基于區域顯著性的彩色圖像分割

劉明媚

（武漢科技大學 信息科學與工程學院，湖北 武漢 430081）

在當今這個科技日新月異的世界大環境下，人們對于視覺感知的要求也越來越高。數字圖像處理的要求也與日俱增，圖像分割就是機器領域的重要研究方向。圖像分割的定義是把一幅圖像分成一個個特性不同的區域，然后把所需要的目標區域提取出來的一種技術和過程。分割把圖像細分成構成它的一個個子區域或著對象，依據主要解決的問題的不同來決定分割的程度。隨著人們的要求越來越高，彩色圖像獲得的成本的下降和能給予更多的信息量，圖像分割技術也從之前主要集中研究灰度圖像到近幾年來越來越多研究彩色圖像。圖像的分割算法雖然有很多種，但是大多數算法主要都是通過兩個基本原理，基于區域或者是基于邊界來實現的。彩色圖像分割方法的分類沒有一個統一的標準，常見的分為以下幾類[1]:基于邊緣、基于像素、基于區域和混合方法。

本文提出的算法主要是根據圖像的區域顯著性來進行分割。對于一幅圖像來說，通常情況下人眼容易關注到圖像中的特定區域被稱為顯著性區域。而且顯著性目標區域通常是被當做一個整體區域考慮，不會過多的關注區域中的細節信息。

本文方法是采用基于圖像區域的顯著性操作思路。首先是用Kmeans算法聚類的思想，將圖像進行區域分割，然后計算各個被分割區域的對比度值，以及區域在圖像中位置的影響因子，計算出顯著性值。最后確定目標區域，將其他的非顯著性目標區域合并，最終得到分割結果。實驗的結果表明對于大多數自然圖像我們的方法能取得較好的效果。

1 分割算法

1.1 Kmeans算法

Kmeans算法[2]描述為給定一個數據集其中含有n個數據，生成聚類的個數設定為k。然后將這n個數據劃分成為k個子集，分成的每個子集就代表一個聚類，同一個聚類中數據間的距離較近，而不同聚類數據間的距離較遠。用中心值來表示每一個聚類，而中心值是由計算聚類中所有數據的平均值得到的。

聚類與分類不同，聚類是一種無監督學習，不依賴預定義的類和類標號。聚類分析不是去預測某一個結果，而是從輸入中發現特征。記錄被分成類并且使得同一類中的記錄彼此相似，而不同的記錄盡量不同。

初始分割過程如下：首先我們輸入一幅彩色圖像，并將圖像從RGB轉化到Lab彩色空間，然后提取出Lab空間的a分量和b分量。根據兩個分量進行Kmeans聚類最后得到各個分割區域。

1.2 顯著性檢測

隨著多媒體信息的大量涌入，如何選取大量數據中的重要內容進行深入分析，忽略一些次要部分成為提高效率和優化效果的關鍵。基于視覺特性的顯著性檢測是人類信息加工過程中的一項重要的調節機制。Goferman[3]等人提出了幾個顯著性與心理相關的注意機制原則。首先圖像局部的低層次特征與顯著性有關，它是由圖像自身數據的協同性在預處理階段形成自顯著性。這不需要主觀的認知或者習慣的指導僅僅是依賴數據[4]。其次基于全局特征，比如過濾掉反復出現的頻率，而保留那些較少出現的頻率。第三是視覺組織：原則感興趣的目標像素一般比較集中。第四是高層次的因素，這個原則依賴于人的目的性和主觀認知。

本文就是依據上述原則來進行顯著性計算，并加入區域位置在圖像中位置的影響因素[5]。

首先定義區域和區域中多個像素對比度值為:

其中 N1和 N2分別為區域 R1和 R2中的像素數，D（pi，pj）為兩個像素pi和pj在Lab顏色空間中的距離度量。

那么對于某一個區域在一幅圖像中的對比度值為：

其中，Rx表示圖像中任意一個不同于Rn的區域，m表示圖像通過Kmeans算法分割得到的區域數量。

通常情況下，對于一幅自然圖像人們往往傾向于圖像的中心位置，或者說對于大多數圖片的圖像采集總是把核心元素置于圖像的中心位置。所以不同的區域在圖像中的不同位置對顯著性的分析也是重要的參考。因此區域位置關系對圖像顯著性區域的影響因子用下面的公式表示：

其中N表示該區域的像素數量，W和H分別表示圖像的寬和高。

那么我們可以得到一個區域在整個一幅圖像中的顯著性值為：

其中c1和c2是系數，我們再次設定分別為0.6和0.4，并根據所需要的分割結果設定一個顯著性閾值Sm。通過對Kmeans分割后的區域進行顯著性值計算，如若區域的顯著性值是大于Sm的我們則認定為顯著性區域，也就是我們的目標區域。而其余的區域則是非顯著性區域。

1.3 區域合并

區域間合并的結果通常是由區域間的相似度量直接決定的，區域間的相似性度量準則一般有區域間的顏色相似性、區域間公共邊緣的長度以及區域的面積等。我們處理的對象是自然的彩色圖像，所以顏色特征是最重要的特征，所以選擇像素顏色作為相似性度量的依據。

顏色的相似性用CIELuv空間中的歐式距離來表示[6]，定義圖像區域間顏色的距離為：

用聚類的方法首次分割后必然會存在一些顏色較為相近的區域。根據彩色圖像區域間顏色的相似，我們根據公式（5）首先合并區域顏色比較相近的，減少合并是直接根據區域顯著性來進行所造成的失誤分割。然后依次將顯著性值越小的區域合并至其他鄰接區域且顏色較為相近的區域中去。

2 實驗結果及分析

以下圖片是我們的實驗中所得到的圖片：

圖1 原始圖像Fig.1 Original image

圖2 聚類結果Fig.2 Clustering results

首先我們是將原始圖片進行Kmeans聚類算法的分割，我們可以將圖片進行m類的聚類分割，圖2是設定進行10類聚類的結果。

圖3 本文算法Fig.3 Our algorithm

對于一幅彩色圖像分割算法性能的優劣，到目前為止來看還沒有一個統一的方法進行評估。通常情況下都是由人眼直觀判定的，我們的算法的優點就在于可以根據實際的圖片分割應用場合來設定顯著性閾值。通過不同的圖像分割應用場合來設定不同的顯著性閾值，由此得到不同的分割結果。最終得到不同圖像分割應用場合所預期想要得到的目標區域。方法法比較靈活適用，可以很好的用于特別像是目標跟蹤應用中。

3 結束語

本文主要做了以下幾步：首先是運用Kmeans算法對彩色圖像進行顏色分量的聚類分割。然后分析區域顯著性的影響因子區域間的對比度和區域在圖像中的位置因素，得到計算區域顯著性的方法。設定一個顯著性閾值，它由實際的彩色圖片分割的應用場合來確定。通過閾值的設定得到預期想要的目標區域。最后用顏色的相似性對區域進行合并，根據彩色圖像的顏色特征是一個重要特征，我們將顏色相似性用CIELuv空間中的歐式距離來表示。完善單純依據顯著性進行區域分割帶來的誤差。但是本文算法還有許多不足之處有待改進，比如像背景區域如果跟目標區域中某種顏色相近或者相似就無法得到較好的分割效果。在今后的學習當中我會對于這些不足之處進行改進和完善。

[1]林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述[J].中國圖象圖形學報，2005，10（1）：1-10.

LIN Kai-yan，WU Jun-hui，XU Li-hong. Color image segmentation method overview[J].Image and Graphics of China，2005，10（1）：1-10.

[2]付春梅，劉俊寧.Kmeans與系統聚類法結合在腦電圖中的應用[J].科技信息，2007（29）：116.

FU Chun-mei，LIU Jun-ning.Kmeans and system clustering method combined with the application of the EEG[J].Science&Technology Information，2007（29）：116.

[3]Goferman S，Zelnik-Manor L，Tal A.Context-Aware Saliency Detection[C]//IEEE Transactions on Pattern Analysis and Machine Intelligence，2011.

[4]Scholl B J，Pylyshynb Z W.What is a visual object-evidence from target merging in multiple object tracking[J].Cognition，2001（80）：159-177.

[5]梁嘉偉，王健，李澤明，等.基于區域對比度的圖像顯著性檢測算法研究[J].科技博覽，2012（5）：72.

LIANG Jia-wei，WANG Jian，LI Ze-ming，et la.Saliency detection algorithm based on regional contrast images[J].China science and Technology Review，2012（5）：72.

[6]王朝英，李光，侯志強，等.融合mean shift和區域顯著性的彩色圖像分割算法[J].計算機工程與應用，2010，46（28）:181-184.

WANG Zhao-ying，LI Guang，HOU Zhi-qiang，et al.Color image segmentation by fusion of mean shift and region saliency[J].Computer Engineering and Applications，2010，46（28）：181-184.