李巧蘭，盧榮輝，盧永祥

(武夷學院 信息技術與實驗室管理中心，福建 龍巖 354300)

圖像分割是圖像處理領域內的經(jīng)驗研究方向，更是計算機視覺中的關鍵技術之一。對視頻圖像中的人物進行分割對于視頻監(jiān)控、事件推斷等許多任務都很重要，因為人類是人們感興趣的日?；顒拥闹饕獏⑴c者[1]。視頻圖像人物分割的精準度關系到圖像識別的有效性，受到了學者們的高度重視。

現(xiàn)今，關于視頻圖像人物分割的研究很多，并取得了一定的成果。視頻圖像人物分割方法主要分為三類：基于邊緣的視頻圖像人物分割方法[2]、基于區(qū)域的視頻圖像人物分割方法[3]以及基于Canny算子的視頻圖像人物分割方法[4]。使用頻率最高的是基于閾值的視頻圖像人物分割方法，該方法的關鍵是如何確定閾值，閾值的選取直接決定著圖像分割的精確度。

為了滿足計算機視覺的需求，尋找最佳閾值，提出基于最大熵閾值處理算法的視頻圖像人物分割方法研究。最大熵閾值處理算法是基于分割后圖像熵最大化來確定最佳閾值，符合視頻圖像人物分割的需求，能夠提升圖像分割的精準度。

1 基于最大熵值處理的視頻圖像人物分割

1.1 圖像灰度直方圖獲取

在視頻圖像人物處理的過程中，直方圖是一種簡單有效的手段，是對圖像像素的一種統(tǒng)計表達，包含著非常豐富的信息?；叶戎狈綀D只對像素灰度值大小進行統(tǒng)計，與圖像像素間的相關性無關，因此不同圖像可能存在著相同的灰度直方圖[5]。

設圖像尺寸為M×N，灰度級為0，1，…，L-1，像素點(m，n)對應的灰度值采用f(m，n)表示，則鄰域平均灰度值表示為：

(1)

式(1)中，g(m，n)表示鄰域平均灰度值；N1表示鄰域D中像素點數(shù)量，鄰域D通常取像素點(m，n)周圍3×3、5×5或者7×7的區(qū)域；(m1，n1)表示鄰域D內的某一像素點；f(m1，n1)表示像素點(m1，n1)的灰度值。

圖像灰度直方圖直接利用像素灰度統(tǒng)計，獲取公式為：

(2)

式(2)中，z的取值范圍為0，1，…，L-1；δ()表示灰度級判斷函數(shù)。

依據(jù)上述流程獲取視頻圖像人物的灰度直方圖，如圖1所示。

圖1 灰度直方圖

分析圖1可知，圖像中不同灰度級出現(xiàn)的次數(shù)存在著較大的差異，并且并沒有鋪滿整個灰度級。圖像灰度直方圖容易受到噪聲的干擾，導致直方圖波形、數(shù)值的改變，從而影響最佳閾值的計算[6]。為此，均衡化、歸一化處理圖像灰度直方圖，具體處理過程如下。

均衡化處理是將圖像劃分為多個區(qū)間子圖像，分別求取每個區(qū)間像素的映射灰度值，計算公式為

f′=flower+(fupper-flower)*Cz[flower，fupper]

(3)

式(3)中，f′表示像素映射灰度值；flower與fupper分別表示映射區(qū)間內灰度的最小值與最大值；Cz[flower，fupper]表示z級灰度值在[flower，fupper]區(qū)間內的累積概率密度。

為了進一步保障圖像灰度直方圖處理前后的穩(wěn)定性，歸一化處理灰度直方圖，對圖像的每個像素灰度值乘以一個偏移系數(shù)，計算公式為：

(4)

式(4)中，O(m，n)為歸一化處理后的灰度直方圖；mi與mo分別為均衡化處理前后的圖像灰度均值。

1.2 圖像總熵值計算

以上述獲取的視頻圖像人物灰度直方圖為基礎，設定未知閾值為t，計算圖像總熵值[7]。

假設視頻圖像人物中像素值共有Q個，依據(jù)信息熵的概念，每個像素點對應的信息熵表示為：

(5)

式(5)中，H表示像素點對應的信息熵；pz表示各灰度級z在視頻圖像人物中出現(xiàn)的概率；qz表示灰度值為z的像素數(shù)量。

對于待分割的視頻圖像人物來說，設定未知閾值t將圖像劃分為A與B兩部分，視頻圖像人物劃分示意圖如圖2所示。

圖2 視頻圖像人物劃分示意圖

如圖2所示，每個區(qū)域內各個像素點的概率分布情況如公式(6)所示：

(6)

則區(qū)域A與區(qū)域B信息熵總和計算公式為：

(7)

式(7)中，HA(t)與HB(t)分別表示區(qū)域A與區(qū)域B信息熵的總和。

將公式(7)中的結果相加則得到視頻圖像人物的總熵值，表示為：

(8)

通過上述過程完成了視頻圖像人物總熵值的計算，為下述最佳閾值的求解做了準備。

1.3 最佳閾值求解

以上述圖像總熵值公式為依據(jù)，以圖像總熵值H(t)的最大值為目標，求解的閾值t即為視頻圖像人物分割的最佳閾值[8]。由此可見，最佳閾值的求解過程相當于函數(shù)優(yōu)化問題，存在著計算過程復雜的特點，為了簡化最佳閾值的求解過程，引入粒子群算法，求解視頻圖像人物分割的最佳閾值[9]。

通過研究發(fā)現(xiàn)，粒子群算法能夠解決連續(xù)優(yōu)化問題，并具備較高的精準度與效率，可以極大地減少計算最佳閾值消耗的時間，提升視頻圖像人物分割方法的性能[10]。

基于粒子群算法的圖像分割最佳閾值求解步驟如下所示：

步驟一：初始化粒子群算法參數(shù)。粒子群算法參數(shù)包括粒子個數(shù)、粒子最大迭代次數(shù)、粒子飛行速度最大值、粒子飛行速度最小值、粒子移動位置邊界值等；

步驟二：將最大熵閾值處理算法得到的視頻圖像人物總熵值公式(公式(8))作為粒子群算法的適應度函數(shù)，在搜索區(qū)域內隨機初始化粒子位置xi，將其作為粒子i的最佳位置，記為Pij；

步驟三：依據(jù)公式(8)計算每個粒子的適應度值，選取最大適應度值Pgj作為粒子群算法的全局最優(yōu)解；

步驟四：將粒子位置適應度值與上一次迭代最佳位置適應度值作比較[11]，若粒子當前適應度值較大，更新粒子位置，將粒子當前位置作為粒子最佳位置；

步驟五：將每個粒子最佳位置與全局最優(yōu)位置Pgj的適應度值作比較，若當前粒子最佳位置適應度值較大，更新全局最優(yōu)位置；若Pgj適應度值較大，保持全局最優(yōu)位置；

步驟六：依據(jù)位置更新公式、速度更新公式迭代更新；

步驟七：判斷算法是否達到最大迭代次數(shù)。若達到最大迭代次數(shù)，算法結束，輸出全局最優(yōu)解；若未達到最大迭代次數(shù)，返回步驟二；

步驟八：步驟七搜索得到的全局最優(yōu)解即為視頻圖像人物分割的最佳閾值，以此為基礎，分割視頻圖像人物。

2 圖像分割質量實驗分析

2.1 圖像分割質量評價指標選取

為了衡量視頻圖像人物分割方法的優(yōu)劣，選取適當?shù)膱D像分割質量評價指標。實驗所用數(shù)據(jù)庫為PASCAL VOC 2012 dataset 圖像數(shù)據(jù)庫，選取100張含有人物的圖像進行仿真實驗。此研究選取區(qū)域間對比度、區(qū)域內一致性以及圖像分割合理性作為評價指標，具體指標定義如下所示。

2.1.1區(qū)域間對比度

對于原始視頻圖像人物來說，通過分割可以得到若干個區(qū)域，不同區(qū)域之間的特征存在著較大的差異，通過對比區(qū)域間的對比度大小即可判斷方法分割圖像質量的好壞，從而衡量方法的優(yōu)劣。

區(qū)域間對比度定義為：

(9)

式(9)中，GC表示相鄰區(qū)域之間的灰度對比度；f1與f2分別表示相鄰兩個區(qū)域各自的平均灰度值。

常規(guī)情況下，區(qū)域間對比度值越大，表明區(qū)域之間差異更明顯，圖像分割質量越好。

2.1.2區(qū)域內一致性

依據(jù)圖像分割定義可知，分割后圖像是若干個具備相似特征的區(qū)域，可以用各個分割區(qū)域內部特征的均勻程度描述圖像分割質量，即區(qū)域內一致性。

區(qū)域內一致性測度定義為：

(10)

式(10)中，UM表示區(qū)域內一致性測度值；C表示歸一化參數(shù)；f(x，y)表示原始視頻圖像人物；A1表示Ri區(qū)域內像素數(shù)量；Ri表示分割后圖像的第i個區(qū)域。

常規(guī)情況下，區(qū)域內一致性測度值UM越大，表明分割后圖像目標區(qū)域與背景區(qū)域內部一致性越好，設定的標準值為4.00，則圖像分割質量越好。

2.1.3圖像分割合理性

圖像分割所得目標數(shù)目與實際存在目標數(shù)目的差值可以在一定程度上評價圖像分割方法的優(yōu)劣。

圖像分割合理性測度定義為：

(11)

式(11)中，F(xiàn)表示圖像分割合理性測度值；α與β表示尺度參數(shù)；Tn表示原始圖像目標數(shù)目；Sn表示分割所得圖像目標數(shù)目。

2.2 區(qū)域間對比度分析

區(qū)域間對比度取值范圍為[0，1]，標準值為0.61。該評價指標容易受到高斯噪聲的影響，為了衡量視頻圖像人物分割方法的優(yōu)劣，在無噪與加噪兩種情況下，分別進行10次視頻圖像人物分割實驗，得到的區(qū)域間對比度結果如表1與表2所示。

表1 無噪情況下區(qū)域間對比度結果表

表2 加噪情況下區(qū)域間對比度結果表

表1與表2數(shù)據(jù)顯示，圖像加噪后，閾值搜索時間大幅增加，在第1次和第7次實驗中，閾值出現(xiàn)較大的偏差，區(qū)域間對比度也呈現(xiàn)下降的趨勢。無噪情況下，區(qū)域間對比度范圍為0.79-0.89；加噪情況下，區(qū)域間對比度范圍為0.69-0.79，均大于標準值0.61。

2.3 區(qū)域內一致性分析

區(qū)域內一致性測度取值范圍為[0，10]，標準值為4.00。該評價指標也會受到高斯噪聲的影響，為了衡量視頻圖像人物分割方法的優(yōu)劣，在無噪與加噪兩種情況下，分別進行100次視頻圖像人物分割實驗，得到的區(qū)域內一致性測度結果如圖3與圖4所示。

圖3 無噪情況下區(qū)域內一致性測度結果

圖4 加噪情況下區(qū)域內一致性測度結果

圖3與圖4顯示，偏離區(qū)域內一致性測度平均值曲線的測度值為異常測度值，計算過程中需要將其刪除。通過對比研究發(fā)現(xiàn)，無噪情況下區(qū)域內一致性測度平均值均高于加噪情況，并普遍高于標準值4.00，說明該方法的區(qū)域內一致性測度結果。

2.4 圖像分割合理性分析

通過實驗得到圖像分割合理性測度值結果如表3所示。

表3 圖像分割合理性測度結果

表3數(shù)據(jù)顯示，圖像分割合理性測度平均值為0.8，本文方法在歸一化處理灰度直方圖的基礎上，為后續(xù)圖像總熵值的計算及最大閾值的求解提供了支撐，提高了該方法圖像人物分割的合理性。

2.5 圖像分割質量對比

為了進一步驗證本文提出方法的視頻人物圖像分割質量，將文獻[2]方法(神經(jīng)網(wǎng)絡與邊緣檢測相結合的人體前景分割算法)與文獻[3]方法(基于區(qū)域信息主動輪廓模型的圖像分割)作為實驗對照組。在上文提出的圖像數(shù)據(jù)庫中隨機選取三幅人物圖像，利用三種方法對圖像進行人物分割，獲得的實驗結果如圖5所示。

圖5 圖像分割質量

由圖5可知，文獻[2]及文獻[3]方法人物分割結果存在劃分邊界模糊、劃分區(qū)域偏差較大的問題，而本文提出方法可以較為精準地劃分圖像人物，可以有效區(qū)分人像與物體之間的邊界，并且人物的邊緣細節(jié)保留得更完整。因為本文引入粒子群算法簡化了最大閾值求解過程，可以對分割過程進行連續(xù)優(yōu)化，從而提高了圖像的分割質量。

3 結論

本研究提出的基于最大熵閾值處理算法的視頻圖像人物分割方法，利用信息熵理論計算圖像總熵值最大值，引入粒子群算法尋找圖像分割最大閾值，依據(jù)最大閾值進行圖像分割。實驗證明，該方法在圖像加噪與無噪的情況下，圖像人物的分割合理性測度值均符合標準。對比傳統(tǒng)方法的圖像分割質量，本文方法的人物分割效果更佳，可以為計算機視覺技術的發(fā)展提供有力的支撐。