趙希 于雙元

摘 要：為了改善傳統(tǒng)基于聚類的圖像分割算法對噪聲敏感以及僅使用單一特征無法精確描述目標特性等問題，提出了一種基于區(qū)域的多特征圖像分割算法。首先，使用Meanshift算法對原圖像進行預分割，獲得一組區(qū)域塊;其次，提取每個區(qū)域塊的顏色特征和紋理特征，使用FCM算法分別對每個特征進行聚類，針對每個特征獲得一個類標簽鄰接矩陣;再次，將多個鄰接矩陣疊加，形成多特征鄰接矩陣;最后，使用NCUT算法對疊加鄰接矩陣進行聚類，獲得最終分割圖像。實驗結(jié)果表明，基于區(qū)域多特征的分割算法優(yōu)于對比算法，融合多特征對圖像分割可以更準確地識別不同的目標結(jié)構，具有更好的分割效果。

關鍵詞：圖像分割;特征聚類;NCUT算法;鄰接矩陣

DOI：10. 11907/rjdk. 191946 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP317.4 文獻標識碼：A 文章編號：1672-7800（2020）005-0221-04

0 引言

圖像分割在圖像處理及計算機視覺中占有非常重要的地位，其為后續(xù)相關處理提供了重要信息。該類技術使用顏色、紋理及空間關系等特征將圖像劃分為多個具有獨立意義的區(qū)域，使得區(qū)域內(nèi)部像素具有較大相似性，不同區(qū)域內(nèi)的像素具有較大相異性。圖像分割技術在遙感影像處理[1]、醫(yī)學圖像處理[2]、人臉檢測等領域的應用較為成功。

1 相關工作

近年來，大量的圖像分割算法被提出。以閾值分割、區(qū)域分割、邊緣分割以及能量函數(shù)分割等為代表的傳統(tǒng)分割算法已經(jīng)被廣泛研究[3]。隨著機器學習研究的逐步深入，基于機器學習的分割算法也備受關注。在該類算法中，基于聚類的分割算法因其不需要過多的人工干預而受到青睞。常用聚類算法包括Kmeans算法、Fuzzy C-Means算法[4]（FCM）及NCUT算法[5-6]，都已經(jīng)成功地應用于圖像分割中。但該類算法的局限性在于其沒有考慮像素間的空間關系，使得分割結(jié)果帶有大量噪聲。解決該問題常采用兩種策略：一是將圖像空間信息加入聚類模型;二是先將圖像預分割成多個小區(qū)域，再對小區(qū)域進行聚類合并。對于第一種策略，Ahmed[7]提出了FCM-S算法，通過將像素周圍的空間信息加入到傳統(tǒng)聚類模型中，可以有效減少分割結(jié)果中的噪聲點;Chen&zhang[8]提出了兩個改進算法FCM_S1和FCM_S2以降低FCM_S的時間復雜度。然而，該類算法需要調(diào)節(jié)參數(shù)平衡聚類模型和空間模型之間的權重?；诖?，Zhong[9]提出了一種基于自調(diào)節(jié)平衡參數(shù)的算法AFCM_S1，該算法通過加入熵信息自動計算該參數(shù)。對于第二種策略，其不僅可以保證圖像的空間信息，還可以通過縮小問題規(guī)模降低算法時間復雜度;Makroginanis[10]使用分水嶺算法來獲得該預分割塊[11];Tao[12]使用Meanshift算法獲得該預分割圖像[13];Hettiarachchi 使用Dirichlet tessellation獲得Voronoi塊[14]。

特征提取是圖像分割的重要部分，現(xiàn)有圖像分割算法大都基于單一特征而設計，其中以顏色特征應用最為廣泛。然而圖像中包含很多信息，僅使用顏色特征不能完全表示圖像特性，特別是當不同的目標具有相同顏色或者單一目標具用不同顏色時，分割結(jié)果不甚理想。因此，融合多種特征的圖像分割算法是未來研究的主要方向。雖然部分研究者設計了基于多種該特征的圖像分割算法，但大多數(shù)算法都是僅僅將多種特征作簡單疊加[15]。鑒于此，本文提出一種基于譜聚類和融合分塊多特征的圖像分割算法。首先，使用Meanshift對原始圖像作預分割，獲得一組規(guī)模較小的圖像塊，該操作既可以保持圖像局部區(qū)域的整體性，又可以降低算法時間復雜度;其次，提取每個圖像塊的特征，主要提取像素的RGB顏色信息、HSV顏色信息、Gabor紋理信息[16]和離散余弦紋理（DCT）[17]信息作為像素特征;再次，分別基于每一維特征進行聚類，可獲得4個聚類結(jié)果，針對4種聚類結(jié)果建立4個類標簽鄰接矩陣，將4個矩陣進行疊加;最后，使用NCUT算法對疊加矩陣進行分割，獲得最終分割結(jié)果。

2 算法設計

2.1 圖像預分割

本節(jié)將原始圖像預分割為多個過分割區(qū)域。該過程不僅能保留圖像的局部空間信息，還能夠通過縮小問題規(guī)模以降低算法時間復雜度。許多超像素分割算法都可以實現(xiàn)該操作，常用的超像素分割算法包括Meanshift算法、分水嶺算法、LSC算法[18]以及SLIC算法[19]等。本文使用Meanshift算法實現(xiàn)該操作。Meanshift算法是一種非監(jiān)督聚類算法，在1975年由Fukunaga提出。由于其快速收斂和不需要人工干預，在圖像處理和目標識別中獲得了廣泛應用。它是一種爬山算法，通過計算最大概率密度獲取目標位置。給定[n]個采樣點[X={x1，？，xn}]，Meanshift向量可通過式（1）獲得。

給定一副圖像I，使用Meanshift算法將其劃分為一系列不重疊的超像素區(qū)域[{R1，？，Rr}]，其中r表示超像素區(qū)域數(shù)目，通過提取每個超像素區(qū)域特征對其進行聚類。

2.2 特征提取

特征提取是圖像分割中非常重要的部分，顏色特征含有大量信息。但在很多圖像中，僅使用顏色信息發(fā)現(xiàn)某些特定結(jié)構是不夠的。因此，本文同時考慮顏色和紋理特征，設計基于多特征的圖像分割算法。

2.2.1 RGB顏色特征

對于每一個像素[p，p∈I]。可以獲得其RGB顏色特征為[pRGB={pr，pg，pb}]。針對每一塊超像素區(qū)域[Ri]，[i∈{1，？，r}]，其平均RGB顏色值計算如式（3）所示。

2.2.2 HSV顏色特征

RGB顏色空間是為了更好地顯示圖像而設計，為了更直觀呈現(xiàn)，使用HSV顏色特征作為第二個特征。首先將像素從RGB空間轉(zhuǎn)換到HSV空間，然后計算每個像素的HSV顏色特征[pHSV={pH，pS，pV}]。針對每一塊超像素區(qū)域[Ri]，[i∈{1，？，r}]，其平均HSV顏色值計算如式（4）所示。

2.2.3 Gabor紋理特征

紋理特征可以有效地檢測到規(guī)律結(jié)構的目標。使用Gabor小波[16]獲取圖像的Gabor紋理特征，小波函數(shù)如式（5）所示。

2.3 鄰接矩陣構建

通過提取特征，對每個區(qū)域獲得4種特征，分別為[RRGBi]、[RHSVi]、[Rgabori]和[Rdcti]，i=1，…，r。由于每個特征含有不同的量綱，直接融合在一起會導致值域較大的特征占有較大比重?；诖?，分別使用4種特征進行聚類，獲得4種不同的聚類標簽;然后針對每一種聚類標簽，建立其標簽鄰接矩陣;再將4種鄰接矩陣融合在一起，形成多特征鄰接矩陣。

2.4 NCUT聚類

對上文通過不同特征獲得的標簽鄰接矩陣進行聚類，鄰接矩陣A表示任意兩個超像素塊之間的親和關系，因此使用NCUT算法對矩陣A進行分割。NCUT是一種基于圖論的方法，也稱為歸一化割算法。

3 實驗結(jié)果與分析

為了驗證本文算法的有效性，將提出的M_RHGD_N算法與現(xiàn)有多種算法進行有效性對比。本文基于分塊思想，對比方法包括同樣基于分塊思想的不同特征分割。第1種對比方法為基于Meanshift算法的RGB顏色圖像分割，使用NCUT算法作分割算法（Meanshift+RGB+NCUT），簡稱為M_R_N算法;第2種對比算法為基于Meanshift算法的Gabor紋理圖像分割（Meanshift+Gabor+NCUT），簡稱M_G_N算法;第3種算法和第4種算法沒有基于分塊思想，直接用FCM算法實現(xiàn)像素點的顏色特征（FCM+RGB）和紋理特征分割（FCM+Gabor），分別簡稱為R_FCM和G_FCM算法;第5種算法為基于多特征的圖像分割，將本文使用的4種特征直接合稱為一個特征向量，使用FCM算法分割（RGB+HSV+Gabor+DCT+FCM），簡稱RHGD_FCM 算法。

將本文算法與對比算法在多種圖片上進行測試，本文選取3種常用測試圖片作為展示，如圖1所示。每幅圖片都可以分成2類，6種算法對3幅展示圖片的分割結(jié)果如圖2、圖3和圖4所示。從分割結(jié)果可以得出，M_RHGD_N算法比其它5種算法獲得了更加精確的分割結(jié)果。

使用Rand指標（RI）和F-measure指標（F）[20]對6種算法進行量化分析，兩個指標的值越大，說明分割效果越好。6種算法的RI和F值如表1所示，可以得出，M_RHGD_N算法比其它5種對比算法獲得了更加精確的分割結(jié)果。

4 結(jié)語

圖像分割是當前人們關注的熱點，越來越多的學者致力于相關研究。由于直接將聚類算法應用于圖像分割中會產(chǎn)生大量噪聲，且現(xiàn)有圖像分割算法大都基于單一特征而設計，在對特定結(jié)構的目標進行分割時效果并不理想。基于此，本文提出了一種基于區(qū)域多特征的圖像分割算法，先使用Meanshift算法對原始圖像進行預處理，可以保證像素周圍的空間信息，然后將多種特征融合，建立融合多特征的圖像分割算法。實驗結(jié)果表明，該算法獲得了較好的分割效果。如何選擇合適的特征，以及對哪些特征進行融合是下一步研究的重點。

參考文獻：

[1] 彭檢貴，張良，李維良，等. 桌面遙感圖像處理系統(tǒng)并行處理架構選擇與實驗分析[J]. 軟件導刊， 2017，16（4）： 201-204.

[2] 錢紅瑩. 基于改進Canny算子的醫(yī)學圖像邊緣檢測算法[J]. 軟件導刊， 2019，18（2）： 45-48.

[3] 楊紅亞，趙景秀，徐冠華，等. 彩色圖像分割方法綜述[J]. 軟件導刊， 2018，17（4）： 1-5.

[4] 蔣秋霖，王昕. 改進FCM的MR腦腫瘤圖像分割[J]. 長春工業(yè)大學學報，2019，40（2）：149-155.

[5] SHI J，MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）：888-905.

[6] 吳瓊，劉衍聰，伊鵬，等. 基于NCUT優(yōu)化的巖心體視圖像巖粒分割方法[J]. 計算機輔助設計與圖形學學報，2018，30（3）：485-490.

[7] AHMED M N，YAMANY S M，MOHAMED N，et al. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Transactions on Medical Imaging，2002，21（3）：193-199.

[8] CHEN S，ZHANG D. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J]. IEEE Transactions on Systems，Man and Cybernetics， Part B （Cybernetics）， 2004， 34（4）：1907-1916.

[9] ZHONG Y，MA A，ZHANG L. An adaptive memetic fuzzy clustering algorithm with spatial information for remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（4）：1235-1248.

[10] 李永焯，戴曙光. 改進分水嶺算法在腦腫瘤CT圖像分割中的應用[J]. 軟件導刊，2018，17（6）： 157-159.

[11] MAKROGIANNIS S，ECONOMOU G，F(xiàn)OTOPOULOS S. A region dissimilarity relation that combines feature-space and spatial information for color image segmentation[J]. IEEE Transactions on Cybernetics，2005，35（1）：44-53.

[12] CHENG Y. Mean shift，mode seeking and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002，17（8）：790-799.

[13] TAO W，JIN H，ZHANG Y. Color image segmentation based on mean shift and normalized cuts[J]. IEEE Transactions on Systems，Man and Cybernetics，Part B （Cybernetics），2007，37（5）：1382-1389.

[14] HETTIARACHCHI R，PETERS J F. Voronoi region-based adaptive unsupervised color image segmentation[J]. Pattern Recognition，2016，65：119-135.

[15] SENGUR A，GUO Y. Color texture image segmentation based on neutrosophic set and wavelet transformation[J]. Computer Vision and Image Understanding， 2011，115（8）：1134-1144.

[16] YANG P，ZHANG F，YANG G. Fusing DTCWT and LBP based features for rotation， illumination and scale invariant texture classification[J]. ?IEEE Access， 2018（6）：13336-13349.

[17] 張賜勛. 離散余弦變換的設計與實現(xiàn)[D]. 杭州：浙江大學， 2006.

[18] LI Z，CHEN J. Superpixel segmentation using linear spectral clustering[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2015.

[19] ACHANTA R，SHAJI A，SMITH K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[20] KURTZ C，PASSAT N，GANARSKI P，et al. Extraction of complex patterns from multiresolution remote sensing images：a hierarchical top-down methodology[J]. Pattern Recognition，2012，45（2）：685-706.

（責任編輯：孫 娟）