李奇澤

關(guān)鍵詞：圖像分割；隸屬度函數(shù)；超像素；區(qū)域限制

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

0 引言

在計(jì)算機(jī)視覺分析及圖像處理領(lǐng)域，快速且精準(zhǔn)分割圖像早已是重點(diǎn)研究?jī)?nèi)容，圖像信息處理基本上都是以該技術(shù)作為支撐完成的[1-2]。學(xué)者提出不同的圖像分割算法，研究結(jié)果顯示分割效果均表現(xiàn)良好[3]。近年來，圖像應(yīng)用技術(shù)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(cè)試與醫(yī)學(xué)分析領(lǐng)域，聚類方法不同于上述學(xué)者提出的分割方法，其具有直觀性強(qiáng)、步驟簡(jiǎn)單的優(yōu)勢(shì)，因而近年來應(yīng)用十分廣泛，圖像預(yù)處理效果可通過結(jié)合各類方法得到顯著增強(qiáng)[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(shù)硬分割方法，其主要優(yōu)勢(shì)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(shù)得到廣泛應(yīng)用[9]。然而需要注意的是，由于圖像各項(xiàng)空間數(shù)據(jù)均未被充分考慮，導(dǎo)致噪聲及成像偽影對(duì)FCM 產(chǎn)生嚴(yán)重影響，進(jìn)而造成區(qū)域一致性條件無法由實(shí)際獲取的圖像分割結(jié)果所滿足。為解決上述問題，需要將研究重點(diǎn)放在如何將空間信息融入FCM 聚類過程。還有學(xué)者為提高抗噪性能，在空間信息中融入通過改進(jìn)方法[10] 修改的FCM 目標(biāo)函數(shù)。

本文以高階能量模型為基礎(chǔ)構(gòu)建聚類分析方法，在分析像素區(qū)域級(jí)隸屬度時(shí)以超像素的區(qū)域一致性為標(biāo)準(zhǔn)，獲取點(diǎn)對(duì)先驗(yàn)概率采用均值模板技術(shù)，在此基礎(chǔ)上對(duì)實(shí)際超像素與區(qū)域級(jí)隸屬度函數(shù)或主標(biāo)簽之間的聯(lián)系進(jìn)行分析，分割結(jié)果區(qū)域一致性目標(biāo)需要參考此分析結(jié)果和超像素信息來實(shí)現(xiàn)。

1 圖像分割評(píng)估方法

在計(jì)算像素級(jí)與區(qū)域級(jí)隸屬度函數(shù)時(shí)，以高階能量模型為依據(jù)構(gòu)建HMRF/FCM 方法，該方法的理論基礎(chǔ)為自適應(yīng)隸屬度，根據(jù)區(qū)域一致性條件，通過區(qū)域級(jí)隸屬度函數(shù)對(duì)區(qū)域級(jí)隸屬度函數(shù)與像素自適應(yīng)隸屬度函數(shù)的點(diǎn)對(duì)先驗(yàn)概率進(jìn)行計(jì)算，確保分割質(zhì)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(duì)區(qū)域級(jí)迭代與像素級(jí)的目標(biāo)函數(shù)進(jìn)行計(jì)算，最后再針對(duì)超像素像素貢獻(xiàn)度c_j 進(jìn)行計(jì)算。

2 實(shí)驗(yàn)結(jié)果及分析

合成圖像實(shí)例如圖1 所示。含有噪聲信號(hào)的圖像以及原始數(shù)據(jù)合成圖像均可通過觀察獲取，在測(cè)試采用人工分割無法解釋隨機(jī)量時(shí)可利用這種方法實(shí)現(xiàn)。

2.1 參數(shù)設(shè)置

FCM 算法與本文所選方法具有相同設(shè)置，錯(cuò)誤率ε 為0.95， 分別按照3×3 與5×5 的標(biāo)準(zhǔn)設(shè)置合成圖像測(cè)試集與Berk 圖像集的鄰域窗口；參數(shù)Q 分別設(shè)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(biāo)準(zhǔn)設(shè)置超像素生成算法參數(shù)。

2.2 結(jié)果與分析

對(duì)谷歌數(shù)據(jù)庫圖像集進(jìn)行測(cè)試，自然圖像在該圖像集中共有300 幅，大量人工標(biāo)記結(jié)果均可提供。FCM 算法和圖像分割評(píng)估方法（簡(jiǎn)稱“本文算法”）的分割結(jié)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(biāo)記最小聚類數(shù)量為各幅圖像設(shè)定聚類個(gè)數(shù)，從而實(shí)現(xiàn)對(duì)算法有效性的分析。

300 幅圖像經(jīng)過兩種算法的分割處理數(shù)據(jù)如表1 所示。采用3 種主流的評(píng)價(jià)指標(biāo)函數(shù)：概率蘭德指數(shù)（probabilistic Rand index，PRI）、信息變差（variation of information，VoI）和全局一致性錯(cuò)誤（global consistency error，GCE）。對(duì)比表1 數(shù)據(jù)得出，從各項(xiàng)評(píng)估指標(biāo)來看，相較于FCM 算法，本文采用的方法可實(shí)現(xiàn)更優(yōu)的性能。經(jīng)分析發(fā)現(xiàn)，特定隸屬度函數(shù)可用于對(duì)超像素內(nèi)像素標(biāo)簽一致性進(jìn)行判斷，在同一種標(biāo)簽像素在超像素中的數(shù)量超過設(shè)定閾值的情況下，將會(huì)用同一種標(biāo)簽替代各像素隸屬度函數(shù)，再對(duì)點(diǎn)對(duì)先驗(yàn)概率完成計(jì)算，通過此過程使主標(biāo)簽聚類個(gè)數(shù)的先驗(yàn)概率得到進(jìn)一步強(qiáng)化。

由于各個(gè)區(qū)域在谷歌數(shù)據(jù)庫人工標(biāo)記結(jié)果中均被劃分為同一種類型，從3 種評(píng)估指標(biāo)來看，在重標(biāo)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(biāo)記的比較算法，分割圖像性能評(píng)估結(jié)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(shù)對(duì)采用本文算法的影響效果時(shí)，當(dāng)Q 值設(shè)定值不同時(shí)，分割300 幅圖像獲得的評(píng)估結(jié)果如表3 所示，同時(shí)還測(cè)試了不同情況下3 種評(píng)估指標(biāo)。經(jīng)對(duì)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(jié)果產(chǎn)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(zhì)量嚴(yán)重影響實(shí)際分割質(zhì)量；超像素主標(biāo)簽隨著Q 值不斷增大獲得難度將更大。

總之，由于像素級(jí)隸屬度函數(shù)在超像素內(nèi)十分容易受到噪聲的影響，那么初期在進(jìn)行迭代時(shí)，如果Q 值過小，則很容易導(dǎo)致在分割超像素中像素的過程中產(chǎn)生較大失誤，進(jìn)而導(dǎo)致錯(cuò)誤信息被傳輸，得到錯(cuò)誤的分割結(jié)果。因此為避免上述問題的產(chǎn)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(biāo)簽標(biāo)記大部分超像素的情況下才可滿足。

3 結(jié)論

本文開展基于區(qū)域級(jí)隸屬度函數(shù)的圖像分割評(píng)估分析，取得如下結(jié)果。

（1）相較于FCM 算法，本文算法可實(shí)現(xiàn)更優(yōu)的性能，設(shè)定的隸屬度函數(shù)可用于對(duì)超像素內(nèi)像素標(biāo)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。