基于標記分水嶺算法的圖像分割技術

丁一

（無錫城市職業技術學院，江蘇無錫 214000）

1 前言

圖像分割技術是利用算法將圖像分割成若干個有獨特性質的區域的過程，一般的方法分為基于閾值、邊緣、區域等分割方法，也就是將圖像利用數學方法分割成不同的區域，每個區域有不同的特征。圖像分割是計算機視覺領域的重要研究方向在人臉識別、增強現實等領域都有著十分廣泛的應用。圖像分割算法大體可以分為基于圖論、基于像素聚類、基于深度學習三大類。其中分水嶺算法是基于地理形態方面的分析圖像分割算法。通過對圖像進行模仿地理結構一樣的山川地貌來對圖像中物體實現區分。將彩色圖像轉成灰度圖像之后，灰度圖像跟山川地貌有十分相似的共同特性。類似于地球表面的地理結構，灰度圖像的每個像素值的大小類似于地表的高度。將灰度值比較大的地方看作山川的山脊，灰度圖像二值化后的閾值可以看作是地球的水平面，也就是說高于水平面的可以看作是山，而低于水平面的會被大海或者湖泊淹沒，為了避免各個山谷的水匯聚在一起，假如在分水嶺上修建類似于三峽水利工程那樣的大壩，然后用水填滿這些區域填充。這樣圖像的像素就會形成兩個集合，一個是被水淹沒的山谷像素的集合，一個是分水嶺上修建的大壩的像素的集合，隨著水平面的上升，大壩的界線在圖像上的表示就是圖像中分割的區域，即可以對這些區域進行分區操作。

劉天舒等[1]針對長時間靜止和背景信息復雜且有干擾的圖像的紋理和顏色信息進行分析，針對存在目標丟失以及檢測過程中不精準的問題，提出了將區域面積剔除的方法應用于圖像分割方法中，以提高背景信息復雜并有干擾圖像的檢測效率，提高了準確度。李娜等[2]針對連續動作圖像中空間鄰域信息提取不理想導致圖像分割不完善的問題，利用空間鄰域信息提取人體相關特征值，將特征點自適應幾何特征協方差矩陣設定為描述子，通過度量特征點描述子的信息提取連續動作中的鄰域特征。通過該鄰域特征利用像素的特征函數加強各個鄰域間的聚類效果，同時實現了降噪和降低運算時間。趙仁和等[3]通過傳統活動輪廓模型無法精確分割像素不均勻圖像且對于尺度比較敏感的問題，提出了一種基于區域信息的自適應尺度的活動輪廓模型。根據圖像局部熵構建自適應尺度算子，圖像的局部強度聚類基礎上構建能量函數，利用偏移場實現圖像區域強度不均勻校正。該方法在分割精確度以及噪聲魯棒性等方面有獨特的效果。陳苗苗等[4]將水平集方法應用于圖像分割，避免了水平集函數初始化時數值計算的錯誤從而破壞穩定性的問題。針對該模型對于灰度不均勻圖像的不適應性，提出了一種正則項四相水平集分割模型的方法，從而避免了水平集函數初始化方面的問題。梁淑芬[5]在基于一種局部圖像增強改進分水嶺的舌體分割算法一文中，針對顏色相近物體區分的問題提出局部圖像增強算法，該方法首先通過色差計算不同的圖像增強系數，從而實現舌唇這種顏色相近的對象物體分類圖像分割的技術。以上文章通過區域面積剔除、空間鄰域信息、區域信息的自適應尺度的活動輪廓模型、正則項四相水平集分割模型、局部圖像增強等改進分水嶺算法，改進了算法的預處理過程。可見，改進分水嶺算法的關鍵是預處理過程的改進，或者將數學模型應用于算法本身，以便于更好地實現相似顏色物體分割或者避免過度分割，以提高精確性和魯棒性。

2 分水嶺算法簡介

對于分水嶺算法來說，任何一個灰度圖都可以比作地理地形圖，灰度值比較高的區域可以看作是山峰，灰度值比較低的地區可以看作是山谷。假設能夠向每個不同的山谷灌入不同顏色的水，并且在山峰上修筑足夠高的大壩，使得不同顏色的水不會混合到一起。隨著水位的升高，不同山谷的水就會因為水壩的分割而不會匯合，只要不停地灌水，直到所有的山峰都被淹沒為止，這樣就實現了對圖像的分割。

分水嶺算法首先需要傳入輪廓，對于圖像的所有像素點的值根據分水嶺算法進行判別，然后進行區域的劃分，處理完所有像素點之后，區域與區域之間設置好分界線，分界值設置為-1，接下來對圖像做相應的標記。具體的步驟首先是排序，根據圖像的灰度值從高到低將圖像像素排序，從低到高實現所謂的淹沒，也就是根據算出的局部極小值（山谷）在h階高度的影響域中采用FIFO隊列的數據結構進行判斷和標注。邊界點即分水嶺表示圖像區域極大值的點，通常會對圖像進行梯度運算。該算法對于噪聲、表面物體細小變化以及陰影等都有可能出現過度分割的現象，經典算法對于邊緣對比強烈的圖像分割是有保證的，對于邊緣對比不強烈的圖像分割會有過度分割發生，有幾種方法去處理過度分割的信息，一般是對梯度圖像的閾值進行處理，從而消除因為灰度變化不太明顯帶來的不確定性，所以合適的閾值是圖像分割結果的關鍵。

3 基于標記的分水嶺算法

對于傳統算法中噪聲以及灰度變化不明顯帶來的過度分割現象。采用基于標記的分水嶺算法會有更好的效果。即將不同的標簽賦予不同的值，以不同的標簽值區分不同的區域，包括對不確定的區域以及邊界做好標簽標記。對比傳統針對分水嶺算法的改進方法如梯度，改進后的算法因為對一些極小點或細微的噪點沒有標記，所以也會被“淹沒”算法處理，但梯度的計算會將這些點作為極值點進行判斷。也就是說基于梯度的算法會出現過度分割的現象，而改進后的分水嶺算法克服了這些不足。針對改進后的算法進行的計算前的預處理過程如下：

（1）二值化處理圖像，將圖像分為白和黑兩個部分。二值化過程即將圖像分為0和255兩部分，其中算法設定的閾值比較重要，其中大津法也就是最大類間方差法計算簡單，不受外界因素影響。

（2）通過去噪點方法處理二值化處理的噪點，消除細小的邊界噪聲。在原圖的小區域之內取局部最小值，因為二值化后的圖像只有0和255，最小值就是0。通過將小區域的邊緣變為0來達到縮小和消除小區域的目的。

（3）圖像進行膨脹，接下來將圖像大區域擴張，從而達到消除大區域之間的小噪點。

（4）距離變換，對于有重合的部分，特別是灰度值類似而且有重合的部分，采用距離加上合適的閾值以區分物體間的界限。

（5）取差值得到確定的區域，將確定區域確定好了之后，剩下的就是不確定的區域了。

（6）處理好連通域，調用算法。采用改進后的分水嶺算法處理圖像，但對于未知的區域或者是圖像連通的區域，采用不同的數值對圖像進行標記。

4 實驗驗證

本文采用不同材質的硬幣作為對象，以白色作為背景，圖1(a)和(c)使用改進前的分水嶺算法實現圖像分割，圖1(b)和(d)的結果可以看出分割效果一般，而且局部細節結果并不好。因為部分圖像與背景的白色更接近，原算法對于銀色幣的魯棒性更差。圖2(a)為采用改進后的分水嶺算法待驗證的原始圖像，圖像為通過灰度處理過的圖，即圖像只有黑白灰，沒有彩色表示。圖2(b)為中間計算過程產生的背景圖，可以通過背景確定硬幣的大概區域。通過去除噪點的過程，圖中已經沒有陰影、計算偏差或像素不均勻等帶來的圖像噪點。圖2(c)為算法中間計算過程產生的前景圖，即已經確定的硬幣的位置，其余為不確定區域。通過對不確定區域的去除，更好地確定了不確定的區域，無論是硬幣、背景、通過分水嶺算法可以將其確定。圖2(d)為最終結果圖，為更好地區分物體，將物體本身、背景以及邊界以不同的灰度值顯示。另外，采用了改進后的算法之后，圖3(a)選擇了銅幣以及銀色幣重合的對象作為原始圖，圖3(b)的中間計算過程背景圖勾畫出了大概區域，可以看出，重疊部分并沒有區分開，因為貨幣的顏色比較相近，所以將圖3(c)的結果作為參數的重要判斷依據，因為參數的值決定了最終結果的識別質量，可以看出在圖3(d)的最終結果中，原圖中重疊的貨幣識別結果也比較好。原算法銅質顏色的硬幣在灰度值區分效果較好，傳統算法中特別是基于梯度的分水嶺算法中，銀色硬幣在灰度值方面區分效果不如前者，從結果可以看出對于本問題提出的基于標記分水嶺算法實現的圖像分割技術，從實驗結果來看，不僅銅質硬幣，即便是和背景顏色更接近的銀色硬幣區分效果也比較好，已看出最終結果基本實現了比較良好的分割。

圖1 圖像分割結果圖（改進前方法）

圖2 圖像分割結果圖（改進后）

圖3 圖像分割結果圖（改進后）

5 結論與改進

本文提出了一種基于標記的分水嶺算法，改進了其中圖像預處理過程。在圖像分割算法中，大體可以分為基于圖論、基于聚類、基于深度學習三個方面，在這一圖像分割和計算機視覺領域有著廣泛應用的算法中，針對傳統的基于拓撲圖像分割分水嶺算法、基于梯度的分水嶺算法，基于標記的分水嶺算法在針對早點的魯棒性方面有良好的效果。傳統基于梯度算法有明顯的過度分割的現象，對于細小的噪點和物體的區域邊界處理效果不明顯。過度分割之后的結果對于物體的定位和判斷來說都是嚴重的錯誤。改進后的分水嶺算法預處理過程中，有效利用了圖像二值化之后的膨脹和縮小，將細小的噪點隱去，實驗結果表明，改進后的算法效果良好，沒有過度分割的現象，而且能夠處理好不同顏色材質的對象物體。今后的研究中需要重點解決圖像結果邊緣處理的精確性，更好地處理物體重疊之后的區分，特別是顏色與背景顏色接近物體的不同光照效果下的邊界判斷問題以及相同圖像特征物體重疊之后的區分問題。