段 汕，王贏飛

(中南民族大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，武漢430074)

圖像特征提取是將圖像中感興趣的部分劃分出來(lái)的技術(shù)，也是模式識(shí)別和計(jì)算機(jī)視覺(jué)的一個(gè)關(guān)鍵環(huán)節(jié)［1］.由于彩色圖像較灰度圖像包含了更多的有效信息，也更符合人們的視覺(jué)感受，因此彩色圖像處理正受到人們?cè)絹?lái)越多的關(guān)注.對(duì)于彩色圖像，主要的分割算法有邊緣檢測(cè)法、聚類(lèi)方法、基于區(qū)域的方法等［2］.而針對(duì)顏色特征提取的算法主要有顏色直方圖法［3］、全局累加直方圖法［4］、局部累加直方圖法［5］、顏色參量的統(tǒng)計(jì)特征法［6］以及先將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行處理的方法［7］等.在這些方法中，基于直方圖的方法能簡(jiǎn)單地描述一幅圖像中顏色的全局分布，但往往不能準(zhǔn)確地定位圖像中的對(duì)象和物體，對(duì)于圖像顏色特征的提取結(jié)果在通常情況下也就不符合人們對(duì)顏色相似性的主觀判斷.而將彩色圖像先轉(zhuǎn)化為灰度圖像再進(jìn)行處理的方法往往不能較好地區(qū)分顏色特征，提取有效性較差，耗費(fèi)時(shí)間也比較長(zhǎng).由于區(qū)域生長(zhǎng)法可以直接作用于顏色空間，在算法實(shí)施過(guò)程中要考慮到圖像色彩分布和區(qū)域連通性等，因而成為研究的熱點(diǎn).但是區(qū)域生長(zhǎng)算法往往易受初始種子點(diǎn)的選取及生長(zhǎng)順序的影響，因此面臨著如何有效選取種子點(diǎn)和確定區(qū)域生長(zhǎng)準(zhǔn)則的問(wèn)題［8］.

本文針對(duì)彩色圖像的顏色特征，提出了一種簡(jiǎn)單的顏色提取方法.該方法繼承了區(qū)域生長(zhǎng)算法的基本思想，并且改進(jìn)了其中種子點(diǎn)的選取方法和生長(zhǎng)準(zhǔn)則及生長(zhǎng)終止準(zhǔn)則的確定.在實(shí)驗(yàn)中，我們還將本文提出的方法與傳統(tǒng)的將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行處理的算法和改變種子的生長(zhǎng)準(zhǔn)則的方法進(jìn)行了比較.結(jié)果證明，該方法不但簡(jiǎn)單高效，而且在保證區(qū)域連通性的同時(shí)，還能夠得到與人眼視覺(jué)判斷相一致的有意義的圖像顏色特征提取.

1 算法描述

1.1 顏色空間的選取

顏色空間是對(duì)顏色進(jìn)行量化的空間坐標(biāo)，在計(jì)算機(jī)中，彩色圖像的存儲(chǔ)、顯示一般均采用RGB彩色空間.由于RGB彩色空間具有3個(gè)基范圍統(tǒng)一、空間內(nèi)連續(xù)、不存在奇異點(diǎn)等優(yōu)點(diǎn)［8］，因此，在本文中，我們采用RGB彩色空間.并且在RGB系統(tǒng)中，每個(gè)彩色點(diǎn)都可以看做RGB坐標(biāo)系中該點(diǎn)的向徑來(lái)描述，所以，在此我們采取處理彩色圖像各像素點(diǎn)的向量分量為基礎(chǔ)的處理技術(shù).

在上述顏色空間中，本文對(duì)彩色圖像顏色特征提取的主要步驟可以概括為選取種子點(diǎn)，對(duì)種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長(zhǎng)和圖像后處理，我們逐一對(duì)其進(jìn)行討論.

1.2 關(guān)于種子點(diǎn)的選取

種子點(diǎn)的選取一直是區(qū)域生長(zhǎng)算法中的首要問(wèn)題.如果不慎將其選在噪聲或者干擾像素上，就會(huì)很難實(shí)現(xiàn)有意義的圖像提取工作.因此，為了獲得理想的實(shí)驗(yàn)結(jié)果，我們必須合理地選取種子點(diǎn).

目前，種子點(diǎn)選取方法主要有2種:一種是隨機(jī)選取;另一種是根據(jù)先驗(yàn)知識(shí)人機(jī)交互手動(dòng)選擇.在本文中，為了避免噪聲像素的干擾，我們采取中值點(diǎn)法選取種子點(diǎn).即在待提取區(qū)域中初始化一點(diǎn)，以該點(diǎn)為中心在圖像中取半徑為k的方形鄰域?yàn)榇翱冢布词且栽擖c(diǎn)為中心的(2k+1)×(2k+1)大小的窗口，將窗口內(nèi)各像素點(diǎn)的待提取顏色分量排序，取窗口中待提取顏色分量等于排序中間值的點(diǎn)為種子點(diǎn).實(shí)驗(yàn)證明，以這種方法選取的種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)時(shí)，可以減小由圖像中干擾像素的像素值過(guò)高或過(guò)低造成的誤差，而且對(duì)窗口大小的依賴(lài)性較小.而在本文實(shí)驗(yàn)中，我們發(fā)現(xiàn)在k取5或6時(shí)，對(duì)所選種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)作用的提取效果較好.

在圖1中，我們要提取原始彩色圖像圖1(a)中的紅色花片部分.首先在紅色區(qū)域中隨機(jī)初始化一點(diǎn)(670，447)，其R、G、B分量分別為 171、21、33(見(jiàn)圖1(b))，以該點(diǎn)為中心取13×13大小的窗口，將窗口中各像素點(diǎn)的R分量排序，得到R序列的中間值為165.經(jīng)過(guò)統(tǒng)計(jì)，在該窗口中，R分量為165的點(diǎn)一共有8個(gè)，我們隨機(jī)選取其中一點(diǎn)(670，445)為種子點(diǎn)，其R、G、B分量分別為 165、17、29，如圖 1(c).

圖1 種子點(diǎn)的選取結(jié)果Fig.1 Selection of the seed point

1.3 對(duì)種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長(zhǎng)

1.3.1 區(qū)域生長(zhǎng)算法的選取與描述

區(qū)域生長(zhǎng)算法，顧名思義，也就是根據(jù)預(yù)先定義的生長(zhǎng)準(zhǔn)則來(lái)把像素或子區(qū)域集合成較大區(qū)域的處理方法［9，10］.而對(duì)于區(qū)域生長(zhǎng)算法的嚴(yán)格定義，主要有2種:一種是指以一組“種子”點(diǎn)開(kāi)始，將與種子性質(zhì)相似(諸如灰度級(jí)或顏色的特定范圍)的相鄰像素附加到生長(zhǎng)區(qū)域的每個(gè)種子上［8］;另一種定義為先對(duì)要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周?chē)徲蛑信c種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中，再將這些新像素當(dāng)做新的種子像素繼續(xù)上面的過(guò)程，直到?jīng)]有滿(mǎn)足條件的像素可被包括進(jìn)來(lái)為止［11］.

在上述第一種定義下，區(qū)域生長(zhǎng)過(guò)程中的種子點(diǎn)一經(jīng)選定，就是固定不變的，整個(gè)生長(zhǎng)過(guò)程所考慮的僅是像素點(diǎn)與所選定的種子點(diǎn)之間的相似程度，因此第一種定義更適合于對(duì)灰度圖像的處理;而第二種定義下的區(qū)域生長(zhǎng)過(guò)程在每次循環(huán)遍歷下的種子點(diǎn)都是動(dòng)態(tài)變化的，充分考慮了像素之間的連通性和鄰接性，鑒于彩色圖像各像素點(diǎn)之間的信息高度相關(guān)，我們?cè)诒疚闹胁捎玫诙N定義.那么在這種定義下，根據(jù)適當(dāng)?shù)纳L(zhǎng)準(zhǔn)則對(duì)像素點(diǎn)進(jìn)行合并是區(qū)域生長(zhǎng)的關(guān)鍵，在本文中，我們考慮分別對(duì)種子點(diǎn)向量的各分量進(jìn)行3×3鄰域的區(qū)域生長(zhǎng)處理.即對(duì)于彩色空間中圖像I上的任意一點(diǎn)p0，如果其R、G、B分量分別為r0、g0、b0，則我們用下式來(lái)定義區(qū)域生長(zhǎng)準(zhǔn)則.

其中r、g、b為p0點(diǎn) 3 ×3 鄰域內(nèi)任意一點(diǎn)的R、G、B分量，m1、m2、m3分別為對(duì)應(yīng)于R、G、B分量所選定的閾值.實(shí)驗(yàn)表明，以這種方式定義的生長(zhǎng)準(zhǔn)則與以向量的二范數(shù):

定義的生長(zhǎng)準(zhǔn)則d≤m(其中m為閾值)相比，不僅降低了時(shí)間復(fù)雜度，而且充分考慮了各顏色分量之間的漸變性，更有利于對(duì)彩色圖像的顏色特征進(jìn)行提取.

那么對(duì)于給定的閾值m1、m2、m3，對(duì)種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長(zhǎng)過(guò)程可以簡(jiǎn)化為圖2中的流程.

圖2 本文區(qū)域生長(zhǎng)算法流程圖Fig.2 Flow chart of the proposed algorithm

在該算法中，根據(jù)圖像自動(dòng)確定閾值將會(huì)是實(shí)現(xiàn)有意義區(qū)域自動(dòng)提取的基礎(chǔ).如果閾值選得過(guò)小，則難以完全將待提取區(qū)域提取出來(lái)，選得過(guò)大，又難以將提取目標(biāo)與背景相分離，實(shí)施有效的提取.基于待提取區(qū)域的顏色與種子點(diǎn)顏色必須高度相似這一準(zhǔn)則，本文采用直方圖法確定最終閾值.

1.3.2 生長(zhǎng)終止準(zhǔn)則的確定

首先我們以種子點(diǎn)為中心，選取半徑為n(n大小可變)的方形鄰域，統(tǒng)計(jì)出窗口中任意非邊界點(diǎn)與其3×3鄰域內(nèi)任一點(diǎn)的R、G、B分量的差值，這樣不對(duì)窗口中的邊界點(diǎn)進(jìn)行處理的目的是為了避免窗口取到圖像邊界時(shí)所造成的誤差.其次計(jì)算出差值結(jié)果中同值的個(gè)數(shù)(對(duì)帶有小數(shù)的差值采用取整法)，統(tǒng)計(jì)出直方圖.最后依據(jù)直方圖確定最終閾值.

圖3是對(duì)應(yīng)于圖1(c)中的種子點(diǎn)，當(dāng)n=50時(shí)，統(tǒng)計(jì)出的窗口中非邊界點(diǎn)與其3×3鄰域內(nèi)各點(diǎn)的顏色分量差值直方圖.其中(a)、(b)、(c)分別是對(duì)應(yīng)于R、G、B分量的差值直方圖.從圖3中可以看出，我們可以取m1=5，m2=5，m3=5將圖像中的紅色花片部分提取出來(lái).

圖4(a)即為根據(jù)圖3中的直方圖所確定的閾值，對(duì)圖1(c)中的種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長(zhǎng)實(shí)驗(yàn)的結(jié)果，可以看出，我們已經(jīng)很好地提取出了圖1中的紅色花片部分.

圖3 顏色分量差值直方圖Fig.3 Histogram of the difference between color components

圖4 對(duì)圖1中紅色花片進(jìn)行提取的實(shí)驗(yàn)結(jié)果Fig.4 Extraction results of the red rose petals in Fig.1

1.4 圖像后處理

由于圖像在傳輸、轉(zhuǎn)換過(guò)程中不可避免地會(huì)受到各種干擾的影響，致使提取結(jié)果中會(huì)出現(xiàn)單個(gè)像素的噪聲.傳統(tǒng)的濾波方法雖然能夠較好地去除噪聲，但同時(shí)也會(huì)去除一部分圖像信息，造成圖像邊緣模糊.而基于數(shù)學(xué)形態(tài)學(xué)的圖像去噪，是利用結(jié)構(gòu)元素對(duì)圖像進(jìn)行處理，在去除噪聲的同時(shí)也能很好地保留圖像的邊緣信息［11］.針對(duì)這種情況，我們?cè)诒疚闹欣眯螒B(tài)學(xué)中的開(kāi)閉濾波對(duì)提取出的圖像進(jìn)行后處理.考慮到圖像中的噪聲點(diǎn)幾乎都是單個(gè)的孤立像素點(diǎn)，因此我們用半徑為1的圓盤(pán)作為結(jié)構(gòu)元素對(duì)提取后的圖像進(jìn)行先開(kāi)后閉的濾波作用.圖4(b)即為對(duì)圖4(a)中的圖像進(jìn)行濾波處理后的結(jié)果，相比之下，處理后的圖像幾乎不含噪聲點(diǎn)，基本達(dá)到了我們的提取目的.

2 試驗(yàn)分析

對(duì)于上述算法，我們隨機(jī)選取了一些彩色圖像進(jìn)行試驗(yàn)分析，并與文獻(xiàn)［7］中提到的傳統(tǒng)的將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行區(qū)域生長(zhǎng)作用的算法及文獻(xiàn)［12］中以判斷向量二范數(shù)為生長(zhǎng)準(zhǔn)則的算法做了對(duì)比.

圖4(a)為利用本文算法對(duì)圖1中的紅色花片的提取結(jié)果.圖5圖6即為根據(jù)先將原始圖像1(a)轉(zhuǎn)化成灰度圖像后對(duì)圖1(c)中所選的種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)的結(jié)果，其中圖5是利用區(qū)域生長(zhǎng)算法的第一種定義，閾值分別取為21、22時(shí)的實(shí)驗(yàn)結(jié)果，圖6為按照區(qū)域生長(zhǎng)算法的第二種定義，像素灰度差分別取1、2時(shí)的實(shí)驗(yàn)結(jié)果.圖7是采用以像素點(diǎn)向量的二范數(shù)定義生長(zhǎng)準(zhǔn)則時(shí)，閾值分別取5和6的實(shí)驗(yàn)結(jié)果.

圖5 在區(qū)域生長(zhǎng)算法的第一種定義下，傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of the traditionalmethod under the first definition of region growing algorithm

圖6 在區(qū)域生長(zhǎng)算法的第二種定義下，傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of the traditionalmethod under the second definition of region growing algorithm

圖7 采用向量二范數(shù)定義生長(zhǎng)準(zhǔn)則的實(shí)驗(yàn)結(jié)果Fig.7 Experimental results under the growth criteria based on Euclidean distance

從各實(shí)驗(yàn)的結(jié)果對(duì)比中可以看出，無(wú)論在區(qū)域 生長(zhǎng)算法的哪一種定義下，將圖像轉(zhuǎn)化為灰度圖像再進(jìn)行提取的實(shí)驗(yàn)，在閾值之差僅為1時(shí)，仍然或者只能提取出少部分的待提取區(qū)域 (如圖5(a)、圖6(a))，或者會(huì)提取出過(guò)多的背景信息(如圖5(b)、圖6(b))，都與預(yù)期結(jié)果相差較遠(yuǎn)，利用向量的二范數(shù)作為生長(zhǎng)準(zhǔn)則時(shí)所得的實(shí)驗(yàn)效果也不是很理想.相比之下，利用本文算法則能夠得到與人眼視覺(jué)判斷相一致的有意義的圖像顏色特征提取.因此充分利用彩色圖像的顏色特征進(jìn)行提取比僅利用單一灰度特征進(jìn)行提取的效果更準(zhǔn)確，而合理地選擇區(qū)域生長(zhǎng)準(zhǔn)則也是區(qū)域生長(zhǎng)算法的關(guān)鍵.

圖8是利用本文算法對(duì)原始圖像中深綠色葉片的提取實(shí)驗(yàn)，其中待提取葉片位于圖像的左下側(cè).從實(shí)驗(yàn)結(jié)果中可以看出，我們能夠得到相對(duì)理想的提取效果.

圖8 應(yīng)用本文算法的提取實(shí)驗(yàn)Fig.8 Extraction experiments of the proposed algorithm

3 結(jié)束語(yǔ)

傳統(tǒng)的對(duì)彩色圖像顏色特征的提取工作，是先將彩色圖像轉(zhuǎn)化成灰度圖像，然后再對(duì)種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)處理.在本文中，我們選取了適合彩色圖像處理的區(qū)域生長(zhǎng)算法，并改進(jìn)了其中種子點(diǎn)的選取、生長(zhǎng)準(zhǔn)則和終止準(zhǔn)則的確定，再直接對(duì)彩色空間中的種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)作用.從實(shí)驗(yàn)結(jié)果來(lái)看，本文提出的方法是一種簡(jiǎn)單的彩色圖像顏色特征的提取方法，對(duì)于傳統(tǒng)方法中通常存在的不能較好區(qū)分顏色特征、提取有效性較差、耗費(fèi)時(shí)間比較長(zhǎng)等問(wèn)題都有所改進(jìn)，在保證區(qū)域連通性的同時(shí)，也得到了與人眼視覺(jué)判斷相一致的有意義的圖像特征提取結(jié)果.

［1］林開(kāi)顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國(guó)圖象圖形學(xué)報(bào)，2005，10(1):1-10.

［2］楊家紅，劉 杰，鐘堅(jiān)成，等.結(jié)合分水嶺和自動(dòng)種子區(qū)域生長(zhǎng)的分割算法［J］.中國(guó)圖象圖形學(xué)報(bào)，2011，15(1):63-68.

［3］高美真，申艷梅.基于顏色直方圖的圖像檢索技術(shù)［J］.微電子學(xué)與計(jì)算機(jī)，2008，25(4):25-27.

［4］Stricker M，Orengo M.Similarity of color images［J］.Storage and Retrieval for Image and Video Databases III，1995，2420:381-392.

［5］劉忠偉，章毓晉.利用局部累加直方圖進(jìn)行彩色圖像檢索［J］.中國(guó)圖象圖形學(xué)報(bào)，1998，3(7):533-537.

［6］劉忠偉，章毓晉.利用顏色特征進(jìn)行圖像檢索［J］.電子技術(shù)應(yīng)用，1999(2):19-20.

［7］張麗紅，張 慧，王曉凱.邊緣檢測(cè)和區(qū)域生長(zhǎng)相結(jié)合的圖像ROI提取方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，21(4):233-237.

［8］劉戰(zhàn)杰，馬儒寧，鄒國(guó)平，等.一種新的基于區(qū)域生長(zhǎng)的彩色圖像分割算法［J］.山東大學(xué)學(xué)報(bào):理學(xué)版，2010，45(7):76-80.

［9］Gonzalez R C.數(shù)字圖像處理(MATLAB 版)［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2005.

［10］Gonzalez R C.數(shù)字圖像處理［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2003.

［11］胡學(xué)龍.數(shù)字圖像處理［M］.北京:電子工業(yè)出版社，2011.

［12］Wang Y F，Duan S，Chen X.General representation of morphology operators on Euclidean space ［C］.Shanghai:IEEE Int'l Conf Signal and Information Processing，2011:881-884.