CN109035254A - 基于改进K-means聚类的运动鱼体阴影去除及图像分割方法 - Google Patents

Abstract

本发明公开了基于改进K‑means聚类的运动鱼体阴影去除及图像分割方法，包括以下步骤：(1)采集待处理的运动鱼体彩色图像，经中值滤波去除所述彩色图像的噪点和孤立数据点；(2)将所述噪点和孤立数据点后的彩色图像从RGB颜色空间转化到Lab颜色空间；(3)提取所述彩色图像Lab颜色空间的a、b分量；(4)用改进K‑means对其进行聚类；其中，所述改进K‑means聚类包括采用马氏距离作为距离度量、由DBI指数确定聚类个数K，以及对初始聚类中心点进行优化；可以成功准确地去除运动目标的阴影，无需人工干预，大大提高图像分割效果的精度，实现良好分割识别效果，为后续图像处理提供基础。

Description

基于改进K-means聚类的运动鱼体阴影去除及图像分割方法

技术领域

本发明属于图像处理技术领域，具体涉及基于改进K-means聚类的运动鱼体阴影去除及图像分割方法。

背景技术

通过对鱼类的行为研究可以对优化养殖模式和提高养殖技术产生积极的影响，开展基于机器视觉技术的鱼类行为量化研究的首要关键点就是对采集到的图像进行预处理，通过图像分割去除背景的干扰。图像分割结果的好坏直接影响到后续行为量化研究的成败，其中由于光线条件的不同造成的图像阴影区域是制约图像分割的一大难题，由于不同光照条件和自身运动造成的运动阴影给运动鱼类检测造成了很多负面影响，去除运动阴影成为运动目标检测中的研究热点之一。

目前尚未看到有关鱼类图像运动阴影去除方面的研究，但在运动人群及运动车辆方面存在很多研究，根据国内外学者使用的信息不同将阴影去除方法分为基于颜色和基于纹理信息的方法。基于颜色的方法是通过阴影的色度不变性信息去除阴影的，Cucchiara等在HSV颜色空间中使用阴影的色度、饱和度及亮度信息建立了一个背景模型，以此分离样本图像的亮度及色度分量达到阴影的检测识别并去除，徐少飞等人发现了一个基于颜色属性的运动阴影消除算法，Sun等发明了一个融合C₁C₂C₃色彩空间的光照不变性与HIS色彩空间中图像的色度和亮度比值达到了运动阴影的去除，然而精度并不高。但是，基于颜色的方法去除那些目标及其背景的颜色接近的图像阴影时会产生比较大的误检概率。基于纹理信息的方法是通过阴影的纹理相似性信息去除阴影的，Leone等发现一种利用Gabor函数进行样本图像的纹理特征提取，从而检测出阴影区域并去除，郭春凤等人提出了一种融合D₁D₂D₃模型和基于LBP纹理特征基础上改进的LPTD算子的阴影消除新方法，曹健等人提出了一种将区域颜色融合图像LBP纹理进行不同环境下的运动阴影区域检测。以上基于纹理信息的方法虽然可以获得一些效果，然而当对样本图像存在平坦区域和目标与背景纹理特征接近情况下进行阴影去除会有一定的不足之处。

聚类是把图像样本提取的抽象数据集分类到由相似数据点构成的多个类簇，同一个类簇内的数据点间非常相近，不同类簇内的数据点存在很大差异。图像分割的过程就是依据像素点自身的特性进行聚类的过程。目前，常用于图像分割的聚类算法有K-means算法及FCM算法。Rocha等人在HSV色彩空间通过利用K-means算法提取图像样本的背景，进而去除阴影，巨志勇等人将K-means算法与分水岭相结合进行果蔬图像分割，龚劬等人提出了一种基于图论的FCM图像分割算法。但是，对于一些数据来说K-means算法具有无法准确确定初始聚类中心数目及其初始数值对聚类结果影响极大、对于孤立的数据点或噪点比较敏感以及易于陷入局部极小解等缺点，FCM算法仅从图像样本像素的灰度值考虑，不会顾及异常数据点对其聚类结果造成的影响，所以对于噪点及孤立点比较敏感；迄今为止暂无对于运动鱼体运动阴影去除相关研究报道。

发明内容

有鉴于此，本发明的发明人针对传统K-means聚类算法存在的问题，分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等方面进行优化，提出基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，该方法可以很好的去除运动金鱼的阴影区域，实现良好的图像分割识别效果，为下一步的鱼类自动识别研究提供技术支持。

为了实现上述发明目的，本发明提供以下技术方案：

基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，具体地，包括以下步骤：

(1)采集待处理的运动鱼体彩色图像，经中值滤波去除所述彩色图像的噪点和孤立数据点；

(2)将所述噪点和孤立数据点后的彩色图像从RGB颜色空间转化到Lab颜色空间；

(3)提取所述彩色图像Lab颜色空间的a、b分量；

(4)用改进K-means对其进行聚类；其中，所述改进K-means聚类包括采用马氏距离作为距离度量、由DBI指数确定聚类个数K，以及对初始聚类中心点进行优化。

在一些优选的实施方案中，步骤(2)中，所述转化过程包括：先按如式(Ⅰ)所示将所述RGB颜色空间转换到XYZ空间，再按如式(Ⅱ)和(Ⅲ)所示将所述XYZ空间转换到Lab颜色空间；其中，

在一些优选的实施方案中，步骤(4)中，所述聚类的具体步骤包括：先任意选取K个数据点作为初始聚类中心，依次判断其余的数据点和每个初始聚类中心的距离，同时分别将其分配到距离最近的那个分类，计算得每个类簇新的聚类中心；再判断所述新的聚类中心有没有产生改变，如果无变化得最终聚类结果；如果变化继续将数据点归入到距离最小的类簇中心，并计算新的类簇中心；再次判断所述新的聚类中心有没有产生改变，反复执行直至聚类中心不发生变化，结束。

在一些优选的实施方案中，步骤(4)中，确定聚类个数K的方法为：找到一个新的聚类中心点，计算当前DBI值，并与之前DBI值做比较，若新DBI值参数大于旧DBI值，则接受当前形成的新的分类；否则拒绝形成新的分类，并停止聚类中心点查找。在某些优选的实施方案中，所述DBI值的计算步骤为：

第一步：假设待测样本中描述第i类内的数据集合分散程度的分散度值为S，且其可由公式(Ⅳ)得到：

上式中，N是第i类内数据的数目，x_j是对应的数据点，是第i类的质心；

第二步：令第i类的质心与第j类的质心间的欧几里得距离为D，可由式(Ⅴ)得到：

第三步：令i和j类间的相似度值为R，可由式(Ⅵ)得到：

第四步，DBI值即是全部分类(各个分类和其它分类之间)最大相似度的平均值，可由式(Ⅶ)得到：

聚类过程中，在获得一个新的聚类中心时计算出此时的DBI，同时将其和先前计算的DBI进行比较，如果此时的DBI高于先前计算的DBI，则认可此时的新的分类，反之则排除此时新的分类，同时结束寻找新的聚类中心点。

在一些优选的实施方案中，步骤(4)中，所述初始聚类中心点选择的具体步骤如下：

设定一个阈值计算所述彩色图像中各个数据点的密度，找出其中密度最大的一个数据点，并设为第一个初始聚类中心点k1，然后计算其它数据点到k1的马氏距离，找到其中距离最大的点即为第二个初始聚类中心点k2，如此循环，直至找到K个初始聚类中心点。

在一些优选的实施方案中，所述马氏距离的计算函数为：

令样本集P＝{x₁,x₂,…,x_n},其中n为样本的个数。此时样本x_i，x_j之间的马氏距离d_ij为：

上式中，d_ij是样本i到样本j的马氏距离；x_i是第i个样本的属性向量；x_j是第j个样本的属性向量；T是矩阵转置符号；m是待测样本的协方差矩阵；d_ij对于所有的i，j及k值应该符合：只有在i等于j的时候，d_ij才会为零；d_ij>0；d_ij＝d_ji；d_ij≤d_ik+d_kj这4个条件。

本发明的有益效果在于：本发明设计的基于Lab颜色空间和改进K-means的运动阴影去除及图像分割方法可以成功准确地去除运动目标的阴影，无需人工干预，大大提高图像分割效果的精度，实现良好分割识别效果，为后续图像处理提供基础。

附图说明

图1为本发明中运动阴影去除及图像分割方法的流程图；

图2为实施例采集彩色图像的装置；

图3为采集的金鱼图像；

图4为金鱼运动阴影去除及图像分割图；(a)去噪点图，(b)Lab颜色空间图，(c)K-means聚类图，(d)阴影去除及图像分割结果图；

图5为三种不同算法阴影去除及图像分割结果图；(a)本发明方法；(b)传统K-means聚类算法；(c)FCM聚类算法。

具体实施方式

下面结合附图详细说明本发明的技术方案，但本发明的保护范围不限于下述的实施例。

以草金鱼为例，购买于上海市曲阳花鸟市场，金鱼平均体长约为10cm。先将实验用鱼放于养殖鱼缸暂养数月，使其可以充分地适应实验环境。

实验设备主要包括：小蚁微单相机、玻璃鱼缸(规格为100cm×75cm×40cm)、相机固定支架、手机等(如图2所示)，实验设备的具体参数见表1。

表1：实验设备参数

实验过程为：

1)相机使用三脚架配合横杆进行固定，相机放置于玻璃鱼缸中心正上方位置，垂直距离玻璃鱼缸110cm；2)为了保证实验的成像质量，调节相机的方向使相机的镜头与玻璃鱼缸的水平面近似于垂直；3)在室内正常的光照强度条件下进行实验图像采集，相机焦距和光圈设置到正好可以完全拍摄玻璃鱼缸，设置自动白平衡。采集的样本图像如图3所示，图像大小为5184×3888像素。

从图3中可以得到金鱼样本图像具备1个明显特征：光线照射到运动的金鱼身上产生了明显的阴影区域，且阴影区域映射了金鱼的体色。在室内开放的条件下，由于拍摄的时间不同，会有不同方向的入射光，因此会造成金鱼样本图像产生不同形状及不同大小的阴影区域，增加阴影去除的难度。

实施例1

Lab颜色空间可以由RGB颜色空间通过创建一个由X、Y和Z三个原色组成的色彩空间非线性转换得到，通过下式可以先将RGB颜色空间转换到XYZ颜色空间：

接下来再将XYZ颜色空间转换到Lab颜色空间，见公式(2)：

上式中：

实施例2

改进K-means算法分别从去除噪点及孤立数据点、使用马氏距离作为距离度量方法、明确聚类个数以及初始聚类中心点选择等领域进行优化。

(1)中值滤波

选择5*5的中值滤波模板，详细流程为：①把模板在图像中上下左右移动，同时把待处理图像中某一中心像素点和模板的中心点位置重合；②此时把模板下每个对应像素点的灰度值按照升序排列；③读取排列的中间值，并将其赋值给对应模板中心点位置的像素。中值滤波选取中间值的方法可以解决噪点及孤立点造成的影响，特别是对脉冲噪声去除尤其明显，且在去除的过程中可以保留图像的边缘信息，不会让其变得模糊不清。

(2)马氏距离

马氏距离是一种使用样本间的方差与协方差来描述样本集合的分布情况，不会受到样本量纲和测量尺度的干扰，同时还能够去除样本变量间的相关性的影响，马氏距离的数学解释为：

令样本集P＝{x₁,x₂,…,x_n},其中n为样本的个数。此时样本x_i,x_j之间的马氏距离d_ij为：

上式中，d_ij是样本i到样本j的马氏距离；x_i是第i个样本的属性向量；x_j是第j个样本的属性向量；T是矩阵转置符号；m是待测样本的协方差矩阵。

d_ij对于所有的i，j及k值应该符合：只有在i等于j的时候，d_ij才会为零；d_ij>0；d_ij＝d_ji；d_ij≤d_ik+d_kj这4个条件。

(3)聚类个数K的确定

DBI指数是一个使用类簇内数据的紧密情况来评价聚类算法聚类效果好坏的度量指标，DBI是计算类内的距离之和与类间的距离之和的比值，DBI值的计算步骤为：

第一步假设待测样本中描述第i类内的数据集合分散程度的分散度值为S，且其可由公式(5)得到：

上式中，N是第i类内数据的数目，x_j是对应的数据点，是第i类的质心。

第二步令第i类的质心与第j类的质心间的欧几里得距离为D，可由下式得到：

第三步令i和j类间的相似度值为R，可由下式得到：

最后一步，DBI的值即是全部分类(各个分类和其它分类之间)的最大相似度的平均值，可由下式得到：

聚类过程中在获得一个新的聚类中心时计算出此时的DBI，同时将其和先前计算的DBI进行比较，如果此时的DBI高于先前计算的DBI，则认可此时的新的分类，反之则排除此时新的分类，同时结束寻找新的聚类中心点。

(4)初始聚类中心点选择

初始聚类中心点具体选择步骤为：设定一个阈值计算出样本集各个数据点的密度，找出其中密度最大的一个数据点并设为第一个初始聚类中心点k₁，然后计算其它数据点到k₁的马氏距离，找到其中距离最大的点即第二个初始聚类中心点，如此循环，找到K个初始聚类中心点结束。

对比例1

为了验证本发明算法的有效性，选取3种算法进行金鱼图像阴影的去除及图像分割实验，包括经典K-means算法、FCM算法及改进的K-means算法。实验的硬件环境：MatlabR2015b，Intel i7-7700HQ CPU，主频2.80GHz，内存16G。

首先使用中值滤波算法去除采集金鱼图像的噪点，结果如图4(a)所示。再将去除噪点后的彩色图像从RGB颜色空间转化到Lab颜色空间，结果如图4(b)所示。Lab颜色空间是一种与图像相关设备无关的一种色彩模型，对于颜色的表达与人类对于颜色的感知是极其相似的，而且对于颜色分割来说，Lab颜色空间的相互分量联系性比较小，比较利于分割。然后提取Lab空间的ab分量，再使用改进的K-means算法对其进行聚类，其中距离相似度度量参数选择马氏距离，聚类结果如图4(c)所示。

分别使用传统K-means算法和FCM算法对金鱼样本图像进行阴影去除及图像分割实验，得到的结果如图5所示。可以看到使用本发明的算法可以得到更令人满意的图像处理结果。使用本发明算法得到的两条金鱼的轮廓完整，纹理清楚，其阴影部分完全剔除，总体的分割效果最好；使用传统K-means算法和FCM算法得到的两条金鱼虽然轮廓完整，但受阴影干扰，有一部分阴影并未完全去除，总体的分割效果不好。

对比例2

引入误差概率来对比三种算法的优劣。针对图像分割的结果来说，分割率低将会造成像素的错分，因此被错分的像素数量可以作为一种评价图像分割质量的数据标准。

此时，误差概率能够由公式(9)计算得到：

PE＝P(O)×P(B|O)+P(B)×P(O|B) (9)

上式中，P(O)为待处理图像中的目标所占比例的先验概率，P(B)为待处理图像中的背景所占比例的先验概率，P(B|O)为把检测目标误判为背景的概率，P(O|B)为把背景误判为检测目标的概率。

针对采集到的具有不同阴影区域的200张金鱼样本图像，使用误差概率和运行的时间分别对本发明基于改进K-means算法、传统K-means算法及FCM算法进行对比分析，三种算法的平均误分类概率及运行时间见表2所示。

表2三种算法图像分割效果比较

从表2可以看出，本发明算法的平均误分类的像素比率和平均运行时间分别为2.48％和40.26s，均远好于传统K-means聚类算法和FCM算法。其中，传统K-means聚类算法因为无法准确确定聚类种类的数目以及其值的敏感性、对噪点及孤立的数据比较敏感、随机地选取聚类中心等缺点，致使其阴影去除及分割的效果不是很理想；FCM算法仅简单地从图像的像素灰度值考虑，只是依赖像素的分布强度，并未去除异常的数据，且忽略了可用的空间位置信息，致使FCM算法对噪点极其敏感，从而其分割效果并未达到理想范围。

综上所述，采用本发明的基于改进K-means聚类算法的金鱼图像阴影去除及图像分割方法，实现了对金鱼图像阴影的去除及图像分割且效果较好，采集的200张具有不同阴影区域的金鱼样本图像进行分割实验，平均误分类的像素比率和平均运行时间分别为2.48％和40.26s，且可以完全去除金鱼图像的阴影部分，远远好于使用传统K-means聚类算法和FCM聚类算法的分割结果。另外，可以适用于不同光照条件下造成不同阴影区域的去除，有利于解决不同背景下的阴影去除及图像分割，同样适用于粘连的金鱼图像分割，可以为鱼类粘连图像分割研究提供有利技术支持。

Claims (7)

1.基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，包括以下步骤：

(1)采集待处理的运动鱼体彩色图像，经中值滤波去除所述彩色图像的噪点和孤立数据点；

(2)将所述噪点和孤立数据点后的彩色图像从RGB颜色空间转化到Lab颜色空间；

(3)提取所述彩色图像Lab颜色空间的a、b分量；

(4)用改进K-means对其进行聚类；其中，

所述改进K-means聚类包括采用马氏距离作为距离度量、由DBI指数确定聚类个数K，以及对初始聚类中心点进行优化。

2.根据权利要求1所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，步骤(2)中，先将所述RGB颜色空间转换到XYZ空间，再将所述XYZ空间转换到所述Lab颜色空间。

3.根据权利要求1所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，所述聚类方法包括：

先任意选取K个数据点作为初始聚类中心，依次判断其余的数据点和每个初始聚类中心的距离，同时分别将其分配到距离最近的那个分类，计算得每个类簇新的聚类中心；

再判断所述新的聚类中心是否改变，如果无变化，得最终聚类结果；如果变化，继续将数据点归入到距离最小的类簇中心，并计算新的类簇中心；

再次判断所述新的聚类中心是否改变，反复执行上述操作直至聚类中心无变化，结束。

4.根据权利要求1或3所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，确定聚类个数K的具体步骤包括：

找到一个新的聚类中心点，计算当前DBI值，并与之前DBI值做比较，若新DBI值参数大于旧DBI值，则接受当前形成的新的分类；否则拒绝形成新的分类，并停止聚类中心点查找。

5.根据权利要求4所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，所述DBI值的计算步骤为：

第一步：假设待测样本中描述第i类内的数据集合分散程度的分散度值为S，且其由公式(Ⅳ)得到：

上式中，N是第i类内数据的数目，x_j是对应的数据点，是第i类的质心；

第二步：令第i类的质心与第j类的质心间的欧几里得距离为D，由式(Ⅴ)得到：

第三步：令i和j类间的相似度值为R，由式(Ⅵ)得到：

第四步：DBI值由式(Ⅶ)得到：

6.根据权利要求1或3所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，所述初始聚类中心点选择的优化步骤包括：

设定一个阈值计算所述彩色图像中各个数据点的密度，找出其中密度最大的一个数据点，并设为第一个初始聚类中心点k1，然后计算其它数据点到k1的马氏距离，找到其中距离最大的点即为第二个初始聚类中心点k2，如此循环，直至找到K个初始聚类中心点。

7.根据权利要求1或3所述的基于改进K-means聚类的运动鱼体阴影去除及图像分割方法，其特征在于，所述马氏距离的计算函数为：

令样本集P＝{x₁,x₂,…,x_n}，其中n为样本的个数；此时样本x_i，x_j之间的马氏距离d_ij由式(Ⅷ)得到：

上式中，

d_ij是样本i到样本j的马氏距离；

x_i是第i个样本的属性向量；

x_j是第j个样本的属性向量；

T是矩阵转置符号；

m是待测样本的协方差矩阵；

d_ij对于所有的i，j及k值应该符合：只有在i等于j的时候，d_ij才会为零；d_ij>0；d_ij＝d_ji；d_ij≤d_ik+d_kj这4个条件。