王雷　黃晨雪

摘要：

針對傳統(tǒng)的分層馬爾可夫隨機場（MRF）算法難以描述彩色圖像像素值分布等問題，提出一種基于RGB色彩統(tǒng)計分布的分層MRF分割算法。在分層MRF模型的基礎(chǔ)上，設(shè)定了相關(guān)參數(shù)并對分割過程進(jìn)行了公式推導(dǎo)；結(jié)合RGB色彩統(tǒng)計分布模型，重寫了分層MRF能量函數(shù)，利用kmeans算法作為預(yù)分割算法，實現(xiàn)了算法的無監(jiān)督分割。相比傳統(tǒng)的分層MRF分割模型，該算法充分利用了彩色圖像的像素值的信息，可有效地減少顏色分布參數(shù)和計算成本，能更準(zhǔn)確地描述各分割對象的顏色分布；且該算法不受目標(biāo)和背景顏色區(qū)間分布、目標(biāo)空間分布的限制，能夠很好地描述不同目標(biāo)和背景。通過大量實驗驗證了算法的有效性，其在運算速度、分割精度等方面均優(yōu)于傳統(tǒng)MRF算法和模糊C均值（FCM）算法。

關(guān)鍵詞：

彩色圖像；分層MRF； RGB色彩空間；圖像分割；能量函數(shù)

中圖分類號：

TN919.8

文獻(xiàn)標(biāo)志碼：A

Abstract：

The distribution of color image pixel value is difficult to describe in hierarchical Markov Random Field （MRF） segmentation algorithm， therefore， a hierarchical MRF segmentation algorithm based on RGB color statistic distribution was proposed to solve this problem. The key parameters of the MRF model were set up， and the related formulas were deduced. With the RGB color statistic distribution model， the hierarchical MRF energy function was rewritten， and the kmeans algorithm was used as presegmentation method to realize unsupervised segmentation. The proposed algorithm has fewer color distribution parameters and lower computational cost in comparison with traditional MRF segmentation model， which describes color distribution more accurately； and it can describe different targets and background very well without being restricted by target and background color distribution and target spatial distribution. Experimental results prove the effectiveness of the proposed algorithm， which is superior to the MRF algorithm and Fuzzy CMeans （FCM） algorithm in computing speed and segmentation accuracy.

英文關(guān)鍵詞Key words：

color image； hierarchical Markov Random Field （MRF）； Red， Green and Blue color space； image segmentation； energy function

0引言

光學(xué)圖像處理技術(shù)已經(jīng)廣泛應(yīng)用于機器人、模式識別、機器視覺等領(lǐng)域中。Jabbari等[1]提出了一種基于圖像的視覺伺服算法，用來控制無人飛行器的三維平動和旋翼偏航旋轉(zhuǎn)；Hsiao等[2]對多視覺系統(tǒng)實現(xiàn)分布式移動機器人估計目標(biāo)位置等方面進(jìn)行了研究；其他研究人員在對光學(xué)圖像進(jìn)行處理和識別算法研究中也取得了一些進(jìn)展[3-4] 。

馬爾可夫隨機場（Markov Random Field， MRF）模型由于能夠表達(dá)圖像像素間的空間信息，并根據(jù)這些圖像矩陣的像素值服從的概率分布來進(jìn)行數(shù)學(xué)分割，因此在聲吶圖像等噪聲干擾嚴(yán)重的圖像分割中，最先獲得廣泛應(yīng)用，而且在聲吶圖像分割中取得了較好的分割結(jié)果[5-6]，但是只是在灰度的聲吶圖像上有較好的分割效果。Zhang等[7]提出一種自適應(yīng)MRF模型參數(shù)的算法，對某一類灰度圖像有較好的分割效果，但是對彩色圖像進(jìn)行分割時，需進(jìn)行灰度化處理。褚一平等[8]對分層MRF模型在抗抖動視頻分割上進(jìn)行了研究，相對傳統(tǒng)的灰度圖像分割算法具有一定的分割速度和精度優(yōu)勢，但是難以滿足圖像精確分割的要求。而針對不同的應(yīng)用環(huán)境對MRF模型進(jìn)行改進(jìn)的算法也層出不窮[9-10]，只是針對彩色圖像難以獲得較高的分割精度。

彩色圖像的分割任務(wù)是現(xiàn)階段機器視覺中研究的重要課題與研究熱點。楊華勇等[11]提出了一種結(jié)合多空間特征的多尺度馬爾可夫隨機場彩色圖像分割算法；胡欽瑞等[12]提出了一種基于粗糙集和馬爾可夫隨機場的彩色圖像分割方法，在基于粗糙集分割的基礎(chǔ)上，采用顏色特征和紋理特征建立多特征的自適應(yīng)可變權(quán)重馬爾可夫隨機場分割模型。上述算法均對MRF算法進(jìn)行改進(jìn)，對某些彩色圖像分割獲得了比較好的效果，但是不能實現(xiàn)對一個區(qū)域內(nèi)顏色分布不均目標(biāo)進(jìn)行良好分割。其他研究人員在彩色圖像分割算法研究中也取得了一些進(jìn)展[13-15] 。由于傳統(tǒng)的MRF算法在對圖像像素值分布模型進(jìn)行描述時，往往采用單一的數(shù)學(xué)模型進(jìn)行擬合，這種方法不但帶來了大量的計算成本，而且難以用一個模型描述不同顏色分布、不同背景及不同的分割對象，適應(yīng)性較差。本文中結(jié)合紅綠藍(lán)（Red Green and Blue， RGB）模型，采用一種基于統(tǒng)計的顏色分布描述方法來解決該問題。

1分層MRF模型

分層MRF模型分為完全分層和不完全分層兩種，它們之間的區(qū)別僅在于在頂層。不完全分層MRF模型的節(jié)點沒有條件獨立性，也就是說，每個節(jié)點不僅與父節(jié)點有關(guān)系，而且與相鄰節(jié)點有關(guān)系[5]；而完全分層模型每個節(jié)點僅與父節(jié)點有關(guān)系。為了獲得良好的分割性能，考慮到求解計算困難度，我們選擇了三次不完全分層MRF模型和二階鄰域。若有彩色圖像F，其圖像大小為M×N， f為圖像中s=（m，n）處的一個像素點，其像素值為（x，y，z），將其分割為目標(biāo)區(qū)域S1與背景區(qū)域S2。分割結(jié)果用M×N的標(biāo)記圖像G表示，g為標(biāo)記圖像中對應(yīng)（m，n）處的標(biāo)記結(jié)果。Fl為l層的觀測圖像，Gl為l層的標(biāo)記圖像，由于圖像分為3層，l=（1，2，3）。其中F1為最頂層圖像，F(xiàn)3=F，G3為最終分割結(jié)果。二階MRF模型參數(shù)如圖1所示。

2RGB顏色分布

RGB顏色空間是計算機領(lǐng)域中應(yīng)用最廣泛的顏色系統(tǒng)之一。傳統(tǒng)的MRF分割算法利用數(shù)學(xué)分布模型擬合圖像中的像素值分布，在RGB色彩空間中一個像素點的像素值用三維坐標(biāo)（x，y，z）表示，但用數(shù)學(xué)模型模擬像素值分布針對不同環(huán)境、分割不同對象時，很難表達(dá)，而且解算過程會帶來比較高的計算成本。本文提出基于統(tǒng)計的RGB分布描述模型，根據(jù)圖像中像素點在R、G、B通道分布密度和范圍設(shè)定統(tǒng)計范圍，能夠描述任意顏色區(qū)間的顏色分布。假設(shè)R通道劃分U個色彩段，G通道劃分V個色彩段，B通道劃分W個色彩段， f處的像素值（x，y，z）中，x∈u，y∈v，z∈w，其中u，v，w為R、G、B通道中的一個色彩段，則的隸屬于哪個一個區(qū)域的概率公式如下：

基于RGB顏色分布的分層MRF彩色圖像分割算法的具體步驟為：

1）對最頂層圖像F1利用kmeans算法初始分割，將圖像分割為兩類。采用最小二乘法，根據(jù)式（1）、（2）、（3）利用預(yù)分割結(jié)果估算模型參{β11， β12，…， β18}，對每一個節(jié)點，其顏色分布概率為所有子節(jié)點概率均值Ps（f）=116∑Pchild，利用式（4）、（5）得到顏色分布。利用式（6）、（7）通過后驗?zāi)芰亢瘮?shù)最小重新得到最頂層的分割結(jié)果，采用條件迭代模式（Iterated Conditional Mode， ICM）進(jìn)行迭代，直到得到最頂層最終結(jié)果。

2）利用最頂層分割結(jié)果和中間層與最頂層的映射關(guān)系，獲得中間層初始分割結(jié)果，利用最小二乘法得到初始模型參數(shù){β21，β22，…，β28，β29}，子節(jié)點概率均值Ps（f）=14∑Pchild，通過ICM過程，得到中間層分割結(jié)果。

3）利用中間層分割結(jié)果和中間層與最底層的映射關(guān)系，獲得最底層初始分割結(jié)果，利用最小二乘法得到初始模型參數(shù){β31，β32，…，β38，β39}，通過ICM過程，得到最終結(jié)果。

本文所有實驗圖片均來自Berkeley圖庫，綜合考慮運算速度和算法的準(zhǔn)確度，圖2為采用本文算法對12003號圖像進(jìn)行分割的實驗結(jié)果，其中RGB對三個顏色通道均采間隔16均勻劃分。綜合考慮運算速度和算法的準(zhǔn)確度，對RGB三個顏色通道均采用間隔16的均勻劃分，圖2為采用本算法對圖庫中12003號圖像進(jìn)行分割的實驗結(jié)果。

為了說明分割算法的有效性，本文利用Dice系數(shù)[14]進(jìn)行評價，分割精度系數(shù)越大，說明分割精度越高。圖2的Dice系數(shù)為0.965，擁有比較好的分割結(jié)果精度。采用kappa系數(shù)衡量分割結(jié)果與實際分割類型相一致的概率，0.0～0.20極低的一致性、0.21～0.40表示一般的一致性、0.41～0.60表示中等的一致性、0.61～0.80表示高度的一致性和0.81～1表示幾乎完全一致[11]。表1為各層最終迭代后得到的模型參數(shù)。圖3為最底層目標(biāo)區(qū)顏色統(tǒng)計分布。

3實驗結(jié)果和對比

將本文算法的分割結(jié)果與模糊C均值（Fuzzy CMeans， FCM）算法和傳統(tǒng)的MRF算法分割結(jié)果進(jìn)行比較。實驗環(huán)境為Windows 7，i5四核CPU主頻3.3GHz計算機，采用C#和Emgu CV圖像處理庫進(jìn)行編程。為了說明算法的有效性，分別對不同類型、不同對象的彩色圖像進(jìn)行分割對比。三種算法與本文算法均采用相同的

kmeans預(yù)分割結(jié)果進(jìn)行初始化。由于傳統(tǒng)MRF算法無法直接對彩色圖像進(jìn)行分割，所以將其轉(zhuǎn)化為灰度圖像進(jìn)行處理。采用比例分布模型描述目標(biāo)區(qū)，高斯分布描述背景區(qū)。

圖4、圖6、圖7中圖像分辨率為481×321，圖5的分辨率為321×481。其中圖4采用1107號標(biāo)準(zhǔn)分割進(jìn)行對比，圖5～7采用1103標(biāo)準(zhǔn)分割進(jìn)行對比。從表2中采用的Dice系數(shù)描述分割精度可以看出，不同圖像的兩種分割算法的定量對比能看出，本文算法比傳統(tǒng)的聚類算法精度要高，在所有應(yīng)用環(huán)境下均遠(yuǎn)遠(yuǎn)高于FCM的分割效果。

由于傳統(tǒng)的MRF算法采用單一模型描述目標(biāo)區(qū)或背景區(qū)，在面對不同對象和背景圖像分割時，分割效果較差，且耗時較長。從表2中采用kappa系數(shù)衡量分割結(jié)果與實際分割類型相一致的概率比較中能看出，本文算法均獲得了幾乎完全一致的值，遠(yuǎn)遠(yuǎn)優(yōu)于比較算法；尤其在目標(biāo)區(qū)域包含顏色反差較大、紋理復(fù)雜的情況中，往往能獲得較好的分割效果。從表2中對分割耗時進(jìn)行的定量對比可以看出，本文的分割算法在運算速度上也具備一定優(yōu)勢。

4結(jié)語

在彩色圖像分割中，針對目標(biāo)包含顏色反差較大、紋理復(fù)雜等難以分割的情況，傳統(tǒng)的分割算法難以獲得較好的分割結(jié)果。基于統(tǒng)計的RGB色彩空間模型不受目標(biāo)和背景顏色區(qū)間分布的限制，能夠很好地描述這種目標(biāo)。改進(jìn)算法重寫了分層MRF算法的能量函數(shù)，使得該算法在分割準(zhǔn)確性、適應(yīng)性及快速性上均有提高。通過該算法和其他算法進(jìn)行比較，實驗結(jié)果表明，針對不同特征的彩色圖像，本文算法在較小的時間代價下獲得了理想的分割結(jié)果。在后續(xù)研究中，可以對其他色彩空間、初始化算法及其他方面進(jìn)行改進(jìn)，以進(jìn)一步提高分割效果。

參考文獻(xiàn)：

[1]

JABBARI A H， ORIOLO G， BOLANDI H. An adaptive scheme for imagebased visual servoing of an underactuated UAV [J]. International Journal of Robotics and Automation， 2014， 29（1）： 92-104.

[2]

DU B， ZHANG L. Randomselectionbased anomaly detector for hyperspectral imagery [J]. IEEE Transactions on Geoscience and Remote Sensing， 2011， 49（5）： 1578-1589.

[3]

HSIAO J P， YEH S S， HSU P L， Target position estimation using multivision system implemented on distributed mobile robots [J]. International Journal of Robotics and Automation， 2013， 28（2）： 154-169.

[4]

SHI Q， DU B， ZHANG L， Spatial coherence based batchmode active learning for remote sensing images classification [J]. IEEE Transactions on Image Processing， 2015， 24（7）：2037-2050.

[5]

GAETANO R， POGGI G， SCARPA G. Hierarchical MRFbased segmentation of remotesensing images [C]// ICIP 2006： Proceedings of the 2006 International Conference on Image Processing. Piscataway， NJ： IEEE， 2006： 1121-1124.

[6]

MIGNOTTE M， COLLET C， PEREZ P. Sonar image segmentation using an unsupervised hierarchical MRF model [J]. IEEE Transactions on Image Processing， 2000， 9（7）：1216-1231.

[7]

ZHANG X L， LAM K M， SHEN L. Image magnification based on adaptive MRF model parameter estimation [C]// ISPCS 2005： Proceedings of the 2005 International Symposium on Intelligent Signal Processing and Communication Systems. Piscataway， NJ： IEEE， 2005： 653-656.

[8]

褚一平，葉修梓，張引，等.基于分層MRF模型的抗抖動視頻分割算法[J].浙江大學(xué)學(xué)報（工學(xué)版），2007，41（11）：1793-1796.（CHU Y P， YE X Z， ZHANG Y， et al. Vibrationresisted video segmentation algorithm based on hierarchical Markov random field model[J]. Journal of Zhejiang University （Engineering Science）， 2007， 41（11）： 1793-1796.）

[9]

鄭晨，王雷光，胡亦鈞，等.利用小波域多尺度模糊MRF 模型進(jìn)行紋理分割[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2010，35（9）：1074-1078.（ZHENG C， WANG L G， HU Y J， et al. Texture segmentation based on multiscale fuzzy Markov random field model in wavelet domain[J]. Geomatics and Information Science of Wuhan University， 2010， 35（9）： 1074-1078.）

[10]

王興梅.水下聲納圖像的MRF目標(biāo)檢測與水平集的輪廓提取方法研究[D].哈爾濱：哈爾濱工程大學(xué)，2010：46-48.（WANG X M. Research on underwater sonar image objects detection and contours extraction based respectively on MRF and level set [D]. Harbin： Harbin Engineering University， 2010： 46-48.）

[11]

楊華勇，余正紅，鄭晨.結(jié)合多空間特征的多尺度馬爾可夫隨機場彩色圖像分割[J].計算機應(yīng)用，2011，31（12）：3378-3381.（YANG H Y， YU Z H， ZHENG C. Color image segmentation of multiresolutin Markov random field in combination with multispace characteristics[J]. Journal of Computer Applications， 2011， 31（12）：3378-3381.）

[12]

胡欽瑞，肖國強.基于粗糙集和MRF的彩色圖像分割方法[J].西南師范大學(xué)學(xué)報（自然科學(xué)版），2014，39（4）：113-118.（HU Q R， XIAO G Q. On color image segmentation based on rough set and MRF [J]. Journal of Southwest China Normal University （Natural Science Edition）， 2014， 39（4）：113-118.）

[13]

趙瑤池，胡祝華，白勇，等.基于紋理差異度引導(dǎo)的DRLSE 病蟲害圖像精準(zhǔn)分割方法[J].農(nóng)業(yè)機械學(xué)報，2015，46（2）：14-19.（ZHAO Y C， HU Z H， BAI Y， et al. An accurate segmentation approach for disease and pest based on texture difference guided DRLSE [J]. Transaction of the Chinese Society for Agricultural Machinery， 2015， 46（2）： 14-19.）

[14]

VANTARAM S R， SABER E. Survey of contemporary trends in color image segmentation [J]. Journal of Electronic Imaging， 2012， 21（4）：177-187.

[15]

魏小莉，沈未名.一種基于馬爾可夫隨機場模型的彩色紋理圖像分割[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2014，38（8）：955-958. （WEI X L， SHEN W M. GaborMRF model based on color texture image segmentation [J]. Geomatics and Information Science of Wuhan University， 2014， 38（8）： 955-958.）