1、 本科毕业设计 （ 20 届） 彩色图像快速分割方法研究 所在学院 专业班级 电子信息工程 学生姓名 学号 指导教师 职称 完成日期 年 月 - 2 - 摘 要 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图 像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。 目前，图像分割的主要方法有：基于区域生长的图像分割方法、基于边缘检测的图像分割算法、基于统计学理论的图像分割方法、基于模糊集合理论的图像分割方法以及基于小波变换法等多种方法。其中，基于 JSEG 的彩色图像分割算法受到了广泛的关注，该算法是一种基于区域生
2、长的图像分割算法。它同时考虑了图像的颜色信息和纹理信息，分割结果较为准确。但是， JSEG 算法要在多个尺度下反复进行局部 J 值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐 、复杂。 本文主要研究一种基于 JSEG 的改进彩色图像分割算法。这种算法在计算得到 J 图后，引入了分水岭算法直接对 J 图进行空域分割，然后通过形态后处理完成分割过程。通过实验证明，基于 JSEG 的改进彩色图像分割算法与原 JSEG 算法相比，能够得到良好的分割效果，并且有效的降低了 JSEG 算法的复杂度 ,提高了彩色图像的分割效率。 关键词 ： 图像分割； JSEG 算法；局
3、部 J值；区域生长；区域合并；分水岭算法 - 3 - Abstract Image segmentation is an important image technology, whether in theory or in practical application have been peoples extensive attention. Image segmentation is the foundation of our understanding of image, also is one of the difficulties in image processing, and i
4、s an important part of computer vision. At present, the main methods of image segmentation have: a method based on regional growth, a method based on edge detection, a method based on statistics theory, a method based on wavelet transform, a method based on fuzzy set theory and so on. Among these, J
5、SEG algorithm is a method of image segmentation based on regional growth. It considers the color of the image and the texture information, with more accurate segmentation result. So it has received widespread concern. But JSEG algorithm has to calculate the local J value in different measures, regio
6、nal growth, regional merger based on the color histogram. Therefore, this method becomes more complicated and complex. In this paper, we mainly study a color image segmentation algorithm based on improved JSEG. The new algorithm segments the airspace after calculating image J by means of introducing
7、 the watershed algorithm, and then finishes the segmentation by form processing. The experiment shows that, compared with the original JSEG algorithm, the color image segmentation algorithm based on improved JSEG has better segmentation results, reduces the JSEG algorithms complexity effectively, an
8、d improves the efficiency of the image segmentation. Key Words: image segmentation; JSEG algorithm; local J value; regional growth; regional merger; watershed algorithm - 4 - 目 录 1 引言 . 1 2 图像分割方法 . 2 2.1 图像分割的基本内容 . 2 2.2 彩色图像分割方法 . 2 2.2.1 基于 3D 直方图的彩色图像分割方法 . 2 2.2.2 K值聚类彩色图像分割方法 . 3 2.2.3 快速 FCM
9、 彩色图像分割方法 . 3 3 基于 JSEG 的彩色图像分割算法 . 5 3.1 基 于 JSEG 的彩色图像分割算法的流程 . 5 3.2 基于 JSEG 的彩色图像分割算法的缺点 . 7 4 基于 JSEG 的改进彩色图像分割算法 . 8 4.1 分水岭算法 . 8 4.2 基于 JSEG 的改进彩色图像分割算法的流程 . 9 4.3 基于 JSEG 的改进彩色图像分割算法的缺点 . 11 5 实验结果 与分析 . 12 6 结论 . 14 致 谢 .错误 !未定义书签。 参考文献 . 15 附录 1：主要程序 . 17 附录 2：科研论文 . 32 - 1 - 1 引言 图像分割是一种
10、重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就 是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件 1。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的图像分割方法、
11、基于边缘检测的图像分割算法、基于统计学理论的图像分割方法、基于模糊集合理论的图像分割方法以及基于小波变换法等多种方法 。彩色图像比灰度图像的颜色信息多，在分割方法上面也会有所区别。目前，我们已经知道的彩色图像的分割方法也有多种分类，分类如下：基于直方图的分割方法（阈值分割、聚类等）、基于邻域的分割方法（边缘检测、区域增长等）、基于物理性质的分割方法（利用光照特性和物体表面特征等） 2。其中，基于 JSEG 的彩色图像分割算法受到了广泛的关注，该算法是一种基于区域生长的图像分割算法。它同时考虑了图像的颜色信息和纹理信息，分割结果较为准确。但是这种算法要在多个尺度下反复计算局部J值，并且进行区域生
12、长，同时还要进行基于颜色直方图的 区域合并，这样，该算法就显得更为繁琐、复杂。本文是对基于 JSEG 的改进彩色图像分割算法的研究，该算法在原 JSEG 算法的基础上，通过引入了分水岭算法直接对 J图进行空域分割，然后通过形态后处理完成整个分割过程。该算法降低了原算法的计算量，降低了图像分割的计算时间，从而有效的降低了原 JSEG 算法的复杂度，提高了图像分割的效率。 - 2 - 2 图像分割方法 2.1 图像分割的基本内容 图像分割在理论研究与实际应用中都得到了人们的广泛重视，它是一种重要的图像处理技术。图像分割是指将图像中具有特殊意义的不同区域分开来 ，并使这些区域相互不相交，并且每个区域
13、都要满足特定区域的一致性条件 1。图像分割是我们进行图像理解的基础，也是我们进行图像分析的关键步骤，同时也是我们进行图像处理的重要手段。 2.2 彩色图像分割方法 目前，国内外有很多学者都在研究彩色图像的分割方法，我们已经知道的彩色图像的分割方法也有多种分类，大致可以分为 3 类：基于直方图的分割方法（阈值分割、聚类等）、基于邻域的分割方法（边缘检测、区域增长等）、基于物理性质的分割方法（利用光照特性和物体表面特征等） 2。每种不同的类型中也有多种具体的彩色图像的分割方 法。 2.2.1 基于 3D 直方图的彩色图像分割方法 在图形中，我们可以从一堆杂乱的离散数据中观察到数据间的内在关系，了解
14、图形传递的内在本质。虽然我们的视觉角度可以很容易的观察到 3D 直方图中像素的聚类情况，但是这一人类视觉处理的理论基础还不明了，人类的视觉感知的模式还是很难应用于机器视觉。近年来，随着神经生理学的发展和计算机辅助解剖学的研究，提出了几个相当精确地初级视觉系统的计算模型 2。 真彩色图像的 3D 直方图是一种可视化数据图，我们可以从中观察到像素在3D颜色空间的聚类特性。基于 3D 直方图生长法和尺度 空间聚类法是以阈值分割技术为基础的，利用真彩色图像像素在 3D 空间呈现的聚类特性，通过多维阈值分割（ MDT）法与 3D 直方图生长法以及尺度空间聚类法的相结合，这样能够克服过度分割的现象，取得较
15、为理想的分割效果。 - 3 - 2.2.2 K 值聚类彩色图像分割方法 1967 年， MacQuen 首次提出 K 均值聚类算法。该算法是解决聚类问题的一种经典算法。 K 均值算法的基本思想：对于给定的聚类数目 k ，首先随机选择 k 个对象，每个对象初始的代表一个聚类的平均值或中心。根据剩余的每个对象与各个聚类中心的距离，把剩余的每个对象都赋给最近的聚类。然后重新计算每个聚类的平均值，比较数据库中的每个对象与每个聚类的平均值，把对象赋给最相似的聚类。重复执行这个过程，直到准则函数收敛，平方误差函数值达到最小 3,4。 初始聚类中心的选取是 K 均值聚类算法中最重要的一步，一般是随机选取 k
16、个待聚类样本集的样本。初始聚类中心的选取与聚类的性能有关，样本的位置对聚类的结果有很大的影响。如果选取的 k 个样本不合理，就会增加运算的复杂性，误导聚类过程，得到不合理的聚类结果 3。 以往的一些 K 均值聚类和模糊 K 均值聚类图像分割算法直接针对图像的像素集合进行聚类，导致了巨大的计算量，消耗了大量的计算时间。为了解决这一问题，我们把灰度图像像素空 间映射到其灰度直方图特征空间中，从而把针对像素集合进行的聚类映射成针对灰度集合进行的聚类，这样就大大提高了灰度图像的分割速度 3。在实际的应用中，许多图像处理的对象是彩色图像，彩色像素为R、 G、 B 三个分量，不能直接应用 K 均值或模糊
17、K 均值聚类图像分割算法来处理彩色图像。日本学者 Ohta 等人进行了大量的彩色图像区域分割的实验，得到了一个适合进行彩色图像分割的彩色特征集 3： 4B)-R-( 2 GI2R)-(BIo r 2B)-(RI3B)G(R3221I （ 2-1） 他们通过这个实验证明，仅使用 1I 分量就可以进行彩色图像分割。改进后的K 均值聚类算法计算量小，运算速度快，可以有效的提高图像的分割质量。 2.2.3 快速 FCM 彩色图像分割方法 模糊 C 均值聚类算法 5,6（ FCM ）广泛应用于彩色图像分割，具有简单直观、易于实现的特点， 但是该算法需要先指定聚类数目、计算量大、耗时长且易陷入- 4 -
18、局部最优等缺点。为此，在传统的 FCM 算法的基础上，提出了一种自适应快速FCM 彩色图像分割算法 7。这种算法将蚁群算法、分水岭算法与传统 FCM 算法结合，同时还引入了特征距离。 自适应快速 FCM 算法内容 7主要包括： （ 1）以特征距离作为表征待聚类样本间差异的测度。 （ 2）将彩色空间转换为 321 III 空间 ,由于彩色空间 R、 G、 B 的高相关性，不适合彩色图像的分割。 （ 3）利用蚁群算法得到初始聚类中心和聚类数目。根据聚类中心的信息量把周围数据归在一起来得到聚类结果的方法就是蚁群聚类。 （ 4）对基于梯度的分水岭预分割结果进行快速模糊聚类。 该算法不需要事先确定聚类数
19、目，并且在优化聚类性能不变的前提下，大大提高了聚类速度，实现了图像的快速分割。 - 5 - 3 基于 JSEG 的彩色图像分割算法 基于 JSEG 的彩色图像分割 算法是一种基于区 域生长的图像分割方法。它同时考虑了图像的颜色信息和纹理信息，分割结果较好，具有良好的鲁棒性，得到了广泛的应用。 3.1 基于 JSEG的彩色图像分割算法的流程 基于 JSEG 的彩色图像分割算法同时考虑了图像的颜色信息和空间信息，该方法主要是通过测试一个给定颜色纹理模板的同质性来完成对图像的分割 8。 基于 JSEG 的彩色图像分割算法过程主要包括颜色的量化以及空间的分割。 （ 1）颜色量化。颜色量化的目的是为了减
20、少原始彩色图像的颜色数量，降低算法的复杂度。量化时通常是提取 10 20 种具有代表性的颜色，在分割时只对这 些颜色进行处理 9，这样就降低了计算量。量化的主要步骤包括： 将原图像转化成 LUV 颜色空间； 用非线性算法同组滤波器 PGF 进行平滑去噪，去除颗粒噪声，保留图像边缘信息； 通过 GLA 算法对像素进行聚类，得到类图 10 。 类图是一种特殊类型的灰度图像。在类图中，像素值不是颜色值，而是量化后的颜色类别标号。类图中用不同的符号来表示不同的颜色类别。 （ 2）空间分割。量化后进行空间分割，基于 JSEG 的彩色图像分割算法的空间分割并不是直接对类图进行的，而是对 J图进行空间分割的
21、。在 J 图中，我们需要计算像素位置的 局部 J 值来表示该像素的像素值。像素 yxz , 的局部 J值计算过程如下： WWTS SSJ （ 3-1） 其中， 2Zz mzST（ 3-2） - 6 - 211 - Ci Zz iCi iW mzSS（ 3-3） iZzii zNm1 （ 3-4） Zz zNm1 （ 3-5） 其中， W 表示局部窗口， C 表示窗口内的颜色数量， Z 表示窗口内的像素集合， N 表示窗口内的像素集合的大小， CiZi ,2,1 表示第 i 类的像素集合，iN 表示第 i 类像素集合的大小， m 和 im 分别表示 Z 和 iZ 内像素位置均值。 基于 JSEG
22、 的彩色图像分割算法是基于 J 值进行区域分割的，所以 J 值的分布会 直接影响图像分割结果。如果选择的窗口较大，计算出的局部 J 值分布会比较均匀，分割的区域也比较完整，但是区域边界可能会出现过分割现象，那么得到的边界就不够准确。相反，就会得到精确的边界，但是可能会出现区域过分割现象。所以， JSEG 算法要在多个窗口尺度下反复计算局部 J 值，并进行区域生长，这样才能得到较准确的分割结果。 计算得到 J 值后，要进行种子选择以及区域生长。选择计算 J值的窗口后，根据阈值计算公式 8 JJJT (3-6) J 为非种子区域像素的 J 均值， J 为非种子区域像素的 J 方差， 为描述图像复杂度的参数，计算出 JT 后，把小于 JT 的像素归为候选种子点。一般来说，种子区域是候选种子点的区域大于相应等级中最小区域的种子数的阈值区域，其余的为非种子区域 8。在种子区域中，计算得到未合并区域的平均 J 值，小于 平均 J值的像素就连接到生长区域中。如果像素与增长区域相邻的只有 1个种子区，就把该像素放入到该种子区域中。然后选择更小等级的窗口来计算 J 值，重复以上步骤，直到最小等级的窗口。 空间分割完成之后，要进行区域合并。先将颜色直方图距离最小的 2个相邻区域合并，直到所有相邻区域的距离都大于预设的区域合并的阈值，这样就完成了图像的整个分割过程。
