模板匹配下图像局部视觉背景分割方法仿真

芶小珊，黄兴禄，王文杰

(成都大学计算机学院，四川 成都 610000)

1 引言

图像局部视觉背景分割技术在图像处理领域中属于热门课题，图像局部视觉背景分割技术在不同领域中已经得到了广泛应用，如图像显示领域、图像检索领域、图像压缩领域等[1]。图像分割是将图像分割为若干个区域，图像分析的关键步骤即为图像局部视觉背景分割[2]，通过图像局部视觉背景分割可以实现目标参数的测量与提取，完成更高层次的图像理解和解析，因此对图像局部视觉背景分割方法的分析和研究具有重要意义。

曾绍华[3]等人在熵原理的基础上建立相似度矩阵，结合类内方差最小化和类间方差最大化的准则建立灰度变换模型获取聚类中心，通过密度峰值聚类算法完成图像局部视觉背景分割，该方法无法准确地获取图像待分割区域，导致图像分割结果的误差较大。熊炜[4]等人通过相关预处理提高图像的对比度，并对图像完成形态比对操作，估计图像背景，通过卷积网络完成图像局部视觉背景的分割，该方法无法区分区域图像的背景区域与目标区域，在分割过程中容易将背景区域划分为目标区域，导致分割结果的假阳性率高，方法分割后的图像质量较差。许玥[5]等人通过U-net和VGG16建立网络模型，获取图像的特征，并选取卷积方式和激活函数，利用改进后的网络模型完成图像局部视觉背景的分割。该方法分割后的图像覆盖系数较低，分割精度低。

为了解决上述方法中存在的应用问题，提出基于模板匹配的图像局部视觉背景分割方法。与文献方法相比，所提方法增加了分割区域识别部分，通过模板匹配方法识别图像中的待分割区域，在待分割区域中完成局部视觉背景分割，解决了上述方法中存在的问题，提高了方法的整体有效性。

2 分割区域识别

基于模板匹配的图像局部视觉背景分割方法通过模板匹配获取图像待分割区域。

1)形成模板

在不同方位下相同目标的图像存在一些差别，在不同方位范围中每类目标需要形成对应的模板，即在不同方位范围中同一个目标对应着若干个模板，为提高运算识别效率，需要减少模板的数量，基于模板匹配的图像局部视觉背景分割方法通过方位分区法统计方位区间中存在的图像，建立标准模板。统计之前，为了提高模板质量，在方位单元中需要对准处理目标图像的位置，用M1(x，y)描述初始模板。采用递推的方式在方位单元中根据方位大小累计平均处理剩余的目标图像，并在处理之前对平均后的图像和目标图像进行对准处理。

设目标图像在某方位单元中的数量为k，累计平均处理前(k-1)幅图像获得平均图像Mk-1(x，y)，用Wx，y表示Mk-1(x，y)的掩膜矩阵，用Gk(x，y)表示方位单元中存在的待平均的第k幅图像，通过下述公式描述图像Gk(x，y)与图像Mk-1(x，y)的对准过程

×[Mk-1(x，y)-Gk(x-xs，y-ys)]|)2

(1)

式中，(xopt，yopt)为对准最佳位置对应的坐标；(xs，ys)表示相对于模板目标图像Gk(x，y)的平移量。

通过下式对对准后的Gk(x，y)与Mk-1(x，y)做平均运算

(2)

k幅图像在方位单元中通过上述过程构成平均图像。为了提高对准精度，根据平均处理后的Mk(x，y)重新确定Wk(x，y)。迭代上述过程，当k=K时，由K幅目标图像在方位单元中构成平均模板。

2)匹配准则

基于模板匹配的图像局部视觉背景分割方法通过距离度量方法[6]计算图像的相似程度。

(3)

(4)

通过下述公式完成匹配

(5)

式中，i=1，2，…，I，I表示每类目标的模板数量；j=1，2，…，J，J表示目标类别总数；(i0，j0)表示图像分割区域。

3 图像局部视觉背景分割方法

在图像局部视觉背景分割过程中度量视觉显著度属于重要步骤，其主要目的为计算像素在图像中的显著性，可通过灰度图像表示视觉显著性计算结果，获得显著图。像素在原始图像中的显著值与显著图对应。

1)提取底层特征

区域自身特征与附近环境之间存在的差异决定了其显著性，显著区域通常存在至少一种特征与附近环境之间存在差异[7，8]。相同特征在不同图像中对视觉显著性产生的影响都不相同。颜色和亮度都可以作为图像的显著特征，因此需要在图像中提取不同的视觉特征。

基于模板匹配的图像局部视觉背景分割方法只对颜色特征和亮度特征。

与RGB颜色空间相比，HIS颜色空间与人的视觉特征性更贴近，可通过亮度、饱和度和色调对颜色进行描述。

为了提取图像的颜色特征和亮度特征，用HIS颜色空间代替原始的RGB颜色空间：

(6)

式中，H、S、I分别表示图像的色调、亮度和饱和度特征；R、G、B表示RGB颜色空间三个方向的分量。

2)生成显著图

基于模板匹配的图像局部视觉背景分割方法通过稀少性、全局显著性和局部显著性获取显著图。

①局部显著性

像素与附近像素的对比度决定了像素的显著性，像素的显著性随着对比度的增大而增大[9，10]。针对像素在图像中局部显著性的计算，所提方法通过频域分析完成，在图像中相位谱和幅度谱产生的作用和含义都不相同。相位谱的主要作用是在图像中反映像素值的实际变化情况，通常情况下包括结构特征；像素特征值在图像中的大小可通过幅度谱进行反映。

用F(u，v)描述图像的幅度谱，其表达式如下

(7)

式中，M为图像的大小；f(x，y)为像素在图像中的特征值；|F(u，v)|=[R2(u，v)+I2(u，v)]1/2表示图像经过傅里叶变换后获得的幅度谱；φ(u，v)表示图像对应的相位谱。

通过下式计算像素在图像中对应的局部显著性值SLocal(x，y)

(8)

②全局显著性

设SGlobal(x，y)表示图像中像素对应的全局显著性，其计算公式如下

(9)

式中，favg(x，y)表示像素在图像中的平均特征值。

③稀少性

稀少性越高表明像素在图像中的显著性值越高，通过下式对像素在图像中的稀少性SRarity(x，y)进行计算

(10)

式中，hist(·)为特征直方图。

④特征显著图

通过下式综合上述计算得到的稀少性、全局显著性和局部显著性，获得图像的特征显著图Sf

Sf=w1SLocal(x，y)+w2SGlobal(x，y)+w3SRarity(x，y)

(11)

式中，w1、w2、w3分别表示局部显著性值、全局显著性值、稀少性对应的权重。

⑤特征整合

不同特征显著图在图像局部视觉背景分割过程中的贡献是存在差异的，为了获取最终的显著图，需要合理组合多个特征显著图。基于模板匹配的图像局部视觉背景分割方法通过分布情况、显著点数量和位置完成特征和加权的选择。

根据稀少性原则可知，特征显著图中存在的显著点越多对最终显著图产生的贡献越小，用权值Warea=Numsalient描述显著点在显著图中的数量。

图像的中心位置通常容易集中人们的注意力，因此显著区域一般情况下为图像的中心区域，用Wlocation表示图像中心与显著点之间存在的平均距离，其计算公式如下

(12)

式中，N为显著点在特征显著图中存在的数量；center为图像中心位置；spi为显著图中存在的显著点。

当显著点在特征显著图中较为分散，集中度较低时，针对最终显著图，该特征显著图产生的贡献较小，用Wdistribution表示显著点与显著点之间存在的平均距离，其计算公式如下

(13)

式中，centeroid为显著点对应的中心位置。

根据上述过程获取的显著点分布、位置和数量[11，12]，通过下式获得最终的显著图S

(14)

式中，Wi表示第i个特征显著图对应的最终权值；Sfi表示第i个特征显著图；Wfi为权值综合。

3)背景分割

设EB表示背景图像在分割过程中对应的信息熵，EF表示前景图像在分割过程中对应的信息熵，通过下式根据获取的最终显著图设置阈值T，分割图像，获得二值黑白图像[13]

(15)

式中，pi表示在显著图中出现灰度值i的概率；L为在显著图中存在的最大像素灰度值。通过上述公式对图像进行分割，获得的黑色区域为原始图像中的背景部分，获得的白色区域为原始图像中存在的前景目标[14]。

通过上述过程对图像进行分割，获得的二值图像中存在一些白色区域，这些区域之间不连续，对其进行形态学操作[15]，获得最终的二值图像B(x，y)

(16)

在原始图像中叠加上式获取的二值图像，完成局部视觉背景的分割。

4 实验与分析

为了验证基于模板匹配的图像局部视觉背景分割方法的整体有效性，需要测试基于模板匹配的图像局部视觉背景分割方法。

分别采用基于模板匹配的图像局部视觉背景分割方法、文献[3]方法和文献[4]方法进行如下测试：

1)分类误差

分类误差ME的计算公式如下

(17)

式中，B0、BT分别为人工分割图像和算法分割图像的背景；F0、FT为人工分割图像和算法分割图像的目标；|·|为元素在集合中的数量。

图1 分类误差测试结果

分析图1中的数据可知，随着图像数量的增加，三种方法的分类误差均有所增大，但与文献[3]方法和文献[4]方法的分类误差相比，所提方法的分类误差增长幅度较小，且数值较低，表明所提方法可有效的完成图像局部视觉背景分割，因为所提方法通过模板匹配获取图像的待分割区域，在待分割区域中进行视觉背景分割，降低了方法的分类误差。

2)假阳性率

假阳性率FPR的计算公式如下

(18)

所提方法、文献[3]方法和文献[4]方法的假阳性率测试结果如图2所示。

图2 假阳性率测试结果

假阳性率越低表明图像的背景分割质量越好，根据图2可知，所提方法、文献[3]方法和文献[4]方法的假阳性率均随着图像数量的增加而增加，对比三种方法的测试结果可知，在相同图像数量下所提方法的假阳性率最低，表明所提方法分割处理后的图像质量最好。

3)叠加系数

叠加系数OI可通过下式计算得到

(19)

不同方法的叠加系数如图3所示。

图3 叠加系数测试结果

叠加系数越高，表明图像局部视觉背景分割精度越高，分析图3中的数据可知，在多次图像局部视觉背景分割测试中，所提方法获得的叠加系数均在80%以上，远高于文献[3]方法和文献[4]方法获得的叠加系数，通过测试可知，所提方法的叠加系数最高，图像局部视觉背景分割精度高，表明所提方法具有良好的分割性能。

5 结束语

多媒体时代图像信息越来越多，有效检索、管理和组织图像数据库成为目前研究的热点问题。根据图像内容完成检索是解决上述问题的有效途径。图像检索结合了数据库方法和图像信息，在实际应用和理论研究中得到了广泛的应用。目前图像局部视觉背景分割方法存在分类误差大、假阳性率高和覆盖系数低的问题，提出基于模板匹配的图像局部视觉背景分割方法，首先获取了图像的待分割区域，其次在该区域中通过显著图完成局部视觉背景的分割，解决了目前方法中存在的问题，为图像检索技术的发展奠定了基础。