一种基于区域生长图像显著区域提取算法.docVIP

一种基于区域生长图像显著区域提取算法 　　摘要：提出了一种改进的基于区域生长的彩色图像显著区域提取算法。该算法在颜色梯度图上应用分水岭分割算法，改进了图像初始分割的效果。综合考虑分割区域的显著度和边界强度，选取恰当的种子区域。在区域生长时考虑分割区域间低层特征的相似性、区域是否位于物体边界以及区域间的可合并度， 设计了三个区域可生长度评价函数。实验结果表明，该算法简单、快速，且能提取出更符合人眼视觉特征的显著区域。 　　关键词：显著区域；彩色分量梯度图；分水岭分割；区域生长；可生长度评价 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）08-1876-04 　　1 概述 　　图像的显著区域是指图像中最能表达图像语义的部分，提取图像的显著区域可以忽略图像中不容易引起人眼兴趣的次要部分，对于图像压缩、图像检索等研究都有重要意义。为了获取图像的显著区域，研究人员总结出一种自底向上的区域生长方法。即先使用分水岭等方法将图像分成细小的子区域，再对子区域进行筛选、合并等方法[1]以最终得到人眼感兴趣的显著区域。 　　为了克服传统区域生长算法存在的显著区域过生长、欠生长和空洞等缺陷，该文提出一种改进的方法：选择符合人眼视觉感知的颜色空间，对初始分割前的图像计算彩色分量的梯度图，以克服传统方法利用灰度图像进行分割而忽略人眼对图像的颜色感知所带来的不足；对梯度图利用分水岭分割算法，将图像预分割成子区域；综合评价显著度和边界强度，选取得分较高的子区域作为种子区域；对得到的种子区域进行区域生长，利用区域的低层特征和邻域间的相互关系等多种因素决定生长的尺度和方向，得到最终的符合人眼视觉特征的显著区域。 　　2 本文算法详述 　　2.3 种子区域选取 　　分水岭算法将图像分割成大量子区域，为了得到图像的显著区域，需要选择显著区域所在的种子区域进行后续的区域生长。传统的选取种子区域的方法存在许多不足：衡量标准单一或标准之间不具备互补性，不符合人眼显著特征[3]，设置参数过多等导致计算复杂度较高[4]。 　　本文在选取种子区域的过程中，选取两个特征作为衡量标准――显著度与边界强度。综合考虑这两个特征可以较好地符合人眼显著特征。 　　本文选择RC算法是因为用该算法得到的显著图用于图像分割，不论是固定阈值二值化还是迭代应用GrabCut[6]方法进行显著性物体分割，在Achanta等[7]提供的公开测试集上测试准确率和召回率都能达到90%以上。 　　本文改进了RC算法，将区域的显著值进行排序，记录前10个显著值最大的区域作为候选的种子区域，记录它们的几何中心点P（x，y）和显著度值[λs]。 　　3 实验及结果讨论 　　3.1 实验结果 　　为比较衡量本文区域生长算法的性能，将本文算法与几种分割方法进行了对比实验。这里介绍一下Achanta等[8]的Frequency-tuned（FT）显著区域检测算法。FT算法首先利用Mean-shift对图像进行初始分割，通过获取图像的频率、颜色及亮度信息计算各个区域的显著值，最后将各个区域的显著值与整幅图像的显著值进行比较，将较大于平均值的区域块归为显著区域部。图4列出了本文方法的分割结果与其他几种方法的比较。 　　3.2 实验结果评价 　　为评测本文算法的有效性，我们从文献[8]中获取400幅图像的人工分割结果（Ground Truth）作为基准数据集。基准数据集是经两个阶段获取的，首先用户对显著物所在区域绘制矩形框，接着再在矩形框内人工分割出显著物体并保存成二值图。人工分割的二值图能准确地标注出图像中单个或多个显著物体。 　　将基准数据集中的二值图记为G，将算法提取的显著图记为A，我们用准确率和召回率来检测算法的有效性。进一步，为了更准确地计算算法的平均正确率和召回率的性能，我们引入Fb测量： 　　4 结束语 　　本文提出了一种基于区域生长的彩色图像显著区域提取算法。首先将颜色梯度图应用于分水岭算法，得到较优的初始分割区域。之后结合RC显著区域检测算法与边界强度信息定位最有可能符合人眼视觉特点的若干个种子区域。最后通过综合考虑区域间颜色面积等低层特征的相似性、区域是否位于物体边界以及区域间的可合并度，设计衡量函数，迭代地完成区域生长算法，得到图像的显著区域。实验结果表明，该文的方法能提取到相对于其他算法更加准确、完整和空洞较少的符合人眼视觉注意机制的显著区域。 　　参考文献： 　　[1] 王艳娟，陈晓红，邹丽.图像感兴趣区域自动提取算法[J].科学技术与工程，2007，7（12）：2867-2871. 　　[2] 郑剑锋.基于感兴趣区域的图像分割及其在图像检索中的应用[D].上海：上海交通大学，2008. 　　[3] Luc Vincent，Pierre Soille.Water