于翔 蔣麗麗

摘要：針對國家非物質(zhì)文化遺產(chǎn)－－南通藍(lán)印花布在信息化方面的空白，綜合分析南通藍(lán)印花布數(shù)字圖像的特點(diǎn)，提出局部自適應(yīng)閾值法進(jìn)行圖像分割與邊緣檢測，并對其結(jié)果與其它與其它邊緣檢測方法的結(jié)果進(jìn)行比對、分析與研究，明確局部自適應(yīng)閾值法在南通藍(lán)印花布的圖像分割與邊緣檢測方面的優(yōu)勢；隨后在JAVA EE環(huán)境中利用OpenCV函數(shù)庫函數(shù)實(shí)現(xiàn)藍(lán)印花布的局部自適應(yīng)閾值的邊緣檢測與圖像分割。

關(guān)鍵詞：局部自適應(yīng)閾值；邊緣檢測；OpenCV；JAVA；EE；形狀特征圖像特征的提取是基于內(nèi)容圖像檢索的基礎(chǔ)，如何構(gòu)建反映適當(dāng)圖像內(nèi)容的特征是進(jìn)行圖像檢索的關(guān)鍵技術(shù)之一。[1]圖像特征包括顏色、紋理、形狀等；顏色特征具有提取方便、相似度衡量簡單等優(yōu)點(diǎn)而常被CBIR系統(tǒng)采用；但是，顏色特征因丟失顏色的空間分布與紋理的結(jié)果信息等缺點(diǎn)，使其在圖像檢索中極易誤檢；而形狀特征作為另一種重要的圖像特征，因其包含部分語義信息、不變等特點(diǎn)，可有效彌補(bǔ)顏色特征的不足[2]。本文正通過對南通藍(lán)印花布圖像的形狀特征進(jìn)行分析研究，提出針對南通藍(lán)印花布圖案紋樣的局部自適應(yīng)閾值圖像分割方法，并與其它分割方法在其上的應(yīng)用結(jié)果進(jìn)行對比與分析，確定其優(yōu)缺點(diǎn)后在JAVA EE環(huán)境下成功利用OpenCV開發(fā)實(shí)現(xiàn)，為設(shè)計(jì)開發(fā)基于內(nèi)容的南通藍(lán)印花布圖像檢索系統(tǒng)打下堅(jiān)實(shí)的基礎(chǔ)。

1研究背景

南通藍(lán)印花布于2006年5月經(jīng)國務(wù)院批準(zhǔn)列入第一批國家級非物質(zhì)文化遺產(chǎn)名錄，工藝美術(shù)大師吳元新先生整理收藏明清以來實(shí)物及圖片資料上萬件，為其理論性夯實(shí)了理論基礎(chǔ)。然而利用CBIR的先進(jìn)技術(shù)、理念及手段對南通藍(lán)印花布展開數(shù)字化研究還屬空白。本文對南通藍(lán)印花布大量實(shí)物數(shù)字化采集后進(jìn)行系統(tǒng)地分析、研究，并在JAVA EE環(huán)境下利用機(jī)器視覺庫OpenCV對其數(shù)字化圖像開展多種形狀特征提取的實(shí)驗(yàn)，為開發(fā)實(shí)現(xiàn)一個基于內(nèi)容的南通藍(lán)印花布圖像檢索原型系統(tǒng)及“南通藍(lán)印花布”信息化工作打好基礎(chǔ)。

2圖像的形狀特征的提取及其相關(guān)技術(shù)

人對形狀的感知不僅僅是一個視網(wǎng)膜的生理反應(yīng)結(jié)果，而是視網(wǎng)膜的感受與人關(guān)于現(xiàn)實(shí)世界的知識這二者之間綜合的結(jié)果。因此，圖像的形狀特征不僅是圖像的重要特征之一，更是包含語義信息在內(nèi)的重要特征。圖像的形狀特征主要有兩種表示方法：輪廓特征和區(qū)域特征。

2.1 圖像的形狀特征

物體和區(qū)域的形狀是圖像內(nèi)容表達(dá)和圖像檢索中的另一重要的特征。提取形狀特征對物體形狀易于識別的圖像較為適合。[4]形狀特征的表示包括輪廓特征表示法和區(qū)域特征表示法兩種方法；前者只利用形狀的外圍邊界，而后者則用的是整個形狀區(qū)域。[2]輪廓特征表示法適用于圖像的邊緣清楚、輪廓清晰、容易提取的圖像。區(qū)域特征表示法則是通過利用圖像區(qū)域內(nèi)的灰度分布信息來提取圖像中感興趣區(qū)域的特征。[6]

2.2 圖像的分割

本質(zhì)上，圖像只是圖像內(nèi)容的載體。圖像的內(nèi)容遠(yuǎn)比圖像重要，但沒有圖像就看不到圖像所承載的內(nèi)容。正如我們對照片里的內(nèi)容感興趣，而不是對照片本身感興趣一樣。因此，形狀特征的表達(dá)是以對圖像中物體或區(qū)域的分割為基礎(chǔ)的。[1]當(dāng)前的技術(shù)無法做到準(zhǔn)確而魯棒的自動圖像分割。根據(jù)使用知識的特點(diǎn)與層次，可將圖像分割分為數(shù)據(jù)驅(qū)動與模型驅(qū)動兩大類。其中數(shù)據(jù)驅(qū)動分割直接對當(dāng)前圖像數(shù)據(jù)進(jìn)行操作，雖然也可使用有關(guān)先驗(yàn)知識，但不依賴于知識；模型驅(qū)動分割則直接建立在先驗(yàn)知識的基礎(chǔ)上。[2]

2.2.1 基于模型驅(qū)動的圖像分割法

常見的模型驅(qū)動分割包括基于可變形模板的圖像分割、基于統(tǒng)計(jì)形狀模型的圖像分割等，其中基于可變形模板的圖像分割是基于彈性力學(xué)的方法。而基于統(tǒng)計(jì)形狀模型的圖像分割是一種以目標(biāo)物體的輪廓為訓(xùn)練樣本構(gòu)造模型的方法。本文主要以基于數(shù)據(jù)驅(qū)動的圖像分割法為主。

2.2.2 基于數(shù)據(jù)驅(qū)動的圖像分割法

常見的數(shù)據(jù)驅(qū)動分割包括基于邊緣檢測的分割、基于區(qū)域的分割、邊緣與區(qū)域相結(jié)合的分割等。其中基于邊緣檢測的圖像分割其基本思想是先檢測圖像中的邊緣點(diǎn)，再按一定策略連接成輪廓，從而構(gòu)成分割區(qū)域，其難點(diǎn)在于邊緣檢測時抗噪性和檢測精度之間矛盾的處理?；趨^(qū)域的分割是根據(jù)圖像數(shù)據(jù)的特征將圖像空間劃分為不同的區(qū)域，常用的方法有閾值法、區(qū)域生長法、聚類法、松弛法等。其中閾值法通過設(shè)定不同的特征閾值，將像素點(diǎn)分為若干類從而達(dá)到分割的目的，其難點(diǎn)在于閾值的設(shè)定。對傳統(tǒng)閾值法的改進(jìn)包括局部閾值、模糊閾值、隨機(jī)閾值等方法。針對南通藍(lán)印花布的特點(diǎn)，本文采用改進(jìn)的局部自適應(yīng)閾值法對其進(jìn)行圖像分割，并與采用基于邊緣檢測法分割圖像所產(chǎn)生不同結(jié)果進(jìn)行比對研究，討論分析局部自適應(yīng)閾值法對藍(lán)印花布圖像的分割的優(yōu)缺點(diǎn)。

3局部自適應(yīng)閾值在南通藍(lán)印花布圖像分割上的應(yīng)用

分析研究表明藍(lán)印花布的藍(lán)色和白色亮度變化明顯，每個像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來決定的，亮度較高的圖像區(qū)域的二值化閾值較高，而亮度較低的圖像區(qū)域的二值化閾值則會相適應(yīng)地變小。因此，不同亮度、對比度、紋樣的局部圖像區(qū)域擁有相對應(yīng)的局部二值化閾值。由此，針對藍(lán)印花布的局部鄰域塊均值自適應(yīng)閾值，將用來計(jì)算閾值的象素鄰域大小設(shè)為足夠小后即可實(shí)現(xiàn)的藍(lán)印花布圖案紋樣的邊緣檢測。

3.1 南通藍(lán)印花布的圖像預(yù)處理

本文中圖像預(yù)處理以下幾部分：圖案紋樣的灰度化處理、圖案紋樣的濾波去噪處理和圖案紋樣的歸一化處理。圖案紋樣的灰度化處理將加權(quán)值法與最大值法相結(jié)合，針對藍(lán)印花布只有藍(lán)色和白色兩種顏色且藍(lán)色所占比重大于白色的特點(diǎn)，經(jīng)大量試驗(yàn)確定采用如下公式：

Gray(i,j)=0.61＊B(i,j)＋0.22*G(i,j)+0.17*R(i,j)

其中Gray(i,j)為(i,j)點(diǎn)上的灰度值。

另外，采用數(shù)碼相機(jī)對南通藍(lán)印花布進(jìn)行數(shù)字圖像采集后的圖像包含大量噪聲，如布匹本身的經(jīng)緯線、長時間存放而產(chǎn)生的磨損等，大量實(shí)踐表明針對此類噪聲，中值濾波的去噪效果較為明顯。

最后，為了方便藍(lán)印花布的特征比較，必須對其進(jìn)行歸一化處理。格式轉(zhuǎn)換采用工具軟件提前處理，并將圖像縮放為一個統(tǒng)一尺寸。另外，針對在實(shí)際應(yīng)用過程中藍(lán)印花布的藍(lán)色和白色沒有統(tǒng)一的數(shù)字化標(biāo)準(zhǔn)的實(shí)際情況，提出南通藍(lán)印花布數(shù)字圖案紋樣中的藍(lán)色RGB值{29,33,70}、白色RGB值{251,255,255}作為南通藍(lán)印花布顏色標(biāo)準(zhǔn)，以此避免藍(lán)印花布藍(lán)色、白色深淺不一的缺點(diǎn)。

3.2 JAVA EE框架下OpenCV環(huán)境的搭建及相關(guān)技術(shù)

OpenCV是Intel開源計(jì)算機(jī)視覺庫，實(shí)現(xiàn)了圖像處理和計(jì)算機(jī)視覺方面的很多通用算法。其最新的OpenCV2.4.4版本提供支持JAVA的API，使JAVA可以方便地使用OpenCV庫。[7]利用OpenCV的最新版本，將JAVA EE與OpenCV有機(jī)地結(jié)合在一起，在滿足基于內(nèi)容的圖像檢索系統(tǒng)要求使用數(shù)據(jù)庫對圖像數(shù)據(jù)進(jìn)行管理的同時，還提供了處理數(shù)據(jù)庫中的圖像信息的要求；因此，本文在Ubuntu Linux操作系統(tǒng)下，使用Easy Eclipse軟件搭建JAVA EE環(huán)境，并在系統(tǒng)中安裝調(diào)試相關(guān)OpenCV語句，完成JAVA EE框架下OpenCV環(huán)境的搭建。

3.3 局部自適應(yīng)閾值圖像分割法在南通藍(lán)印花布圖像上的應(yīng)用

藍(lán)印花布圖案紋樣經(jīng)過圖像預(yù)處理后，選擇OpenCV庫的AdaptiveThreshold（）函數(shù)對樣圖處理。通過大量實(shí)驗(yàn)表明：將AdaptiveThreshold（）函數(shù)用來計(jì)算閾值的象素鄰域大小參數(shù)block_size設(shè)置足夠小，如: 3, 5, 7, ...時，閾值的“自適應(yīng)程度”非常高，其結(jié)果表現(xiàn)為圖像的邊緣檢測的效果[8]。實(shí)驗(yàn)中隨機(jī)取藍(lán)印花布圖像，設(shè)計(jì)block_size值為3，則處理效果如圖1所示：

3.4 邊緣檢測分割方法在南通藍(lán)印花布圖像上的應(yīng)用

邊緣檢測的圖像分割方法有Canny等，資料表明，[10]Roberts算子檢測具有陡峭的灰度及低噪聲圖像的邊緣效果較好，但對強(qiáng)噪聲敏感；Sobel算子對灰度漸變與噪聲不多的圖像處理效果較好，但檢測出的邊緣較粗糙，且抗噪性不強(qiáng)；Prewitt算子檢測的邊緣可能大于2個像素，去噪的同時易平滑掉一些邊緣信息；LOG算子邊緣連續(xù)性好,定位較為準(zhǔn)確，能夠提取到灰度對比度較弱的圖像邊緣。綜合考慮，本文采用Canny邊緣檢測的分割方法對南通藍(lán)印花布圖像進(jìn)行圖像的分割，為得到比較準(zhǔn)確的邊緣，先對樣本圖像進(jìn)行二值化處理后通過Opencv函數(shù)庫的Canny函數(shù)進(jìn)行邊緣檢測。分割出藍(lán)印花布圖像如圖2所示：

5結(jié)論

首先，對比采用AdaptiveThreshold（）函數(shù)實(shí)現(xiàn)局部自適應(yīng)閾值分割的結(jié)果與邊緣檢測分割的結(jié)果，可發(fā)現(xiàn)局部自適應(yīng)閾值分割藍(lán)印花布圖像結(jié)果清晰，線條連貫且計(jì)算速度快；而邊緣檢測分割藍(lán)印花布圖像受算子影響較大，運(yùn)行較為復(fù)雜，需隨時調(diào)整算子大小以達(dá)到較好效果。另外，通過觀察可發(fā)現(xiàn)，局部自適應(yīng)閾值對圖像噪聲不敏感，而Canny邊緣檢測分割法對噪聲較為敏感。

其次，通過對大量藍(lán)印花布數(shù)字圖像的實(shí)驗(yàn)，采用加權(quán)值法與最大值法相結(jié)合的方法進(jìn)行圖像預(yù)處理，不但突出藍(lán)印花布的藍(lán)色主顏色，還有效地降低計(jì)算量，大大提高了效率。

最后，大量的實(shí)驗(yàn)結(jié)果表明，在JAVA EE環(huán)境下結(jié)合OpenCV機(jī)器視覺庫實(shí)現(xiàn)南通藍(lán)印花布圖像分割，不但技術(shù)上可靠，而且系統(tǒng)運(yùn)行穩(wěn)定，處理圖像速度快，完全滿足開發(fā)要求。

因此，在南通藍(lán)印花布圖像紋樣的數(shù)字化研究中采用局部自適應(yīng)閾值分割藍(lán)印花布圖像紋樣，不但具有效率上的明顯優(yōu)勢，還可以明顯降低噪聲對形狀的影響。同時，在JAVA EE環(huán)境下結(jié)合OpenCV實(shí)現(xiàn)該算法，可靠易行，完全滿足開發(fā)的要求。

[參考文獻(xiàn)]

[1]翟劍鋒.基于多特征的圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].北京：北京郵電大學(xué):2010:7-11.

[2]Mori G.,Belongie S.,Malik J.,Shape contexts enable efficient retrieval of similar shapes [J].Porceedings ofthe 2001 IEEE computer Society Conference on Computer Vision and Patten Recognition,2001,1:723-730.

[3]袁杰.基于內(nèi)容的綜合多特征圖像檢索方法研究[D].杭州：浙江師范大學(xué):2009:17-33.

[4]孟繁杰,郭寶龍.CBIR關(guān)鍵技術(shù)研究[j]計(jì)算機(jī)應(yīng)用與研究.2004:21-27.

[5]李明俐.基于顏色與形狀特征的圖像檢索技術(shù)研究及系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].西安：西北大學(xué).2010:15-42.

[6]董衛(wèi)軍,周明全,耿國華.基于紋理和形狀特征的圖像檢索技術(shù)[J].計(jì)算機(jī)工程應(yīng)用,2004(24).

[7]http://www.opencv.org.cn/.

[8]http://blog.163.com/yx_xie2007/blog/static/10246425320108303565114/.

[9]王鄭耀.數(shù)字圖像的邊緣檢測.[D] 西安:西安交通大學(xué),2003.