韓玲燕，王佳麗

(安徽外國語學院信息技術教學與研究部，安徽 合肥 231201)

隨著計算機圖形圖像信息處理技術的發(fā)展，需要對大量的彩色圖像進行優(yōu)化特征提取，采用種子點檢測方法進行彩色圖像的特征分割和邊緣輪廓特征檢測，提高彩色圖像的視覺表達和信息特征提取能力，在彩色圖像全局閾值分割過程中，受到種子點手動選擇下隨機性因素較大的影響，導致彩色圖像全局閾值分割的準確度不高，需要進行彩色圖像全局閾值分割方法的改進設計，結合對彩色圖像的信息增強和角點標定技術，實現(xiàn)對彩色圖像的優(yōu)化分割和自動檢測，從而提高彩色圖像的識別和信息檢測能力[1]，相關的彩色圖像全局閾值分割研究在醫(yī)學圖像處理、遙感圖像監(jiān)測以及視頻圖像的幀特征提取中具有重要意義，相關的彩色圖像全局閾值分割方法研究受到人們的極大關注.

通過對彩色圖像進行邊緣輪廓檢測和分割，提取彩色圖像的三維特征量，采用邊緣輪廓特征檢測方法，實現(xiàn)彩色圖像信息檢測和特征重構，提高彩色圖像的三維視覺特征表達能力.傳統(tǒng)方法中，對彩色圖像的分割技術重要有小波分割方法、Harris特征分割方法、Logistics特征映射分割方法等[2-3]，構建彩色圖像分割和邊緣檢測的特征提取模型，結合對彩色圖像的二值擬合和灰度直方圖重構技術，實現(xiàn)彩色圖像的優(yōu)化分割.文獻[4]中提出基于深度學習的彩色圖像閾值分割算法，采用邊緣輪廓特征提取方法進行彩色圖像的微小細粒度特征提取，根據(jù)特征提取結果構建彩色圖像分割的灰度直方圖檢測模型，采用灰度信息識別方法進行圖像分割.但該方法進行彩色圖像分割未考慮全局輪廓生長規(guī)則，圖像特征信息表達能力較差.文獻[5]中提出基于模糊度特征分解方法的彩色圖像分割方法，結合模糊度特征分解方法對彩色圖像進行多尺度的顏色結構特征分解，構建彩色圖像的多維像素特征表達模型，利用二分法確定生長規(guī)則實現(xiàn)圖像分割.但該方法進行彩色圖像分割的隨機性較大，分割的精度不高.文獻[6]中提出基于二分法的彩色圖像分割方法，確定生長規(guī)則中的最佳閾值進行彩色圖像分割.但該法方法采用手動選擇種子造成彩色圖像分割的隨機擾動性較大，分割過程的抗干擾性不好.

針對上述問題，本文提出基于二維直方圖的彩色圖像全局閾值分割方法.為了解決手動選擇種子造成彩色圖像分割的隨機擾動性較大的問題建立彩色圖像全局閾值分割的邊緣輪廓特征提取模型，采用水平集法獲取彩色圖像的初始輪廓，實現(xiàn)圖像輪廓的自動提取.為了解決圖像特征信息表達能力較差的問題，結合二分法確定彩色圖像全局輪廓生長規(guī)則，構建彩色圖像規(guī)劃的視覺圖像采集模型.為了更精準的提取圖像的特征信息，對彩色圖像的視覺信息增強處理，構建彩色圖像的多維特征提取和關鍵特征點檢測模型和彩色圖像的全局閾值分割模型.通過統(tǒng)計形狀分析方法校準分割的輪廓結果，實現(xiàn)對彩色圖像的優(yōu)化分割.

1 圖像特征采樣及邊緣輪廓特征提取

1.1 彩色圖像特征采樣

為了實現(xiàn)基于二維直方圖的彩色圖像全局閾值分割，需要首先構建彩色圖像的閾值分割特征提取模型，采用初始輪廓特征分割的方法進行彩色視覺圖像的三維重構，建立二維 OTSU模型，進行彩色圖像特征采樣，構建彩色圖像的視覺信息特征提取模型，在彩色圖像的輪廓邊緣最遠點，進行二維直方圖特征提取，建立彩色圖像的多維視覺信息采集模型，采用多維度的信息跟蹤和融合方法，進行彩色圖像空間的視覺特征提取[7]，結合模糊信息特征提取技術，提取圖像的邊緣像素點作為目標區(qū)域的特征，計算一個最大后驗概率進行彩色圖像空間視覺特征分布式采集，得到彩色圖像的驅動形變輪廓空間分布為s(X，Y)，在目標區(qū)域的邊緣輪廓[8]，得到參數(shù)化表達模型為

(1)

公式中：Cut(A，B)表示圖像輪廓分割點坐標.assoc(A，V)是目標邊緣連續(xù)的標記點，表示為彩色圖像的種子像素點子集在邊緣像素區(qū)域A中的像素交叉點，assoc(B，V)為彩色圖像主要變化特征的線性組合.

假設彩色圖像空間視覺圖像的空間灰度像素集為(i，j)，以此為像素中心，在形變復雜的區(qū)域，建立根彩色圖像的視覺信息融合模型，采用水平集法獲取彩色圖像的初始輪廓[9]，結合二分法確定彩色圖像全局輪廓生長規(guī)則，建立彩色圖像空間視覺融合的二值模型(Dominant LBP，DLBP)，在目標邊緣標記點的坐標系中，得到彩色圖像參數(shù)化表達式為

(2)

公式中：a為模糊匹配指數(shù)；T為圖像的稀疏編碼.

通過先驗形狀來給形變輪廓進行特征標定和模糊匹配，在目標區(qū)域的邊緣輪廓區(qū)域中，進行彩色圖像的稀疏編碼，提取彩色圖像的灰度直方圖，在像素分布空間內，計算彩色圖像目標邊緣標記點的坐標，在4×4子塊的局部區(qū)域內建立彩色圖像的最大全局閾值分割模型，得到彩色圖像的視覺信息采樣輸出描述為

(3)

公式中：F為色彩圖像點陣；di為點陣i在其子塊上的最大閾值；B彩色圖像的采樣點；xB為采樣點B的矢量特征值.

在N個連續(xù)的半徑區(qū)域中，彩色圖像特征采樣優(yōu)化輸出為

(4)

公式中：K為彩色圖像子塊中的特征連續(xù)值；P為特征優(yōu)化點；σ為初始輪廓信號特征.

根據(jù)對彩色圖像視覺信息采樣結果，建立彩色圖像全局閾值分割的邊緣輪廓特征提取模型，采用水平集法獲取彩色圖像的初始輪廓，提高圖像的全局區(qū)域分割能力.

1.2 彩色圖像的邊緣輪廓特征提取

結合二分法確定彩色圖像全局輪廓生長規(guī)則，構建彩色圖像規(guī)劃的視覺圖像采集模型，實現(xiàn)對彩色圖像的邊緣輪廓特征提取，在像素空間中進行彩色圖像的二維灰度直方圖模板匹配，在m*n區(qū)域內，根據(jù)目標區(qū)域的邊緣輪廓進行局部關聯(lián)幀二值重構，構建彩色圖像的目標形狀的先驗模型，彩色圖像空間視覺圖像的區(qū)域特征分布點為

(5)

公式中：t0為輪廓邊緣相交的標記點，在圖像3*3鄰域結構進行彩色圖像的灰度邊緣特征匹配，并用低秩屬性對其進行建模.

采用一個4×4子塊分割模型進行彩色圖像的全局閾值分割，引入Langiven方程對目標彩色圖像進行三維邊緣特征重構，在D維空間中進行彩色圖像空間視覺重構和邊緣輪廓檢測，根據(jù)彩色圖像形變模型提供目標區(qū)域特征匹配度，得到彩色圖像空間視覺特征分布為

u(x，y；t)=G(x，y；t)，

(6)

(7)

公式中：Δu為彩色圖像全局閾值分割的關聯(lián)像素點；u為彩色圖像的顏色差異度特征量.

在?x區(qū)域內，得到彩色圖像空間視覺像素點的局部關聯(lián)幀，重構彩色圖像的邊緣輪廓特征分布集，得到彩色圖像的邊緣輪廓，采用多重分形技術進行彩色圖像的形狀特征匹配[10]，根據(jù)特征匹配結果對不同分辨率的彩色圖像進行邊緣輪廓檢測，采用加權平均的方法對圖像的顏色分量進行多尺度分解，得到分解模型為

s(k)=φ·s(k-1)+w(k)，

(8)

公式中：

(9)

根據(jù)特征分解結果，得到彩色圖像的R、G、B分量，結合細節(jié)分布進行彩色圖像的模板匹和角點檢測，分別為AR、AG、AB和WR、WG、WB，圖像分割成M×N個2×2的子塊Gm，n，得到彩色圖像的灰度模板特征匹配集為

E[f(θ，k)]=0，?θ∈[-π，π]，?k∈Z.

(10)

結合彩色圖像的邊緣輪廓特征重構結果進行彩色圖像的聯(lián)合稀疏結構重組，建立彩色圖像的全局閾值特征提取模型，對彩色圖像進行二值擬合，實現(xiàn)彩色圖像邊緣檢測，根據(jù)特征分割結果進行彩色圖像的多維度特征重建，實現(xiàn)彩色圖像的灰度像素特征分布重構，建立彩色圖像的模糊二維直方圖提取模型，進行圖像的優(yōu)化分割，彩色圖像的邊緣輪廓特征提取輸出的計算公式為

(11)

(12)

Ui， j(t)=exp[-b[zi(t)-zj(t)]2]，

(13)

公式中：pi， j(t)為t時刻彩色圖像的統(tǒng)計形狀模型；spi， j(t)為彩色圖像的形變模型分布像素集；Δp(t)為徑向紋理特征模型，zi(t)、zj(t)分別為相似度彩色圖像的背景像素集和灰度像素集，b為彩色圖像整個輪廓形狀的分布概率.根據(jù)對彩色圖像的邊緣輪廓特征提取結果，進行彩色圖像全局閾值分割優(yōu)化[11].

2 彩色圖像全局閾值分割優(yōu)化

2.1 彩色圖像的二維直方圖構建

在上述建立彩色圖像全局閾值分割的邊緣輪廓特征提取模型，并采用水平集法獲取彩色圖像的初始輪廓的基礎上，進行彩色圖像全局閾值分割，本文提出基于二維直方圖的彩色圖像全局閾值分割方法.采用高分辨灰度直方圖特征提取方法進行彩色圖像的視覺信息增強處理，提取彩色圖像的二維直方圖，采用空間視覺重構技術進行彩色圖像的線性擬合，對分割目標的先驗形狀進行均值分割，建立彩色圖像的參數(shù)初始化模型，在彩色圖像的視覺分布空間中，進行彩色圖像的二維直方圖構建，得到彩色圖像的結構相似性特征分布集為

(14)

公式中：

為彩色圖像分割空間中最大內切圓的圓心.

提取彩色圖像的視覺梯度特征，定義彩色圖像空間視覺圖像的梯度模特征，采用低秩屬性特征匹配方法進行彩色圖像的多維尺度分解，建立彩色圖像的模糊關聯(lián)特征匹配模型，根據(jù)目標區(qū)域的邊緣輪廓進行彩色圖像空間視覺表達，建立彩色圖像的梯度分割模型，采用離散的時間序列來表達彩色圖像的灰度像素序列，采用梯度模特征提取模型.在模糊區(qū)域，根據(jù)目標邊緣相鄰的像素的強度進行彩色圖像的分塊融合處理，對彩色圖像進行灰度二維直方圖提取，對目標邊緣相鄰的像素的強度信息進行建模[12].

假設輸入的彩色圖像空間視覺圖像模糊區(qū)域梯度模特征

(15)

設J(x)t(x)為彩色圖像的邊緣像素集，采用Harris角點檢測方法得到目標邊緣連續(xù)的標記點，彩色圖像空間采樣的特征點為

bnrβ(X)=RβX-RβX1.

(16)

構建彩色圖像空間信息增強模型，結合視覺傳導技術進行灰度像素特征分布式調節(jié)和色彩矯正，對彩色圖像的目標區(qū)域的邊緣輪廓進行特征匹配處理，建立彩色圖像的空間視覺信息增強模型，得到彩色圖像的離散的時間序列為

(17)

在彩色圖像序列中目標形狀模型中，得到彩色圖像的特征分割塊模型結構為M×N，根據(jù)彩色圖像邊界演化分布進行空間輪廓特征提取，采用分段區(qū)域檢測方法，建立彩色圖像的初始輪廓分割模型，彩色圖像的二維直方圖的交換擬合函數(shù)為

(18)

綜上分析，構建彩色圖像的二維直方圖提取模型，根據(jù)特征提取結果，進行彩色圖像的全局閾值分割.

2.2 彩色圖像分割優(yōu)化

構建彩色圖像的多維特征提取和關鍵特征點檢測模型，采用小波多尺度特征分集方法實現(xiàn)彩色圖像的分布式重組和二維直方圖重構，提取彩色圖像視覺特征量，建立彩色圖像的全局閾值分割模型，得到種子點區(qū)域特征匹配模型為

f=〈f，dγ0〉dγ0+Rf，

(19)

公式中：〈f，dγ0〉表示彩色圖像邊界演化的方向梯度模.

在合成圖像和真實圖像上，構建彩色圖像的全局閾值分割模型，彩色圖像的分割閾值f(gi)為

(20)

圖像的權值矩陣為相似度矩陣，獲得彩色圖像初始輪廓與目標邊界的分割線，采用全局閾值特征匹配方法，構建彩色圖像的全局閾值分割模型，彩色圖像的全局閾值表達式為

(21)

公式中：i為彩色圖像的邊緣像素點集；R為一個規(guī)范常量；sj為彩色圖像的模糊度系數(shù).

計算彩色圖像的邊緣像素特征分布集，進行彩色圖像二維視覺空間規(guī)劃設計，得到彩色圖像二維直方圖中的灰度像素空間分布模型為

(22)

采用模板構建和色差校準方法，建立彩色圖像的中心像素點檢測模型，得到彩色圖像的灰度像素特征分布集為

I(x)=J(x)t(x)+A(1-t(x))，

(23)

公式中：A為彩色圖像的多尺度融合特征分布系數(shù)；t(x)為彩色圖像的模板匹配系數(shù).

采用自適應的全局閾值分割方法，進行彩色圖像的全局閾值分割，提高彩色圖像的閾值分割精度.

3 仿真實驗與結果分析

為了驗證本文方法在實現(xiàn)彩色圖像的全局閾值分割中的應用性能，進行仿真實驗分析.采用Matlab R2008進行彩色圖像的全局閾值分割的算法設計和仿真測試，設定彩色圖像的邊緣像素分布為a1=(0.4，0.9，0.9)，a2=(0.6，0.7，0.6)，其對應的不同階數(shù)P下彩色圖像的二階灰度直方圖特征矩陣分別為

圖1 原始的待分割彩色圖像

以圖1的圖像為測試對象，用水平集法獲取彩色圖像的初始輪廓，結合二分法確定彩色圖像全局輪廓生長規(guī)則，得到彩色圖像的分割曲線如圖2所示.

圖2 彩色圖像的分割曲線

采用小波多尺度特征分集方法實現(xiàn)彩色圖像的分布式重組和二維直方圖重構，建立彩色圖像的全局閾值分割模型，得到彩色圖像的二維直方圖如圖3所示.

圖3 彩色圖像的二維直方圖

根據(jù)圖3的直方圖構建結果，采用小波多尺度特征分集方法實現(xiàn)彩色圖像的分布式重組和二維直方圖重構，建立彩色圖像的全局閾值分割模型，通過統(tǒng)計形狀分析方法，實現(xiàn)對彩色圖像的優(yōu)化分割，并結合傳統(tǒng)方法進行對比，得到分割結果如圖4所示.

對比圖4得知，采用本文方法進行彩色圖像分割的邊緣輪廓特征檢測能力較好，提高了圖像的分割精度，測試不同方法進彩色圖像分割的誤差，得到對比結果見表1，分析得知，本文方法進行彩色圖像分割的均方根誤差較低，提高了圖像分割的質量.

圖4 彩色圖像的閾值分割結果

表1 彩色圖像分割的均方根誤差對比

4 結 語

為了優(yōu)化彩色圖像的特征分割和邊緣輪廓特征檢測技術，提高彩色圖像的視覺表達和信息特征提取能力，本文提出基于二維直方圖的彩色圖像全局閾值分割方法.通過先驗形狀來給形變輪廓進行特征標定和模糊匹配，在目標區(qū)域的邊緣輪廓區(qū)域中，進行彩色圖像的稀疏編碼，提取彩色圖像的灰度直方圖，結合二分法確定彩色圖像全局輪廓生長規(guī)則，根據(jù)彩色圖像形變模型提供目標區(qū)域特征匹配度，得到彩色圖像空間視覺特征分布結構，根據(jù)特征分割結果進行彩色圖像的多維度特征重建，實現(xiàn)彩色圖像的優(yōu)化分割，提高彩色圖像的視覺表達和特征提取能力.研究得知，本文方法進行彩色圖像分割的誤差角度，有效克服了手動選擇種子點隨機性大和分割準確度不高的問題.