李奇澤

關鍵詞：圖像分割；隸屬度函數；超像素；區(qū)域限制

中圖分類號：TP391 文獻標識碼：A

0 引言

在計算機視覺分析及圖像處理領域，快速且精準分割圖像早已是重點研究內容，圖像信息處理基本上都是以該技術作為支撐完成的[1-2]。學者提出不同的圖像分割算法，研究結果顯示分割效果均表現(xiàn)良好[3]。近年來，圖像應用技術發(fā)展十分迅速，因此開發(fā)了一些新的分割算法[4-6]。在遙感測試與醫(yī)學分析領域，聚類方法不同于上述學者提出的分割方法，其具有直觀性強、步驟簡單的優(yōu)勢，因而近年來應用十分廣泛，圖像預處理效果可通過結合各類方法得到顯著增強[7-8]。作為一種軟分割方法，模糊C 均值聚類（FCM）相較于k-means 等多數硬分割方法，其主要優(yōu)勢體現(xiàn)在模糊魯棒性表示良好，并且能保證圖像原始信息在分割階段得以充分保留，該方法早已作為主流聚類技術得到廣泛應用[9]。然而需要注意的是，由于圖像各項空間數據均未被充分考慮，導致噪聲及成像偽影對FCM 產生嚴重影響，進而造成區(qū)域一致性條件無法由實際獲取的圖像分割結果所滿足。為解決上述問題，需要將研究重點放在如何將空間信息融入FCM 聚類過程。還有學者為提高抗噪性能，在空間信息中融入通過改進方法[10] 修改的FCM 目標函數。

本文以高階能量模型為基礎構建聚類分析方法，在分析像素區(qū)域級隸屬度時以超像素的區(qū)域一致性為標準，獲取點對先驗概率采用均值模板技術，在此基礎上對實際超像素與區(qū)域級隸屬度函數或主標簽之間的聯(lián)系進行分析，分割結果區(qū)域一致性目標需要參考此分析結果和超像素信息來實現(xiàn)。

1 圖像分割評估方法

在計算像素級與區(qū)域級隸屬度函數時，以高階能量模型為依據構建HMRF/FCM 方法，該方法的理論基礎為自適應隸屬度，根據區(qū)域一致性條件，通過區(qū)域級隸屬度函數對區(qū)域級隸屬度函數與像素自適應隸屬度函數的點對先驗概率進行計算，確保分割質量可通過此方法得到有效改善。

本文首先確定超像素生成，并且按照式（1）對區(qū)域級迭代與像素級的目標函數進行計算，最后再針對超像素像素貢獻度c_j 進行計算。

2 實驗結果及分析

合成圖像實例如圖1 所示。含有噪聲信號的圖像以及原始數據合成圖像均可通過觀察獲取，在測試采用人工分割無法解釋隨機量時可利用這種方法實現(xiàn)。

2.1 參數設置

FCM 算法與本文所選方法具有相同設置，錯誤率ε 為0.95， 分別按照3×3 與5×5 的標準設置合成圖像測試集與Berk 圖像集的鄰域窗口；參數Q 分別設置為0.85 與0.99；按照最小區(qū)域面積ar=80、空間帶寬hs=10、范圍帶寬hr=10 的標準設置超像素生成算法參數。

2.2 結果與分析

對谷歌數據庫圖像集進行測試，自然圖像在該圖像集中共有300 幅，大量人工標記結果均可提供。FCM 算法和圖像分割評估方法（簡稱“本文算法”）的分割結果如圖2 所示。由于不同分割難度的圖像包含在BSD 圖像集中，按照人工標記最小聚類數量為各幅圖像設定聚類個數，從而實現(xiàn)對算法有效性的分析。

300 幅圖像經過兩種算法的分割處理數據如表1 所示。采用3 種主流的評價指標函數：概率蘭德指數（probabilistic Rand index，PRI）、信息變差（variation of information，VoI）和全局一致性錯誤（global consistency error，GCE）。對比表1 數據得出，從各項評估指標來看，相較于FCM 算法，本文采用的方法可實現(xiàn)更優(yōu)的性能。經分析發(fā)現(xiàn)，特定隸屬度函數可用于對超像素內像素標簽一致性進行判斷，在同一種標簽像素在超像素中的數量超過設定閾值的情況下，將會用同一種標簽替代各像素隸屬度函數，再對點對先驗概率完成計算，通過此過程使主標簽聚類個數的先驗概率得到進一步強化。

由于各個區(qū)域在谷歌數據庫人工標記結果中均被劃分為同一種類型，從3 種評估指標來看，在重標記后均得到顯著提升。采用分割處理的方式處理兩種未被重標記的比較算法，分割圖像性能評估結果如表2 所示，可以看出，相較于FCM 算法，采用本文算法效果更佳。

在分析不同參數對采用本文算法的影響效果時，當Q 值設定值不同時，分割300 幅圖像獲得的評估結果如表3 所示，同時還測試了不同情況下3 種評估指標。經對比分析得出，采取本文算法獲取的分割效果在Q 值降低后更佳。該結果產生的主要原因是：超像素的區(qū)域一致性由該算法有效發(fā)揮，各像素在同一超像素中可迅速聚集得到有效保證，然而由于像素差異性并未在區(qū)域中得以充分考慮，從而造成超像素生成質量嚴重影響實際分割質量；超像素主標簽隨著Q 值不斷增大獲得難度將更大。

總之，由于像素級隸屬度函數在超像素內十分容易受到噪聲的影響，那么初期在進行迭代時，如果Q 值過小，則很容易導致在分割超像素中像素的過程中產生較大失誤，進而導致錯誤信息被傳輸，得到錯誤的分割結果。因此為避免上述問題的產生，需要確保所選的Q 值較大，區(qū)域一致性僅在用同一種標簽標記大部分超像素的情況下才可滿足。

3 結論

本文開展基于區(qū)域級隸屬度函數的圖像分割評估分析，取得如下結果。

（1）相較于FCM 算法，本文算法可實現(xiàn)更優(yōu)的性能，設定的隸屬度函數可用于對超像素內像素標簽性能判斷。

（2）采取本文算法獲取的分割效果在Q 值降低后更佳，各像素在同一超像素中可迅速聚集并得到有效保證。