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(biāo)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(jìn)行預(yù)分割，獲得一組區(qū)域塊;其次，提取每個(gè)區(qū)域塊的顏色特征和紋理特征，使用FCM算法分別對每個(gè)特征進(jìn)行聚類，針對每個(gè)特征獲得一個(gè)類標(biāo)簽鄰接矩陣;再次，將多個(gè)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(jìn)行聚類，獲得最終分割圖像。實(shí)驗(yàn)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(zhǔn)確地識別不同的目標(biāo)結(jié)構(gòu)，具有更好的分割效果。

關(guān)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(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

中圖分類號：TP317.4 文獻(xiàn)標(biāo)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(jì)算機(jī)視覺中占有非常重要的地位，其為后續(xù)相關(guān)處理提供了重要信息。該類技術(shù)使用顏色、紋理及空間關(guān)系等特征將圖像劃分為多個(gè)具有獨(dú)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(shù)在遙感影像處理[1]、醫(yī)學(xué)圖像處理[2]、人臉檢測等領(lǐng)域的應(yīng)用較為成功。

1 相關(guān)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(jī)器學(xué)習(xí)研究的逐步深入，基于機(jī)器學(xué)習(xí)的分割算法也備受關(guān)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(yù)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(yīng)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(guān)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(yù)分割成多個(gè)小區(qū)域，再對小區(qū)域進(jìn)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(diǎn);Chen&zhang[8]提出了兩個(gè)改進(jìn)算法FCM_S1和FCM_S2以降低FCM_S的時(shí)間復(fù)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(quán)重?；诖耍琙hong[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(jì)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(shí)間復(fù)雜度;Makroginanis[10]使用分水嶺算法來獲得該預(yù)分割塊[11];Tao[12]使用Meanshift算法獲得該預(yù)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(shè)計(jì)，其中以顏色特征應(yīng)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(dāng)不同的目標(biāo)具有相同顏色或者單一目標(biāo)具用不同顏色時(shí)，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(shè)計(jì)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(yù)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(shí)間復(fù)雜度;其次，提取每個(gè)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(jìn)行聚類，可獲得4個(gè)聚類結(jié)果，針對4種聚類結(jié)果建立4個(gè)類標(biāo)簽鄰接矩陣，將4個(gè)矩陣進(jìn)行疊加;最后，使用NCUT算法對疊加矩陣進(jìn)行分割，獲得最終分割結(jié)果。

2 算法設(shè)計(jì)

2.1 圖像預(yù)分割

本節(jié)將原始圖像預(yù)分割為多個(gè)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(shí)間復(fù)雜度。許多超像素分割算法都可以實(shí)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(shí)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(yù)，在圖像處理和目標(biāo)識別中獲得了廣泛應(yīng)用。它是一種爬山算法，通過計(jì)算最大概率密度獲取目標(biāo)位置。給定[n]個(gè)采樣點(diǎn)[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(gè)超像素區(qū)域特征對其進(jìn)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(gòu)是不夠的。因此，本文同時(shí)考慮顏色和紋理特征，設(shè)計(jì)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(gè)像素[p，p∈I]?？梢垣@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(jì)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(shè)計(jì)，為了更直觀呈現(xiàn)，使用HSV顏色特征作為第二個(gè)特征。首先將像素從RGB空間轉(zhuǎn)換到HSV空間，然后計(jì)算每個(gè)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(jì)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(gòu)的目標(biāo)。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(gòu)建

通過提取特征，對每個(gè)區(qū)域獲得4種特征，分別為[RRGBi]、[RHSVi]、[Rgabori]和[Rdcti]，i=1，…，r。由于每個(gè)特征含有不同的量綱，直接融合在一起會導(dǎo)致值域較大的特征占有較大比重。基于此，分別使用4種特征進(jìn)行聚類，獲得4種不同的聚類標(biāo)簽;然后針對每一種聚類標(biāo)簽，建立其標(biāo)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(biāo)簽鄰接矩陣進(jìn)行聚類，鄰接矩陣A表示任意兩個(gè)超像素塊之間的親和關(guān)系，因此使用NCUT算法對矩陣A進(jìn)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(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)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(jìn)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(shí)現(xiàn)像素點(diǎn)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(gè)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(jìn)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(biāo)（RI）和F-measure指標(biāo)（F）[20]對6種算法進(jìn)行量化分析，兩個(gè)指標(biāo)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(dāng)前人們關(guān)注的熱點(diǎn)，越來越多的學(xué)者致力于相關(guān)研究。由于直接將聚類算法應(yīng)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(shè)計(jì)，在對特定結(jié)構(gòu)的目標(biāo)進(jìn)行分割時(shí)效果并不理想?；诖耍疚奶岢隽艘环N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(jìn)行預(yù)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(shí)驗(yàn)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(jìn)行融合是下一步研究的重點(diǎn)。

參考文獻(xiàn)：

[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(gòu)選擇與實(shí)驗(yàn)分析[J]. 軟件導(dǎo)刊， 2017，16（4）： 201-204.

[2] 錢紅瑩. 基于改進(jìn)Canny算子的醫(yī)學(xué)圖像邊緣檢測算法[J]. 軟件導(dǎo)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(dǎo)刊， 2018，17（4）： 1-5.

[4] 蔣秋霖，王昕. 改進(jìn)FCM的MR腦腫瘤圖像分割[J]. 長春工業(yè)大學(xué)學(xué)報(bào)，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(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，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(jìn)分水嶺算法在腦腫瘤CT圖像分割中的應(yīng)用[J]. 軟件導(dǎo)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(shè)計(jì)與實(shí)現(xiàn)[D]. 杭州：浙江大學(xué)， 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(zé)任編輯：孫 娟）