改進圖割的顯著性區域檢測算法

朱 馳，陳昌志，2，王 寧，2，安世全，2

（1.重慶郵電大學 計算機科學與技術學院，重慶400065；2.重慶郵電大學 移通學院，重慶401520）

0 引 言

圖像顯著性區域檢測將視覺機制引入圖像處理，賦予現有圖像處理過程一定的選擇能力，從大量無關的圖像信息中提取出顯著性區域。提取出來的顯著圖可以廣泛地應用在計算機視覺領域，如圖像分割、目標識別、圖像檢索、自適應壓縮等。常見的顯著性區域檢測算法有：①基于局部對比度的方法［1］，其主要思想是利用圖像區域相對于局部鄰域的稀有度來獲取顯著性圖，但是利用局部對比度的方法傾向于在邊緣部分產生高顯著性值，而不是均勻地突出整個區域；②基于全局對比度的方法［2］，其主要思想是用一個區域和整個圖像的對比度來計算顯著性值，能夠很好地均勻突出整個顯著性區域。針對該方法的檢測算法主要有基于頻率調諧的方法［3］、基于像素對比度的方法［4］。

傳統基于圖的圖像分割方法［5］能夠有效地將圖像分割成若干區域，但圖像分割質量并非最佳，且分割速率較慢。本文首先采用改進的圖割算法將圖像分割成若干子區域，為每個區域建立顏色直方圖；然后通過每個區域和其它區域的對比度加權和來為該區域定義顯著性值，獲取圖像的顯著圖；最后利用迭代閾值分割方法對顯著圖分割，經過圖像去噪后獲得完整準確的顯著性區域。實驗結果表明，本文提出的算法能有效地提取出顯著性區域，且提高了算法效率，具有很好的魯棒性。

1 系統組成

本文采用的顯著性區域檢測方法由圖像預分割、顯著圖計算、顯著性區域提取3部分組成，流程如下：

（1）輸入圖像，對圖像進行高斯平滑處理；

（2）采用改進的圖割算法對平滑后的圖像進行預分割，將圖像分割為若干子區域；

（3）為每個區域建立顏色直方圖，通過每個區域與其它區域的對比度加權和來為該區域定義顯著性值，以此獲取圖像的顯著圖；

（4）對圖像顯著圖進行中值濾波，消除圖像噪聲，增強顯著性區域的邊緣信息；

（5）針對濾波后的顯著圖，利用迭代閾值分割方法提取顯著性區域；

（6）消除圖像中的孤立點，獲取完整有效的顯著性區域。

系統整體流程如圖1所示。

圖1 系統流程

2 顯著性檢測

2.1 基于圖的圖像分割

基于圖的圖像分割方法是將圖像分割的問題轉換成一個無向圖的最優化問題。用帶權無向圖G ＝＜V，E ＞表示原圖像，頂點vi∈V ，V 為圖的頂點集合，與原圖像中的像素點相對應，e（vi，vj）∈E 定 義 為 連 接vi和vj的 邊，ω（vi，vj）為對應vi和vj之間的差異程度，將其定義為RGB彩色空間中像素點顏色值的歐氏距離，是非負度量。在對圖像進行分割時，V 會被分成若干獨立的區域Ci，理想的分割結果是在同一區域的像素點的差異盡可能的小，不同區域像素點之間的差異盡可能大。傳統算法的分割結果如圖2所示。

在圖2的分割結果中，圖2 （a）為原圖像，圖2 （b）為傳統算法分割的結果，可以看出，圖像被分割成19塊子區域，但是有些子區域是可以合并的，這會直接影響后續顯著圖的計算效率，所以這種分割結果不是最佳的。

圖2 基于圖的圖像分割實驗結果

2.2 改進的基于圖的圖像分割

基于圖的圖像分割算法將像素間的差異值定義為邊的權值，然后用圖來表示原圖像，但是在RGB彩色空間定義的像素點差異值并不能很好的反應像素間的差異，這也將直接影響圖像的最終分割結果是否為最合理的，同時也會降低顯著圖的計算效率。

針對上述傳統圖割算法的缺點，本文改進的算法步驟如下：

（1）首先對圖像進行高斯平滑處理，不僅能夠達到圖像去噪的目的而且能夠消除圖像中的細節信息，避免后續處理中的過分割現象。

（2）將圖像轉換到CIELab彩色空間，該空間的顏色值的歐氏距離最能體現像素間的差異，所以定義邊權重函數為

式中：第一項為像素在Lab顏色空間的歐氏距離，體現了顏色的差異；第二項為像素坐標的歐氏距離，體現了像素的空間距離。

（3）計算區域的內部差異，定義區域Ci∈V 中其最小生成樹的邊最大權值為判定閾值，使得該區域是連通的，即

式中：MST（C，E）——該區域的最小生成樹，ω（vi，vj）——邊的權重。

（4）計算區域間的差異，定義任意兩個區域C1，C2V 間的差異值為連接這兩個區域的所有邊中權重最小值，即

其中，如果沒有邊連接兩個區域，可以認為這兩個區域間的差異值為無窮大。

（5）根據區域內部差異和區域間差異來判定區域是否合并，判定函數定義為

式中：MInt（C1，C2）——兩個區域中內部差異較小者，如果區域間的差異大于區域內部差異，則兩個區域是有邊界存在的，否則就不存在邊界，可以將其合并為一個區域。定義MInt（C1，C2）為

（6）在對100張300×225隧道滲水區域圖像進行測試后，確定常數k 為350時最合理，所達到的分割結果最理想。改進的分割算法與傳統算法的分割結果如圖3 所示，與圖2 （b）傳統算法分割結果相比可以看出改進的算法不僅能夠完整地分割出顯著性區域，而且分割出的子區域由原來的19塊減少到6塊，這將會減少顯著圖的計算時間，降低顯著圖的計算難度。

圖3 本文算法的分割結果

改進基于圖的圖像分割算法流程如圖4所示。

2.3 顯著圖計算

根據改進的圖割算法對圖像的分割結果，為每個子區域建立顏色直方圖［6－8］，統計子區域中每種顏色出現的概率，并通過測量與其它區域的顏色對比度來計算其顯著性值，計算如式 （6）所示

圖4 改進圖割算法流程

式中：ω（ri）——區域ri的權值，用ri中的像素數表示，Dr——兩個區域的顏色度量，定義為

式中：f（ck，i）——第i個顏色ck，i在第k 個區域中所有nk種顏色中出現的概率，k＝（｛1，2｝，D（c1，i，c2，j）——兩種顏色在Lab顏色空間的距離度量。

為進一步增加區域的空間影響效果，加入空間信息，使得臨近的區域增大影響，較遠的區域減小影響，基于空間加權區域對比度的顯著性定義為

式中：Ds（rk，ri）——區域rk和ri的空間距離，定義為兩個區域重心的歐氏距離，σ2s控制空間權值強度，其值越大，空間權值的影響越小，本文算法中，經大量實驗后取σ2s＝0.4時獲取的顯著圖效果最佳。根據區域對比方法所獲取的顯著圖如圖5所示。

圖5 顯著圖

3 顯著圖分割

針對本文改進算法所獲取的顯著圖，在實際工作中，需要將圖像中的顯著性區域完整地分割出來以便進行下一步處理。為準確有效地分割出顯著區域，本文采用迭代閾值分割方法［9，10］，通過迭代計算出最合適的閾值，將顯著區域完整提取出來。算法流程如下：

（1）首先由于在顯著圖計算過程中會產生噪聲，本文采用中值濾波對顯著圖進行處理；

（2）計算顯著圖的平均灰度，并將其設置為迭代初始閾值T0；

（3）顯著圖被分為兩部分，像素灰度值大于T0的為G1，小于T0的為G2，并分別計算兩部分的平均灰度值m1和m2；

（5）重復步驟 （2）到步驟 （4），直到連續迭代中的T值間的差小于預定義參數t為止，經多次實驗，取t＝0.5；

（6）分割出顯著性區域后，圖像中可能還會存在一些孤立的像素點，本文通過連通區域檢測，設定連通區域面積閾值消除孤立點。顯著圖分割結果如圖6所示。

圖6 顯著圖分割結果

4 實驗結果及分析

本文使用300×225的隧道滲水區域圖像，經改進圖割的顯著性檢測與迭代閾值分割算法相結合提取出顯著性區域如圖7所示。

從圖3和圖7可以看出，改進的顯著性區域檢測算法效果較為明顯，對于背景簡單的圖像，改進的算法在保證正確率的情況下，提高了算法效率。對于存在較為復雜紋理背景的圖像，改進的算法不僅能夠完整地分割出顯著性區域，而且合理地合并了一些子區域，有利于后續顯著圖的計算，同時也大大加快了算法運行速度。

為了驗證本文改進算法的準確性和有效性，在Achanta等人提供的包含1000張圖像的公開數據集中進行測試，采用正確率P 和召回率R 評估本文算法，其定義如式 （9）和式 （10）所示

圖7 改進算法分割結果

其中，Np為本文算法分割出的顯著區域中真正屬于顯著區域的像素點個數，Nt為本文算法分割出的顯著區域的像素點總數，Ng為人工標注的顯著區域的像素點的總數。隨機選取數據集中的23張圖像，計算其正確率和召回率，實驗數據見表1。

表1 改進算法的正確率和召回率

由表1 可知，圖像的平均正確率和召回率分別為94.00%和93.70%，采用傳統算法所得到的平均正確率和召回率分別為90%和90%，實驗結果表明，本文提出的改進圖割的顯著性區域檢測算法的實驗效果具有更高的正確率，且魯棒性較好。

5 結束語

本文采用改進的基于圖的圖像分割方法將圖像分割成若干小區域，該方法不僅保證了分割的準確性和完整性，而且還有效地合并了相似子區域，簡化了后續的顯著圖計算，提高了算法的運算速度。在此基礎上，對顯著圖進行中值濾波后采用迭代閾值分割方法提取圖像顯著性區域，最后根據面積信息消除圖像中存在的孤立點，獲取整個顯著性區域。實驗結果表明，本文算法具有較好的分割準確率。在下一步的工作中，要研究保留詳細細節的高效顯著圖計算方法。

［1］Huang TJ，Tian YH，Li J，et al.Salient region detection and segmentation for general object recognition and image understanding ［J］.Science China Information Sciences，2011，54（12）：2461－2470.

［2］Achanta R，Shaji A，Smith K，et al.SLIC superpixels compared to state－of－the－art superpixel methods ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34 （11）：2274－2282.

［3］Achanta R，Hemami S，Estrada F，et al.Frequency－tuned salient region detection ［C］//IEEE Conference on Computer Vision and Pattern Recognition.IEEE，2009：1597－1604.

［4］Perazzi F，Krahenbuhl P，Pritch Y，et al.Saliency filters：Contrast based filtering for salient region detection ［C］//IEEE Conference on Providence：Computer Vision and Pattern Recognition.IEEE，2012：733－740.

［5］Arbelaez P，Maire M，Fowlkes C，et al.Contour detection and hierarchical image segmentation ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33 （5）：898－916.

［6］Cheng MM，Warrell J，Lin WY，et al.Efficient salient region detection with soft image abstraction ［C］//IEEE International Conference on Sydney： Computer Vision.IEEE，2013：1529－1536.

［7］Vikram TN，Tscherepanow M，Wrede B.A saliency map based on sampling an image into random rectangular regions of interest［J］.Pattern Recognition，2012，45 （9）：3114－3124.

［8］Deng Q，Luo Y.Saliency detection by selective strategy for salient object segmentation ［J］.Journal of Multimedia，2012，7（6）：420－428.

［9］Akther M，Ahmed M，Hasan M.Detection of Vehicle’s number plate at nighttime using iterative threshold segmentation algorithm ［J］.International Journal of Image，Graphics ＆Signal Processing，2013，5 （12）：62－70.

［10］Al－amri SS，Kalyankar NV.Image segmentation by using threshold techniques ［J］.Journal of Computing，2010，5（2）：83－86.