多分辨率下的彩色圖像分割方法

1 引 言

　　圖像分割是圖像處理的主要問題，屬于計(jì)算機(jī)視覺領(lǐng)域低層次視覺中的問題。目前，對(duì)于灰度圖像的分割，已經(jīng)有相當(dāng)多的成果和結(jié)論，而對(duì)彩色圖像的分割，由于比較復(fù)雜、運(yùn)算量大，研究還比較少。彩色圖像通常情況下比灰度圖像包含更多的信息，更接近人的視覺感受，因此，對(duì)彩色圖像分割的研究很有必要。目前提出的彩色圖像分割方法主要有：基于邊緣檢測的方法、基于區(qū)域的方法、神經(jīng)網(wǎng)絡(luò)法以及其他技術(shù)方法。

　　由于彩色圖像本身的數(shù)據(jù)量比較大，導(dǎo)致區(qū)域調(diào)整的過程通常需要很大的計(jì)算量。因此為了提高分割速度，提出在彩色圖像的小波低分辨率近似圖像中進(jìn)行圖像分割，然后映射到原始圖像中的分割方法。

2 顏色空間

　　彩色圖像采用顏色空間表示各種顏色的屬性以及各分量之間的關(guān)系。常用的顏色空間有RGB，HSV等。RGB是最常用的顏色空間，但是RGB對(duì)光照條件比較敏感，且是不均勻的顏色空間，空間中兩點(diǎn)間的歐式距離與顏色距離不成線性比例，而且R，G，B各分量之間的相關(guān)性比較高。HSV是一種更接近人眼色彩感知的彩色模型，其中H為色調(diào)；S為色飽和度；V為亮度。本文選用HSV彩色空間來對(duì)圖像進(jìn)行處理。

3 小波變換

　　在對(duì)圖像進(jìn)行分割的時(shí)候，通常都著眼于圖像的整體結(jié)構(gòu)和內(nèi)容，一些小的細(xì)節(jié)則不是太關(guān)心。在小波分析的低分辨率下，圖像能夠以較少的樣本值來提供整體的結(jié)構(gòu)輪廓以及典型的色彩區(qū)域。本文通過對(duì)原始圖像的3個(gè)顏色分量分別進(jìn)行離散haar小波變換以獲得圖像在低分辨率下的近似表示。

　　其中A2J代表在尺度J下的原始圖像的低分辨率近似，WS2j則代表在一系列尺度下3個(gè)方向(水平、垂直、對(duì)角線)的高頻系數(shù)。

　　小波變換具有較強(qiáng)的噪聲抑制能力，能夠消除近似圖像中的部分細(xì)小的噪聲和起伏，同時(shí)小波具有的差分性質(zhì)也能很好地保持邊緣。因此小波變換生成的近似圖像完整地保持了原始圖像的整體框架以及各個(gè)色彩區(qū)域之間的邊緣信息。同時(shí)很好地消除了相對(duì)平滑區(qū)域的一些細(xì)小的紋理，有利于應(yīng)用分水嶺算法對(duì)圖像進(jìn)行初始分割。

4 初始分割

　　由于在HSV顏色空間中，物體的色度H與飽和度S通常只由構(gòu)成物體的材質(zhì)的光線吸收和反射特性決定而與環(huán)境的亮度關(guān)系不大，只有物體的亮度V明顯受到光照的影響，拋開亮度V只在色度H和飽和度S平面分割圖像，有時(shí)會(huì)更容易得出正確結(jié)果。因此本文只使用歸一化的H和S分量來計(jì)算低分辨率近似圖像中的顏色梯度。如式(3)所示。

　　其中，M表示梯度圖像，Dcv以及Dch分別代表垂直和水平方向上顏色分量的梯度。

　　將分水嶺算法應(yīng)用于所得到的梯度圖像。分水嶺方法是一種重要的形態(tài)學(xué)圖像分割方法，并且有成熟的快速算法。分水嶺分割方法針對(duì)每一個(gè)局部極小值產(chǎn)生互不交疊的分割區(qū)域，成為集水盆地或者分水嶺，各區(qū)域之間的邊界稱為分水線或分割線，如圖1所示。低分辨率下的近似圖像經(jīng)分水嶺算法進(jìn)行初始分割后的結(jié)果如圖1(b)所示。由圖可知，在低分辨率下，無論是待分割的像素?cái)?shù)量還是初始分割所得到的區(qū)域數(shù)目都要遠(yuǎn)遠(yuǎn)少于對(duì)原始圖像進(jìn)行分水嶺方法分割得到的結(jié)果。

5 區(qū)域合并

　　由于分水嶺方法對(duì)應(yīng)每個(gè)局部極小值都產(chǎn)生一個(gè)分割區(qū)域，因此得到的初始分割結(jié)果是過度分割的，同時(shí)不同色彩之間的邊緣幾乎全部被包含在分水線當(dāng)中。因此將屬于同一類顏色的初始分割區(qū)域按照一定的規(guī)則進(jìn)行合并能夠得到期望的結(jié)果。本文采用一種基于圖像顏色和空間關(guān)系區(qū)域合并準(zhǔn)則，根據(jù)各初始分割區(qū)域的顏色差異議及空間上的鄰接關(guān)系決定各個(gè)區(qū)域的合并順序。仍然使用歸一化的H和S分量來衡量不同區(qū)域的顏色差異，如式(4)所示。由于歸一化H分量由小到大依次以閉合環(huán)狀分布，即最小值0和最大值1代表相近的顏色，因此H分量的距離計(jì)算方法有所不同，如式(5)所示。

　　其中i，j代表任意2個(gè)初始分割區(qū)域；RH和RS分別代表相應(yīng)區(qū)域的歸一化H和S分量的平均值；D(i，j)代表區(qū)域i，j之間的顏色差異。

　　兩個(gè)相鄰區(qū)域的結(jié)合度由公有邊界的像素?cái)?shù)目以及邊界處像素的梯度差決定，如式(7)所示，N(i，j)表征結(jié)合度。

　　其中，E(i，j)代表區(qū)域i，j之間的邊界區(qū)域；M為梯度圖像；∣E(i，j)∣為區(qū)域E(i，j)的像素?cái)?shù)目。

　　顏色差異和結(jié)合度一起決定各相鄰區(qū)域?qū)Φ暮喜?yōu)先級(jí)，如式(8)所示，λ由實(shí)驗(yàn)獲得，通常取0.8。每次將優(yōu)先級(jí)最高即F(i，j)值最小的2個(gè)相鄰區(qū)域合并，合并后區(qū)域的RH和RS以及相應(yīng)F(i，j)重新計(jì)算，然后進(jìn)入下一次合并過程。

　　終止合并的條件采用參考文獻(xiàn)[5]的方法。結(jié)果如圖2所示。

6 逆小波變換

　　合并后的結(jié)果通過離散小波逆變換映射到原分辨率下。對(duì)于各顏色區(qū)域，用于小波逆變換的近似圖像用個(gè)顏色區(qū)域的均值替代，同時(shí)令這些區(qū)域的高頻系數(shù)為零，而分割線部分則用未經(jīng)分割的近似圖像在該處的像素值表示，并保留分割線處的高頻系數(shù)，如式(9)、(10)所示。

　　式(9)中R(x，y)表示各分割區(qū)域用區(qū)域均值表示后的圖像，如圖3所示。根據(jù)A′2J(x，y)，W′2j(x，y)進(jìn)行逆變換得到高一級(jí)分辨率下的近似，然后根據(jù)同樣的規(guī)則重新計(jì)算出A′2J(x，y)、W′2j(x，y)直到回到原始分辨率下。逆變換的結(jié)果如圖3所示。

　　低分辨率分割的近似圖像中由分水嶺方法得到的單像素分割線，經(jīng)由小波逆變換映射到原分辨率下時(shí)在各顏色區(qū)域之間形成比較寬的過渡帶。為了消除這條寬邊界，需要將過渡帶中的像素按照顏色最接近的原則分配到相鄰的不同的顏色區(qū)域當(dāng)中。每個(gè)屬于過渡帶的像素通過式(4)計(jì)算它和所有相鄰顏色區(qū)域的顏色差異，并將其歸類到顏色最接近的區(qū)域中。結(jié)果如圖4所示。

7 結(jié) 語

　　小波分析的低分辨率近似圖像保持了原始圖像總體框架結(jié)構(gòu)，消除了一些小的細(xì)節(jié)和噪聲，同時(shí)近似圖像的像素?cái)?shù)目大大減少，初始分割形成的區(qū)域也比在原始圖像中要少得多。因此對(duì)于圖像的整體分割，大目標(biāo)的提取有良好的效果，并且分割的速度也大大地提高。