彩色圖像分割方法綜述

王怡 涂宇 羅斐 何美生

摘要：隨著人工智能技術(shù)和計(jì)算機(jī)視覺(jué)快速發(fā)展，圖像分割技術(shù)成為機(jī)器視覺(jué)中圖像處理過(guò)程需要解決的核心問(wèn)題。彩色圖像比灰度圖像信息量多、易識(shí)別物體的優(yōu)點(diǎn)，已經(jīng)成為研究熱點(diǎn)。本文對(duì)現(xiàn)有彩色圖像分割算法做了系統(tǒng)的綜述，分析了各自的優(yōu)缺點(diǎn)，在結(jié)論部分對(duì)彩色圖像分割技術(shù)未來(lái)的發(fā)展方向做出了展望。

關(guān)鍵詞：色圖像分割;顏色特征;區(qū)域生長(zhǎng)點(diǎn);分水嶺;神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TP311? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）23-0183-02

1 引言

近年來(lái)，機(jī)器視覺(jué)已經(jīng)廣泛應(yīng)用于我們生活中各個(gè)領(lǐng)域，圖像處理作為計(jì)算機(jī)視覺(jué)的基本問(wèn)題。圖像處理又可以分為特征提取、圖像分割和語(yǔ)義劃分等。圖像分割的精度嚴(yán)重影響視覺(jué)識(shí)別的準(zhǔn)確度。目前，對(duì)于傳統(tǒng)的灰度圖像的分割原理比較簡(jiǎn)單，這部分的研究成果比較成熟了，而對(duì)彩色圖像的分割，由于比較復(fù)雜，研究的卻比較少。

灰度圖像和彩色圖像最主要的區(qū)別，我們從圖像分割的原理來(lái)說(shuō)，這主要是像素的空間維度不同，灰度圖像是一維亮度空間內(nèi) ，彩色圖像是三維顏色空間內(nèi)。灰度圖像描述的知識(shí)物體的表面形狀難以識(shí)別，而三通道RGB彩色圖像可以準(zhǔn)確地描述物體真實(shí)性。總的來(lái)說(shuō)，我們對(duì)彩色圖像分割方法的研究是必要的。這篇綜述的主要目的是對(duì)圖像分割技術(shù)的現(xiàn)狀做一個(gè)系統(tǒng)的總結(jié)，并且對(duì)未來(lái)有可能發(fā)展方向提出展望，給更多本領(lǐng)域的研究者一個(gè)參考。

2 彩色圖像分割方法

根據(jù)不同的分類標(biāo)準(zhǔn)，彩色圖像分割有多種分類方法。例如根據(jù)顏色和空間特征進(jìn)行分類，我們可以將其分為有監(jiān)督和無(wú)監(jiān)督的分類問(wèn)題。早期應(yīng)用于灰度圖像分割的方法也可以應(yīng)用到彩色圖像分割上，比如直方圖閾值法、自適應(yīng)模糊算法、人工神經(jīng)網(wǎng)絡(luò)算法等。目前，彩色圖像分割方法主要有基于區(qū)域的方法、直方圖閾值化、特征空間聚類、邊緣檢測(cè)、模糊技術(shù)、人工神經(jīng)網(wǎng)絡(luò)和基于物理模型的方法。以下我們將從上面這些方法展開(kāi)論述。

2.1 基于區(qū)域的方法

2.1.1 區(qū)域增長(zhǎng)、區(qū)域分裂、合并及其組合

區(qū)域生長(zhǎng)的本質(zhì)是將幾乎相同的像素聚集在一起形成一個(gè)區(qū)域，區(qū)域分裂技術(shù)剛好是前者的逆過(guò)程，通常將種子區(qū)域劃分為四個(gè)矩形區(qū)域，然后根據(jù)像素相似度將每個(gè)矩形區(qū)域分解。現(xiàn)有的研究一般將區(qū)域增長(zhǎng)和區(qū)域劃分結(jié)合起來(lái)形成區(qū)域融合，形成更大的子區(qū)域。當(dāng)圖像部分具有相同的特征時(shí)，這些方法的分割效果較好，且不會(huì)受到外部噪聲的干擾。生長(zhǎng)順序和種子點(diǎn)的選擇對(duì)區(qū)域生長(zhǎng)技術(shù)精度影響很大，區(qū)域分裂次數(shù)也會(huì)對(duì)邊界被破壞最終影響分割效果。所以區(qū)域合并可以改善兩種方法的缺點(diǎn)。

2.1.2 分水嶺分割方法

分水嶺分割方法是受地形地貌概念的啟發(fā)，是圖像形態(tài)學(xué)的一種重要算法。在使用分水嶺分割圖像時(shí)，我們首先進(jìn)行性特征提取，然后基于圖像的梯度信號(hào)，使用分水嶺算法找出興趣區(qū)域。興趣區(qū)域的提取對(duì)分水嶺算法來(lái)說(shuō)是一大挑戰(zhàn)[1]，如果選取不對(duì)導(dǎo)致圖像分割過(guò)多影響精度。因此，為了獲得有用的局部極值點(diǎn)來(lái)確定興趣區(qū)域，Shafarenko等人利用原有的圖像進(jìn)行對(duì)“偽”谷底進(jìn)行填充，采用形態(tài)“封閉”操作運(yùn)算[2]。Shiji等人基于對(duì)直方圖的“封閉”填充操作，對(duì)圖像進(jìn)行標(biāo)記，并選取現(xiàn)有圖像和原始圖像變化較小的區(qū)域[3]。Lezoray使用貝葉斯分類器在原始圖像中搜索標(biāo)記[1]。在分割初期，馬麗紅等人將圖像開(kāi)閉濾波結(jié)果作為二值標(biāo)記進(jìn)行預(yù)處理，最后將計(jì)算結(jié)果輸入到微流域算法中。

2.1.3 基于隨機(jī)場(chǎng)的方法

馬爾可夫隨機(jī)場(chǎng)是圖像分割中應(yīng)用最廣泛的統(tǒng)計(jì)算法，其原理是將圖像中每個(gè)點(diǎn)的RGB值作為一個(gè)具有概率分布的隨機(jī)變量。根據(jù)統(tǒng)計(jì)原理可知，隨機(jī)場(chǎng)是指通過(guò)最大概率得到正確分割圖像的目標(biāo)組合;如果基于貝葉斯原理，則隨機(jī)場(chǎng)圖像分割就是利用最大后驗(yàn)概率分布。馬爾科夫隨機(jī)場(chǎng)圖像分割就是一種基于局部區(qū)域的分割方法Hammersley-Clifford定理，由其鄰域像素決定圖像中各點(diǎn)的取值。基于馬爾可夫隨機(jī)場(chǎng)的圖像分割過(guò)程包括粗分割和細(xì)分割兩個(gè)階段，一般的處理過(guò)程是用空間濾波器進(jìn)行粗分割，用馬爾可夫隨機(jī)場(chǎng)進(jìn)行精細(xì)分割。在圖像分割中，尺度空間濾波器負(fù)責(zé)提取細(xì)分階段所需的聚類數(shù)目和范圍，并對(duì)每個(gè)顏色分量進(jìn)行處理，得到粗分割圖像。

2.2 直方圖閾值化

直方圖閾值法最早應(yīng)用于灰度圖像分割，并且技術(shù)以經(jīng)比較成熟。彩色圖像與灰度圖像的區(qū)別在于彩色圖像是個(gè)三維顏色空間，因此，彩色圖像對(duì)應(yīng)的直方圖是一個(gè)三維數(shù)組，隨著維數(shù)的增加，其閾值的確定是一大挑戰(zhàn)。對(duì)此，Underwood提出了將三維空間向低維空間投影的方法來(lái)確定直方圖閾值，并對(duì)此進(jìn)行了相應(yīng)實(shí)驗(yàn)，結(jié)果表明該方法是可行性的。Kurugollu等人提出了一種多頻譜彩色圖像分割方法，在分割開(kāi)始時(shí)選取FRG、FRB和FGB作為頻譜子集，對(duì)頻譜子集進(jìn)行多閾值處理，然后利用融合算法合成頻譜子集的直方圖分割圖像。直方圖閾值法可有效免去不必要的先驗(yàn)信息，計(jì)算量小。然而，單色分割會(huì)導(dǎo)致區(qū)域丟失，使得復(fù)雜的圖像處理更加困難。

2.3 特征空間聚類

特征空間聚類算法是一種無(wú)須監(jiān)督的分割算法，這就免去了大量樣本造成計(jì)算量過(guò)大、成本過(guò)高的問(wèn)題。它的原理比較簡(jiǎn)單，主要是利用不斷地迭代來(lái)獲取圖像的特征值。我們現(xiàn)有的方法中，應(yīng)用廣泛的是K-均值、模糊C-均值。特征空間聚類方法的流程主要是通過(guò)聚類的有效性分析來(lái)確定聚類數(shù)目。彩色圖像分割采用顏色空間聚類方法相對(duì)于其他的方法來(lái)說(shuō)充分利用了三個(gè)顏色空間的信息，所以更容易實(shí)現(xiàn)。特征空間聚類的方法雖然免去了訓(xùn)練圖像數(shù)據(jù)的煩瑣工作，但是初始參數(shù)、分類個(gè)數(shù)的確定仍然是一大難題，這種方法受噪聲的影響比較大。

2.4 邊緣檢測(cè)

現(xiàn)有的邊緣檢測(cè)技術(shù)有很多種，其中灰度邊緣檢測(cè)技術(shù)的應(yīng)用較多。它的基本原理基于彩色圖像的三維空間，利用均方根、求和、取最大絕對(duì)值等合并方法處理顏色分量來(lái)確定最終的結(jié)果。但是這種基于灰度邊緣檢測(cè)的算法不一定總是能得到準(zhǔn)確結(jié)果，基于梯度邊緣算子進(jìn)行邊緣檢測(cè)可能導(dǎo)致出現(xiàn)不同的方向。為了解決這個(gè)難題，Trahanias等人提出了向量場(chǎng)的概念，就是將彩色圖像視為一個(gè)有序的向量樣本，并根據(jù)這些樣本的線性組合幅度確定邊緣檢測(cè)算子。現(xiàn)有的研究中心還可以通過(guò)降維處理解決。邊緣檢測(cè)的優(yōu)點(diǎn)主要是分割效果不錯(cuò)，在顯著區(qū)域比較顯眼時(shí)，但是有時(shí)候邊緣檢測(cè)算子過(guò)大過(guò)小會(huì)造成分割質(zhì)量下降。

2.5 模糊技術(shù)

模糊概念在許多領(lǐng)域有著廣泛的應(yīng)用，在圖像分割技術(shù)中，模糊技術(shù)常被用來(lái)處理圖像分析和模式識(shí)別的不確定性。這種不確定性來(lái)自傳感器的輸出，并在數(shù)據(jù)傳輸過(guò)程中傳播。一般來(lái)說(shuō)，可利用統(tǒng)計(jì)原理解決由隨機(jī)性引起的不確定性，而通過(guò)模糊集理論解決由模糊性引起的不確定性。模糊集主要包括三個(gè)部分：模糊測(cè)度、模糊集理論和模糊推理，它能更好地解決圖像分割中廣泛存在的不確定性問(wèn)題，已成為圖像分割技術(shù)的主要發(fā)展方向。此外，Sugeno提出的模糊測(cè)度和模糊積分[11]模型，可作為模糊信息眾多屬性的聚合算子，能夠在圖像分割時(shí)保留大量的有用信息。模糊技術(shù)雖然具有解決傳感器產(chǎn)生的不確定帶來(lái)的負(fù)面影響，但是模糊運(yùn)算需要耗費(fèi)大量的計(jì)算時(shí)間。

2.6 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種仿生算法，具有非線性求解和并行運(yùn)算的優(yōu)點(diǎn)能夠很好地處理圖像分割問(wèn)題。神經(jīng)網(wǎng)絡(luò)用于圖像分割主要有Hopfield神經(jīng)網(wǎng)絡(luò)、自組織網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)。Campadelli提出了基于Hopfield神經(jīng)網(wǎng)絡(luò)分割算法用于彩色圖像分割。傳統(tǒng)的自組織映射算法識(shí)別能力差，因此papamarkos等人在傳統(tǒng)算法的基礎(chǔ)上增加了三節(jié)點(diǎn)單層前饋網(wǎng)絡(luò)，實(shí)現(xiàn)了主分量變換[13]，并且利用神經(jīng)網(wǎng)絡(luò)訓(xùn)練的特征向量，得到顏色分量的協(xié)方差矩陣。反向BP神經(jīng)網(wǎng)絡(luò)普遍應(yīng)用于圖像分割中，如Leseure等人利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行彩色圖像分割，實(shí)驗(yàn)結(jié)果表示分割的效果比較好，能夠準(zhǔn)確處理圖像分析問(wèn)題。神經(jīng)網(wǎng)絡(luò)算法在彩色圖像分割利用訓(xùn)練集分割圖像，并且效果比前面的方法都要精確。但是所需要的訓(xùn)練樣本數(shù)據(jù)很大，計(jì)算時(shí)間長(zhǎng)，造成圖像識(shí)別的實(shí)時(shí)性會(huì)降低。

2.7 基于物理模型的方法

現(xiàn)有的彩色圖像分割方法是基于顏色相似性原則對(duì)區(qū)域進(jìn)行定義的，使用這種方式會(huì)出現(xiàn)光斑和陰影區(qū)域的彩色圖像難以分割的情況，使得目標(biāo)表面出現(xiàn)不均勻性，也就是說(shuō)區(qū)域邊界與目標(biāo)邊界存在一定的差異性。雖然HSI在一定程度上解決了這一問(wèn)題，但在低飽和度時(shí)，色相可能會(huì)不穩(wěn)定。有學(xué)者提出了一些基于物理模型的分割方法來(lái)解決這一問(wèn)題，并采用三維色彩空間建模。這種方法的建模簡(jiǎn)單，但是約束條件太多，對(duì)外界環(huán)境要求比較高，故應(yīng)用范圍比較小，只針對(duì)一些特定的情況。

3 結(jié)論

本文討論了彩色圖像分割在圖像處理中的重要性，并對(duì)系統(tǒng)的綜述了現(xiàn)有基于區(qū)域的方法、直方圖閾值化、特征空間聚類、模糊技術(shù)、邊緣檢測(cè)、神經(jīng)網(wǎng)絡(luò)和基于物理模型研究現(xiàn)狀。這些方法都有其固有的缺點(diǎn)，往往通過(guò)將這些分割圖像技術(shù)相結(jié)合進(jìn)行重構(gòu)，相互借鑒，例如聚類和模糊方法相結(jié)合，出現(xiàn)了模糊聚類模糊方法來(lái)定義區(qū)域增長(zhǎng)標(biāo)準(zhǔn)，直方圖分析確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。根據(jù)現(xiàn)有的研究成果，彩色圖像分割技術(shù)并沒(méi)有形成一個(gè)系統(tǒng)的體系結(jié)構(gòu)，單一的方法在現(xiàn)有的研究成果中都是針對(duì)特定的圖像進(jìn)行特定的應(yīng)用。換句話說(shuō)，就是現(xiàn)有的研究分割方法無(wú)法適用于任何彩色圖像分割。從理論上來(lái)說(shuō)，灰度圖像分割技術(shù)比較成熟，可以將其分割方法轉(zhuǎn)化為彩色圖像分割。但是，在實(shí)際應(yīng)用上還有許多問(wèn)題需要解決，灰度圖像顏色空間是一維的，利用合并某種特定方法只適合處理單個(gè)顏色分量，而彩色圖像是三維的，當(dāng)顏色矢量被投影時(shí)，其RGB信息會(huì)發(fā)散，導(dǎo)致信息丟失。所以，我們?cè)谖磥?lái)的研究重點(diǎn)是怎樣把彩色信息看作整體進(jìn)行考慮。

近年來(lái)，模糊方法越來(lái)越受重視，被廣泛應(yīng)用于圖像分割領(lǐng)域，效果顯著。圖像識(shí)別方法雖然對(duì)圖像的不確定性進(jìn)行了一定的處理，但由于其對(duì)圖像的不確定性的處理需要一定的時(shí)間，因此對(duì)圖像進(jìn)行模糊處理是一種比較有效的方法。最重要的是，模糊推理技術(shù)還可以將決策擬人化。因此，隨著大數(shù)據(jù)和人工智能時(shí)代的到來(lái)，以及我們計(jì)算和處理水平的提高，模糊方法將能夠取得意想不到的效果。另外，由于光照的變化會(huì)影響成像目標(biāo)的表面顏色，而機(jī)器人視覺(jué)系統(tǒng)等應(yīng)用需要采用分割算法來(lái)消除光照的影響，因此基于顏色恒定性的分割算法也會(huì)越來(lái)越受到重視。

參考文獻(xiàn)：

[1] Lezoray O，Cardot H.Cooperation of color pixel classification schemes and color watershed：a study for microscopic images[J].IEEE Transactions on Image Processing，2002，11（7）：783-789.

[2] Shafarenko L，Petrou M，Kittler J.Automatic watershed segmentation of randomly textured color images[J].IEEE Transactions on Image Processing，1997，6（11）：1530-1544.

[3] A.S J，Hamada N.Color image segmentation method using watershed algorithm and contour information[C]//Proceedings 1999 International Conference on Image Processing （Cat. 99CH36348）. 24-28 Oct. 1999， Kobe， Japan. IEEE， 1999：305-309.

【通聯(lián)編輯：李雅琪】