基于OpenCV的分水嶺分割算法的研究及應(yīng)用

燕 楊 1，2，王云吉 2

（1.長(zhǎng)春師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林長(zhǎng)春 130032；2.吉林大學(xué)通信工程學(xué)院，吉林長(zhǎng)春 130022）

1 分水嶺算法簡(jiǎn)介

分水嶺算法是基于形態(tài)學(xué)的圖像分割方法，其分割特點(diǎn)為定位精確和分割圖像邊緣準(zhǔn)確，在圖像分割領(lǐng)域得到了廣泛的應(yīng)用。在許多實(shí)際情況下，我們要分割圖像，但無(wú)法從背景圖像中獲得有用信息。分水嶺算法在這方面往往是有效的，該算法可以將圖像中的邊緣轉(zhuǎn)化為“山脈”，將均勻區(qū)域轉(zhuǎn)化為“山谷”以便分隔目標(biāo)。分水嶺算法先計(jì)算灰度圖像的梯度，讓亮度值低的點(diǎn)（山谷）、山脊對(duì)應(yīng)的邊緣（山頭）同時(shí)形成，然后從指定點(diǎn)開始持續(xù)“灌注”盆地，直到這些區(qū)域鏈接在一起。這種方法產(chǎn)生的標(biāo)記可以把各個(gè)區(qū)域合并到一起，合并后的區(qū)域又通過“聚集”的方式進(jìn)行分割，好像圖像被“填充”起來(lái)一樣。與指示點(diǎn)相連的盆地就為指示點(diǎn)“所擁有”，從而得到被分割成相應(yīng)的標(biāo)記區(qū)域的圖像。分水嶺算法允許用戶來(lái)標(biāo)記目標(biāo)某個(gè)部分為目標(biāo)，或背景的某個(gè)部分為背景。用戶也可以通過畫一條簡(jiǎn)單的線，告知分水嶺算法把這些點(diǎn)組合起來(lái)。分水嶺算法就會(huì)通過“擁有”邊沿定義的山谷來(lái)分割圖像。

分水嶺算法定位精確且分割細(xì)致，對(duì)微弱的物體邊緣響應(yīng)比較敏感，能確保得到目標(biāo)區(qū)域封閉連續(xù)邊緣。但物體表面一些細(xì)微的灰度變化以及圖像中的噪聲干擾等因素皆會(huì)導(dǎo)致對(duì)圖像過度分割的產(chǎn)生，從而產(chǎn)生過多無(wú)用的邊緣信息。

本文在對(duì)分水嶺算法進(jìn)行了深入的研究的基礎(chǔ)上針對(duì)其過分割的問題提出改進(jìn)：使用區(qū)域合并方法限制允許出現(xiàn)的區(qū)域的數(shù)目，這樣不僅可以有效地抑制過分割問題，還能較好地分割出圖像中的目標(biāo)區(qū)域，以達(dá)到提取圖像有效邊緣信息的目的。

2 原理

2.1 分水嶺傳統(tǒng)方法

分水嶺分割方法是基于拓?fù)淅碚摰男螒B(tài)學(xué)分割方法，它的基本概念是將圖像看成地形學(xué)上被水覆蓋的自然地貌，圖像中的每一點(diǎn)像素的灰度值表示這一點(diǎn)海拔的高度，其中每一個(gè)局部極小值和它所影響的區(qū)域稱為集水盆，集水盆的邊界形成了分水嶺[1]；其思想和形成可以通過模擬“溢流”的過程來(lái)說(shuō)明：首先，在各個(gè)極小區(qū)域的底部打一個(gè)小孔，讓水從孔中溢出，慢慢浸沒極小區(qū)域周圍的區(qū)域，這樣各個(gè)極小區(qū)域所波及的范圍就是相應(yīng)的集水盆，各個(gè)不同區(qū)域的水相連時(shí)的邊界，就是想要獲取的分水嶺[2]。

分水嶺的經(jīng)典算法是L.Vincent提出的模擬沉浸算法，其計(jì)算過程是一個(gè)迭代標(biāo)注過程。在這個(gè)算法中兩個(gè)步驟，分別是排序過程和淹沒過程[3]；首先對(duì)各個(gè)像素的灰度級(jí)進(jìn)行低到高排序，然后在從低到高實(shí)施浸沒的過程中，對(duì)各個(gè)局部極小值在h階-高度的影響域采用FIFO(先進(jìn)先出)結(jié)構(gòu)來(lái)進(jìn)行判斷和標(biāo)注[4]。

設(shè)hmin和hmax是灰度圖像I的最低灰度和最高灰度，Th(I)表示灰度值小于等于閾值h的所有像素，即Th(I)={p|I(p)≤h}。M1，M2，…，MR為圖像中的局部最小點(diǎn)，即低洼。C(Mi)表示與低洼Mi相對(duì)應(yīng)的集水盆地。Ch(Mi)表示C(Mi)的一個(gè)子集，它由該集水盆地中灰度值小于等于h的所有像素組成，即Ch(Mi)=C(Mi)∩Th(I)。minh(I)表示灰度值等于h的所有局部最小值。

令C[h]表示所有集水盆地中灰度值小于等于閾值h的像素集合，即：

那么，C[hmax]就是所有集水盆地的并集。顯然，C[h-1]是Th(I)的一個(gè)子集。

假設(shè)已經(jīng)得到閾值h-1下的C[h-1]，現(xiàn)在需要從C[h-1]獲得C[h]。若Y為包含于Th(I)的一個(gè)連通成分，則Y與C[h-1]的交集有以下三種可能：(1)Y∩C[h-1]為空；(2)Y∩C[h-1]不為空且包含C[h-1]中的一個(gè)連通分量；(3)Y∩C[h-1]不為空且包含C[h-1]中的多個(gè)連通分量。

于是，C[h]就包含對(duì)C[h-1]中的各集水盆地在水平h下擴(kuò)展得到的區(qū)域以及水平h下新出現(xiàn)的低洼。模擬沉浸法將C[hmin]初始化為Thmin(I)，從最小灰度hmin開始，逐灰度級(jí)由C[h-1]構(gòu)造出C[h]，直到hmax，此時(shí)，得到的C[hmax]就是所需標(biāo)記的集水盆地。其他不屬于任何一個(gè)集水盆地的點(diǎn)就是分水線點(diǎn)，通過在圖像中求C[hmax]的補(bǔ)集可以得到[5]。

2.2 改進(jìn)方法

利用上述傳統(tǒng)方法經(jīng)常會(huì)因?yàn)樵肼暤母蓴_和梯度的局部不規(guī)則性影響而造成過度分割。如對(duì)圖1使用傳統(tǒng)算法得到的實(shí)驗(yàn)結(jié)果如圖2所示，圖2中的過度分割產(chǎn)生了很多無(wú)關(guān)的邊緣信息，過多的無(wú)關(guān)信息讓結(jié)果沒有意義。

圖1 原圖像

圖2 使用傳統(tǒng)分水嶺分割算法得到的結(jié)果

利用區(qū)域合并的方法來(lái)限制出現(xiàn)的區(qū)域的數(shù)目可以有效解決該問題。控制過度分割，我們將標(biāo)記作為基礎(chǔ)。本文以O(shè)pencv中的函數(shù)cvWatershed(const Mat&image，Mat&markers)為例進(jìn)行說(shuō)明。markers即是輸入矩陣也是輸出矩陣，大小與image大小相同。使用該函數(shù)時(shí)，在markers矩陣中粗略指定兩種以上區(qū)域，該區(qū)域?yàn)?個(gè)點(diǎn)以上的連通點(diǎn)集，并用不同的正整數(shù)(1，2，3…)標(biāo)記。這些區(qū)域可以用cvFindContour()，和cvDrawContour()標(biāo)記。用戶或算法可以通過畫一條簡(jiǎn)單的線，有效地告知分水嶺算法把這些點(diǎn)組合起來(lái)。markers矩陣其他區(qū)域?yàn)?。調(diào)用cvWatered()函數(shù)后，markers矩陣中所有為0的部分被重新標(biāo)記為正整數(shù)，或?yàn)?1，-1代表筑起來(lái)的壩。

標(biāo)記是圖像的連通分量，分為內(nèi)部標(biāo)記和外部標(biāo)記，內(nèi)部標(biāo)記與目標(biāo)體相關(guān)，外部標(biāo)記與背景相關(guān)。圖像中存在的許多隱含的極小值是導(dǎo)致圖2過度分割的原因之一，因?yàn)檫@些區(qū)域都很小，所以這些值中有很多是沒有意義的細(xì)節(jié)。此時(shí)將圖像用平滑濾波器過濾，將這些對(duì)圖像產(chǎn)生影響的極小的無(wú)關(guān)細(xì)節(jié)降到最少，然后假定在這種情況下，把內(nèi)部標(biāo)記定義成：（1）區(qū)域中的點(diǎn)組成的一個(gè)連通分量；（2）這個(gè)連通分量中點(diǎn)的相同灰度值；（3）被海拔更高的點(diǎn)包圍起來(lái)的區(qū)域，然后對(duì)經(jīng)過平滑處理后的圖像進(jìn)行分水嶺分割，并將這些得到的分水線定義成外部標(biāo)記，將定義局部最小值為內(nèi)部標(biāo)記。這時(shí)，沿著分水線的點(diǎn)就是相對(duì)理想的背景選擇點(diǎn)，因?yàn)檫@些點(diǎn)都經(jīng)過了相鄰的標(biāo)記間的最頂點(diǎn)。

外部標(biāo)記有效地將圖像分割成包含一個(gè)唯一內(nèi)部標(biāo)記和部分背景的單獨(dú)區(qū)域，并對(duì)這些單獨(dú)的區(qū)域依次使用分水嶺分割算法，這個(gè)操作在求得平滑后圖像的梯度之后進(jìn)行。使用這種方法得到的結(jié)果如圖3所示，與圖2相比較效果明顯改善，原圖像中的樓體、路燈、樹枝、車輛都相對(duì)圖2獲得更多、更有意義的邊緣提取結(jié)果。

圖3 使用改進(jìn)分水嶺分割算法得到的結(jié)果

3 結(jié)果分析

本文利用區(qū)域合并改進(jìn)了分水嶺的傳統(tǒng)算法，實(shí)現(xiàn)了既可以有效地抑制噪聲，又達(dá)到了增強(qiáng)圖像的目的，解決了兩者之間平衡的矛盾，得到了相對(duì)較好的效果。我們的實(shí)驗(yàn)樣本圖像從彩色風(fēng)景圖像、彩色建筑物圖像、彩色人臉圖像中選取，在這些圖像中實(shí)施本文算法抑制過分割效果較為明顯，但在醫(yī)學(xué)圖像等灰度圖像中算法效果有待進(jìn)一步改善。

[1]徐奕奕,劉智琦,劉琦.基于改進(jìn)的分水嶺算法圖像分割方法研究[J].計(jì)算機(jī)仿真,2011(9):272-274.

[2]周小紅,蔚立磊,王國(guó)權(quán).基于分水嶺算法的圖像分割方法研究[J].計(jì)算機(jī)仿真,2009(5):255-258.

[3]韓明.基于單目視覺的顆粒粒度現(xiàn)場(chǎng)檢測(cè)技術(shù)研究[D].綿陽(yáng):西南科技大學(xué),2011.

[4]吳德.基于圖像處理的膠囊檢測(cè)系統(tǒng)的研究[D].廣州:廣東工業(yè)大學(xué),2011.

[5]GaryBradski,Adrian Kaebler.學(xué)習(xí)OpenCV[M].于仕琪,劉瑞禎,譯.北京:清華大學(xué)出版社,2009:328.