楊漫

（河海大學 商學院，江蘇 南京211100）

基于頂帽-底帽變換和二次圖像分割的目標提取

楊漫

（河海大學 商學院，江蘇 南京211100）

文中分別采用最大內間方差法、迭代法、二維最大熵法、KFCM單次閾值分割法和灰度均值區(qū)域生長法對坦克和卡車從背景中進行提取。針對單次閾值分割法和灰度均值區(qū)域生長法在提取目標時出現(xiàn)不能分割出車身投影或者大量丟失車體等問題，本文結合單次閾值分割法和區(qū)域生長法的優(yōu)勢，提出了基于頂帽-底帽變換和二次圖像分割的目標提取算法。對比試驗表明，該算法在較完整保留車體部分同時能去除車體的投影，很大程度上抑制了目標的形心漂移。

閾值分割法；區(qū)域生長法；頂帽-底帽變換；二次分割

圖像分割技術研究，指依據(jù)圖像的一些特性（如灰度強度、顏色、紋理等）將圖像中的各個像素歸類成互相都不相交的、具有某種相似性的均勻子區(qū)域的過程，是圖像處理領域中的一項重要內容。本文根據(jù)分割方法的不同特點將其分為：基于邊緣的圖像分割、基于閾值的圖像分割、基于區(qū)域的圖像分割和結合特定理論的圖像分割。近年來，在圖像分割中隨著人工神經(jīng)網(wǎng)絡、模糊集理論和圖論等的廣泛使用，產生了很多與特定理論結合的分割算法。

在圖像分割的實際應用中有時還需要根據(jù)實際問題解決一些特定的分割問題。例如在本文所要提取的坦克和卡車目標中，如何在提取坦克和卡車目標的同時去掉投影分割也是需要研究的問題。針對此類投影分割問題，研究通過對投影建模等方法一定程度上有效的解決了分割投影的問題。然而如何尋找一種魯棒性強，實時性好的投影分割方法也是現(xiàn)在一直在研究的問題之一。

1　基于單次閾值分割的目標提取

首先采用最大內間方差法計算出最佳閾值t1，用閾值t1將輸入測試圖片閾值化處理。閾值化測試圖片如圖1所示。由圖1可知，坦克圖片背景較為簡單，只有少量雜草，說明采用最大內間方差法效果較好；而卡車背景較為復雜，有大量雜草，說明采用最大內間方差法的效果較差，閾值化后的圖像中有大面積干擾區(qū)域，不利于后續(xù)目標提取。

圖1　Ostu法閾值化結果：左為坦克圖片，右為卡車圖片F(xiàn)ig.1　Threshold value results of Ostu method：left for tank picture，right for truck picture

然后對閾值化后的圖像進行形態(tài)學處理。測試圖片面積最大連通域如圖2所示，由圖可知卡車圖像中卡車并不是最大連通域。

圖2　面積最大連通域：左為坦克圖片，右為卡車圖片F(xiàn)ig.2　Largest connected domain：left for tank picture，right for truck picture

針對卡車圖像干擾區(qū)域較為分散，而且干擾區(qū)域的許多連接處很細窄的情況，首先對閾值化后的圖像的連通域進行標記，并對其作開運算，破壞干擾區(qū)域的大連通性；然后只保留開運算后二值圖像面積最大的連通域為目標區(qū)域位置，如圖3（a）所示。由于開運算在截斷干擾區(qū)域細窄連接帶的同時，也截取了卡車后輪底部的細窄處，為了提取完整的卡車圖像，根據(jù)開運算前連通域的標記，取最大連通域開算運算前的區(qū)域為目標區(qū)域，如圖3（b）所示。

由圖3可知保留的連通域中都含有孔洞，用形態(tài)學的閉操作也很難填充完整。為此將圖片取反，取反后面積最大的連通域為取反前的黑色背景區(qū)域，取反前的目標區(qū)域變成了取反后的背景區(qū)域，而取反前的孔洞則變成取反后的小目標區(qū)域，保留面積最大的連通域（目標區(qū)域）即可去除孔洞。去除孔洞后的圖像如圖4（a）所示。去除孔洞后的圖像與原輸入圖像進行異或運算則得到最終目標物的提取。目標提取結果如圖4（b）所示。

圖3　二值圖像最大連通域：左圖為坦克圖片，右圖為小車圖片F(xiàn)ig.3　Binary image maximum connected domain：left for tank picture，right for the car picture

圖4　目標提取結果Fig.4　Target extraction results

2　基于灰度均值區(qū)域生增長法的目標提取

采用灰度均值區(qū)域增長法的首要目的是確定種子生長點。本文采用卷積法粗略定位坦克和卡車區(qū)域。首先將測試圖像歸一化到128×128像素，然后利用坦克和卡車的灰度級較背景低的特點分別對坦克和卡車采用60×30和50×30的全1模板與坦克和卡車做卷積，將卷積值最小處的模板中心定位初始生長點。為避免少量灰度級過高的地方引入的干擾（如坦克的五角星），卷積前將圖像中像素值大于200的點的像素值設置為圖像的平均像素值。

為加快卷積的計算速度，將卷積轉換到頻域中進行，也即計算Cf1f2=F-1（F·F2）。F為模板的傅里葉變換的共軛；F2為測試圖像的傅里葉變換；F-1為傅里葉逆變換。定位種子生長點后對坦克圖像和卡車圖像的K=28，增長結果如圖5（a）所示。然后對圖5（a）用形態(tài)學閉操作增強細窄處連接；再取反后進行孔洞填充得到圖5（b）；最后提取區(qū)域如圖5（c）。

3　基于頂帽-底帽變換和二次圖像分割的目標提取

針對單純的閾值分割算法在分割背景復雜、灰度變化不明顯的圖像時不能取得較好效果的情況，本文提出了基于頂帽-底帽變換和二次圖像分割的目標提取算法。鑒于第一次閾值分割通常都會保留坦克和卡車的投影，所以第一次分割為“過分割”?！斑^分割”能將目標物、投影和自影一起分割出來。由于自影和投影像素很相近，直接采用一般的分割算法很難將其分開。為此在進行第二次分割前先將對其進行頂帽-底帽變換以增強對比度，然后再采用自動種子定位的區(qū)域生長法進行第二次分割。為簡化計算，在第一次分割結果的基礎上以最上、最下、最左和最右非255像素值點為界限提取感興趣區(qū)域（ROI）作為子圖用作后續(xù)分割。

然后對坦克和卡車圖片的ROI區(qū)域進行頂帽-底帽變換以增強其對比度。本文采用半徑為15的圓盤作為結構元素。對圖4的坦克和卡車進行頂帽-底帽變換的結果如圖6所示。

圖5　灰度均值區(qū)域增長法Fig.5　Grayscale average regional growth method

圖6　頂帽-底帽變換結果：左2為變換前圖像，右2為變換后圖像Fig.6　Hat-bottom cap transformation results：left 2 for images before transform，right 2 for images after transform

進一步分析坦克和卡車ROI的直方圖（圖7）可知，最低灰度級段都會出現(xiàn)第一個高峰，由于投影區(qū)域的灰度級較低，所以第一個高峰代表投影區(qū)域，而灰度級最高段的高峰則主要是白色背景導致的。同時由于直方圖均呈現(xiàn)多峰分布，很難采用閾值分割法將投影去除的同時又盡可能少的去除車身部分。

圖7　ROI區(qū)域直方圖：左圖為坦克，右圖為卡車Fig.7　ROI area histogram：left for tank，right for truck

針對這一問題，本文對提高對比度后的圖片采用自動種子定位的區(qū)域生長法去除投影。為使去除投影的同時盡可能少去除車身部分，本文把種子生長點放在投影區(qū)域。即先把投影當做目標，把坦克和卡車當做背景將投影提取出來，然后在ROI區(qū)域上去除提取出的投影區(qū)域即可把投影去除。自動定位種子點后采用灰度均值區(qū)域生長法來提取投影區(qū)域，而均勻測度K取為K=t2（ROI區(qū)域的直方圖上找到第一個峰谷點的灰度級），提取結果如圖8（a）所示；然后根據(jù)連通域的面積將8（a）中的小孔洞填滿后進行形態(tài)學開運算斷開細窄的連接帶，再根據(jù)連通域面積去除小的孤立的連通域后得到8（b）；其次從單次閾值分割中提取的目標去除提取的投影部分得到圖8（c）；再次根據(jù)連通域的面積去除小的孤立的連通域得到圖8（d）；最后將圖8 d）與圖4進行與運算即可得到最終的提取目標。

4　實驗結果比較與分析

4.1閾值分割算法分析

本文測試了Ostu法、迭代法、二維最大熵法和KFCM閾值分割的效果，4種方法計算出的閾值如表1所示。3種閾值分割算法對坦克的分割效果都較好，而對卡車的分割都引入了大量背景，尤其是采用二維最大熵法分割卡車時將卡車的車身都當做了背景。這是因為，坦克的直方圖具有一個明顯的主峰和一個小的單峰，對于圖像直方圖為這種簡單的雙峰結構的圖像，采用單閾值分割方法就能有比較滿意的分割效果。而卡車圖像的直方圖為典型的多峰結構，多峰結構的直方圖采用單閾值分割很難將目標與背景很好的分離。

圖8　二次分割提取目標Fig.8　Re-segmentation image segmentation

4.2目標提取算法比較與分析

本文對提出的Ostu單次閾值分割法、迭代法單次分割法、二維最大熵單次分割法、KFCM、灰度均值區(qū)域生長法和基于頂帽-底帽變換的二次分割法均在測試圖片上進行了測試，測試結果如圖9所示。

表1　閾值計算結果Tab.1　Threshold calculation results

圖9　6種算法目標提取結果Fig.9　Target extraction results of 6 kinds of algorithm

5　結　論

針對邊緣檢測算法的不足，本文首先采用單次閾值分割方法提取出了帶有車身投影的目標，然后采用灰度均值的區(qū)域生長法提取出了去掉車身投影的目標。最后利用閾值分割和區(qū)域增長的優(yōu)勢并結合頂帽-底帽變換，提出了基于頂帽-底帽變換和二次圖像分割的目標提取算法。實驗表明，該算法僅去掉了少量車體部分，但去除了大面積投影。本文提出的算法具有以下特點：1）實時性較好，在去除少量車體部分的同時能去除車身的投影，大大減少了目標物的形心漂移現(xiàn)象；2）自適應性較強，能利用陰影的特點快速自動定位種子生長點和閾值K；3）簡單且易于實現(xiàn)，不需要構建復雜投影模型來去除投影。

然而，本次對圖像分割的研究也有很多今后需要深入研究的地方：1）對提取的陰影沒有進一步處理。如圖9（b）所示。怎么確定一種魯棒性好的方法去除圖9（b）中長條狀的自影部分；2）沒能去除車身附近少量的雜草。對于此問題，考慮利用坦克和卡車外形的先驗知識，如何利用幾何條件（如Hough變換直線檢測）去除雜草也是今后需要繼續(xù)研究的問題。

［1］J Bernsen.Dynamic thresholding of Grey-level lmages［C］//in：Proceeding of the Eighth International Conference on Pattern Recognition.Paris，F(xiàn)rance，1986：1251-1255.

［2］W Niblaek.An Introduction to Digital Image Processing［M］. Prentice Hall.Englewood CliffS.NJ，1986.

［3］J Sauvola and M Pietikainen.Adaptive document image binarization［J］.Pattern Recognition，2000，33（2）：225-236.

［4］B Gatos.I Pratikakis，S J Perantonis.Adaptive degraded document image binarization［J］.Pattern Recognition，2006，39 （3）：317-327.

［5］Kuo-LiangChung，Chia-LunTsai.Fast incremental algorithm for speeding up the computation of binarization［J］.Applied Mathematics and Computation，2009，212（2）：396-408.

［6］HUANG Deng-yuan，WANG Chia-hung.Optimal multi-level thresholding using a two-stage otsu optimization approach［J］. Pattern Recognition Letters，2009，30（3）：275-284.

［7］Vincent L，Soille P.Watersheds in digital spaces：an efficient algorithm based on immersion simulations［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13 （6）：583-598.

［8］ZHAO Qin-pei，YAO Li-xiu，CHENG Jian，et al.A novel color image segmentation based on color information and region growing［J］.Journal of Shanghai Jiao Tong University，2007，41（5）：802-812.

Target extraction based on the hat-bottom cap transformation and second image segmentation

YANG Man
（The Business School of Hohai University，Nanjing 211100，China）

This paper use the method of maximum amount of variance，iterative，two-dimensional maximum entropy，KFCM single threshold segmentation and grayscale average region to put the tanks and trucks segmented from the background growing respectively.To solve the problem of single threshold segmentation method and the grayscale average region growing method being not able to segment the car or lost some part in extracting target projection，this paper has combined the advantage of single threshold segmentation method and the region growing method，and has put forward a target extraction method based on the hat-bottom cap transformation and the second image segmentation.Comparison test shows that the algorithm can remove the bodywork projection while remaining the intact body，which can inhibit the target centroid drift to a large extent.

optimal thresholding；region growing method；hat-bottom cap transformation；re-segmentation

TN99

A

1674－6236（2016）03-0171-05

2015-03-28稿件編號：201503410

楊 漫（1988—），女，安徽寧國人，碩士，助理工程師。研究方向：人力資源管理。