基于平面超像素图像分割算法.docVIP

基于平面超像素图像分割算法 　　摘 要：针对以像素为节点建立图模型进行图像分割颇为耗时的弊端，提出了一种基于平面超像素图割的图像分割方法，并应用于图像分割。首先用改进的分水岭算法将图像分割成区域一致性小区域（超像素），用分割得到的超像素作为图的节点构建图模型；以每个超像素的灰度值代表所在分块的全部像素点参数；最后用图割算法达到最优分割。该算法以极少数超像素代替海量像素，在得到较好分割结果的同时，极大地缩短了运行时间。 　　关键词：分水岭算法；超像素分割算法；图像分割；图像处理 　　中图分类号：TP312 文献标识码：A 文章编号：1672-7800（2016）003-0057-02 　　作者简介：韩冬越（1989-），女，辽宁辽阳人，广西师范学院计算机与信息工程学院硕士研究生，研究方向为计算机图像处理。 　　0 引言 　　目前，图像分割领域中涌现了多种方法，这些方法均可应用于医学图像并得到了国内外学者的广泛关注。Boykov等[1]提出基于图割的图像分割，利用图论中的组合优化技术，将图像中的目标对象按照一定的相似性准则，分成语义不同的目标区域，进而提取感兴趣目标对象的形状轮廓。用图割进行图像分割，其主要任务是对目标对象所在图像区域的像素分布特征进行标注，这显然减少了像素标注的数目，可提高图像处理速度。 　　Li等[2]通过使用分水岭变换对图像进行预分割，将原始图像预分割为多个小的可分辨区域，用这些小的区域构造图割中所需的标注结点，再使用图割算法获取目标对象的边缘形状轮廓。Ren等[3]提出超像素理论将这些预先分割的小区域等同于单个像素点，将图像平面分割成多个均匀小块，再通过分类技术对这些小块内的像素进行聚类和相似性分析，在保证超像素边界充分接近又不互相重叠的状态下，完成对图像的预分割。 　　本文以超像素作为处理单元，对图像进行分水岭预处理，再与图割算法相结合，完成图像分割。 　　1 相关工作 　　1.1 超像素分割 　　早期的图像处理中，常用二维矩阵的方式来表示图像，不考虑图像像素间的空间位置关系。2003年，Ren等[3]首次提出超像素的概念。所谓超像素，是指具有类似纹理、颜色、亮度等特性的图像块。 　　图像的超像素化是对平面图像中的像素进行分组聚类，使得一个超像素内的像素在亮度、灰度、色彩和纹理上具有某种程度的相似性，并使得超像素内部像素分布能量较低，而超像素之间却具有一定程度的不相似性，且在区域边界上具有较高的能量分布。因此，超像素的划分要保证超像素边界的光滑性和连续性，同时还要保证内部区域的相似性和毗邻区域的不相似性。超像素算法分割示例如图1所示。 　　1.2 基于距离的分水岭分割算法 　　传统的分水岭算法[4-5]常用于图像预分割，能够准确地获得分割对象的边缘，为后期分割提供较好的初始分割，算法实现简单，能够得到单像素并且封闭的分水岭。但是原始信号中噪声的影响会在梯度图中造成许多虚假的局部最小值，由此造成过分割现象。因此，可通过如下方法消除这些微弱噪声的影响：首先对图像进行均值滤波，然后利用Sobel算子与图像做卷积，并计算边缘像素与非边缘像素的距离。 　　由于最终的分割结果受预分割图像中超像素数目的影响（分割数目太多会降低处理速度，且最终的目标边缘不够精细；分割数目太少则得不到精确的分割结果，使得部分背景被划分为前景），因而本文将变换后的图像再次做分水岭变换，在此基础上采用彩色图像梯度算法改进传统分水岭算法，以进一步消除光照等噪声的影响。 　　实验结果证明，改进的分水岭算法使得分割目标的边缘较传统分水岭算法更为精确，同时加快了后续分割速度，整体提升了处理效率和效果。 　　2 平面图像的超像素化 　　改进的分水岭算法[4-6]能够将图像快速划分成区域一致性描述的若干分块，各分块内像素的灰度均值可作为该分块内像素点的典型代表来进行后续分割，而且在几何上各分块间仍然保持着相应的拓扑关系，因而可以运用基于图割的迭代来进行切割。利用改进分水岭算法生成的超像素图像块如图2所示。 　　基于这些超像素构建 Graph Cuts 模型[7-8]，相较于传统的基于像素的构建方式，可以大大减少加权图拓扑结构中的节点和权值边的数目，进而可以节省大量的内存开销和计算负担。将待分割图像看作是一个加权无向图，如图3所示。 　　根据以上定义，通过迭代的方法求解如下：①利用改进的分水岭算法将输入图像进行预分割，用超级像素块代替像素作为节点构造网络图；②图像超像素化，求各个超像素块的灰度值均值；③计算超级像素块与每一类的距离，用图割分割，更新每一类的高斯分布及参数，继续循环，直至收敛。 　　3 算法性能及分析 　　本文利用图像分割中的超像素分割理念，结合图像的图割技术分割出目标图像，用超像素生成化算法对原