基于感興趣區域輪廓的圖像分割方法

摘 要：針對耗時和區域邊界不精確的圖像分割問題，對邊緣檢測方法和區域生長方法進行研究、改進，提出以邊緣檢測和區域生長相結合的感興趣區域輪廓的圖像分割方法，該方法能夠更加精確地對圖像進行分割。實驗結果表明，該方法對復雜環境下感興趣區域的圖像分割具有良好的效果。

關鍵詞：邊緣檢測；區域生長；感興趣區域；圖像分割

中圖分類號：TP391.4 文獻標識碼：B 文章編號：1004373X(2008)1613303

Image Segmentation Method Based on Silhouettes of Interested Region

WANG Yanni.1，2，FAN Yangyu.2，MAO Li.1，2

(1.School of Information and Control Engineering，Xi′an University of Architecture Technology，Xi′an，710055，China；

2.School of Electronic and Information，Northwestern Polytechnical University，Xi′an，710072，China)

Abstract：An image segmentation method based on silhouettes of interested region is proposed in this paper because the segmentation problem of wasting time and illegibility of region′s boundary，which method is combined with edge detection and region growth.Searching the two methods and improving them，the new method can segment the image very accurately.The experimental results show that the segmentation algorithm has better performance to image segmentation of interested region in complex environment.

Keywords：edge detection;region growth;interested region;image segmentation

目標分割是圖像識別中最基本的步驟。目前有直方圖閾值法、特征空間聚類、邊緣檢測方法、基于區域的方法、模糊方法、神經元網絡方法等主要圖像分割方法。其中邊緣檢測方法提供了圖像的簡單幾何結構，而彩色邊緣通常是不連續的或過檢測的，這樣不能直接用于圖像內容的描述。在以邊緣為基礎的圖像分割中，檢測邊緣點之后執行的一些后處理過程，如邊緣追蹤、間隙填充、平滑及細化等，都是耗時的。以區域為基礎的圖像分割能夠提供封閉的區域邊界，但邊界可能非常不精確。針對以上問題，提出一種以邊緣檢測方法和區域生長方法相結合的感興趣區域輪廓的圖像分割方法，不僅避免了以邊緣檢測方法的耗時過程，并使以區域生長方法所提供的邊界更加精確。

1 邊緣檢測法

邊緣檢測^［13］是所有基于邊界分割算法的基礎。邊緣是灰度不連續的結果，兩個具有不同灰度值的相鄰區域之間總存在邊緣。用一階導數的局部最大值或二階導數的過零點可以用來方便地檢測邊緣。

梯度算子是一階導數算子。對一個連續函數f(x，y)，它在(x，y)位置的梯度g可表示為一個矢量：

g(x，y)=f(x，y)=［gx，gy］.T=［fx，fy］.T(1)

它的模（幅度）和方向角分別為：mag(f) = g.2x+ g.2y ，θ = argtangy gx (2) 在對象分割時，如果對象的部分邊界紋理與相鄰部分背景紋理相近或相同，則在對象區域提取時，其邊界線會出現斷點、不連續、分段連續等情況。在圖像中有噪聲干擾時，也會使輪廓線斷開，所以在對象區域提取分割時，未得到閉合的邊界以使對象區域完整的分開，應經歷一個使不連續邊界閉合的過程，即邊界閉合，在此利用基于鄰域梯度的邊界閉合技術。

一般，圖像中的對象應具有輪廓或邊界的，勾畫輪廓使用梯度計算的方法，即求取輪廓各點處梯度的大小和方向。要把斷續的邊界點連接起來，則需要對斷開處兩端點梯度的大小和方向檢查其是否相近，如果相近即將該處連接，是否相近，使用閾值的方法予以判斷，如果斷點鄰域處梯度幅度的差在某鄰域內，梯度方向的差也在某鄰域內，即認為其相近可以使其閉合連接。表達式為：|f(x1，y1)－f(x2，y2)|≤T1(3)

|φf(x1，y1)－φf(x2，y2)|≤T2(4)其中(x1，y1)，(x2，y2)是斷開處的2個端點。

f(x1，y1)是梯度的大小；φf(x1，y1)是梯度的方向；T1是梯度大小的閾值；T2是梯度方向的閾值。

2 區域生長法

區域生長法^［46］首先對每個要分割的區域找一個種子像素作為生長的起點，然后將種子像素周圍的鄰域中與種子像素有相同或相似性質的像素合并到種子像素所在的區域中，像素之間的相似性準確預先確定。將這些新像素當作新的種子像素繼續進行上面的過程，直到沒有滿足條件的像素被包含進來。

(1) 選擇或確定一組能代表目標區域的種子像素；

(2) 確定在生長過程中能將相鄰的像素包含進來的準則；

(3) 制定使生長過程停止的條件或準則。

種子像素的選取一般根據具體問題的特點來確定。如果對具體問題有先驗知識，可人為制定種子像素的特性。若沒有先驗知識，可借助生長準則對每個像素進行相應的計算，如果計算結果呈現聚類情況，則選擇聚類重心的像素作為種子點。

區域生長的關鍵是選擇合適的生長或相似性準則，大部分區域生長準則使用圖像的局部性質。生長準則的選取不僅依賴于問題本身，也和所利用圖像數據的種類有關。一般生長過程進行到沒有滿足生長準則的像素時就停止生長，但常用的基于灰度、紋理的準則大都基于圖像的局部屬性，并沒有考慮生長的“歷史”，為增加區域生長的能力需要考慮一些與尺寸、形狀等圖像的全局性質有關的準則。

3 感興趣區域輪廓的圖像分割算法

3.1 結合算法

把邊緣提取和區域生長的結果結合起來能夠提供更加精確的圖像分割，方法如下：

(1) 對于同一區域找出每一行和每一列的第一個和最后一個像素，作為此區域的邊界像素，從而確定每個同質區域的邊界像素；

(2) 結合由種子區域生長過程所得的區域邊界和由邊緣檢測過程所獲得的邊緣有以下可能性：

① 既是區域的邊界像素，又是邊緣的邊緣像素，這種的像素應該是最后的區域邊界像素；

② 既不是區域的邊界像素，也不是邊緣的邊緣像素，這樣的像素應該是區域內部的像素，而不是區域邊界像素；

③ 是區域的邊界像素而不是邊緣的邊緣像素，這樣的像素可能是不連續點，應該在其鄰域像素的基礎上確定，是不確定像素；

④ 不是區域的邊界像素但是邊緣的邊緣像素，這樣的像素可能是邊緣檢測的過檢測像素，也應在鄰域像素的基礎上確定，是不確定像素；

(3) 對于不確定像素，利用邊緣檢測的方法確定是否為區域的最后邊界像素。

3.2 感興趣區域輪廓提取

區域是一個具有某種意義的整體，通常由一系列彼此相連的區域組合而成，并且這些區域的關系圖及其輪廓能夠在原始圖像中很好的體現。這些連接區域包含不同的顏色和紋理，并且它們的輪廓決定這些區域應該被放在一起來形成一個整體區域^［7，8］。不同區域有不同的視覺模型，很難用一個通用視覺模型來產生不同區域^［9，10］。在此以人為例，設計人體的提取模型，把人臉作為人體對象產生的種子，根據設計的人體視覺模型來管理種子區域增長的過程，并且這個視覺模型可指導怎樣把人臉、身體、手臂和腿組合在一起。

應用一個簡單的人頭肩的比例模型僅對人的頭肩圖像進行處理，以比例模型為基礎的人體頭肩像提取技術的步驟如下：

(1) 檢測人臉區域，作為人體區域增長的種子；

(2) 利用人臉區域，根據比例模型確定圖像中人的頭肩的大致位置；

(3) 利用結合算法得到精確的區域邊界圖像，計算每個區域落在比例模型范圍內的像素個數占整個區域所包含像素數的百分比，如果超過75%，則認為此區域是人體的一部分，否則不是；

(4) 將認為是人體部分的區域像素值設為１，否則設為０，則將感興趣區域提取出來。

4 仿真試驗

為驗證結合算法的效果，采用各種典型視頻序列圖像如American miss，Carphone等對算法進

行了試驗，另外也從各種影片中截取了視頻圖像進行測試，圖像大小均為360×288 pixels，試驗平臺是P42.4 G的微機，處理速度在10 f/s左右，圖１是對American miss視頻序列中感興趣區域輪廓，即人的頭肩區域進行實驗的部分結果。由該圖可以看出來，在人臉位置不斷變化的情況下，算法能很好地進行圖像提取分割，并且結合算法比邊緣檢測算法所產生的誤差平均降低2.6 pixels。

5 結 語

通過對邊緣檢測方法和區域生長方法進行分析、研究及改進，提出一種邊緣檢測與區域生長相結合的新的感興趣區域輪廓的圖像分割方法，不僅實現了復雜環境下的感興趣區域的分割，且精度較高。

圖1 分割誤差實驗證明，基于邊緣檢測與區域生長的結合算法能有效解決感興趣區域變化的各種問題，并能提高系統對環境的適應能力。

參 考 文 獻

［1］賀貴明，吳元保，蔡朝暉，等.基于內容的視頻編碼與傳輸控制技術［M］.武漢：武漢大學出版社，2005.

［2］孫即祥.圖像分析［M］.北京：科學出版社，2005.

［3］朱秀昌，劉峰，胡棟.數字圖像處理與圖像通信［M］.北京：北京郵電大學出版社，2002.

［4］徐立中.數字圖像的智能信息處理［M］.北京:國防工業出版社，2001.

［5］Stephen J.solari.數字視頻和音頻壓縮［M］.北京：電子工業出版社，2000.

［6］張旭東，盧國棟，馮健.圖像編碼基礎和小波壓縮技術——原理、算法和標準［M］.北京：清華大學出版社，2004.

［7］王燕妮，樊養余.基于視頻壓縮的多分辨率預測菱形搜索算法［J］.計算機工程與應用，2007，43（27）：9597.

［8］王燕妮，樊養余，彭軻.基于視頻壓縮的快速自適應菱形搜索算法［J］.電子技術應用，2007(9)：6668.

［9］Hong Lu，YapPeng Tan.An Effective PostRefinement Method for Shot Boundary Detection ［J］.IEEE Trans.Circuit Syst.Video Techno1.，2005，15(3):1 4071 421.

［10］Giuseppe Boccignone，Angelo Chianese.Foveated Shot Detection for Video Segment ［J］.IEEE Trans.Circuit Syst.Video Techno1.，2005，15(3):365377.

作者簡介 王燕妮 女，1975年出生，陜西蒲城人，講師，博士生。主要研究方向為視頻壓縮、圖像處理等信號與信息處理。

樊養余 男，1960年出生，教授，博士生導師，工學博士（博士后），曾在英國華威大學做訪問學者。從事的研究領域為數字信號處理、數字圖像處理、人工智能等；目前主要從事強噪聲中信號檢測與恢復、數據壓縮、信息安全、目標識別等方面的研究。

毛 力 男，1980年出生，博士生。主要研究方向為信號與信息處理。

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文