唐湘成，黃自力，霍建亮，肖 柯，劉 怡

（西南技術(shù)物理研究所，四川 成都 610041）

基于弱小邊緣剔除的區(qū)域增長改進算法

唐湘成，黃自力，霍建亮，肖 柯，劉 怡

（西南技術(shù)物理研究所，四川 成都 610041）

提出了一種基于弱小邊緣剔除的區(qū)域增長改進算法。該算法引入了兩幅圖像主要結(jié)構(gòu)相似度判別公式，在圖像預處理時，剔除了同一目標中的細小紋理和弱小邊緣，保留了圖像中目標主要結(jié)構(gòu)。仿真實驗表明，該算法能夠避免在區(qū)域增長算法目標分割時，同一個目標被分割為多個小區(qū)域的情況，提高了目標分割和提取的準確性。

區(qū)域增長；弱小邊緣剔除；圖像分割

圖像分割是進行目標識別和圖像理解的基礎，也是計算機視覺技術(shù)中的重要步驟，一直以來得到廣大研究人員的普遍關(guān)注與研究[1]。圖像分割就是把圖像分割為灰度相似的各個區(qū)域，并提取出感興趣目標的技術(shù)和過程。隨著圖像處理技術(shù)的發(fā)展，很多圖像分割的算法被提出，但沒有一種算法能夠解決所有的圖像分割問題。一般來說，圖像分割算法主要分為3類：閾值分割、邊緣檢測、區(qū)域提取。本文主要采用區(qū)域增長算法對圖像進行分割。

區(qū)域增長的基本思想是將具有相似性質(zhì)的像素合并起來形成區(qū)域。該算法需要先選擇種子點，然后在種子點周圍的像素中，按照生長準則進行像素合并，形成灰度相似、像素相鄰的空間區(qū)域。區(qū)域內(nèi)像素的相似性度量常用灰度值、顏色等信息。圖像處理過程主要步驟為：圖像預處理、生長種子點的確定和區(qū)域增長的形成[2]。但是區(qū)域增長算法存在增長閾值不好確定、易受到噪聲影響和過分割等問題。文獻[3]利用圖像直方圖局部峰值作為區(qū)域生長算法的種子點。文獻[4]利用Canny邊緣提取對圖像進行預處理。文獻[5]引入模糊C-均值聚類方法，選取區(qū)域增長算法的種子點。文獻[6]對區(qū)域增長后的區(qū)域進行區(qū)域合并和平滑圖像分割的效果。

1 區(qū)域增長算法

1.1 圖像預處理

區(qū)域增長算法的圖像預處理過程主要有：

1）圖像平滑處理。由于區(qū)域增長算法主要根據(jù)圖像區(qū)域相鄰像素灰度值的相似性進行分割，但是受到圖像噪聲的影響，間斷了目標灰度相似性，造成了圖像過分割。因此，分割之前需要對圖像進行降噪處理，它常用均值濾波器或者高斯低通濾波器，也有使用自適應濾波器。對于濾波窗口N×N內(nèi)的像素，判斷每個像素值是否在窗口內(nèi)的灰度均值 μ和3倍方差σ的范圍內(nèi)，即[μ-3×σ,μ+3×σ]，濾波時只選用該范圍內(nèi)的像素值進行計算。

2）邊緣提取。它常用Canny算法進行邊緣提取，疊加到原圖中，對圖像邊緣進行增強，防止圖像欠分割。

1.2 區(qū)域增長算法介紹

首先，選擇合適的種子點。常用的方法有從圖像的第一個像素開始按行掃描，根據(jù)當前像素點標記情況，如果標記，則處理下一個點，否則作為種子點；或者選取圖像直方圖中的局部極值點作為種子點。

然后，確定生長準則。這里選用于區(qū)域灰度差的生長準則，即兩個像素的灰度差滿足

式中：f（i，j）為種子點灰度值；f（x+i，y+j）為當前處理點灰度值；ε為區(qū)域生長的灰度相似閾值。把當前點加入分割區(qū)域中，同時將該點標記為已處理。該點作為新的種子點，依據(jù)同樣規(guī)則，在鄰域點內(nèi)判斷，直到分割區(qū)域的所有點與周圍鄰域點不滿足式（1）。

最后，對相鄰分割區(qū)域，根據(jù)區(qū)域的平均灰度值和分割面積進行區(qū)域合并，防止圖像過分割。

2 改進區(qū)域增長算法

傳統(tǒng)的圖像預處理算法中均值濾波或者低通濾波去除的不僅僅為弱小邊緣，對圖像強邊緣也有影響，而且根據(jù)圖像不同，濾波參數(shù)也會不同。針對上述問題，引入文獻[7]提出的，兩幅圖像主要邊緣紋理相似度評價模型進行判斷

式中：I為輸入圖像；S為輸出結(jié)果圖像；p為圖像的通道個數(shù)，彩色圖像為3，灰度圖像為1；(Sp-Ip)2為某通道下，處理后圖像與原始圖像的灰度差。

式中：g為高斯濾波函數(shù)；(?xS)q和(?yS)q為圖像兩個方向的梯度圖像；ε為大于0且很小的數(shù)，防止除0；λ為一個固定的系數(shù)。

用式（7）來衡量圖像弱小邊緣，當值越小時圖像邊緣越少[7]。

式中：

式中：vI，vS為圖像向量表示的形式；Cx，Cy為托普利茲矩陣；Ux，Uy，Wx為對角矩陣。式（11）的最小化問題可以轉(zhuǎn)化為線性迭代公式

式中：I為單位矩陣。設

這樣迭代計算，剔除了圖像的弱小邊緣，再進行區(qū)域增長計算，避免同一個目標分割為多個細小區(qū)域。

3 實驗結(jié)果

3.1 圖像預處理結(jié)果

仿真結(jié)果在CPU為Intel Celeron 887，主頻為1.5 GHz，軟件為MATLAB 2012a版本上實現(xiàn)。在高斯函數(shù)參數(shù)σ=3，λ=0.015，迭代次數(shù)N=4下，高斯濾波預處理和本文中預處理結(jié)果對比如圖1和圖2所示。

圖1 圖像1預處理結(jié)果對比圖

圖2 圖像2預處理結(jié)果對比圖

從仿真結(jié)果看，使用相同的高斯參數(shù)情況下，高斯濾波后，存在弱小邊緣紋理，并且圖像主要邊緣也變模糊，而本文預處理算法圖像弱小邊緣紋理被剔除，主要邊緣保留完整，但比高斯濾波處理時間（表1）大大增加。

表1 仿真結(jié)果對比

3.2 局部區(qū)域圖像分割結(jié)果對比

由于區(qū)域生長分割算法為在感興趣區(qū)域設置區(qū)域生長種子點，然后進行分割。這里選取了常用的分割算法基于無邊緣活動輪廓的分割[8]（圖3）、Graph分割[9]（此處列舉了如圖4所示的最鄰近算法和如圖5所示的KNN算法）、Graph Cuts分割[10]（圖6）和高斯預處理后的區(qū)域生長算法（圖7），針對示例圖像1和示例圖像2兩幅示例圖像同本文算法（圖8）進行比較。為了對比不同預處理對區(qū)域增長算法的影響，選用了幾個區(qū)域，并且以區(qū)域中心為種子點，增長準則為灰度差閾值15。

圖3 無邊緣活動輪廓的分割結(jié)果

圖4 Graph分割（采用最鄰近方法）結(jié)果

圖5 Graph分割（采用KNN方法）結(jié)果

圖6 Graph Cuts分割結(jié)果

圖7 高斯預處理后的區(qū)域生長算法

圖8 本文改進的區(qū)域增長算法

表2為不同分割算法的對比結(jié)果，Graph分割（采用最鄰近方法）和Graph分割（采用KNN方法）受到干擾，目標存在過分割現(xiàn)象，提取不準確，基于無邊緣活動輪廓的分割和Graph Cuts分割算法有一定的抗干擾性，對示例圖1目標提取比較準確，但是示例圖2干擾增強，提取目標受到干擾。使用相同的區(qū)域增長參數(shù)情況下，高斯濾波后，區(qū)域增長結(jié)果受到弱小邊緣影響，分割不完整，并且主要邊緣變模糊，可能會增加錯誤區(qū)域。本文預處理后，弱小邊緣剔除完整，并且不會使主要邊緣模糊，區(qū)域增長分割準確。由于區(qū)域增長運算時間與圖像區(qū)域灰度有關(guān)，這兩種預處理方式的區(qū)域增長運算時間相似。

表2 不同分割算法結(jié)果對比

[1]邊肇祺．模式識別[M]．北京：清華大學出版社，1988.

[2]劉軍，齊華.基于邊緣區(qū)域增長法的飛機圖像目標分割研究[J].飛行力學，2008，26（4）：93-96.

[3] 柳佳雯，梁光明.融合色調(diào)統(tǒng)計特征的自適應區(qū)域增長算法[J].計算機應用研究，2012，29（8）：3176-3178.

[4] 馬建林，崔志明.一種新的基于區(qū)域增長的ROI分割算法[J].計算機應用研究，2008，25（5）：1582-1585.

[5]吳濤，畢篤彥.一種基于改進遺傳算法的自適應區(qū)域生長法研究[J].微電子學與計算機，2008，25（4）：90-93.

[6] 李亮，舒寧.基于改進的區(qū)域增長算法的高分辨率影像分割[J].地理空間信息，2010，8（5）：67-69.

[7] LI Xu，QIONG Yan.Structure extraction from texture via relative total variation[J].ACM Trans.Graphics，2012，31（6）：139-149.

[8] TONY F.Active contours without edges[J].IEEE Trans.Image Processing，2001，10（2）：266-277.

[9] PEDRO F.Effcient graph-based image segmentation[J].Interna?tional Journal of Computer Vision，2004，59（2）：167-181.

[10]YURI B，OLGA V，RAMIN Z.Fast approximate energy minimiza?tion via graph cuts[J].IEEE Trans.Pattern Analysis and Ma?chine Intelligence，2001，23（11）：1222-1238.■

Improved Algorithm of Region Growing Based on Weak Edge Reject

TANG Xiangcheng，HUANG Zili，HUO Jianliang，XIAO Ke，LIU Yi
（Southwest Institude of Technical Physics，Chengdu 610041，China）

An improved algorithm of region growing based on weak edge reject is proposed in this paper，which introduces the discriminant formula of similarity about main structure between two images.On the image-processing stage，the small texture and weak edge of the same goal are rejected while the main structure remains there.It is indicated from the simulation experiment that the algorithm has the capability to avoid the possibility that the same goal is divided into several small regions when the goal segmentation through the traditional region-growing algorithm is conducted，thus the veracity of segmentation and extraction can be further enhanced.

region growing；weak edge reject；image segmentation

TP391.41 文獻標志碼：A DOI：10.16280/j.videoe.2015.06.005

【本文獻信息】唐湘成，黃自力，霍建亮，等.基于弱小邊緣剔除的區(qū)域增長改進算法[J].電視技術(shù)，2015，39（6）.

時 雯

2014-07-24