CN102800094A - 一种快速彩色图像分割方法 - Google Patents

Abstract

本发明公开了一种基于聚类分析与图像金字塔相结合的快速彩色图像分割方法。其步骤包括：1）依据源图像构造高斯与拉普拉斯图像金字塔，得到低分辨率图像与边缘图像；2）将低分辨率图像转到HSV空间，通过直方图分析得到聚类数目与初始聚类中心，利用聚类算法在HSV空间内对低分辨率图像进行聚类分割；3）对步骤2）得到的分割结果进行上采样，投影到原始分辨率，然后进行空间滤波，去除过小区域，得到原分辨率区域分割结果；4）将步骤1）得到的边缘图像与步骤3）得到的区域分割结果相融合，得到最终分割结果。本发明方法在提高彩色图像分割速度的同时，保证了分割质量，适用于实时性要求高的数字图像处理系统中。

Description

一种快速彩色图像分割方法

技术领域

本发明涉及一种彩色数字图像的分割方法，具体涉及一种基于聚类算法与图像金字塔相结合的彩色图像分割方法。

背景技术

图像分割在图像处理以及计算机视觉中扮演着极其重要的角色，也是图像处理的经典难题之一。它是图像分析和计算机视觉系统的重要组成部分，并决定了数字图像分析的质量和对视觉信息处理结果的好坏。由于彩色图像提供了比灰度图像更为丰富的信息，因此对彩色图像的分割处理日益受到人们的重视。目前，常用的彩色数字图像分割方法包括：直方图阈值法、基于区域的方法、基于边缘的方法、特征空间聚类方法、神经网络方法等等。其中，聚类算法将图像作为特征向量集合，把图像分割任务转化为对数据集合的聚类任务。因其原理简单、易于实现，在彩色数字图像分割中得到广泛的应用。但该类方法存在以下主要问题：

1. 如何确定聚类数目。传统聚类算法的聚类数目需要人为设定，如果聚类数目过多，则会产生过分割，如果过少，则会丢失有意义的分割区域。

2. 如何确定初始聚类中心。如果初始聚类中心选择不当，在迭代过程中会陷入局部最优，影响最终分割结果。

3. 忽略空间信息。传统聚类算法应用于彩色图像分割时，只将图像的颜色信息作为特征向量集合进行聚类分析，而忽略了图像的空间信息。

另外，聚类算法的时间复杂度为O(nkt), (n为数据对象数目，k为聚类数目，t为迭代次数)，随着数据量及迭代次数的增加，算法复杂度非线性增长，大数据量聚类分析速度显著变慢。此问题的一个解决方案是利用图像金字塔来减少聚类数据量。图像金字塔是一种以多分辨率来解释图像的有效但概念简单的结构，其最初用于机器视觉和图像压缩。一幅图像的金字塔是一系列以金字塔形状排列的分辨率逐步降低的图像集合。金字塔的底部以待处理图像的高分辨率表示，而顶部是低分辨率的近似。当向金字塔的上层移动时，尺寸和分辨率就降低。图像金字塔结构的最大优点是自下而上每一层像素数都不断减少，这会大大减少计算量；而缺点是自下而上的金字塔量化变得越来越粗糙。常用的金字塔结构包括高斯金字塔和拉普拉斯金字塔，高斯金字塔可用来获得下采样图像，而拉普拉斯金字塔则用来重建原图像。

除此之外，针对彩色图像，选择合适的颜色空间进行聚类分析对最终的分割质量也至关重要。目前，常用的颜色空间类型有：RGB、YCbCr、YUV、HSV、CIE Lab、CIE Luv等。其中，RGB、YCbCr、YUV通常应用于原始数据存储与编码标准中，但与人类的视觉感知原理不相符；CIE的颜色空间一般作为界定和测量色彩的标准，但与其他颜色空间的转化计算较复杂；HSV空间更强调人类的视觉感知，应用于图像分割时能够得到更好的分割结果，同时与其他颜色空间之间的相互转换简单。

发明内容

技术问题：针对传统聚类算法应用于彩色图像分割时存在的问题，本发明提出了一种基于聚类分析与图像金字塔相结合的彩色数字图像分割方法，该方法无需人工干预，在提高分割速度的同时，保证了分割质量。

技术方案：为解决以上问题，本发明提出的技术方案是：通过直方图分析得到初始聚类中心和聚类数目，不需人为设定；利用图像金字塔结构减少聚类数据量，从而提高分割速度；将图像的空间边缘信息与聚类分割结果相结合，得到最终的分割结果，从而提高分割质量。

本发明的快速彩色图像分割方法，包括图像金字塔构造，直方图分析，聚类分析，去除聚类结果中过小区域，聚类结果与边缘信息融合，所述的快速彩色图像分割方法包括以下步骤：

11）. 读取通过数码照相机、摄像机或数字图像设备获得的源图像，构造高斯与拉普拉斯图像金字塔，得到一幅低分辨率图像与边缘图像；

12）. 将低分辨率图像的颜色值转到HSV(Hue:色度、Saturation: 饱和度、Value:亮度)颜色空间，利用直方图分析得到聚类数目与初始聚类中心，利用聚类算法在HSV颜色空间内对低分辨率图像进行聚类分割；

13）. 对步骤12）得到的分割结果进行上采样，投影到原始分辨率，然后进行空间滤波，去除过小区域，得到初始区域分割结果；

14）. 将步骤11）得到的边缘图像与步骤13）得到的区域分割结果相结合，得到最终分割结果。

所述的构造高斯与拉普拉斯图像金字塔方法包括以下步骤：

21）. 原图像G ₀ 与大小为n×n的高斯核K _nxn 卷积，去除偶数行和偶数列，得到低分辨率图像G ₁ ，其中n取大于1的奇数,高斯金字塔构造完成； 

22）. 对G ₁ 行列均插零，然后与高斯核K _nxn 卷积，G ₀ 与卷积得到的图像相减得到边缘图像L ₀ ，拉普拉斯金字塔构造完成。

所述的直方图分析得到聚类数目与初始聚类中心的方法，其具体步骤为：

31）. 将图像转换到HSV空间，利用Hue、Saturation分量构造二维直方图，

32）. 查找二维直方图中的局部峰值，

33）. 去除包含像素过少的峰值，融合距离过近的峰值；

34）. 峰值数目作为聚类数目k；

35）. 根据峰值处的Hue、Saturation分量值映射得到原图像的初始聚类中心。

所述的聚类分析所采用的方法为k均值聚类算法。

所述的在HSV颜色空间内进行聚类分割时，所采用的距离计算公式为：

其中，

表示需聚类图像数据，

表示第t次迭代时的聚类中心，h _x,y , s _x,y , v _x,y 为(x,y)处像素的Hue、Saturation、Value值，h _i , v _i , s _i 为第i个聚类中心的Hue、Saturation、Value值，

为需聚类数据与聚类中心在HSV空间内距离，

为其在H、S分量组成平面内的距离。 

所述的去除聚类结果中过小区域的方法采用空间滤波，滤波器的形式为：

其中，H(z|x, y)为(x, y)处像素的局部直方图，W(x,y)是以坐标(x,y)为中心的8×8窗口，

、

分别为滤波前后位于(x, y)处的聚类编号。

所述的融合边缘信息与区域分割结果的步骤如下：

71）将区域分割结果转化为8比特轮廓图C _x,y ，C _x,y 中像素亮度值255表示轮廓点，0表示非轮廓点；

72）利用算式：

       

   

计算得到新的分割图像E _x,y ，其中，L ₀ (x,y)为边缘图像L ₀ 中位于(x,y)处的像素亮度值；

73）对E _x,y 做二值化处理，得到最终的分割结果。

有益效果：由于上述技术方案应用，本发明具有以下优点：

1. 通过直方图分析，得到初始聚类数目和初始聚类中心，无需人工设定，避免聚类数目选择不当带来的过分割、欠分割，以及初始聚类中心选择不当引起的局部最优问题。

2. 通过构造高斯金字塔结构，滤去了原图像中的高频噪声，同时减少了聚类对象的数据量，从而减少了聚类所需迭代次数，使得聚类算法快速收敛，提高了分割速度。

3. 通过构造拉普拉斯金字塔，得到空间边缘信息，与聚类分析得到的区域分割结果相结合，保证了分割质量。

4. 选择在HSV空间内进行聚类分割，分割结果更符合人类视觉感知。

综上，本发明提出的方法分割速度比传统聚类分割算法有明显提升，分割质量能够满足应用要求。因此该方法可应用于实时性要求高，计算、能量资源有限的数字图像处理系统中，如手机、平板电脑等，但本发明的应用并不只限于此。

附图说明

图1是本发明所提出方法的原理框架图。

图2是构造图像金字塔的原理图。其中1为原图像，2为原图像中前景物体，3为原图像中背景，4为噪声，5为拉普拉斯金字塔底层图像，6为高斯金字塔顶层图像，7为高斯核，8为卷积操作，9为上采样操作，10为下采样操作。 

图3是聚类区域结果与边缘信息融合示意图。其中，11为聚类分割结果，12为聚类分割得到的前景区域，13为聚类分割得到的背景区域，14为最终分割结果。

具体实施方式

本发明所提出方法的具体步骤如下：

（1）读取源图像（源图像可以使用RGB格式存储，但本发明的图像源不限于此格式），构建两层高斯金字塔与一层拉普拉斯金字塔。在高斯金字塔顶层获得一幅低分辨率图像（宽、高分别为原图的1/2）；在拉普拉斯金字塔底层获得一幅边缘图像（分辨率与原图相同），包含原图像的空间边缘信息。

（2）将高斯金字塔顶层获得的低分辨率图像由RGB空间转到HSV空间，通过直方图分析，得到聚类所需的聚类数目k和初始聚类中心，然后在HSV空间内对低分辨率图像进行聚类分割，得到低分辨率上的聚类结果。

（3）将（2）得到的聚类分割结果上采样（宽、高1:2上采样），然后进行空间滤波，去除过小区域，得到原始分辨率的聚类区域。

（4）利用（1）得到的拉普拉斯金字塔中的边缘图像与（3）得到的区域分割结果相融合，得到最终分割结果。

下面结合附图和实施例，进一步阐述本发明。本实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样属于本申请所附权利要求书所限定范围。

本发明的具体实施步骤如下（在具体实施步骤中所使用的一些具体算法和表述不构成对本发明权利要求的限制）：

1. 读取源图像G ₀ ，构建两层高斯金字塔与一层拉普拉斯金字塔，得到一幅低分辨率的图像G ₁ （宽、高为原图1/2）与一幅包含边缘信息的灰度图像L ₀ （分辨率与原图相同）。高斯、拉普拉斯金字塔的构造原理如图2所示，数学表达式为：

其中，Down为下采样操作，Up为上采样操作，为卷积操作。

在本发明的实施例中，具体构造过程为：

      a）原图像G ₀ 与大小为5×5的高斯核K _5x5 卷积，然后进行下采样，去除偶数行和偶数列，得到金字塔的上一层低分辨率图像G ₁ ，如图1中6所示。

b）对G ₁ 上采样，行列均插零，然后与高斯核K _5x5 卷积，G ₀ 与卷积得到的图像相减得到拉普拉斯金字塔中的底层图像L ₀ ，如图1中5所示。

通过构造高斯金字塔，使聚类数据量减少为原数据量的1/4，同时通过高斯滤波去除了原图像中的高频噪声，如附图1中6所示，与原图像相比，去除了附图1中4所示噪声。通过构造拉普拉斯金字塔，得到原图像的空间边缘信息。

2. 将G ₁ 由RGB空间转到HSV(Hue：[0, 360°]，Saturation:[0, 1]，Value:[0, 1])空间，通过直方图分析，得到聚类数目k和初始聚类中心。直方图分析的具体过程如下：

      a）对Hue、Saturation分量进行量化，量化公式为：

      

      

量化的结果为Hue分为30个区间，Saturation分为25个区间，用量化后的H’、S’分量构造二维直方图，并将其归一化，得到直方图hist(i, j)，hist(i, j)中共有30×25个区间，区间用B _i,j 表示，i为二维直方图中Hue坐标值，j为Saturation坐标值。

      b）查找hist(i, j)直方图中的局部峰值，得到集合P ₀ 。查找局部峰值的方法为：

      

      其中，neighbour(i, j)为二维直方图中某一区间的8连通邻域。

      c）去除包含像素数过少的峰值。设定阈值Th ₁ =0.05，若P ₀ 中某峰值处的值小于 Th ₁ ，则从P ₀ 中去除该峰值，得到集合P ₁ 。

      d）融合P ₁ 中距离过近的峰值。设定阈值Th ₂ =8，若P₁中两峰值之间距离小于Th ₂ ，则去除包含像素数较少的峰值，得到峰值集合P ₂ 。其中二维直方图中区间之间距离

的计算公式为：

      

      e）集合P ₂ 中峰值个数作为聚类数目k。

f）在直方图hist(i, j)中，查找距每个区间最近的峰值，与同一个峰值相距最近的区间归为同一聚类，并为每一个区间赋值聚类标签，据此构造一个基于直方图的聚类查找表T _i,j , ( T _i,j ∈[1,k])。对于G ₁ 中的每个像素，利用a）中的量化公式进行量化后在T _i,j 中查找对应区间，然后对每个像素赋值聚类标签，得到初始聚类结果l(x,y)，l(x,y)表示位于(x,y)处的像素所属聚类编号。由此计算出初始聚类中心，计算公式为：

其中，

表示需聚类图像数据，表示第t次迭代时的聚类中心，t=0表示初始聚类中心，h _x,y , s _x,y , v _x,y 为(x,y)处像素的Hue、Saturation、Value值，h _i , v _i , s _i 为第i个聚类中心的Hue、Saturation、Value值。至此，得到初始聚类中心。

3. 得到k和初始聚类中心之后，在HSV空间内对图像进行k均值分割（本实验方案使用k均值聚类方法对图像进行分割，但本发明可利用的聚类分割方法不仅限于此方法），其中在HSV空间内进行聚类时聚类数据与聚类中心的距离计算公式如下：

      

      其中，

为需聚类数据与聚类中心在HSV空间内之间距离，

为其在H、S分量组成平面内的距离。按照上述公式计算得到每一像素与聚类中心的距离，选择最近聚类中心重新聚类，得到新的标记图l(x,y)，根据新的聚类结果更新聚类中心，如此迭代计算直到迭代次数达到预设值或达到收敛要求。在本实例中，预设迭代次数为10次，收敛要求为聚类中心最大移动距离小于1.0。

通过以上步骤，得到低分辨率上的区域分割结果，以标记图l(x,y)表示。

      4. 将低分辨率的区域分割结果采用最邻近插值的方式进行上采样（宽、高1:2上采样），得到原始分辨率的初始区域分割结果。对此结果进行空间滤波，去除过小区域，得到区域聚类分割结果。其中空间滤波器的表达方式如下：

     

      

其中，H(z|x, y)为(x, y)处像素的局部直方图，W(x,y)是以坐标(x,y)为中心的8×8窗口，

为位于(x, y)聚类结果。此空间滤波器工作原理是对某像素邻域窗口内的聚类标记结果作统计，并将此处像素的标记结果替换为邻域内包含最多像素的标记值，从而将过小的区域融合到相邻区域中，避免k均值聚类分割所产生的过分割。

      5. 将步骤1得到的边缘信息与步骤4得到的区域分割结果融合，得到最终的分割结果。其具体步骤如下：

      a）将步骤4得到区域分割结果

转化为8比特轮廓图C _x,y （C _x,y 中像素亮度值255表示轮廓点，0表示非轮廓点），轮廓像素为不同分割区域之间的边界点。

      b）利用算式：

      

计算得到新的分割图像E _x,y ，L ₀ (x,y)为步骤1得到的边缘图像L ₀ 中位于(x,y)处的像素亮度值。此算式将空间边缘信息与聚类分析得到的分割结果融合，利用聚类结果去除拉普拉斯金字塔底层边缘图像中的噪声，同时利用空间边缘信息修正在金字塔结构中上、下采样而产生的边缘误差，如附图3所示，原图中的噪声4被消除，聚类分析结果中所丢失的边缘信息得到恢复。

c）利用大津法（OTSU）对E _x,y 做二值化阈值处理，得到最终的分割结果。

至此，整个分割过程结束。

Claims (7)

1. 一种快速彩色图像分割方法，包括图像金字塔构造，直方图分析，聚类分析，去除聚类结果中过小区域，聚类结果与边缘信息融合，其特征在于所述的快速彩色图像分割方法包括以下步骤：

11）.  读取通过数码照相机、摄像机或数字图像设备获得的源图像，构造高斯与拉普拉斯图像金字塔，得到一幅低分辨率图像与边缘图像；

12）.  将低分辨率图像的颜色值转到HSV(Hue:色度、Saturation: 饱和度、Value:亮度)颜色空间，利用直方图分析得到聚类数目与初始聚类中心，利用聚类算法在HSV颜色空间内对低分辨率图像进行聚类分割；

13）.  对步骤12）得到的分割结果进行上采样，投影到原始分辨率，然后进行空间滤波，去除过小区域，得到初始区域分割结果；

14）.  将步骤11）得到的边缘图像与步骤13）得到的区域分割结果相结合，得到最终分割结果。

2. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的构造高斯与拉普拉斯图像金字塔方法包括以下步骤：

21）. 原图像G ₀ 与大小为n×n的高斯核K _nxn 卷积，去除偶数行和偶数列，得到低分辨率图像G ₁ ，其中n取大于1的奇数,高斯金字塔构造完成； 

22）. 对G ₁ 行列均插零，然后与高斯核K _nxn 卷积，G ₀ 与卷积得到的图像相减得到边缘图像L ₀ ，拉普拉斯金字塔构造完成。

3. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的直方图分析得到聚类数目与初始聚类中心的方法，其具体步骤为：

31）. 将图像转换到HSV空间，利用Hue、Saturation分量构造二维直方图，

32）. 查找二维直方图中的局部峰值，

33）. 去除包含像素过少的峰值，融合距离过近的峰值；

34）. 峰值数目作为聚类数目k；

35）. 根据峰值处的Hue、Saturation分量值映射得到原图像的初始聚类中心。

4. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的聚类分析所采用的方法为k均值聚类算法。

5. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的在HSV颜色空间内进行聚类分割时，所采用的距离计算公式为：

其中，

表示需聚类图像数据，

表示第t次迭代时的聚类中心，h _x,y , s _x,y , v _x,y 为(x,y)处像素的Hue、Saturation、Value值，h _i , v _i , s _i 为第i个聚类中心的Hue、Saturation、Value值，

为需聚类数据与聚类中心在HSV空间内之间距离，为其在H、S分量组成平面内的距离。

6. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的去除聚类结果中过小区域的方法采用空间滤波，滤波器的形式为：

其中，H(z|x, y)为(x, y)处像素的局部直方图，W(x,y)是以坐标(x,y)为中心的8×8窗口，

、

分别为滤波前后位于(x, y)处的聚类编号。

7. 根据权利要求1所述的快速彩色图像分割方法，其特征在于所述的融合边缘信息与区域分割结果的步骤如下：

71）将区域分割结果转化为8比特轮廓图C _x,y ，C _x,y 中像素亮度值255表示轮廓点，0表示非轮廓点；

72）利用算式：

       

   

计算得到新的分割图像E _x,y ，其中，L ₀ (x,y)为边缘图像L ₀ 中位于(x,y)处的像素亮度值；

73）对E _x,y 做二值化处理，得到最终的分割结果。

Images