CN105335960A - 结合边缘检测和分水岭算法的图像分割方法 - Google Patents

Abstract

本发明公开了一种结合边缘检测和分水岭算法的图像分割方法，包括以下步骤，第一步，图像边缘抽取：采用边缘检测算法提取边缘；第二步，边缘连接：采用相同大小的模板对第一步中抽取的图像边缘进行膨胀连接，或对第一步中抽取的图像边缘端点进行连接，然后用不同大小的模板膨胀；第三步，分割图像：将第二步中得到的在膨胀区域作为生长区域，其它区域作为分水岭算法的种子区域，在生长区域中用分水岭算法进行生长，确认连接或者断开连接，将图像分割成区域。本发明的有益效果：利用了边缘检测算法，得到封闭的目标轮廓，并且位置比Canny边缘准确；没有分水岭算法的过分割等问题，速度快，并且原本连通的区域不会被强行分割。

Description

结合边缘检测和分水岭算法的图像分割方法

技术领域

本发明涉及模糊识别领域中的一种图像分割方法，特别涉及一种结合边缘检测和分水岭算法的图像分割方法。

背景技术

图象分割将图象表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图象中的目标，背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。图像分割在目标识别、对象跟踪、行为分析等图像理解应用中起承上启下的作用，使得其后的图像分析和识别等处理过程中所要处理的数据量大大减少了，同时又保留了有关图像结构特征的信息。图象分割自20世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但目前尚无通用的理论和方法能够可靠地分割出图像的中间语义层。为了抽取出中间层，近年提出了超像素的方法，甚至已经成为研究热点。但是超像素只能作为目标与像素之间的过渡层，有过度分割和边缘与目标边界不一致等问题。没有中间语义层的支持，低层次的像素和高层次应用无法连通，图象分割已经成为阻碍机器视觉技术进一步发展的重要原因。

在长期的图象分割研究中发现，图像边缘抽取中的经典方法Canny算子已经能够得到很好的结果，但是Canny算子在边缘的转角处无法找到正确的梯度方向，会出现非最大值抑制掉正确边缘的现象，因此无法得到封闭的边缘；另外，Canny算子所分割出的边缘还具有不准确的缺陷。而图象分割中的另一经典算法一分水岭算法，能够较好地提取对象轮廓、准确得到物体边界，但是容易有受到噪声的影响，得到过度分割的图像。

发明内容

针对现有图像分割方法中存在的缺陷，本发明提供一种结合边缘检测和分水岭算法的图像分割方法。

为了实现上述目的，本发明所采取的措施：

一种结合分水岭和边缘检测的图像分割方法，包括以下步骤，第一步，图像边缘抽取：采用边缘检测算法如Canny算法提取边缘，单像素化后找出所有端点和角点；第二步，边缘连接：采用相同大小的模板对第一步中抽取的图像边缘进行膨胀连接，或对第一步中抽取的图像边缘端点进行连接，然后用不同大小的模板膨胀；第三步，分割图像：将第二步中得到的在膨胀区域作为生长区域，其它区域作为分水岭算法的种子区域，在生长区域中用分水岭算法进行生长，确认连接或者断开连接，将图像分割成区域；

所述第二步中相同的模板膨胀边缘时，模板的尺寸是可以调节的，越大的模板，分割出的区域数量越少；

所述第二步中不同大小的模板膨胀方法步骤为：首先，对所有边缘的端点，找到最近的端点(设距离为Dpp)；其次，对端点所在的边缘线段，从端点开始，去除掉Dpp个边缘像素，如果此边缘线段的像素总数小于Dpp，则去除此边缘线段到角点，不再向前追踪；再次，求与此端点最近的边缘点(设距离为Dpe)；最后，通过Dpp、Dpe与阈值T1之间的关系确定连接的点(若Dpp＜Dpe&Dpp＜T1，则连接此两个端点；若Des＜Dee&Des＜T1，则连接此端点与边缘点)，并用缝隙宽度1/K粗细的模板膨胀。

所述第二步中的端点是邻域内只有一个方向有边缘点的边缘点；角点是邻域内有三个或者三个以上方向有边缘点的边缘点；边缘线段是将边缘在角点处切割后各段边缘形成的子集，没有角点的边缘直接成为边缘线段。

本发明的有益效果是继承了边缘检测和分水岭算法的优点，克服了这两种算法的缺陷。利用了边缘检测生成边缘，但是得到的分割是封闭的，并且位置比Canny边缘准确；由于图像的大部分已经被标记，因此没有分水岭算法的过分割等问题，速度快，并且原本连通的区域不会被强行分割。

附图说明

图1本发明中提取边缘中端点和角点的示意图；

图2-a，b，c，d本发明中不同大小的模板膨胀方法的示意图。

具体实施方式

为了克服边缘检测算法和分水岭算法的缺陷，继承这两种算法的优点，提出一种结合边缘检测和分水岭算法的图像分割方法。由于边缘检测已经能够得到很好的区域边缘，而分水岭算法需要标注出种子区域，并且种子区域越大，需要处理的部分就越小，计算速度就越快，那么可以结合两种算法，将边缘检测所包围的部分作为分水岭算法的种子区域，然后适度的生长，就可以得到准确的图像分割。

以下具体实施方式中都用Canny算法来检测边缘。本专利包括所有边缘提取方法，不仅限于经典的Canny算子。

实施例一，采用相同大小模板的具体实施步骤如下：第一步，图像边缘抽取：采用Canny算法在图像中提取的边缘；第二步，边缘连接：对每条Canny边缘，采用相同大小的模板进行膨胀，间隙小于2倍膨胀直径的边缘会连接起来；第三步，分割图像：将Canny边缘包围的区域作为分水岭算法的种子区域，再在膨胀区域中用分水岭算法进行生长。分水岭算法生成的边缘会将图像分割成有意义的区域。对于有瓶颈进行连接的两个区域，即使在第二步中两个区域被分割成两个区域，但是第三步中仍然会被连接成一个区域。

实施例二，采用不同大小模板的具体实施步骤如下：第一步，用轮廓检测器抽取边缘：用Canny算法在图像中提取的边缘，单像素化后找出所有端点和角点。端点是8邻域中只有一个方向边缘像素的点，角点是8邻域中有三个或者以上方向边缘像素的点，角点将边缘分割成边缘线段(如图1所示，X表示的角点，三角形表示端点)。第二步，填补缝隙：对图中的每个端点，将其中的缝隙填补起来。对每条Canny边缘的端点，找到最近的端点(设与最近端点的距离为Dpp)。为了防止最近的端点仍然太远，而近处有边缘可以连接的情况，如图2-a中端点2所在的情况，然后此端点所在的边缘线段，从端点开始，去除掉Dpp个边缘像素。如果此边缘线段的像素总数小于Dpp，则去除此边缘线段到角点，不再向前追踪，如图2-a、图2-b所示。然后求与此端点最近的边缘点，如图2-c中的S点。设当前端点为图中的2，距离为Dpe。最后根据Dpp、Dpe和阈值T1之间的大小关系确定需连接的两个点(若Dpp＜Dpe&Dpp＜T1，则连接此两个端点；若Dpe＜Dpp&Dpe＜T1，则连接此端点与边缘点)，再用缝隙宽度1/K粗细的模板膨胀，如图2-d所示。第三步，在所有填补位置上进行分水岭分割：对所有填补位置的像素，按灰度均匀分成N个等级，然后按等级从小到大，找到每个等级上的像素。考查每个像素8邻域的标号情况。如果像素周围没有区域标号，那么此像素作为新的区域；如果周围只有一个区域标号，那么此像素归入此区域；有两个及以上区域标号，那么此像素保留，作为边缘。第四步，消除瓶颈：有的区域存在瓶颈，在第二步瓶颈被当成缝隙填补起来了。为了避免这种由小段低梯度区域连接的两个区域，将均匀分割的N个等级的前M个等级作为第一个等级，并且规定，在第一个等级的像素，如果连通了多个区域，将这些合并成一个区域。

本发明的有益效果是继承了Canny算子和分水岭算法的优点，克服了这两种算法的缺陷。利用了Canny算子生成边缘，但是得到的分割是封闭的，并且位置比Canny边缘准确；由于图像的大部分已经被标记，因此没有分水岭算法的过分割等问题，速度快，并且原本连通的区域不会被强行分割。

本专利的第一步，抽取图像边缘，包括所有边缘提取方法，不仅仅是经典的Canny算子。

本专利的第二步，膨胀边缘时，所采用模板形状是不定的，包括所有形状有模板。

本专利的第二步，膨胀边缘时，所采用模板尺寸是可变的。

本领域内普通的技术人员的简单更改和替换都是本发明的保护范围之内。

Claims (4)

1.一种结合边缘检测和分水岭算法的图像分割方法，其特征在于包括以下步骤，第一步，图像边缘抽取：采用边缘检测提取边缘，单像素化后找出所有端点和角点；第二步，边缘连接：采用相同大小的模板对第一步中抽取的图像边缘进行膨胀连接，或对第一步中抽取的图像边缘端点进行连接，然后用不同大小的模板膨胀；第三步，分割图像：将第二步中得到的在膨胀区域作为生长区域，其它区域作为分水岭算法的种子区域，在生长区域中用分水岭算法进行生长，确认连接或者断开连接，将图像分割成区域。

2.根据权利要求1所述的一种结合边缘检测和分水岭算法的图像分割方法，其特征在于所述第二步中相同的模板膨胀边缘时，模板的尺寸是可以调节的，越大的模板，分割出的区域数量越少。

3.根据权利要求1所述的一种结合边缘检测和分水岭算法的图像分割方法，其特征在于所述第二步中不同大小的模板膨胀方法步骤为：首先，对检测出的所有边缘的端点，找到最近的端点(设距离为Dpp)；其次，对端点所在的边缘线段，从端点开始，去除掉Dpp个边缘像素，如果此边缘线段的像素总数小于Dpp，则去除此边缘线段到角点，不再向前追踪；再次，求与此端点最近的边缘点(设距离为Dpe)；最后，通过Dpp、Dpe与阈值T1之间的关系确定连接的点(若Dpp＜Dpe&Dpp＜T1，则连接此两个端点；若Des＜Dee&Des＜T1，则连接此端点与边缘点)，并用缝隙宽度1/K粗细的圆盘形模板膨胀。

4.根据权利要求3所述的一种结合边缘检测和分水岭算法的图像分割方法，其特征在于改进了分水岭算法，设有避免瓶颈被当成缝隙填补起来的步骤，将膨胀区域的灰度均匀分割的N个等级，将前M个等级作为第一个等级，并且规定，在第一个等级的像素，如果连通了多个区域，将这些合并成一个区域。