基于視覺注意和改進隸屬度的FSVM彩色圖像分割①

吳 迪, 胡 勝, 胡靈芝, 胡俊華

?

基于視覺注意和改進隸屬度的FSVM彩色圖像分割①

吳 迪1, 胡 勝2, 胡靈芝1, 胡俊華1

1(陜西中醫藥大學基礎醫學院, 咸陽 712046)2(西安交通大學機械制造系統工程國家重點實驗室, 西安 710049)

針對SVM 進行圖像分割時存在對噪聲和孤立點較敏感導致分割結果不佳和抗造性能低下等問題, 提出一種基于視覺注意和改進隸屬度的FSVM (Modified fuzzy SVM, MFSVM) 彩色圖像分割方法. 該方法在考慮人類視覺顯著性檢測機制因素的同時, 對標準的模糊SVM算法進行改進, 新的隸屬度函數綜合考慮了樣本點距離類中心的遠近以及樣本點的疏密程度, 從而有效懲罰噪聲點并增強了支持向量的作用. 通過彩色圖像分割進行驗證, 結果顯示與標準的SVM 及基于樣本疏密程度隸屬度的FSVM分割方法相比, 本文方法能夠對復雜場景下的彩色進行有效分割, 同時呈現出良好的抗噪能力.

視覺注意; 圖像分割; 支持向量機; 隸屬度函數

圖像分割旨在研究如何有效地將圖像依據一定的規則劃分成各具特性的區域并對其感興趣區域進行提取[1], 其分割質量直接或間接影響后期圖像分析和理解的效果, 故選擇性能優良的圖像分割算法具有重要價值和實際意義.

SVM是基于統計學習理論基礎的有監督分類的新型機器學習算法, 在進行圖像分割時具有潛在優勢. 徐海祥[2]提出了運用SVM 算法對磁共振腦圖像進行分割, 該方法中證明了核函數及模型參數對SVM分割性能產生較大影響. Ricci 等[3]提出了使用SVM算法分割視網膜圖像, 取得不錯的分割效果圖像分割的自適應性. Yu[4]提出了一種改進的SVM 算法并將其應用于圖像分割過程. 所提出的方法通過減少輸入訓練矢量的數目顯著減少了計算成本, 在保持支持向量數量不變的同時仍獲得可靠的分割精度. 文獻[5,6]提出基于SVM 訓練樣本自動選取的分割算法, 該方法首先使用FCM 聚類算法獲得一定數目的訓練樣本, 接著提取訓練樣本的顏色特征和紋理特征等特征屬性再對SVM 模型進行訓練, 最后運用訓練好的SVM 模型對圖像進行分割, 獲得了不錯的分割效果. Yang 等[7]提出運用最小二乘支持向量機對彩色圖像進行分割. 該方法自動選取訓練樣本并提取其顏色特征與紋理特征, 問題的關鍵在于支持向量機核函數的選擇以及核參數的確定. 呂景美[8]提出基于主成分分析的多類支持向量機彩色圖像分割方法, 此算法運用主成分分析方法提取了訓練樣本主元特征向量的同時降低SVM 輸入層向量維數. 在上述SVM方法基礎上, 考慮圖像樣本點的重要程度不同帶來圖像分割效果的差異性, 文獻[9-11]通過構建模糊隸屬度函數融合到SVM模型中構造了FSVM 的圖像分割方法, 一定程度上有效地降低了圖像噪聲點對SVM分類器的分割效果的影響, 該方法的關鍵是如何構造合適的隸屬度函數.

相關研究表明, 基于 SVM 的算法在分割圖像時具有一定的優勢, 然而該算法對噪聲以及孤立點等較敏感, 容易產生過分割或者欠分割. 在運用FSVM 進行圖像分割時其隸屬度函數的構造尚無可遵循的一般性規律, 原則上不同的樣本應該具有不同的隸屬度, 從而在構造目標函數時有不同的貢獻度, 故在整個FSVM 算法中隸屬度函數的設計起著很重要的作用. 現有的SVM 分割圖像方法針對存在的噪聲和孤立點較敏感的現象, 有些隸屬度函數的設計簡單, 使得對孤立數據點或噪聲數據點敏感, 產生圖像的過分割現象.

為此, 本文提出一種基于視覺注意和改進隸屬度的FSVM彩色圖像分割方法. 首先運用視覺注意機制提取待分割圖像的顯著區域和非顯著區域, 同時考慮樣本點排列的緊密程度和樣本點到類中心的距離雙重因素, 構造改進隸屬度的函數FSVM模型對待分割的彩色圖像進行分割, 最后通過實驗驗證所提方法的有效性.

1 顯著區域和非顯著區域提取

為了使圖像分割結果與人類視覺注意結果相一致, 人們越來越重視基于人類視覺系統注意的方法. 該方法通過選擇性注意機制指導人們關注場景中感興趣的區域, 計算圖像中最顯著的部分并將其表示為一幅與原圖像大小相同的灰度圖, 即顯著圖[12,13], 顯著圖中每個像素的顯著值與被關注程度成正比. 通過視覺選擇性注意生成的顯著圖可以找到相對有意義且符合人類感知的顯著區域所在的位置, 從而能夠較準確地得到圖像的顯著區域.

本文首先利用人類視覺注意模型運用譜殘差生成顯著圖, 然后得到顯著圖像的顯著區域和非顯著區域. 原始的彩色圖像轉換成灰度圖像 , 其顯著圖的實現過程如下:

(2)

(3)

以上生成的顯著圖是灰度級圖像, 其灰度值范圍為 [0,255], 顯著圖灰度值(顯著值)越大, 則表明越容易受到關注. 為了進一步確定顯著區域的位置, 通過對顯著圖二值化得到二值圖.

(6)

該方法能夠將目標和背景區分開, 并且定位準確, 在此基礎上分別選取顯著區域和非顯著區域中樣本并自動標記為正類(前景點)和負類(背景點)訓練樣本, 通過構建基于改進隸屬度的FSVM模型實現彩色圖像的精確分割.

2 改進隸屬度的 FSVM 彩色圖像分割

由于所得到圖像顯著區域的邊界往往存在不準確性, 使得經過顯著性提取之后的圖像很難直接用于圖像分割. 而合理模糊隸屬度函數的構造能夠解決顯著區域邊界不確定的缺陷, 使得分割結果與人類視覺注意結果相一致. 為此本文在考慮圖像特征樣本點距離類中心的遠近以及樣本點的疏密程度的基礎上, 構造改進隸屬度的FSVM模型實現彩色圖像分割.

2.1 改進隸屬度的FSVM模型

給定訓練樣本集:

(8)

正類樣本點與負類樣本點的中心分別為:

(10)

正類樣本點的鄰域半徑和負類樣本點的鄰域半徑分別記作:

(1) 依據樣本點距離類中心的遠近構造隸屬度函數:

(12)

由式(12)可以看出樣本點距離類中心的距離越遠, 樣本點屬于該類的可能性則越小, 即越小; 那么也就意味著噪聲和野值點屬于該類的可能性越小, 其對該類樣本的影響程度也越小, 故使得噪聲和野值點對該類樣本的影響可以有效的減少.

(2) 基于樣本疏密程度構造隸屬度函數

(14)

則基于樣本疏密程度的隸屬度函數為:

由式(15)能看出, 當兩個樣本之間的密切程度越大, 則其對應的隸屬度值也越大. 噪聲點與野值點和樣本間密切度很小, 即其很小, 因而可以減少噪聲點等對樣本點的影響.

(3) 改進的新隸屬度

本文改進的隸屬度函數綜合考慮了樣本點距離類中心的遠近以及樣本點的疏密程度, 從而有效的懲罰噪聲點等, 即增強了支持向量的作用, 可以有效提高圖像分割準確率.

2.2 基于視覺注意和改進隸屬度的FSVM彩色圖像分割

本文提出的基于視覺注意和改進隸屬度的FSVM彩色圖像分割方法分為以下三個部分:

1) 將待分割的彩色圖像通過譜殘差方法生成顯著圖, 分別獲取圖像的顯著性區域和非顯著性區域.

2) 將原圖像、顯著區域和非顯著區域彩色圖像轉換到HIS色彩空間, 分別提取HIS色彩空間下各自圖像的H、S、I分量作為特征向量并構造特征屬性樣本集合, 實現訓練樣本特征屬性的提取.

3) 計算其改進隸屬度函數的樣本隸屬度, 基于特征屬性訓練樣本集對MFSVM模型進行訓練獲取最優的多核SVM模型, 最后利用改進的FSVM模型對待分割的彩色圖像進行分割. 基于上述思想得到本文方法的圖像分割流程如圖1所示.

圖1 基于視覺注意和改進隸屬度的FSVM彩色圖像分割流程

3　實驗結果與分析

本文的所有實驗均在軟件 MATLAB R2012b 中進行, 運行環境為 CPU 3.2GHz 內存 2G,硬盤500G, 操作系統是Windows 7. 為驗證本文提方法的有效性, 選取典型彩色圖像進行分割實驗, 其圖像尺寸大小均為300*300.

3.1 顯著區域和非顯著區域獲取

首先選自互聯網的自然場景彩色圖像為對象, 基于譜殘差方法對圖像區域進行提取. 圖2為生成的顯著圖和顯著區域與非顯著區域的提取效果.

(a) 原圖????????(a1) 顯著圖????????(a2) 二值圖

(a3) 顯著區域???????? (a4) 非顯著區域????????(a5) 三元圖

圖2 獲取顯著區域和非顯著區域

由圖2可以看出, 圖 (a)為原始輸入圖像, 圖 (a1)為原始輸入圖像的顯著圖, 圖 (a2) 為顯著圖的二值圖像, 圖 (a3) 為顯著區域即目標位于該區域內, 之后正類訓練樣本從該區域中提取, 圖 (a4) 為非顯著區域即背景區域, 負類訓練樣本從該區域中提取, 圖(a5)中黑色圈內部是顯著區域, 黑色圈外部是非顯著區域, 黑色圈可能屬于顯著區域也可能屬于非顯著區域.

3.2 不同隸屬度函數的FSVM圖像分割效果對比

為了驗證所提圖像分割方法的有效性, 進一步選取伯克利圖像庫中復雜背景的彩色圖像為分割對象(圖b、c和d). 首先對圖像各區域在HIS空間中的顏色特征進行提取, 然后基于標準的SVM、樣本疏密程度隸屬度的SVM(記作SFSVM)和視覺注意的改進隸屬度FSVM(記作MFSVM)進行圖像分割實驗, 同時將分割圖像的光滑性和連續性作為算法評價性能指標, 不同算法的圖像分割結果如圖3 所示.

(b) 原圖?????(b1) 標準SVM分割結果?????(b2) SFSVM分割結果?????(b3) MFSVM分割結果

(c) 原圖????(c1) 標準SVM分割結果????(c2) SFSVM分割結果????(c3) MFSVM分割結果

(d) 原圖???? (d1) 標準SVM分割結果????(d2) SFSVM分割結果????(d3) MFSVM分割結果

由圖3可以看出, 原始圖像(b)、(c)和(d)的目標與背景的某些顏色存在相似之處, 容易將其當作目標分割出來. 圖(b)中部分葉子與貓身體的顏色較為接近, 圖(c)前景中鹿的顏色和背景中墻以及圖中靠右下角部分地面的顏色相似, 圖中(d)中前景邊緣較細膩, 圖中左上部背景中顏色和前景中花蕊顏色容易誤判. 在基于標準SVM模型的分割結果中將這些原本屬于背景的誤判為前景分割出來, 分割效果不理想(圖3中b1、c1和d1). SFSVM分割方法雖然能克服部分不足, 但是分割效果還是不甚理想, 其效果如圖3中(b2、c2和d2). 而運用本文提出的基于視覺注意和改進隸屬度的FSVM進行圖像的分割方法得到的圖像(b3、c3和d3)很好的表征了這些目標區域, 其分割結果在復雜背景下突出了圖像目標, 同時保留了圖像目標的局部細節, 與人們的主觀分割效果保持一致.

為進一步分析圖像分割算法的抗噪性能, 同時增加分割的難度, 對最初選取的貓圖像分別添加高斯噪聲與椒鹽噪聲, 使待分割圖像變得更加復雜模糊. 采用基于視覺注意和改進隸屬度函數的 FSVM進行圖像分割, 其結果如圖4所示.

(e) 未添加噪聲的圖像??(f) 添加高斯噪聲的圖像??(g) 添加椒鹽噪聲的圖像

(e1) MFSVM分割結果??(f1) MFSVM分割結果??(g1) MFSVM分割結果

圖4 MFSVM分割含噪聲圖像的結果

由圖4可知, 圖像(f)和(g)分別為添加高斯噪聲和椒鹽噪聲的圖像, 分割結果顯示所提方法較準確地分割出了噪聲條件下的圖像目標(圖f1和g1). 綜合分析, 使用所提方法對噪聲圖像的分割整體效果甚好, 由此可見本文圖像分割算法具有良好的抗噪性能.

4　結語

本文提出了基于視覺注意和改進隸屬度的FSVM彩色圖像分割方法. 該方法考慮了人類視覺顯著性檢測機制因素, 利用顯著區域的準確定位得到待分割圖像的顯著區域邊界, 同時基于樣本點距離類中心的遠近和樣本點的疏密程度對隸屬度函數進行改進, 避免了噪聲點等非重要訓練樣本的干擾且使得分割效果符合人類視覺特點. 實驗結果顯示了所提方法在獲得較理想的分割效果的同時呈現出較強的抗噪性能. 針對實際的待分割圖像, 如何根據樣本的特征屬性, 選取模糊支持向量機合適的懲罰因子和核函數將是下一步的研究重點.

1 Cheng HD, Jiang XH, Sun Y, et al. Color image segmentation: advances and prospects. Pattern Recognition, 2001, 34(12): 2259–2281.

2 徐海祥,喻莉,朱光喜,等.基于支持向量機的磁共振腦組織圖像分割.中國圖像圖形學報,2006,10(10):1275–1280.

3 Ricci E, Perfetti R. Retinal blood vessel segmentation using line operators and support vector classification. IEEE Trans. on Medical Imaging, 2007, 26(10): 1357–1365.

4 Yu ZW, Wong HS, Wen GH. A modified support vector machine and its application to image segmentation. Image and vision computing, 2011, 29(1): 29–40.

5 張榮,王文劍,白雪飛,等.基于訓練樣本自動選取的SVM 彩色圖像分割方法.計算機科學,2012,39(11):267–271.

6 Wang XY, Wang QY, Yang HY, Bu J. Color image segmentation using automatic pixel classification with support vector machine. Neurocomputing, 2011, 74(18): 3898–3911.

7 Yang HY, Wang XY, Wang QY, et al. LS-SVM based image segmentation using color and texture information. Journal of Visual Communication and Image Representation, 2012, 23(7): 1095–1112.

8 呂景美.一種改進的多類SVM 彩色圖像分割算法.核電子學與探測技術,2013,33(8): 990–994.

9 Li L, Li JY, Ding WY. A new method for color image segmentation based on FSVM. IEEE International Conference on Machine Learning and Cybernetics, 2010, 2: 664–668.

10 周恩.基于模糊支持向量機的醫學圖像分割算法研究.電子技術與軟件工程,2015(22):91–93.

11 Sheeba MS, Sathya A. Hybrid approach of kernelized fuzzy c-means and support vector machine for breast medical image segmentation. Journal of Chemical and Pharmaceutical Research, 2015, 7(2).

12 曾智勇,張學軍,崔江濤,周利華.基于顯著興趣點顏色及空間分布的圖像檢索新方法.光子學報,2006,35(2):308–311.

13 Gopalakrishnan V, Hu Y, Rajan D. Salient region detection by modeling distributions of color and orientation. IEEE Trans. on Multimedia, 2009, 11(5): 892–905.

Method for Image Segmentation Based on Visual Attention and FSVM with Improved Membership

WU Di1, HU Sheng2, HU Ling-Zhi1, HU Jun-Hua1

1(School of Basic Medical Science, Shaanxi University of Chinese Medicine, Xianyang 712046, China)2(State Key Laboratory for Manufacturing Systems Engineering, Xi’an Jiaotong University, Xi’an 710049, China)

Due to the interference effect of the existence of the isolated points and prone points, SVM-based segmentation algorithm cannot obtain an ideal segmentation effect. An image segmentation method based on visual attention and fuzzy SVM (MFSVM) with improved membership degree function is proposed. In order to avoid the interference from non-vital training samples and noises, the segmentation result is coincided with the characteristics of human vision. The new membership degree function not only considers the distance of samples to center, but also divides the sample points into two types according to the distance of sample points to the center. It has enhanced the effect of support vectors and can effectively improve the segmentation accuracy. Multiple sets of color images are selected to verify the effectiveness of the proposed method. Result shows that, comparing with the standard SVM and FSVM methods, the proposed method shows an effective segmentation result as well as good noise immunity ability.

visual attention; image segmentation; support vector machine (SVM); membership function

2016-04-21;收到修改稿時間:2016-05-30

[10.15888/j.cnki.csa.005553]