基于分水岭和种子生长的彩色图像分割

吕建平, 司 维

(西安邮电大学 计算机学院， 陕西 西安 710121)

基于分水岭和种子生长的彩色图像分割

吕建平, 司 维

(西安邮电大学 计算机学院， 陕西 西安 710121)

提出一种基于分水岭和种子区域生长的彩色图像改进分割算法。该算法先对彩色图像进行分割前预处理，使用分水岭算法对图像进行初始分割，然后根据一定的规则从分水岭算法分割形成的区域中自动选取种子区域并进行生长，最后合并相似区域或小区域。以区域作为种子生长单位，使用种子区域一次性生长方法进行生长。实验结果表明，该算法分割结果较好，分割速度较快。

彩色图像分割；分水岭；种子区域生长

图像分割是把图像分成多个具有相同特征的区域，并对感兴趣的目标进行提取的技术和过程[1]。图像分割是众多图像处理和计算机视觉系统的重要组成部分, 是图像处理与分析中的一个基本问题[2]。有效合理的图像分割能够为基于内容的图像检索、图像分析等提取出有效的信息，从而使更高层的图像理解成为可能[3]。

相对于灰度图像而言，彩色图像包含了更多的信息，因此人们对彩色图像处理的关注越来越多。目前，对于彩色图像分割算法有基于区域、基于边缘、基于特定理论、分形技术、混合技术等多种技术[4]。

基于种子的区域生长方法是由Adams和Bischof提出的一种图像分割方法[5]。该方法根据预先定义的生长准则，将像素点或者子区域合并成一个较大区域，从而实现图像的分割[6]。种子区域生长方法由于直接作用于颜色空间, 在分割过程中考虑到图像色彩分布和空间连通性, 因此成为研究的热点[3]。文献[7]提出了一种基于区域的自动种子区域生长法的彩色图像分割方法，利用分水岭算法产生的区域作为基本单位进行种子区域生长，实现对图像的分割，但是该方法种子区域生长使用传统的迭代方式，计算过程复杂，计算量较大。本文在分水岭与种子区域生长相结合的基础上采用一种种子区域一次性生长的方法，以期图像被有效分割的同时减少计算量，提高图像分割的速率。

1 算法概述

结合分水岭算法和种子区域生长算法，先将原始彩色图像的色彩空间由RGB颜色空间转换到HSI颜色空间,使用分水岭算法对图像进行初始分割。然后根据一定的规则从分水岭算法分割形成的区域中自动选取种子区域，使用种子一次性生长的方法对区域进行生长。最后根据一定的规则合并相似或较小的区域。

2 算法的具体实现

2.1 颜色空间转换

图像在被分割前需要由RGB颜色空间转换到HSI颜色空间。RGB颜色空间是一种常用的颜色空间，但它是一种不均匀的颜色空间，像素的颜色距离与人眼的感知差距较大，因此不适合彩色图像分割[8]。HSI颜色空间使用色调(Hue)、饱和度(Saturation)和亮度(Intensity)来表示色彩。它可以将图像的彩色信息用H和S这两个分量表示出来, 而不受强度分量的影响, 所以HSI空间对于开发基于彩色描述的图像处理方法是一个理想的工具[9]。

RGB转换到HSI的转换公式为[10]

,

(1)

其中R、G、B分别表示RGB颜色空间中红、绿、蓝三个分量。H、I、S分别表示HIS颜色空间中色调、亮度、饱和度三个分量。

2.2 分水岭算法初始分割

分水岭算法是数学形态学在图像分割中的一种应用。使用分水岭算法分割图像可以得到单像素宽、定位精确、连续封闭的分割边缘[11]。改进算法先使用分水岭算法对原始图像(图1)进行初始处理，将其分割成多个颜色特征相近的区域，分水岭分割效果图如图2所示。

图1 原始图像

图2 分水岭分割效果图

2.3 种子区域自动选取

对于基于种子区域生长的图像分割方法，种子点的选取十分重要。将分水岭分割后生成的区域当作基本单位，根据以下两个规则进行种子区域选取。

规则1 种子区域与其邻域必须有很高的相似性。

为了衡量一个区域与其邻域的相似度，定义一个相似度函数来进行计算。假设，一幅图像经过分水岭分割后产生了N个区域，每个区域用Ri(i=1,2,…,N)表示，那么一个区域与其邻域的相似度可表示为[7]

为了对各个区域的相似度进行比较，从而选取合适的区域作为种子，采用最大类间方差法自动的获取相似度阈值。该方法不仅使类间方差最大，同时阈值自动获取的速度较快。

规则2 种子区域与其邻接区域的色调均值差最大不能超过一个阈值。

相邻区域的色调均值差计算公式为[7]

(3)

其中hi是区域Ri色调均值，ht是区域Ri每个邻接区域的色调均值，k是邻域个数。

一个区域的色调均值差最大值[7]

(4)

阈值T根据实验经验取0.2。

定义规则2的原因在于保证选出的种子区域的位置不处在期望的两个区域的边界处[12]。

2.4 种子区域生长

传统的种子迭代生长方法，每次生长都需要重新计算种子区域的像素个数和颜色均值，还要标记种子区域的新邻域[7]。为了减少计算，提高种子生长速率，使用种子区域一次性生长的方法。图3为算法流程。

图3 种子区域生长算法流程

该算法具体流程如下。

(1)根据种子选取规则自动进行种子区域选取。

(2)标记所有被选出来的种子区域。

(3)取出种子区域进行生长。取出一个未生长种子区域i，标记其为已生长。遍历区域i的所有邻域，将所有的未生长邻域全部生长到区域i中。若i的邻域中有种子区域，则将其保存到数组S中。遍历区域i的所有邻域的邻域，若存在种子区域，则将其也生长到区域i中，并且将其加入到S中。依次从S中取出区域p，遍历p的所有邻域，将未生长的邻域生长到区域i中。若p的邻域中有未生长的种子区域，则保存它到S数组中。遍历区域p的所有邻域的邻域，若存在种子区域，则将其也生长到区域i中，并且将其加入到S中。重复以上步骤进行生长，直到数组S中所有种子区域都完成生长。

(4)重复步骤(3)，直到所有的种子区域都进行了生长。

2.5 区域合并

由于在种子选取时，有些相似区域的周围没有区域被选为种子，造成种子区域生长后仍有过分割现象，所以，图像还需要区域合并处理。

区域合并规则：当相邻区域的色调均值差和饱和度均值差都小于一定的阈值时，合并这两个区域。

区域合并具体步骤如下。

(1)计算任意两个相邻区域的色调均值差和饱和度均值差，若小于一定阈值，则合并它们。

(2)循环上述步骤，直到任何两个相邻区域之间的色调均值差和饱和度均值差不再小于设定的阈值。

经过多次实验对比，此处均值差阈值取0.04,饱和度均值差阈值取0.06比较合适。

由于以上图像分割步骤中阈值的设定不是最优的，所以图像中总会有一些小区域存在。为了减少这些小区域的数量，可以再设定一个阈值，将区域尺度小于该阈值的区域合并到与它的色调均值差异最小的邻居区域中去。此阈值可以根据图像的尺寸大小而定。

3 实验结果

在计算机配置为Pentium(R) Dual-Core CPU 2.10GHz，1.00GB内存的微机上，使用Matlab7.0编程实现改进算法，对一组图像进行实验测试,并与一种基于区域的自动种子区域生长法的彩色图像分割方法[7]的分割结果进行对比。图4、图5分别是对大小(像素)为205×154的彩色图像和大小(像素)为161×241的彩色图像进行分割的结果对比图，使用改进算法对图4、图5中原始彩色图像进行分割所用时间分别为0.984s和 1.108s。

从图4、图5可以看出，与原算法相比较，在保证图像分割效果的情况下，改进算法有效地提高了分割速率，这说明改进算法分割效果较好。

图4 算法结果比较之一

图5 算法结果比较之二

4 总 结

本文提出的分水岭算法和种子区域生长算法相结合的彩色图像改进分割算法，以区域为单位，使用一次性生长方法进行种子区域生长。与传统的种子区域迭代生长方法相比，算法在对图像进行有效分割的同时，降低了种子区域生长的计算复杂度，提高了图像分割的效率。

[1] 章毓晋.图像工程:上[M].3版.北京:清华大学出版社,2012:9-16.

[2] 谢勰,王辉,张雪锋. 图像阈值分割技术中的部分和算法综述[J].西安邮电学院学报,2011, 16(3):1-5.

[3] 刘战杰,马儒宁,邹国平,等. 一种新的基于区域生长的彩色图像分割算法[J]. 山东大学学报:理学版,2010,45(7):76-80.

[4] 李永军. 彩色图像分割技术综述[J]. 科技情报开发与经济,2008,18(10):122-125.

[5] Adams R, Bischof L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1994,16 (6):641-647.

[6] 王蒙,吕建平. 基于边缘检测和自动种子区域生长的图像分割算法[J].西安邮电学院学报, 2011, 16(6):16-19.

[7] 孔俊,王佳男,谷文祥,等. 基于区域的自动种子区域生长法的彩色图像分割算法[J].东北师范大学学报:自然科学版,2008,40(4):47-51.

[8] 张国权,李战明,李向伟,等. HSV空间中彩色图像分割研究[J].计算机工程与应用,2010,46(26):179-181.

[9] 王英,关宇东,李 艳. 一种融合区域生长和边缘检测的彩色图像分割方法[J]. 科技导报, 2008, 26(16):85-87.

[10] 梁杰,张丽红,李林. HSI和区域生长结合的火灾图像分割方法[J]. 计算机技术与发展,2012,22(1):191-194.

[11] 余旺盛,侯志强,宋建军. 基于标记分水岭和区域合并的彩色图像分割[J]. 电子学报, 2011,39(5):1007-1012.

[12] Mehnert A, Jackway P. An improved seeded region growing algorithm[J]. Pattern Recognition Letters, 1997(18):1065-1071.

[责任编辑:祝剑]

Color image segmentation algorithm based onwatershed segmentation and seed growing segmentation

LYU Jianping, SI Wei

(School of Computer Science and Technology, Xi’an University of Posts and Telecommunications, Xi’an 710121, China)

A color image segmentation algorithm based on watershed segmentation and seed region growing segmentation is proposed in this paper. Firstly, the color image is preprocessed before segmenting. Secondly, watershed segmentation is used to initialize the image. Thirdly, region seeds are selected automatically to grow according to two rules from all regions produced by watershed segmentation. Finally, similar or small regions are merged by region-merging method. In this new algorithm, regions are considered as growth units with a disposable seed region growing method. The experimental results show that the algorithm can quickly produce good segmentation results.

color image segmentation, watershed segmentation, seed region growing

2013-12-13

吕建平(1957-)，男，教授，从事数字图像处理研究。E-mail:lujping1@126.com 司维(1987-)，男，硕士研究生，研究方向为数字图像处理。E-mail:siwei1923@aliyun.com

10.13682/j.issn.2095-6533.2014.02.009

TP391

A

2095-6533(2014)02-0052-04