìn)行顯著性計(jì)算，并加入?yún)^(qū)域位置在圖像中位置的影響因素[5]。

首先定義區(qū)域和區(qū)域中多個(gè)像素對(duì)比度值為:

其中 N1和 N2分別為區(qū)域 R1和 R2中的像素?cái)?shù)，D（pi，pj）為兩個(gè)像素pi和pj在Lab顏色空間中的距離度量。

那么對(duì)于某一個(gè)區(qū)域在一幅圖像中的對(duì)比度值為：

其中，Rx表示圖像中任意一個(gè)不同于Rn的區(qū)域，m表示圖像通過(guò)Kmeans算法分割得到的區(qū)域數(shù)量。

通常情況下，對(duì)于一幅自然圖像人們往往傾向于圖像的中心位置，或者說(shuō)對(duì)于大多數(shù)圖片的圖像采集總是把核心元素置于圖像的中心位置。所以不同的區(qū)域在圖像中的不同位置對(duì)顯著性的分析也是重要的參考。因此區(qū)域位置關(guān)系對(duì)圖像顯著性區(qū)域的影響因子用下面的公式表示：

其中N表示該區(qū)域的像素?cái)?shù)量，W和H分別表示圖像的寬和高。

那么我們可以得到一個(gè)區(qū)域在整個(gè)一幅圖像中的顯著性值為：

其中c1和c2是系數(shù)，我們?cè)俅卧O(shè)定分別為0.6和0.4，并根據(jù)所需要的分割結(jié)果設(shè)定一個(gè)顯著性閾值Sm。通過(guò)對(duì)Kmeans分割后的區(qū)域進(jìn)行顯著性值計(jì)算，如若區(qū)域的顯著性值是大于Sm的我們則認(rèn)定為顯著性區(qū)域，也就是我們的目標(biāo)區(qū)域。而其余的區(qū)域則是非顯著性區(qū)域。

1.3 區(qū)域合并

區(qū)域間合并的結(jié)果通常是由區(qū)域間的相似度量直接決定的，區(qū)域間的相似性度量準(zhǔn)則一般有區(qū)域間的顏色相似性、區(qū)域間公共邊緣的長(zhǎng)度以及區(qū)域的面積等。我們處理的對(duì)象是自然的彩色圖像，所以顏色特征是最重要的特征，所以選擇像素顏色作為相似性度量的依據(jù)。

顏色的相似性用CIELuv空間中的歐式距離來(lái)表示[6]，定義圖像區(qū)域間顏色的距離為：

用聚類(lèi)的方法首次分割后必然會(huì)存在一些顏色較為相近的區(qū)域。根據(jù)彩色圖像區(qū)域間顏色的相似，我們根據(jù)公式（5）首先合并區(qū)域顏色比較相近的，減少合并是直接根據(jù)區(qū)域顯著性來(lái)進(jìn)行所造成的失誤分割。然后依次將顯著性值越小的區(qū)域合并至其他鄰接區(qū)域且顏色較為相近的區(qū)域中去。

2 實(shí)驗(yàn)結(jié)果及分析

以下圖片是我們的實(shí)驗(yàn)中所得到的圖片：

圖1 原始圖像Fig.1 Original image

圖2 聚類(lèi)結(jié)果Fig.2 Clustering results

首先我們是將原始圖片進(jìn)行Kmeans聚類(lèi)算法的分割，我們可以將圖片進(jìn)行m類(lèi)的聚類(lèi)分割，圖2是設(shè)定進(jìn)行10類(lèi)聚類(lèi)的結(jié)果。

圖3 本文算法Fig.3 Our algorithm

對(duì)于一幅彩色圖像分割算法性能的優(yōu)劣，到目前為止來(lái)看還沒(méi)有一個(gè)統(tǒng)一的方法進(jìn)行評(píng)估。通常情況下都是由人眼直觀判定的，我們的算法的優(yōu)點(diǎn)就在于可以根據(jù)實(shí)際的圖片分割應(yīng)用場(chǎng)合來(lái)設(shè)定顯著性閾值。通過(guò)不同的圖像分割應(yīng)用場(chǎng)合來(lái)設(shè)定不同的顯著性閾值，由此得到不同的分割結(jié)果。最終得到不同圖像分割應(yīng)用場(chǎng)合所預(yù)期想要得到的目標(biāo)區(qū)域。方法法比較靈活適用，可以很好的用于特別像是目標(biāo)跟蹤應(yīng)用中。

3 結(jié)束語(yǔ)

本文主要做了以下幾步：首先是運(yùn)用Kmeans算法對(duì)彩色圖像進(jìn)行顏色分量的聚類(lèi)分割。然后分析區(qū)域顯著性的影響因子區(qū)域間的對(duì)比度和區(qū)域在圖像中的位置因素，得到計(jì)算區(qū)域顯著性的方法。設(shè)定一個(gè)顯著性閾值，它由實(shí)際的彩色圖片分割的應(yīng)用場(chǎng)合來(lái)確定。通過(guò)閾值的設(shè)定得到預(yù)期想要的目標(biāo)區(qū)域。最后用顏色的相似性對(duì)區(qū)域進(jìn)行合并，根據(jù)彩色圖像的顏色特征是一個(gè)重要特征，我們將顏色相似性用CIELuv空間中的歐式距離來(lái)表示。完善單純依據(jù)顯著性進(jìn)行區(qū)域分割帶來(lái)的誤差。但是本文算法還有許多不足之處有待改進(jìn)，比如像背景區(qū)域如果跟目標(biāo)區(qū)域中某種顏色相近或者相似就無(wú)法得到較好的分割效果。在今后的學(xué)習(xí)當(dāng)中我會(huì)對(duì)于這些不足之處進(jìn)行改進(jìn)和完善。

[1]林開(kāi)顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2005，10（1）：1-10.

LIN Kai-yan，WU Jun-hui，XU Li-hong. Color image segmentation method overview[J].Image and Graphics of China，2005，10（1）：1-10.

[2]付春梅，劉俊寧.Kmeans與系統(tǒng)聚類(lèi)法結(jié)合在腦電圖中的應(yīng)用[J].科技信息，2007（29）：116.

FU Chun-mei，LIU Jun-ning.Kmeans and system clustering method combined with the application of the EEG[J].Science&Technology Information，2007（29）：116.

[3]Goferman S，Zelnik-Manor L，Tal A.Context-Aware Saliency Detection[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence，2011.

[4]Scholl B J，Pylyshynb Z W.What is a visual object-evidence from target merging in multiple object tracking[J].Cognition，2001（80）：159-177.

[5]梁嘉偉，王健，李澤明，等.基于區(qū)域?qū)Ρ榷鹊膱D像顯著性檢測(cè)算法研究[J].科技博覽，2012（5）：72.

LIANG Jia-wei，WANG Jian，LI Ze-ming，et la.Saliency detection algorithm based on regional contrast images[J].China science and Technology Review，2012（5）：72.

[6]王朝英，李光，侯志強(qiáng)，等.融合mean shift和區(qū)域顯著性的彩色圖像分割算法[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（28）:181-184.

WANG Zhao-ying，LI Guang，HOU Zhi-qiang，et al.Color image segmentation by fusion of mean shift and region saliency[J].Computer Engineering and Applications，2010，46（28）：181-184.