陳進(jìn)強(qiáng)，黃繼梅

(1. 南昌大學(xué)共青學(xué)院，江西 九江 332020；2. 南昌航空大學(xué)科技學(xué)院，江西 九江 332020)

1 引言

信息時(shí)代的到來打破了各領(lǐng)域人工智能的發(fā)展瓶頸?，F(xiàn)如今，人工智能不僅具有較強(qiáng)的學(xué)習(xí)能力，而且在不斷的學(xué)習(xí)中，面向相對(duì)復(fù)雜的工作也給出了正確、有效的決斷。圖像是當(dāng)前的一種主流交互形式，其融合、分割技術(shù)在圖像處理領(lǐng)域中具有至關(guān)重要的作用。其中，圖像分割是根據(jù)顏色、幾何形狀以及紋理等特征屬性，針對(duì)性地劃分圖像的不同區(qū)域，作為圖像高級(jí)處理的關(guān)鍵技術(shù)與必要條件之一，圖像分割始終是一個(gè)最具研究性的課題。

國外為開展圖像分割技術(shù)研究，建立了多個(gè)專業(yè)實(shí)驗(yàn)室，比如賓夕法尼亞大學(xué)的視覺分析與仿真技術(shù)實(shí)驗(yàn)室、加利福尼亞大學(xué)的可視化與智能系統(tǒng)實(shí)驗(yàn)室等。而國內(nèi)在探索圖像分割的進(jìn)程中也取得了顯著成果，例如：劉國華等人完成圖像空洞修復(fù)后，利用深度信息下的線性譜聚類核函數(shù)，得到超像素分割算法；張志龍等人根據(jù)局部區(qū)域像素密度，遍歷歸屬關(guān)系樹的超像素種子，分配超像素標(biāo)記，實(shí)現(xiàn)超像素分割。但是，盡管文獻(xiàn)方法在一定程度上提升了分割精準(zhǔn)度，但仍然無法滿足用戶的智能化、實(shí)時(shí)性需求。

為此，本文根據(jù)快速SLIC算法，設(shè)計(jì)人工智能圖像超像素快速分割方法。作為一種高綜合性的預(yù)分割策略，快速SLIC算法得到的超像素相對(duì)密實(shí)、均勻，其運(yùn)算速度與邊緣保持等能力也相對(duì)理想；基于快速SLIC算法，通過標(biāo)記周圍鄰域標(biāo)簽，設(shè)計(jì)出快速聚類算法，既有助于確保分割質(zhì)量，也能夠提升分割效率；通過用戶交互階段與相似度度量階段，令超像素相似部分實(shí)現(xiàn)人工智能自適應(yīng)合并，使圖像分割完全。

2 基于鄰域標(biāo)記的快速SLIC算法

在確保分割質(zhì)量的前提下實(shí)現(xiàn)更高效的分割，本研究基于快速SLIC算法，構(gòu)建出鄰域標(biāo)記下的簡(jiǎn)單線性迭代快速聚類算法。

2.1 鄰域標(biāo)記

將像素點(diǎn)分類圖1中β窗格的約束像素點(diǎn)選取為四個(gè)，完成RGB空間與CIE Lab空間的轉(zhuǎn)換，得到初始化種子點(diǎn)；根據(jù)得到的簇中心與像素間的關(guān)系特征，劃分全部像素點(diǎn)為兩種窗格α、β，像素點(diǎn)標(biāo)簽的標(biāo)記順序?yàn)橛缮现料?、由左至右，?biāo)記間隔為一個(gè)像素點(diǎn)，經(jīng)標(biāo)記的全部像素點(diǎn)即為β窗格，其余像素點(diǎn)為α窗格。由左下角框中的兩窗格占比可知，該算法需標(biāo)記二分之一的像素點(diǎn)；由右下角框中的兩窗格占比可知，β窗格的像素點(diǎn)周圍均存在四個(gè)α窗格(除首末行與首末列)，即α窗格對(duì)中間的β窗格有約束作用。

圖1 像素點(diǎn)類別劃分示意圖

當(dāng)為

β

窗格的超像素標(biāo)記標(biāo)簽時(shí)，存在以下四種類別劃分狀況：1)周圍標(biāo)簽完全不同：

β

窗格像素點(diǎn)有四個(gè)簇中心

C

、

C

、

C

、

C

，像素點(diǎn)

i

與四個(gè)簇中心的五維空間距離如下所示，運(yùn)算次數(shù)為四次

(1)

該公式里，

CIE

Lab

顏色空間中像素點(diǎn)與簇中心之間的歐幾里得距離為

d

(

i

，

C

)，而對(duì)于

CIE

Lab

顏色方位而言，兩點(diǎn)之間的歐幾里得距離為

d

(

i

，

C

)，

λ

為修正因子，該因子可調(diào)整空間距離與顏色距離之間的占比。2)存在兩個(gè)相同標(biāo)簽：

β

窗格像素點(diǎn)有三個(gè)簇中心

C

、

C

、

C

，同理，得到像素點(diǎn)

i

與三個(gè)簇中心的五維空間距離，運(yùn)算次數(shù)為三次；

3)存在三個(gè)相同標(biāo)簽：同上可知，運(yùn)算次數(shù)為兩次；

4)周圍標(biāo)簽完全相同：無需運(yùn)算，直接將鄰域標(biāo)簽標(biāo)記至

β

窗格。經(jīng)過聚類全部歸屬

β

窗格的像素點(diǎn)，更新簇中心，再次聚類至滿足預(yù)設(shè)的閾值條件，優(yōu)化超像素間的連通性。

2.2 快速SLIC

以往的SLIC算法通常利用平面空間與CIE Lab顏色空間的五維特征加權(quán)和來求取相似度。限定像素點(diǎn)遍歷范圍是2S*2S，一旦像素點(diǎn)超出該范圍，即判定該像素點(diǎn)不歸屬該簇。

圖2 傳統(tǒng)算法下相似度求解次數(shù)示意圖

以圖2為例，各窗格均為一個(gè)初始簇，像素點(diǎn)

i

位于

C

所在簇，以該點(diǎn)為中心的2

S

*2

S

范圍中涵蓋

C

、

C

、

C

以及

C

四個(gè)簇中心，則對(duì)于像素點(diǎn)

i

的相似性度量需經(jīng)四次運(yùn)算；如果像素點(diǎn)

i

與簇中心

C

重合，則該點(diǎn)的遍歷區(qū)域包含簇中心

C

及其八近鄰簇中心，故此時(shí)像素點(diǎn)

i

相似性的計(jì)算次數(shù)為九次。綜上所述，傳統(tǒng)

SLIC

算法在求解各像素點(diǎn)相似度時(shí)的運(yùn)算次數(shù)最高可達(dá)九次。假設(shè)各像素點(diǎn)運(yùn)算平均次數(shù)的數(shù)學(xué)期望值為

E

，

E

的計(jì)算公式如下所示

(2)

式中，

θ

表示像素點(diǎn)

i

的八鄰域像素集合，

c

指代像素點(diǎn)的相似度度量次數(shù)，

p

代表的是圖像基準(zhǔn)值中的目標(biāo)邊緣像素點(diǎn)。而關(guān)于鄰域標(biāo)記下的簡(jiǎn)單線性迭代快速聚類算法，其

α

窗格像素點(diǎn)的分類模式同傳統(tǒng)算法一樣，但占比為二分之一的

β

窗格像素點(diǎn)，其相似度度量最多只需四次計(jì)算，因此，有助于大幅提升快速聚類算法的分割效率。假設(shè)各像素點(diǎn)運(yùn)算平均次數(shù)的數(shù)學(xué)期望值是

E

′，則計(jì)算公式如下所示

(3)

若算法遞歸次數(shù)為

G

，圖像像素點(diǎn)總個(gè)數(shù)為

I

，則傳統(tǒng)算法與快速算法的時(shí)間復(fù)雜度分別為

O

(

GIE

)、

O

′(

GIE

′)，由此可知，時(shí)間復(fù)雜度隨著數(shù)學(xué)期望的下降而減小，因此，本文構(gòu)建的快速聚類算法具有一定的加速作用。

3 人工智能圖像超像素分割

利用所提的快速

SLIC

算法，取得原始分割圖像后，通過以下三個(gè)步驟，完成超像素相似部分的人工智能自適應(yīng)合并，進(jìn)一步令圖像分割完全：1)用戶交互：以用戶需求為根本，在獲取的原始分割圖像中，區(qū)分開背景部分與目標(biāo)部分。設(shè)定

T

為超像素原始分割部分集合，

T

與

T

分別指代目標(biāo)超像素集與背景超像素集，

T

表示其它超像素集，故各集合間的關(guān)系表達(dá)式如下所示

T

=

T

∪

T

∪

T

(4)

2)不同圖像部分的相似度衡量：根據(jù)顏色直方圖反映各部分圖像特征，呈現(xiàn)目標(biāo)部分顏色特征，以此作為合并準(zhǔn)則，基于RGB顏色空間，求解超像素部分的顏色直方圖。平均量化處理顏色空間里各通道為a級(jí)，得到各圖像部分的色級(jí)數(shù)量a，采用Compare Hist函數(shù)計(jì)算各部分相似度，下式所示為該相似系數(shù)界定公式

(5)

3)超像素極大相似部分的自適應(yīng)合并：基于恒定的目標(biāo)超像素集

T

，最大程度合并背景超像素部分

T

與其它超像素部分

T

，直到背景部分合并完全。自適應(yīng)合并流程分為背景部分合并階段、其它部分合并階段，經(jīng)迭代循環(huán)處理，待所有部分完成合并時(shí)，迭代停止，具體描述如下：

(6)

(7)

迭代操作兩個(gè)合并階段，待無可合并區(qū)域時(shí)，停止循環(huán)處理，取得圖像中完整的目標(biāo)部分與背景部分，完成圖像超像素分割。

4 實(shí)驗(yàn)設(shè)計(jì)

4.1實(shí)驗(yàn)環(huán)境

按表1所示的參數(shù)配置搭建實(shí)驗(yàn)環(huán)境。

表1 實(shí)驗(yàn)環(huán)境軟硬件配置參數(shù)

4.2 不同方法的圖像超像素分割視覺效果

在BSDS500數(shù)據(jù)庫中選取待分割圖像目標(biāo)，統(tǒng)一圖像規(guī)格為326*484，利用

Pr

oteus仿真軟件模擬文獻(xiàn)方法與本文方法進(jìn)行分割，得到零噪聲圖像超像素分割結(jié)果。

通過對(duì)比文獻(xiàn)方法與本文方法的零噪聲圖像超像素分割結(jié)果可以看出，本文方法相較于文獻(xiàn)方法的分割質(zhì)量更高，分割線與目標(biāo)背景分界線較為擬合，即使是色彩界線不明顯的部分，仍具有較好的分割效果。這是因?yàn)楸疚睦妙伾狈綀D精準(zhǔn)反映了圖像的各部分特征，呈現(xiàn)出目標(biāo)部分的顏色特征，將其作為合并準(zhǔn)則后，基于RGB顏色空間，解得了超像素部分的顏色直方圖，基于恒定的目標(biāo)超像素集，使背景超像素部分與其它超像素部分得以最大程度合并。

圖3 初始圖像

圖4 本文方法的分割結(jié)果

圖5 傳統(tǒng)方法分割結(jié)果

4.3 不同方法評(píng)價(jià)結(jié)果

為檢驗(yàn)方法分割性能，將高斯、椒鹽等不同種類噪聲添加至無噪圖像中，并對(duì)含帶各類噪音的圖像展開分割仿真。采用峰值信噪比與分割耗時(shí)兩指標(biāo)，量化分析文獻(xiàn)方法與本文方法的噪聲免疫性能與實(shí)時(shí)性能，各指標(biāo)實(shí)驗(yàn)結(jié)果分別如圖6、圖7所示。

圖6 不同方法的噪聲免疫性能

圖7 不同方法的分割實(shí)時(shí)性能

根據(jù)圖6、7中峰值信噪比與分割時(shí)長的指標(biāo)數(shù)據(jù)變化情況可以看出，對(duì)比文獻(xiàn)方法，本文方法以鄰域?yàn)榛鶞?zhǔn)，把標(biāo)簽標(biāo)記在各窗格超像素上，經(jīng)過聚類全部窗格像素點(diǎn)來更新簇中心，優(yōu)化了超像素間的連通性，因此，極大程度降低了各類噪聲對(duì)本文方法的影響程度，且較文獻(xiàn)[4]更具穩(wěn)定性；盡管分割時(shí)長隨噪聲類型的更改略有浮動(dòng)，但由于本文算法在度量部分窗格像素點(diǎn)的相似度時(shí)，最多只需四次計(jì)算，分割耗時(shí)遠(yuǎn)低于文獻(xiàn)方法時(shí)長，具有較高的分割實(shí)時(shí)性。

5 結(jié)論

計(jì)算機(jī)技術(shù)水平大幅提升，令人工智能在諸多重要領(lǐng)域得到廣泛應(yīng)用，比如醫(yī)學(xué)、軍事等，尤其在匯集了圖像配準(zhǔn)、圖像壓縮、圖像重建等技術(shù)的計(jì)算機(jī)視覺領(lǐng)域中，更是占據(jù)著至關(guān)重要的位置。計(jì)算機(jī)視覺領(lǐng)域中，圖像分割也是主要研究課題之一，其重要性隨著自動(dòng)駕駛、智能機(jī)器人等智能應(yīng)用的飛快發(fā)展而與日俱增。作為一種像素級(jí)別的類別劃分策略，圖像分割更具復(fù)雜性，有助于深度理解圖像信息。本文方法中存在的部分手動(dòng)設(shè)定參數(shù)會(huì)影響分割質(zhì)量，設(shè)計(jì)一種自適應(yīng)參數(shù)算法或歸一化分割方法將成為下一階段的探索方向；為有效拓展方法的普及應(yīng)用，需創(chuàng)建客觀性較強(qiáng)的分割評(píng)價(jià)模型，定量評(píng)估圖像分割效果，完善分割性能；今后應(yīng)針對(duì)圖像紋理特征的相似性展開計(jì)算，使圖像信息得到更準(zhǔn)確的分割。