基于分水嶺和種子生長的彩色圖像分割

呂建平, 司 維

(西安郵電大學 計算機學院， 陜西 西安 710121)

基于分水嶺和種子生長的彩色圖像分割

呂建平, 司 維

(西安郵電大學 計算機學院， 陜西 西安 710121)

提出一種基于分水嶺和種子區域生長的彩色圖像改進分割算法。該算法先對彩色圖像進行分割前預處理，使用分水嶺算法對圖像進行初始分割，然后根據一定的規則從分水嶺算法分割形成的區域中自動選取種子區域并進行生長，最后合并相似區域或小區域。以區域作為種子生長單位，使用種子區域一次性生長方法進行生長。實驗結果表明，該算法分割結果較好，分割速度較快。

彩色圖像分割；分水嶺；種子區域生長

圖像分割是把圖像分成多個具有相同特征的區域，并對感興趣的目標進行提取的技術和過程[1]。圖像分割是眾多圖像處理和計算機視覺系統的重要組成部分, 是圖像處理與分析中的一個基本問題[2]。有效合理的圖像分割能夠為基于內容的圖像檢索、圖像分析等提取出有效的信息，從而使更高層的圖像理解成為可能[3]。

相對于灰度圖像而言，彩色圖像包含了更多的信息，因此人們對彩色圖像處理的關注越來越多。目前，對于彩色圖像分割算法有基于區域、基于邊緣、基于特定理論、分形技術、混合技術等多種技術[4]。

基于種子的區域生長方法是由Adams和Bischof提出的一種圖像分割方法[5]。該方法根據預先定義的生長準則，將像素點或者子區域合并成一個較大區域，從而實現圖像的分割[6]。種子區域生長方法由于直接作用于顏色空間, 在分割過程中考慮到圖像色彩分布和空間連通性, 因此成為研究的熱點[3]。文獻[7]提出了一種基于區域的自動種子區域生長法的彩色圖像分割方法，利用分水嶺算法產生的區域作為基本單位進行種子區域生長，實現對圖像的分割，但是該方法種子區域生長使用傳統的迭代方式，計算過程復雜，計算量較大。本文在分水嶺與種子區域生長相結合的基礎上采用一種種子區域一次性生長的方法，以期圖像被有效分割的同時減少計算量，提高圖像分割的速率。

1 算法概述

結合分水嶺算法和種子區域生長算法，先將原始彩色圖像的色彩空間由RGB顏色空間轉換到HSI顏色空間,使用分水嶺算法對圖像進行初始分割。然后根據一定的規則從分水嶺算法分割形成的區域中自動選取種子區域，使用種子一次性生長的方法對區域進行生長。最后根據一定的規則合并相似或較小的區域。

2 算法的具體實現

2.1 顏色空間轉換

圖像在被分割前需要由RGB顏色空間轉換到HSI顏色空間。RGB顏色空間是一種常用的顏色空間，但它是一種不均勻的顏色空間，像素的顏色距離與人眼的感知差距較大，因此不適合彩色圖像分割[8]。HSI顏色空間使用色調(Hue)、飽和度(Saturation)和亮度(Intensity)來表示色彩。它可以將圖像的彩色信息用H和S這兩個分量表示出來, 而不受強度分量的影響, 所以HSI空間對于開發基于彩色描述的圖像處理方法是一個理想的工具[9]。

RGB轉換到HSI的轉換公式為[10]

,

(1)

其中R、G、B分別表示RGB顏色空間中紅、綠、藍三個分量。H、I、S分別表示HIS顏色空間中色調、亮度、飽和度三個分量。

2.2 分水嶺算法初始分割

分水嶺算法是數學形態學在圖像分割中的一種應用。使用分水嶺算法分割圖像可以得到單像素寬、定位精確、連續封閉的分割邊緣[11]。改進算法先使用分水嶺算法對原始圖像(圖1)進行初始處理，將其分割成多個顏色特征相近的區域，分水嶺分割效果圖如圖2所示。

圖1 原始圖像

圖2 分水嶺分割效果圖

2.3 種子區域自動選取

對于基于種子區域生長的圖像分割方法，種子點的選取十分重要。將分水嶺分割后生成的區域當作基本單位，根據以下兩個規則進行種子區域選取。

規則1 種子區域與其鄰域必須有很高的相似性。

為了衡量一個區域與其鄰域的相似度，定義一個相似度函數來進行計算。假設，一幅圖像經過分水嶺分割后產生了N個區域，每個區域用Ri(i=1,2,…,N)表示，那么一個區域與其鄰域的相似度可表示為[7]

為了對各個區域的相似度進行比較，從而選取合適的區域作為種子，采用最大類間方差法自動的獲取相似度閾值。該方法不僅使類間方差最大，同時閾值自動獲取的速度較快。

規則2 種子區域與其鄰接區域的色調均值差最大不能超過一個閾值。

相鄰區域的色調均值差計算公式為[7]

(3)

其中hi是區域Ri色調均值，ht是區域Ri每個鄰接區域的色調均值，k是鄰域個數。

一個區域的色調均值差最大值[7]

(4)

閾值T根據實驗經驗取0.2。

定義規則2的原因在于保證選出的種子區域的位置不處在期望的兩個區域的邊界處[12]。

2.4 種子區域生長

傳統的種子迭代生長方法，每次生長都需要重新計算種子區域的像素個數和顏色均值，還要標記種子區域的新鄰域[7]。為了減少計算，提高種子生長速率，使用種子區域一次性生長的方法。圖3為算法流程。

圖3 種子區域生長算法流程

該算法具體流程如下。

(1)根據種子選取規則自動進行種子區域選取。

(2)標記所有被選出來的種子區域。

(3)取出種子區域進行生長。取出一個未生長種子區域i，標記其為已生長。遍歷區域i的所有鄰域，將所有的未生長鄰域全部生長到區域i中。若i的鄰域中有種子區域，則將其保存到數組S中。遍歷區域i的所有鄰域的鄰域，若存在種子區域，則將其也生長到區域i中，并且將其加入到S中。依次從S中取出區域p，遍歷p的所有鄰域，將未生長的鄰域生長到區域i中。若p的鄰域中有未生長的種子區域，則保存它到S數組中。遍歷區域p的所有鄰域的鄰域，若存在種子區域，則將其也生長到區域i中，并且將其加入到S中。重復以上步驟進行生長，直到數組S中所有種子區域都完成生長。

(4)重復步驟(3)，直到所有的種子區域都進行了生長。

2.5 區域合并

由于在種子選取時，有些相似區域的周圍沒有區域被選為種子，造成種子區域生長后仍有過分割現象，所以，圖像還需要區域合并處理。

區域合并規則：當相鄰區域的色調均值差和飽和度均值差都小于一定的閾值時，合并這兩個區域。

區域合并具體步驟如下。

(1)計算任意兩個相鄰區域的色調均值差和飽和度均值差，若小于一定閾值，則合并它們。

(2)循環上述步驟，直到任何兩個相鄰區域之間的色調均值差和飽和度均值差不再小于設定的閾值。

經過多次實驗對比，此處均值差閾值取0.04,飽和度均值差閾值取0.06比較合適。

由于以上圖像分割步驟中閾值的設定不是最優的，所以圖像中總會有一些小區域存在。為了減少這些小區域的數量，可以再設定一個閾值，將區域尺度小于該閾值的區域合并到與它的色調均值差異最小的鄰居區域中去。此閾值可以根據圖像的尺寸大小而定。

3 實驗結果

在計算機配置為Pentium(R) Dual-Core CPU 2.10GHz，1.00GB內存的微機上，使用Matlab7.0編程實現改進算法，對一組圖像進行實驗測試,并與一種基于區域的自動種子區域生長法的彩色圖像分割方法[7]的分割結果進行對比。圖4、圖5分別是對大小(像素)為205×154的彩色圖像和大小(像素)為161×241的彩色圖像進行分割的結果對比圖，使用改進算法對圖4、圖5中原始彩色圖像進行分割所用時間分別為0.984s和 1.108s。

從圖4、圖5可以看出，與原算法相比較，在保證圖像分割效果的情況下，改進算法有效地提高了分割速率，這說明改進算法分割效果較好。

圖4 算法結果比較之一

圖5 算法結果比較之二

4 總 結

本文提出的分水嶺算法和種子區域生長算法相結合的彩色圖像改進分割算法，以區域為單位，使用一次性生長方法進行種子區域生長。與傳統的種子區域迭代生長方法相比，算法在對圖像進行有效分割的同時，降低了種子區域生長的計算復雜度，提高了圖像分割的效率。

[1] 章毓晉.圖像工程:上[M].3版.北京:清華大學出版社,2012:9-16.

[2] 謝勰,王輝,張雪鋒. 圖像閾值分割技術中的部分和算法綜述[J].西安郵電學院學報,2011, 16(3):1-5.

[3] 劉戰杰,馬儒寧,鄒國平,等. 一種新的基于區域生長的彩色圖像分割算法[J]. 山東大學學報:理學版,2010,45(7):76-80.

[4] 李永軍. 彩色圖像分割技術綜述[J]. 科技情報開發與經濟,2008,18(10):122-125.

[5] Adams R, Bischof L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994,16 (6):641-647.

[6] 王蒙,呂建平. 基于邊緣檢測和自動種子區域生長的圖像分割算法[J].西安郵電學院學報, 2011, 16(6):16-19.

[7] 孔俊,王佳男,谷文祥,等. 基于區域的自動種子區域生長法的彩色圖像分割算法[J].東北師范大學學報:自然科學版,2008,40(4):47-51.

[8] 張國權,李戰明,李向偉,等. HSV空間中彩色圖像分割研究[J].計算機工程與應用,2010,46(26):179-181.

[9] 王英,關宇東,李 艷. 一種融合區域生長和邊緣檢測的彩色圖像分割方法[J]. 科技導報, 2008, 26(16):85-87.

[10] 梁杰,張麗紅,李林. HSI和區域生長結合的火災圖像分割方法[J]. 計算機技術與發展,2012,22(1):191-194.

[11] 余旺盛,侯志強,宋建軍. 基于標記分水嶺和區域合并的彩色圖像分割[J]. 電子學報, 2011,39(5):1007-1012.

[12] Mehnert A, Jackway P. An improved seeded region growing algorithm[J]. Pattern Recognition Letters, 1997(18):1065-1071.

[責任編輯:祝劍]

Color image segmentation algorithm based onwatershed segmentation and seed growing segmentation

LYU Jianping, SI Wei

(School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

A color image segmentation algorithm based on watershed segmentation and seed region growing segmentation is proposed in this paper. Firstly, the color image is preprocessed before segmenting. Secondly, watershed segmentation is used to initialize the image. Thirdly, region seeds are selected automatically to grow according to two rules from all regions produced by watershed segmentation. Finally, similar or small regions are merged by region-merging method. In this new algorithm, regions are considered as growth units with a disposable seed region growing method. The experimental results show that the algorithm can quickly produce good segmentation results.

color image segmentation, watershed segmentation, seed region growing

2013-12-13

呂建平(1957-)，男，教授，從事數字圖像處理研究。E-mail:lujping1@126.com 司維(1987-)，男，碩士研究生，研究方向為數字圖像處理。E-mail:siwei1923@aliyun.com

10.13682/j.issn.2095-6533.2014.02.009

TP391

A

2095-6533(2014)02-0052-04