基于显著过渡区域的图像分割方法

摘要

本发明涉及一种基于显著过渡区域的图像分割方法，其特征在于包括如下步骤：步骤S01：读取待分割图像；步骤S02：提取图像的过度区域；步骤S03：筛选出显著过渡区域；步骤S04：确定分割阈值、执行阈值分割、获得二值化分割结果；步骤S05：执行目标区域筛选、获得最终分割结果。本发明在分析现有的图像分割技术缺陷的基础上，提出了一种新的基于显著过渡区域的图像分割算法。新算法基本克服了全局阈值分割的缺陷，较大幅度地提升了分割效果，还具有简单、易实现、实时性好、稳定性好的特点。

说明书

技术领域

本发明属于图像处理技术领域,主要应用于对图像中的目标进行提取,为目标识别等提供依据。

背景技术

图像分割是图像处理中利用图像特征进行目标提取的技术。它是图像分析与理解的关键预处理步骤。图像分割技术已经广泛应用于生物医学图像分析、目标识别等领域。图像分割算法大致可以分为三类：基于边界的方法、基于区域的方法以及混合型方法。

基于边界的图像分割算法着重考察图像局部特征的变化，通过寻找目标与背景之间的过渡地带(边界或边缘)将目标从背景中分离出来。这类方法的典型代表是边缘检测算子和图割方法。边缘检测算子在检测边缘时，容易出现边缘断裂或者不必要的背景或目标内部繁杂边缘问题，给目标识别带来困难。近年来，图割方法获得了研究者广泛的关注。这类方法把图像看作无向图，把图像分割问题转化为图划分问题。典型的图割算法包括标准割(Normalized cut)和等周割(Isoperimetric cut)。标准割通常仅对具有高对比度、简单背景的单目标图像分割效果较好。等周割的分割效果往往好于标准割，但其对具有低对比度或多目标的图像分割效果欠佳。

基于区域的分割算法着重考察图像区域的均匀性，包括区域生长、区域分裂合并、聚类以及阈值分割。其中，阈值分割因其简单、实时性好的特点而被广泛应用。阈值分割算法可以简单地分为全局阈值和局部自适应阈值分割两类。前者先选定一个灰度作为全局阈值，然后根据该阈值结合像素点灰度将图像分成目标和背景两类，实现分割。全局阈值分割无法处理目标和背景存在灰度重叠的图像，因为目标的完整分割势必会造成具有重叠灰度的背景像素被误分成目标。局部自适应阈值分割算法根据像素点局部邻域内容自适应地确定分割阈值，一定程度上减轻了上述问题，但其效果仍然欠佳。

混合型分割方法旨在同时利用边界和区域信息来实现目标的准确分割。比如，2010年，Chen等提出了一种双阈值图像二值化分割方法。此方法综合利用了边缘检测、区域生长和阈值分割技术来实现图像分割。其分割效果的好坏严重依赖于Canny算子的边缘检测结果。而Canny算子容易检测出繁杂而无用的目标和背景区域内部边缘，造成分割效果的急速下降。基于过渡区域的阈值分割算法先利用具有类边缘结构的图像过渡区域确定一个分割阈值，进而执行全局阈值分割，属于一类简单的混合型图像分割技术。这类方法本质上仍然属于全局阈值分割范畴,保留了全局阈值分割的上述缺陷。

发明内容

为了减轻上述方法在图像分割过程中存在的缺陷,本发明从定义过渡区域的显著性出发,提出一种基于显著过渡区域的图像分割新方法，改善了图像分割的准确性和鲁棒性。

本发明采用以下方案实现：一种基于显著过渡区域的图像分割方法，其特征在于包括如下步骤：

步骤S01：读取待分割图像；

步骤S02：提取图像的过渡区域；

步骤S03：筛选出显著过渡区域；

步骤S04：确定分割阈值、执行阈值分割、获得二值化分割结果；

步骤S05：执行目标区域筛选、获得最终分割结果。

在本发明一实施例中，所述步骤S02中的提取图像过渡区域的具体过程如下：

步骤S021：选定邻域窗口大小m，根据式(1)计算每个像素点p_i,j对应的m×m邻域窗口Ω的灰度方差，其中f(x,y)代表窗口Ω内像素点p_x,y的灰度，代表窗口Ω的灰度均值：

$>\mathrm{Lv}(i,j)=\frac{\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{m}{\Sigma }}{(f(x,y)-\bar{f})}^2}{m^2-1}---\left(1\right)$>

步骤S022：构建所有像素点对应局部方差的矩阵：

$>\mathrm{Lv}=\left(\begin{array}{cccc}\mathrm{Lv}\left(\mathrm{1,1}\right)& \mathrm{Lv}\left(\mathrm{1,2}\right)& ......& \mathrm{Lv}(1,n_w)\\ \mathrm{Lv}\left(\mathrm{2,1}\right)& \mathrm{Lv}\left(\mathrm{2,2}\right)& ......& \mathrm{Lv}(2,n_w)\\ ...& ...& ......& ...\\ \mathrm{Lv}(n_h,1)& \mathrm{Lv}(n_h,2)& ......& \mathrm{Lv}(n_h,n_w)\end{array}\right)---\left(2\right)$>

式中，n_h和n_w分别代表图像的高度和宽度；

步骤S023：对矩阵Lv中所有元素进行降序排列，将局部方差值排列靠前的αN个元素对应的像素点视为过渡区域像素点，N代表图像的像素总数，α是一个参数；所有过渡区域像素点组成了图像的过渡区域，其形式化描述为一个二值矩阵TR，其中1和0分别代表过渡区域像素点和其余像素点。

在本发明一实施例中，所述步骤S03中的筛选出显著过渡区域的具体过程如下：

步骤S031：把二值图像TR中像素点映射为图中的节点，计算8连通结构下过渡区域像素点构成的所有连通分量中每个连通分量包含的像素点个数；

步骤S032：将拥有最多像素点的过渡区域连通分量视为显著过渡区域，其形式化描述为一个二值矩阵STR，其中1和0分别代表显著过渡区域像素点和其余像素点。

在本发明一实施例中，所述步骤S04中确定分割阈值，执行阈值分割的过程分为两个大的步骤，其一是确定候选阈值区间，其二是从候选阈值区间中确定出分割阈值，执行阈值分割；

所述确定候选阈值区间的过程如下：

步骤S0411：计算过渡区域像素点的灰度均值T_m;

步骤S0412：确定候选阈值区间R为：

R=[t₁ t₂]∩[0 255]   (3)

t₁=T_m-0.2×σ     (4)

t₂=T_m+0.2×σ     (5)

其中，σ代表整幅图像的灰度标准差；

所述确定分割阈值、执行阈值分割的过程如下：

步骤S0421：从候选阈值区间中任意选定一个灰度t，根据下式求其对应的阈值分割结果B_t；

$>B_t(i,j)=\left(\begin{array}{cc}1& \mathrm{if}(i,j)>t,\\ 0& \mathrm{otherwise}.\end{array}\right)---\left(6\right)$>

步骤S0422：计算B_t中目标像素点和背景像素点的个数，如果目标像素个数N_o大于背景像素个数N_b，则对B_t执行如下的翻转操作：

$>B_t=\left(\begin{array}{cc}{\bar{B}}_t& \mathrm{if}{N}_o>N_b,\\ B_t& \mathrm{otherwise}.\end{array}\right)---\left(7\right)$>

$>{\bar{B}}_t(i,j)=\left(\begin{array}{cc}0& \mathrm{if}{B}_t(i,j)=1,\\ 1& \mathrm{if}{B}_t(i,j)=0.\end{array}\right)---\left(8\right)$>

上述翻转操作的目的是保证阈值分割后的二值化分割结果中1和0分别代表真实的目标像素和背景像素；

步骤S0423：计算B_t中目标与显著过渡区域交叠的像素点个数：

$>N\left(t\right)=\underset{i}{\Sigma }\underset{j}{\Sigma }(B_t(i,j)\times \mathrm{STR}(i,j))---\left(9\right)$>

步骤S0424：根据下列式子确定分割阈值T*：

$>T*=\mathrm{Arg}\underset{t\in R}{\max }\left\{N\left(t\right)\right\}---\left(10\right)$>

步骤S0425：将T*作为全局阈值，执行阈值分割，获得图像二值化分割结果B_T*。

在本发明一实施例中，所述步骤S05中执行目标区域筛选，获得最终分割结果的具体过程如下：

步骤S051：计算B_T*中目标像素点和背景像素点个数，如果目标像素个数大于背景像素个数，则对B_T*执行与B_t相同的翻转操作，以保证B_T*中1和0分别代表真实的目标像素和背景像素；

步骤S052：计算8连通结构下每个目标连通分量与显著过渡区域交叠的像素点个数，如果个数为0，则将该目标连通分量变为背景，从分割结果中予以剔除；

步骤S053：执行完上述剔除操作后的B_T*即为最终的分割结果。

在本发明一实施例中，还包括采用错分类误差ME(Misclassification Error)来评价分割后图像的质量。

本发明在分析现有的图像分割技术缺陷的基础上，提出了一种新的基于显著过渡区域的图像分割算法。新算法基本克服了全局阈值分割的缺陷，较大幅度地提升了分割效果，还具有简单、易实现、实时性好、稳定性好的特点。

附图说明

图1是本发明方法流程示意图。

图2是采用本发明方法的第一组实验的可视化分割结果。

图3是采用本发明方法的第二组实验的分割结果。

图4是采用本发明方法的第三组实验的分割结果。

具体实施方式

下面结合附图及实施例子对本发明做进一步说明。

如图1所示，本发明提供一种基于显著过渡区域的图像分割方法，其特征在于包括如下步骤：

步骤S01：读取待分割图像；

步骤S02：提取图像的过渡区域；

步骤S03：筛选出显著过渡区域；

步骤S04：确定分割阈值、执行阈值分割、获得二值化分割结果；

步骤S05：执行目标区域筛选、获得最终分割结果。

在本发明实施例中，上述流程图中，提取图像过渡区域的具体过程如下：

（1）选定邻域窗口大小m，根据式(1)计算每个像素点p_i,j对应的m×m邻域窗口Ω的灰度方差，其中f(x,y)代表窗口Ω内像素点p_x,y的灰度，代表窗口Ω的灰度均值，σ是数学中表示标准差的符号，它的平方就是指方差：

$>\mathrm{Lv}(i,j)=\frac{\underset{x=1}{\overset{m}{\Sigma }}\underset{y=1}{\overset{m}{\Sigma }}{(f(x,y)-\bar{f})}^2}{m^2-1}---\left(1\right)$>

（2）构建所有像素点对应局部方差的矩阵：

$>\mathrm{Lv}=\left(\begin{array}{cccc}\mathrm{Lv}\left(\mathrm{1,1}\right)& \mathrm{Lv}\left(\mathrm{1,2}\right)& ......& \mathrm{Lv}(1,n_w)\\ \mathrm{Lv}\left(\mathrm{2,1}\right)& \mathrm{Lv}\left(\mathrm{2,2}\right)& ......& \mathrm{Lv}(2,n_w)\\ ...& ...& ......& ...\\ \mathrm{Lv}(n_h,1)& \mathrm{Lv}(n_h,2)& ......& \mathrm{Lv}(n_h,n_w)\end{array}\right)---\left(2\right)$>

式中，n_h和n_w分别代表图像的高度和宽度。

（3）对矩阵Lv中所有元素进行降序排列，将局部方差值排列靠前的αN个元素对应的像素点视为过渡区域像素点，N代表图像的像素总数，α是一个参数。所有过渡区域像素点组成了图像的过渡区域，其形式化描述为一个二值矩阵TR，其中1和0分别代表过渡区域像素点和其余像素点。

上述流程图中，筛选出显著过渡区域的具体过程如下：

（1）把二值图像TR中像素点映射为图中的节点，计算8连通结构下过渡区域像素点构成的所有连通分量中每个连通分量包含的像素点个数；

（2）将拥有最多像素点的过渡区域连通分量视为显著过渡区域，其形式化描述为一个二值矩阵STR，其中1和0分别代表显著过渡区域像素点和其余像素点。

确定分割阈值，执行阈值分割的过程分为两个大的步骤，其一是确定候选阈值区间，其二是从候选阈值区间中确定出分割阈值，执行阈值分割。

确定候选阈值区间的过程如下：

（1）计算过渡区域像素点的灰度均值T_m。

（2）确定候选阈值区间R为：

R=[t₁ t₂]∩[0 255]   (3)

t₁=T_m-0.2×σ     (4)

t₂=T_m+0.2×σ     (5)

其中，σ代表整幅图像的灰度标准差；

确定分割阈值、执行阈值分割的过程如下：

（1）从候选阈值区间中任意选定一个灰度t，根据下式求其对应的阈值分割结果B_t。

$>B_t(i,j)=\left(\begin{array}{cc}1& \mathrm{if}(i,j)>t,\\ 0& \mathrm{otherwise}.\end{array}\right)---\left(6\right)$>

（2）计算B_t中目标像素点和背景像素点的个数，如果目标像素个数N_o大于背景像素个数N_b，则对B_t执行如下的翻转操作：

$>B_t=\left(\begin{array}{cc}{\bar{B}}_t& \mathrm{if}{N}_o>N_b,\\ B_t& \mathrm{otherwise}.\end{array}\right)---\left(7\right)$>

$>{\bar{B}}_t(i,j)=\left(\begin{array}{cc}0& \mathrm{if}{B}_t(i,j)=1,\\ 1& \mathrm{if}{B}_t(i,j)=0.\end{array}\right)---\left(8\right)$>

上述翻转操作的目的是保证阈值分割后的二值化分割结果中1和0分别代表真实的目标像素和背景像素。

（3）计算B_t中目标与显著过渡区域交叠的像素点个数：

$>N\left(t\right)=\underset{i}{\Sigma }\underset{j}{\Sigma }(B_t(i,j)\times \mathrm{STR}(i,j))---\left(9\right)$>

（4）根据下列式子确定分割阈值T*：

$>T*=\mathrm{Arg}\underset{t\in R}{\max }\left\{N\left(t\right)\right\}---\left(10\right)$>

（5）将T*作为全局阈值，执行阈值分割，获得图像二值化分割结果B_T*。

执行目标区域筛选，获得最终分割结果的具体过程如下：

（1）计算B_T*中目标像素点和背景像素点个数，如果目标像素个数大于背景像素个数，则对B_T*执行与B_t相同的翻转操作，以保证B_T*中1和0分别代表真实的目标像素和背景像素。

（2）计算8连通结构下每个目标连通分量与显著过渡区域交叠的像素点个数，如果个数为0，则将该目标连通分量变为背景，从分割结果中予以剔除。

（3）执行完上述剔除操作后的B_T*即为最终的分割结果。

为了量化各种方法分割质量的差异，本发明采用错分类误差ME(Misclassification Error)来评价分割后图像的质量。ME反映背景像素被误分类为目标，以及目标像素被误分为背景的百分比。对于一个两类分割问题，ME可以被简单地表示为：

$>\mathrm{ME}=1-\frac{|B_O\cap B_T|+|F_O\cap F_T|}{\left|B_O\right|+\left|F_O\right|}---\left(11\right)$>

(11)式中，B_O和F_O分别表示参考图像背景像素和目标像素的集合，B_T和F_T为分割结果中背景像素和目标像素的集合，|.|表示集合元素的个数。参考图像通过手动方式根据我们的视觉观察来获得。ME的取值范围为0到1，0表示无错误分类发生的完美分割，1表示将所有像素都错误分类的情况。ME的值越大，对应分割后图像的质量越差。

我们对分辨率为200×200的一系列图像进行了仿真实验，运用Matlab7.0编程，实验运行在1.7GHz英特尔酷睿i5-3317CPU，4GB内存的联想Thinkpad笔记本上。本发明算法与经典的边缘检测算子(Canny)、著名的标准割算法(Ncut)、等周图割算法(Isocut)、基于Parzen窗技术的全局阈值分割算法(PWT)、局部自适应阈值分割算法(Niblack)、双阈值二值化算法(DTIB)以及三种基于过渡区域的阈值分割算法(LE、LGLD和MLE)进行对比。LE采用7×7的局部窗口，LGLD、MLE和本发明算法均采用3×3的局部窗口，4种算法提取相同数目的过渡区域像素点。由于Canny、Ncut以及Isocut三种方法得到的是边缘图像，不适合用ME进行定量的分割质量评价。因此，我们仅在每组实验的可视化分割结果中展示三种方法的分割结果，供读者进行直观的分割效果比较。

第一组实验由10幅含有中等大小目标的自然图像构成，与过渡区域像素个数相关的参数α设置为0.03。表1给出了各种算法对每幅图像分割所得的ME测度值。从表中数据可以观察到，本发明算法对前8幅图像的分割结果对应了最小的ME值，表明本发明算法的误分率最小，分割效果最好。对最后两幅图像，本发明算法分别获得了第二和第三小的ME值，表明本发明算法的误分率在所有算法中还是比较小的，分割效果较为理想。图2所示的可视化分割结果也证实了本发明算法的有效性，图中从上到下的各行分别代表原图像、理想的分割结果、10种算法的分割结果(Canny、Ncut、Isocut、PWT、DTIB、Niblack、LGLD、LE、MLE和本发明算法)。

第二组实验由4幅含有小目标的自然图像构成，与过渡区域像素个数相关的参数α设置为0.01。图3展示了各种算法对这组图像的可视化分割结果，图中从左至右的各列分别代表原图像、理想分割结果、10种算法的分割结果(Canny、Ncut、Isocut、PWT、DTIB、Niblack、LGLD、LE、MLE和本发明算法)。从图中可以看到，本发明算法所得分割结果与图中第2列对应的理想分割结果最为接近，分割效果良好。表2的分割质量定量评价结果表明，本发明算法对前3幅图像取得了最小的误分率ME，对最后一幅图取得了第二小的误分率，进一步证实了本发明算法良好的分割效果。

第三组实验由4幅含有多目标的自然图像构成。执行该组实验的过程中，我们省略了从过渡区域中挑选出显著过渡区域这个步骤，因为单个的显著过渡区域往往只能对应单个目标，而本组实验的图像包含多目标，应该有多个显著过渡区域。为此，我们省略掉显著过渡区域筛选这个步骤，而是将所提取的所有过渡区域直接视为显著过渡区域，进而执行后续的算法步骤。表3给出了各种算法对每幅图像分割所得的ME测度值。从表中数据可以观察到，本发明算法对前3幅图像取得了最小的ME值，表明本发明算法的误分率最小，分割效果最好。对最后一幅图像，本发明算法获得了第二小的误分率，分割效果仅次于DTIB。图4所示的可视化分割结果进一步证实了本发明算法的有效性。

本发明算法涉及两个参数，即m和α。这两个参数均在图像过渡区域提取的过程中用到，m代表邻域窗口大小，α用于确定过渡区域像素点个数。为了给出算法参数的合理范围，我们对两个参数分别进行了讨论。采用固定其中一个参数，变化另一个参数的方式对第一组和第二组实验的共14幅图像进行了实验。

表4～5分别给出了7种不同邻域窗口下，本发明算法测试所得ME值。从表4～5可知，局部窗口大小m对本发明算法性能的影响较小。因此，m的优选取值范围为3～15。为了提高算法的运行效率，通常m的取值为3。

表6～7分别给出了5种α下，m=3时本发明算法对应的ME值。从表6～7可知，本发明算法在第一组图像上的性能受α取值变化的影响较小，而在第二组图像上受α取值变化的影响更大。总体而言，本发明算法对参数m不敏感，对参数α更敏感。α的优选取值根据图像中目标大小凭经验而定。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。