王告 俞申亮 巨志勇

摘 要：針對傳統(tǒng)Grabcut分割方法難以很好處理圖像陰影部分及分割時間過長的問題，提出結(jié)合K-means聚類算法與Grabcut函數(shù)的方法改善以上問題。該方法通過直方圖均衡化實現(xiàn)圖像增強，然后利用K-means算法以二分類的形式對像素進行聚類，利用形態(tài)學處理填充孔洞，自動獲取目標物體輪廓后，結(jié)合Grabcut算法實現(xiàn)圖像二次分割，最后利用顏色判定改善圖像陰影部分。實驗結(jié)果表明，該方法可實現(xiàn)圖像自動分割、節(jié)省大量時間，而且對陰影部分圖像處理有明顯改善，具有較高的準確性和高效性。

關(guān)鍵詞：K-means聚類算法;Grabcut函數(shù);圖像分割;直方圖均衡化;顏色判定

DOI：10. 11907/rjdk. 182491

中圖分類號：TP317.4文獻標識碼：A文章編號：1672-7800（2019）006-0171-05

Abstract：The traditional Grabcut segmentation method is unable to deal with some shadows and the segmentation time is too long. Aiming at these problems， the paper puts forward the combination of K means clustering algorithm and Grabcut function. The method realizes image enhancement by histogram equalization， then it uses the K-means algorithm to cluster the pixels in the form of two classifications， fills the holes with morphological processing， automatically obtains the contour of the target object， and combines Grabcut algorithm to realize image quadratic segmentation. Finally， color determination is used to improve the shadow portion of the image. Experimental results show that this method can automatically segment images and save a lot of time. It also improves the shadow images significantly and has high accuracy and efficiency.

Key Words： K-means clustering algorithm; Grabcut functions; image segmentation; histogram equalization;color judgement

0 引言

作為目標識別的基礎(chǔ)，圖像分割是計算機視覺領(lǐng)域一個基礎(chǔ)、重要的環(huán)節(jié)。分割效果對于后續(xù)特征提取及分類識別有很大影響。因此提高分割精度和效率具有十分重要的意義。

圖像分割方法眾多，其中K-means算法、分水嶺算法和Grabcut算法應用比較廣泛。2004年，Blake等[1]使用高斯混合模型對圖像前景和背景進行建模，利用圖像顏色信息實現(xiàn)彩色圖像分割。Rother等[2]提出Grabcut算法，利用彩色圖像的高斯混合模型描述前景和背景像素分布，對像素的3個通道分別使用GMM建模，再利用迭代的方法實現(xiàn)圖能量函數(shù)最小化，最后通過非完全標號降低交互過程工作量。該方法能以較高精度對圖像進行分割，且具有良好的人機交互效果。但Grabcut算法對初始值要求比較敏感，難以滿足大工程量的要求，且如果框取的圖像是非凸多邊形，該算法會額外選擇更多背景信息，雖然通過多次迭代可消除多余背景，但給算法帶來額外開銷，分割效率低。Anderson Rocha[3]利用K-means提取HSV顏色空間圖像背景，實現(xiàn)了良好的分割效果。

綜上所述，本文采用K-means算法對圖像進行預分割[5]，以二分類形式將未知圖像像素分為兩類，使這兩類像素差別明顯，提高Grabcut分割效率;然后利用形態(tài)學處理細化圖像，消除孔洞的同時保留物體邊緣輪廓，在此基礎(chǔ)上根據(jù)目標物體輪廓自動繪制外接矩形，利用Grabcut算法對矩形里面的物體進行處理;最后利用顏色判定并改善有陰影的圖片。相較于傳統(tǒng)半人工式Grabcut函數(shù)，該方法可實現(xiàn)圖像自動分割，從而具有極大便利性，且可以改善分割過程中的陰影問題。

1 樣本數(shù)據(jù)獲取與處理

為證明該算法能適應更多的環(huán)境、獲取更有代表性的圖片，本文通過手機拍攝和網(wǎng)上下載獲取數(shù)據(jù)集。為使其類別多樣化，本次實驗對象有果蔬、藥盒、樹葉等6個品種，其中每種類別又繼續(xù)劃分多個種類，每個品種100張圖片，總計600張圖片。對所有圖片裁剪成行為100個像素，寬為固定比例的圖片，這樣既不會造成失真，又可大幅減少系統(tǒng)運算量、更快獲得結(jié)果。為增加環(huán)境復雜度，拍攝時采用亮光和暗光兩種環(huán)境，用替換及改變樣本元素個數(shù)布置物品背景，且拍攝時選擇帶一部分陰影圖片進行實驗。

1.1 圖像增強

幾種常見圖像增強效果如圖1所示。本次數(shù)據(jù)包含在暗光下的場景，拍攝出來的目標特征難以被機器有效識別，為此使用圖像增強突出目標物體特征，圖像增強方法一般包括直方圖均衡化[4]、拉普拉斯算子、基于對數(shù)Log變換的圖像增強、基于伽馬變換的圖像增強。

根據(jù)表2中的數(shù)據(jù)可以看出直方圖均衡化對于像素值為0和255的結(jié)果不變。像素值大的圖片映射后像素值也比較大，即較亮的區(qū)域依然很亮，較暗的區(qū)域仍然很暗，只是對比度增加了，而且對于其它像素的增強強度沒有過于強烈，不會對目標造成嚴重失真。根據(jù)圖2顏色空間直方圖，可以明顯看到番茄中紅色像素增強的幅度最大，加大了與周圍顏色的對比度。因此選用該方法對于拍攝比較暗而且背景是白色或黑色的圖片可以很好地對目標物體進行增強。

1.2 彩色空間轉(zhuǎn)換

在彩色圖像處理過程中，不同顏色模型會影響算法執(zhí)行效果。因此使用K-means進行聚類時，選取常見的RGB、LAB、HSV 3種顏色模型作為對比[6]。

在RGB顏色空間中，R、G、B表示三基色，世界上所有顏色均由這3種分量組合而成。改變?nèi)我庖粋€分量都會影響最終結(jié)果的值，但是該體制并不適應人體視覺特點，而且RGB圖像中的亮度信息和色度信息沒有被很好地分離，因此不能很好提取圖像輪廓。Lab顏色空間由L（亮度）、a（色度）和b（色度）3個分量組成[7]。L取值從0～100逐漸由黑變白;a和b 的值域都是-128～+127，其中a值從小到大的變化是指從綠色變?yōu)榧t色，b值從小到大的變化是從藍色變?yōu)辄S色。RGB顏色空間轉(zhuǎn)換成CIELAB 顏色空間具體轉(zhuǎn)換表達式為[8]：

根據(jù)效果圖可以看出，若是以二分類的形式進行聚類，在HSV下的聚類效果更佳，因此選擇HSV顏色空間進行實驗操作[11]。

1.3 顏色判定

顏色判定主要針對有陰影的圖片進行處理，因為圖片中的陰影部分主要集中在目標物體周圍，因此對某一類圖片設定一個閾值，然后將超出像素閾值的區(qū)域改變成與背景顏色相同的值，本次分割圖片采用的背景均為黑色，因此將超出閾值的像素賦值為0，通過實驗確定陰影部分像素值范圍，設置閾值參數(shù)，將超出參數(shù)的像素值劃分為背景。以帶陰影的橘子圖片作為實驗對象，讀取一張圖片經(jīng)過分割后陰影部分像素值，然后利用顏色判定消除陰影部分像素，具體判別公式為：

[d（i，j，u）=0，0，0 ?if ?ia and ja and uai，j，u ? if ?ib and j>b and u>b] （3）

其中a表示經(jīng)過實驗得出的閾值，b設定一個大概數(shù)值240。通過b可將圖片邊緣進行很好的保留，避免過度分割邊緣。本次設計的背景為黑色，像素值為（0，0，0），實驗測出陰影部分的顏色一般接近于白色，但不是接近純白，其像素值大于除白色之外任意單一顏色，因此不改變小于該顏色值的像素值狀態(tài)，將大于該像素值轉(zhuǎn)化成背景，繼續(xù)保留目標接近于純白的邊緣。經(jīng)過顏色判定可以很好地改善一些欠分割的圖片。效果如圖4所示，可發(fā)現(xiàn)除了目標邊緣之外，中間的陰影利用顏色判定可以被明顯改善，而邊緣部分則是因為閾值b的限定也可以被較完整地保留下來[12]。

2 算法

2.1 K-means算法

其中a和z的取值范圍為1-n，表示由圖像像素組成的數(shù)組和為像素對應的不透明度數(shù)組，只能取值0和1。k一般取值為5個，即與像素對應的前景或背景的高斯混合模型各5個高斯組件數(shù)組。吉布斯函數(shù)不僅反映像素對于前景、背景的符合程度，還是判斷一幅圖像相鄰像素之間相似程度的標準。p表示高斯概率分布，如果像素被賦予了一個更加接近真實的標簽，結(jié)果會使總能量函數(shù)減小，當吉布斯能量達到最小時，可以將圖像分割問題轉(zhuǎn)化為二元劃分問題，用最大流最小割算法計算最優(yōu)分割結(jié)果[18]。

3 圖像分割方法

本節(jié)綜合K-means聚類算法與Grabcut函數(shù)分割方法，提出基于K-means聚類與Grabcut函數(shù)相結(jié)合的圖像分割方法，步驟如下：

（1）為方便計算、節(jié)省時間，將數(shù)據(jù)集全部不失真地裁剪為長為100、寬為一個固定比例值的圖片。

（2）對于拍攝圖片目標較暗的種類，采用直方圖均衡化對圖像進行增強處理，增加亮度與對比度，以便后續(xù)操作。

（3）將RGB圖像進行顏色空間轉(zhuǎn)換，在HSV顏色空間下利用K-means聚類方法對圖片進行二分類，分類數(shù)目少，因此運行速度更快。

（4）經(jīng)過K-means聚類后的圖片會有一些孔洞影響后續(xù)操作，使用形態(tài)學處理進行微調(diào)，保留物體邊緣輪廓。

（5）根據(jù)輪廓圖自動獲取目標外接矩形，獲取矩形4個角點坐標并計算外接矩形框長和寬。

（6）將獲取到的位置信息用于Grabcut算法初始化，并在Grabcut初始化建模中引入顏色判定，進行參數(shù)迭代和判定，從而得到分割圖像。

各個步驟具體效果如圖5所示。

為進一步驗證本文提出方法的有效性，利用傳統(tǒng)分割方法和本文采用設計的算法進行對比，結(jié)果如圖6所示，分別代表著原圖、Grabcut函數(shù)分割效果圖（迭代次數(shù)為5次）以及本文方法得到的效果對比。表3表示兩種算法處理600張圖片的成功率和時間對比（利用計時器計時）。

為驗證該方法的可行性，采用不帶陰影的圖片、陰影不嚴重的圖片和陰影比較嚴重的圖片等3種圖片得出的效果圖進行對比，并進行兩種算法準確率與時間對比。對于非陰影圖片，兩種處理效果一致，但是傳統(tǒng)Grabcut方法只能人工框出單個圖片前景區(qū)域，若處理大量數(shù)據(jù)，該方法比較繁瑣，而本文方法可以自動實現(xiàn)目標框圖標定，實現(xiàn)自動分割。對于圖6兩個有陰影的圖片，使用Grabcut分割雖然可以去掉一部分陰影，但是對于陰影區(qū)域很大的圖片，即使迭代幾十次還是無法完整分割，而本文提出的方法對傳統(tǒng)Grabcut函數(shù)方法進行改進，不但實現(xiàn)了自動分割，而且可有效改善復雜光照情況下圖像準確分割問題，保留了目標細節(jié)部分，為后續(xù)圖像識別奠定基礎(chǔ)。根據(jù)表3準確率和時間對比可以發(fā)現(xiàn)在準確率相差不大的基礎(chǔ)上，本文提出的方案很好解決了傳統(tǒng)半人工式Grabcut函數(shù)造成的時間過長、效率過低的問題。

4 結(jié)語

本文針對由于傳統(tǒng)方法分割效率過低以及無法有效處理陰影圖片的問題，在現(xiàn)有陰影去除、光線補償和目標分割方法的基礎(chǔ)上，對圖像亮度分量進行增強處理，實現(xiàn)光照補償。若采集到的圖片有噪聲，則利用中值濾波消除噪聲[19] 。根據(jù)圖像特點，采用K均值聚類算法對HSV顏色空間進行聚類，然后結(jié)合Grabcut函數(shù)和顏色判定，改善陰影的同時消除了光照不足的影響，更好地保持了圖像在顏色、紋理和形狀方面的完整度，為下一步分類識別奠定了基礎(chǔ)。本文提出的方法對于背景單一且前景與背景區(qū)別相對明顯的圖片有良好的處理效果和高效的處理速度，很好地解決了傳統(tǒng)Grabcut函數(shù)人工分割圖片造成的繁瑣及陰影問題[20]。但是對于前景與背景區(qū)分不大的圖片，K-means難以很好地進行聚類，影響后續(xù)操作和分割準確性，這也是未來研究需改進的地方。

參考文獻：

[1] BLAKE A，ROTHER C，BROWN M，et al. Interactive image segmentation using an adaptive GMMRF model[C]. European Conference on Computer Vision，2004：428-441.

[2] ROTHER C，KOLMOGOROV V，BLAKE A. Grabcut： interctive foreground extraction using iterated graphcuts[J]. ACM Transactions on Graphics，2004，23（3）：309-314.

[3] ROCHA A，HAUAGGE D C，WAINER J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[4] 趙華夏，禹晶，肖創(chuàng)柏. 基于目的性優(yōu)化及改進直方圖均衡化的夜間彩色圖像增強[J]. 計算機研究與發(fā)展，2015，52（6）：1424-1430.

[5] 尹士暢，喻松林. 基于小波變換和直方圖均衡的紅外圖像增強[J]. 激光與紅外，2013，43（2）：225-228.

[6] 王悅東，薛河儒. 在不同彩色空間的分割效果的比較研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學學報：自然科學版，2008，29（3）：155-157.

[7] 廖周宇. 基于Lab色彩模型的FCM圖像分割研究[J]. 軟件導刊，2017，16（5）：183-185.

[8] 楊林楠，彭琳. 基于？Lab空間和K-Means聚類的葉分分割算法研究[J]. 農(nóng)機化研究，2015（9）：222-226.

[9] 周燕琴，呂緒洋. 基于改進K-均值與分水嶺算法的醫(yī)學圖像分割[J]. 軟件導刊，2016，15（3）：172-174.

[10] 巨志勇，李開亮，毛穎穎. 基于K-means聚類與二次分水嶺的果蔬圖像分割方法[J]. 軟件導刊，2018，17（6）：217-219，223.

[11] 蔡式東，楊芳. 一種基于HSV空間和粗糙集的彩色圖像分割方法[J]. 光電子技術(shù)，2011，31（1）： 5-9.

[12] 章毓晉. 圖像工程圖像處理和分析[M]. 北京：清華大學出版社， 1999.

[13] 蔡秋茹，柳益君，羅燁，等. 基于K-means聚類的電信客戶分群方法[J]. 軟件導刊，2009，8（8）：51-52.

[14] 王千，王成，馮振元，等. K-means聚類算法研究綜述[J].電子設計工程，2012，20（7） ：21-24.

[15] 謝娟英，王艷娥. 最小方差優(yōu)化初始聚類中心的K-means算法[J].計算機工程，2014，40（8）：205-211，223.

[16] 黃玲玲. Grabcut及其改進算法研究[J]. 軟件導刊，2015，14（5）：65-67.

[17] 王鈞銘，高立鑫，趙力. GrabCut彩色圖像分割算法的研究[J]. 電視技術(shù)，2008（6）：15-17.

[18] 周良芬，何建農(nóng). 基于GrabCut改進的圖像分割算法[J]. 計算機應用，2013，33（1）：49-52.

[19] 趙高長，張磊，武風波. 改進的中值濾波算法在圖像去噪中的應用[J]. 應用光學，2011（4）： 678-680.

[20] 陶華偉，趙力，奚吉，等. 基于顏色及紋理特征的果蔬種類識別方法[J]. 農(nóng)業(yè)工程學報，2014，30（16）：305-311.

（責任編輯：江 艷）