CN110619643B - 一种基于局部信息的区域生长图像分割方法 - Google Patents

Abstract

本发明公开了一种基于局部信息的区域生长图像分割方法，包括：首先，在图像目标区域选取一个种子点；然后，以该种子点为起点，利用像素局部信息，并采用不同尺度的生长准则对图像进行多尺度区域生长，且在每一次区域生长中利用中间结果的R、G、B色彩均值和标准差动态更新生长准则；最后，采用Kullback‑Leibler散度计算相邻两次区域生长结果的概率分布差异，当差异值大于预设阈值时，取上一次区域生长结果作为最终分割结果。本发明方法对噪声不敏感，可有效分割目标边界模糊、灰度不均一、纹理丰富的图像，分割精度高、鲁棒性强。

Description

一种基于局部信息的区域生长图像分割方法

技术领域

本发明属于数字图像处理领域，涉及一种数字图像分割技术，特别涉及一种基于局部信息的区域生长图像分割方法。

技术背景

区域生长法是一种将具有相似属性的像素聚合起来的图像分割方法。该方法首先需要指定一组种子点(种子点可以是单个像素，也可以是某个小区域)，然后根据事先定义的生长准则，对种子点邻域内的像素进行判断，若邻域像素与种子像素间的相似度满足生长准则，则将邻域像素标定为目标，并以该邻域像素点为新的种子点，重复上述搜索判断过程，直至所有满足条件的像素点均被包括进来。其中生长的相似性准则可根据图像数据类型利用图像像素间的灰度、色彩等信息进行定义。

现有的区域生长法通常具有以下几个缺点：生长准则的定义具有盲目性，很难事先找到一个合适的生长准则，而不合适的生长准则极易造成图像过分割或欠分割；由于现有技术通常利用单个像素特征及固定生长准则对图像进行分割，因此，对于目标边界模糊、灰度不均一、纹理丰富的图像分割效果较差；对噪声敏感，易对噪声图像产生分割空洞，尤其当种子点指定为噪声点时，该方法将无法进行分割。

发明内容

本发明针对上述现有技术的缺点与不足，旨在提供一种分割效果好、鲁棒性强且对噪声不敏感的基于局部信息的区域生长图像分割方法。

本发明通过以下方案实现：

一种基于局部信息的区域生长图像分割方法，具体实现步骤如下：

(1)在原始图像的目标区域中人工选取一个种子点u；

(2)计算以种子点u为中心半径小于r的图像区域分别在R、G、B三个色彩通道上的均值

和标准差

其中r为大于0的常数，优选2～10之间的常数；

(3)初始化i＝1，k_i＝ω，S_i＝{u}，其中ω为大于0的常数，优选0.2～2之间的常数；

(4)以种子点u为当前点，计算其4-邻域或8-邻域像素集Ω_u中每一个像素p∈Ω_u的局部色彩均值

和

其中，R_q、G_q和B_q分别表示像素q在R、G、B三个色彩通道上的值，L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块，其中n为大于等于0的自然数，优选1～6之间的自然数，card(L(p))表示像素块L(p)所包含的像素数目，取值为(2n+1)×(2n+1)；若

和

同时满足

和

则将该邻域像素p包含进入集合S_i；

(5)计算S_i所包含像素分别在R、G、B三个色彩通道上的均值

和标准差

(6)以S_i为当前区域，采用步骤(4)所述方式计算S_i4-邻域或8-邻域像素集Ω_Si中每一个像素p∈Ω_Si的局部色彩均值

和

若

和

同时满足

和

则将该邻域像素p包含进入集合S_i；

(7)重复步骤(5)和(6)，直至不再有新像素包含进入集合S_i；

(8)判断i是否等于1，若不等，则执行步骤(9)；若相等，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中δ为大于0的常数，优选0.01～0.5之间的常数；

(9)计算S_i和S_i-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和：

其中，

和

分别为S_i和S_i-1所包含像素在R、G、B三个色彩通道上的概率分布，计算得到的D值越大，表明S_i和S_i-1所包含像素概率分布的差异越大；若计算得到的D值小于等于预设阈值ε，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中ε，优选3～50之间的常数；若差异D大于ε，则取上一次区域生长结果S_i-1作为最终的图像分割结果。

与现有区域生长方法相比，本发明方法有以下几个优点：

本发明方法根据不同尺度生长准则得到的分割结果的概率分布差异自适应确定区域生长的终止条件，可有效避免人工选择终止条件引起的过分割或欠分割。

本发明方法在进行区域生长时利用中间结果动态更新生长准则，可针对不同图像自动制定适合的生长准则，分割精度高、鲁棒性强，尤其对于目标边界模糊、纹理丰富的图像具有明显的分割优势。

本发明方法利用图像像素的局部信息替代单个像素信息进行区域生长，对噪声不敏感，即便种子点选取为噪声点，也可获得较好的分割效果。

附图说明

图1本发明实施方式的原始图像示意图；

图2本发明实施方式的人工选取种子点示意图；

图3本发明实施方式中由不同k_i值计算得到的D值变化图；

图4本发明实施方式的分割结果示意图。

具体实施方式

一种基于局部信息的区域生长图像分割方法，具体实现步骤如下：

(1)在原始图像的目标区域中人工选取一个种子点u，以图1所示原始图像为例，图2中黑色空心点即为人工选取的种子点；

(2)计算以种子点u为中心半径小于r的图像区域分别在R、G、B三个色彩通道上的均值

和标准差

其中r为大于0的常数，优选2～10之间的常数，本实施方式优选r＝5；

(3)初始化i＝1，k_i＝ω，S_i＝{u}，其中ω为大于0的常数，优选0.2～2之间的常数，本实施方式优选ω＝1；

(4)以种子点u为当前点，计算其8-邻域像素集Ω_u中每一个像素p∈Ω_u的局部色彩均值

和

其中，R_q、G_q和B_q分别表示像素q在R、G、B三个色彩通道上的值，L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块，其中n为大于等于0的自然数，优选1～6之间的自然数，本实施方式优选n＝2，card(L(p))表示像素块L(p)所包含的像素数目，取值为(2n+1)×(2n+1)；若

和

同时满足

和

则将该邻域像素p包含进入集合S_i；

(5)计算S_i所包含像素分别在R、G、B三个色彩通道上的均值

和标准差

(6)以S_i为当前区域，采用步骤(4)所述方式计算S_i8-邻域像素集Ω_Si中每一个像素p∈Ω_Si的局部色彩均值

和

若

和

同时满足

和

则将该邻域像素p包含进入集合S_i；

(7)重复步骤(5)和(6)，直至不再有新像素包含进入集合S_i；

(8)判断i是否等于1，若不等，则执行步骤(9)；若相等，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中δ为大于0的常数，优选0.01～0.5之间的常数；

(9)计算S_i和S_i-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和：

其中，

和

分别为S_i和S_i-1所包含像素在R、G、B三个色彩通道上的概率分布，计算得到的D值越大，表明S_i和S_i-1所包含像素概率分布的差异越大；若计算得到的D值小于等于预设阈值ε，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中ε为大于0的常数，优选3～50之间的常数，本实施方式优选ε＝10；若差异D大于ε，则取上一次区域生长结果S_i-1作为最终的图像分割结果。

图3为采用本实施方式得到的不同k_i值下的D值，可以看到，当k_i值较小时，S_i和S_i-1所包含像素概率分布的差异较小，接近于0，当k_i增大至2.45时，D值出现了突变，跳变至65.62，大于预设阈值ε，因此，取k_i＝2.4时，S_i所包含的像素作为最终的分割结果。图4所示即为采用本实施方式得到的分割结果，可以看到，图中的目标区域被有效分割。

Claims (3)

1.一种基于局部信息的区域生长图像分割方法，其特征在于，包括以下步骤：

(1)在原始图像的目标区域中人工选取一个种子点u；

(2)计算以种子点u为中心半径小于r的图像区域分别在R、G、B三个色彩通道上的均值

和标准差

其中r为大于0的常数；

(3)初始化i＝1，k_i＝ω，S_i＝{u}，其中ω为大于0的常数；

(4)以种子点u为当前点，计算其邻域像素集Ω_u中每一个像素p∈Ω_u的局部色彩均值

和

其中，R_q、G_q和B_q分别表示像素q在R、G、B三个色彩通道上的值，L(p)表示以像素p为中心大小为(2n+1)×(2n+1)的局部像素块，其中n为大于等于0的自然数，card(L(p))表示像素块L(p)所包含的像素数目，取值为(2n+1)×(2n+1)；若

和

同时满足

和

则将该邻域像素p包含进入集合S_i；

(5)计算S_i所包含像素分别在R、G、B三个色彩通道上的均值

和标准差

(6)以S_i为当前区域，采用下述公式

计算S_i邻域像素集Ω_Si中每一个像素t∈Ω_Si的局部色彩均值

和

若

和

同时满足

和

则将该邻域像素t 包含进入集合S_i；

(7)重复步骤(5)和(6)，直至不再有新像素包含进入集合S_i；

(8)判断i是否等于1，若不等，则执行步骤(9)；若相等，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中δ为大于0的常数；

(9)计算S_i和S_i-1所包含像素在R、G、B三个色彩通道上概率分布的Kullback-Leibler散度和：

其中，

和

分别为S_i和S_i-1所包含像素在R、G、B三个色彩通道上的概率分布，计算得到的D值越大，表明S_i和S_i-1所包含像素概率分布的差异越大；若计算得到的D值小于等于预设阈值ε，则执行i＝i+1，k_i＝k_i+δ，S_i＝{u}，并重复步骤(4)～(7)，其中ε为大于0的常数；若D值大于ε，则取上一次区域生长结果S_i-1作为最终的图像分割结果。

2.如权利要求1所述的一种基于局部信息的区域生长图像分割方法，其特征在于：所述r为2～10之间的常数，所述ω为0.2～2之间的常数，所述n为1～6之间的自然数，所述ε为3～50之间的常数，所述δ为0.01～0.5之间的常数。

3.如权利要求1所述的一种基于局部信息的区域生长图像分割方法，其特征在于：在所述的第(4)和第(6)步中，邻域像素取4-邻域或8-邻域像素。

Images