張弘 高威

（西安郵電大學(xué)自動(dòng)化學(xué)院 西安 710121）

1 引言

圖像分割是一種重要的圖像分析技術(shù)。在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些部分感興趣，這些部分常常被稱為目標(biāo)或前景（其他部分稱為背景）。圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣的目標(biāo)的技術(shù)和過程，它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分為以下幾類：基于閾值的分割方法［16］、基于區(qū)域的分割方法、基于邊緣的分割方法［5］以及基于特定理論的分割方法等。在眾多的圖像分割方法中，閾值分割是普遍使用的最為有效的圖像分割方法。在過去的幾十年中，研究人員提出了許多閾值算法來確定最佳閾值［1］，不同的閾值方法可以在文獻(xiàn)中找到。一般來說，閾值分割一般可以分為單級(jí)和多級(jí)閾值分割方法［2］，在單級(jí)閾值分割方法中，圖像是基于單個(gè)閾值劃分為兩個(gè)不同的區(qū)域。相比之下，多級(jí)閾值是基于多個(gè)（多于一個(gè)）閾值將圖像分割成幾個(gè)不同的區(qū)域［7～12］。一個(gè)簡單的方法是使用直方圖找到最佳閾值。Otsu方法［14］是廣泛使用的直方圖閾值法，選擇一個(gè)通過最小化類內(nèi)方差來確定最優(yōu)閾值［7］。文獻(xiàn)［15］定義了一個(gè)標(biāo)準(zhǔn)假設(shè)不同區(qū)域中的像素是正態(tài)分布的，并且通過獲得最佳閾值優(yōu)化貝葉斯危險(xiǎn)因素。另一種方法是最大化不同區(qū)域中的像素的熵以獲得最優(yōu)閾值［13～14］。文獻(xiàn)［12］提出了一種基于集群的閾值技術(shù)，其中將數(shù)據(jù)分組使用相似性度量來進(jìn)行聚類。

這些閾值方法具有一個(gè)主要缺點(diǎn)，大體上說，這些方法沒有考慮到局部空間信息，對(duì)于某些圖像分割效果不好，為了改進(jìn)這個(gè)缺點(diǎn)，本文提出一種局部活動(dòng)特征計(jì)算每個(gè)灰度值處的局部圖像屬性，通過對(duì)不同圖像的類型進(jìn)行評(píng)估，然后比較所提出的方法的結(jié)果與現(xiàn)有方法結(jié)果的比較，證實(shí)了本文提出的方法的有效性。

2 閾值分割方法及應(yīng)用

2.1 迭代閾值分割算法

迭代閾值分割算法是一種基于逼近的思想，它首先選擇一個(gè)近似閾值T，將圖像分割成兩部分，計(jì)算區(qū)域C0和C1的均值u0和u1，選擇新的分割閾值，重復(fù)上述的步驟，直到u和u不01再變化為止。步驟如下：

步驟1：求出圖像的最大灰度值和最小灰度值，分別記為Zmax和Zmin，令初始閾值。

步驟2：根據(jù)閾值T將圖像分割為前景和背景，分別求出兩者的平均灰度值Z0和Z1。

步驟4：如果兩個(gè)平均灰度值Z0和Z1不再變化（或T不再變化），則T為閾值；否則轉(zhuǎn)到步驟2），迭代計(jì)算。

迭代法所得的閾值分割的圖像的效果良好?；诘拈撝的軈^(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處下角深色區(qū)還沒有很好的區(qū)分度。對(duì)某些特定圖像，微小數(shù)據(jù)的變化卻引起分割效果好的巨大變化。如圖1（b）為迭代法分割rice圖像的效果。

圖1 米粒原圖及其分割結(jié)果

2.2 傳統(tǒng)的Otsu閾值分割方法

大津法（OTSU）是由大津于1979年提出的動(dòng)態(tài)閾值分割算法，它的基本思想是利用圖像的灰度直方圖，以目標(biāo)和背景的方差最大來動(dòng)態(tài)地確定圖像的分割閾值?；驹砣缦?，假設(shè)原始圖像的灰度級(jí)為L，總像素個(gè)數(shù)為N，ni為灰度為i的像素個(gè)數(shù)，則每個(gè)灰度的概率：pi=niN，根據(jù)閾值T將圖像分為兩類：C0和C1，其中C0類的灰度范圍為0～T，C1類的灰度范圍為T+1～L-1，C0和C1比例分別為 和 ，C0和C1的灰度均值為

圖2是對(duì)硬幣的圖像進(jìn)行大津法的閾值分割，圖（b）為大津法分割圖像，如下圖所示。

圖2 硬幣原圖及其分割結(jié)果

2.3 基于鄰域均值的分割算法

眾多實(shí)驗(yàn)得出，傳統(tǒng)的Otsu法對(duì)于直方圖呈現(xiàn)雙峰分布的圖像的分割效果較理想。然而，在實(shí)際圖像中，由于噪聲干擾等因素的影響，使得圖像的灰度直方圖分布不一定出現(xiàn)明顯的峰和谷，此時(shí)僅利用灰度直方圖得到的閾值并不能使圖像分割得到滿意的結(jié)果，往往還會(huì)產(chǎn)生嚴(yán)重的分割錯(cuò)誤。這是因?yàn)橄袼鼗叶戎祪H僅反映了像素灰度級(jí)的幅值大小，并沒有反映出像素與其鄰域的空間相關(guān)信息。提出了一種結(jié)合像素鄰域空間信息的改進(jìn)Otsu閾值分割算法。

基本思想是：考慮到圖像是由明、暗兩類構(gòu)成的，因此可以首先做一次粗分割，把最亮和最暗的部分提取出來，即把最有可能是目標(biāo)和背景的像素點(diǎn)分割出來。而剩下的部分則可能既包含目標(biāo)又包含背景，此時(shí)對(duì)這些像素點(diǎn)結(jié)合其鄰域信息進(jìn)行相應(yīng)的處理。最后，對(duì)處理過的圖像應(yīng)用Otsu法二值化。

具體算法如下：

1）獲取原圖像 f(i，j)的直方圖；

2）按灰度級(jí)從小到大遍歷直方圖，找到第一個(gè)峰和最后一個(gè)峰，相應(yīng)的灰度值分別記為T0和T1。記Gmin、Gmax分別為圖像的最小、最大灰度；

3）設(shè) f(i，j)為原圖像中像素點(diǎn)的灰度值，即f(i-1，j-1)、f(i，j-1)、f(i+1，j-1)、f(i-1，j)、f(i+1，j)、f(i-1，j+1)、f(i，j+1)、f(i+1，j+1)是其8個(gè)鄰域像素的灰度值，若 f(i，j)＞T0且f(i，j)＜T1，則用

更新灰度值，否則該像素灰度值不變。

4）對(duì)經(jīng)過上述處理過的圖像采用Otsu法進(jìn)行二值化處理，并選取最佳閾值。與傳統(tǒng)的閾值分割方法進(jìn)行比較，效果更佳，圖3（b）為Otsu法分割圖像，圖3（c）為鄰域均值法分割圖像。

圖3 夫妻原圖及其分割結(jié)果

3 本文算法

大津法是較為經(jīng)典的閾值分割算法，選取出來的閾值也較為理想，對(duì)各種情況的表現(xiàn)都較為良好。但是在很多情況下，大津法計(jì)算出來的都不是最佳閾值，由于圖片本身，噪聲等各種情況的干擾，僅利用直方圖得到的閾值并不能使圖像分割得到滿意的效果，往往還會(huì)產(chǎn)生嚴(yán)重的錯(cuò)誤。本文提出了一種結(jié)合局部空間信息的改進(jìn)的閾值分割算法。

閾值分割法分為全局閾值法和局部閾值分割法。局部閾值分割法是將原始圖像劃分成較小的圖像，并對(duì)每個(gè)子圖像選取相應(yīng)的閾值。在閾值分割后，相鄰子圖像之間的邊界處可能產(chǎn)生灰度級(jí)的不連續(xù)性，因此需用平滑技術(shù)進(jìn)行排除。局部閾值法常用的方法有灰度差直方圖法、微分直方圖法。

全局閾值分割方法［12］在圖像處理中應(yīng)用比較多，它在整幅圖像內(nèi)采用固定的閾值分割圖像。經(jīng)典的閾值選取以灰度直方圖為處理對(duì)象。根據(jù)閾值選擇方法的不同，可以分為模態(tài)方法、迭代式閾值選擇等方法。這些方法都是以圖像的直方圖為研究對(duì)象來確定分割的閾值的。另外還有類間方差閾值分割法、二維最大熵分割法［1～3］、模糊閾值分割法［3］、共生矩陣分割法、區(qū)域生長法等等。

首先，圖像中的鄰域系統(tǒng)，常用的有3*3鄰域系統(tǒng)，以中心點(diǎn)為中心，主要采用的是鄰域平均法，以像素點(diǎn) f(i，j)和其鄰域中全部點(diǎn)的像素灰度均值替換像素點(diǎn) f(i，j)的對(duì)應(yīng)的灰度值，公式為

鄰域均值方法是一種線性濾波方法，它主要是為了去除圖像掃描的顆粒的噪聲，主要采用的是鄰域平均方法。鄰域均值算法對(duì)于去除包含密度噪聲圖像噪聲是一種比較有效的去除噪聲方法，它利用灰度均值替換，達(dá)到去噪的目的。

第二步，再對(duì)圖像進(jìn)行鄰域方差的計(jì)算，基于圖像鄰域3*3系統(tǒng)，計(jì)算出方差因子，公式為：

得出的Tp即為方差因子。第三步，進(jìn)行圖像融合，在圖像的融合過程中，融合規(guī)則的選取是關(guān)鍵的一步，直接影響融合圖像的質(zhì)量。下面將方差因子與原圖像進(jìn)行融合，融合的公式為

最后，對(duì)圖像進(jìn)行閾值分割。步驟為

步驟1：對(duì)于圖像中的灰度級(jí)，找出它們的概率：

步驟2：令閾值為T，將圖像分為兩類：

步驟4：使用下面公式找到類間方差：

步驟5：通過類間方差最大化獲得最優(yōu)閾值：

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性和可行性，實(shí)驗(yàn)選取了5幅普通圖像，分別為cameraman、lena、老頭、bird、sculpture圖像，并與Otsu法進(jìn)行了比較。實(shí)驗(yàn)系統(tǒng)為windows7系統(tǒng)，系統(tǒng)配置為3.2GB內(nèi)存，3.19GHz，Matlab（R2014a），閾值的選取是本文的關(guān)鍵，對(duì)分割的結(jié)果有著重要的影響，以下實(shí)驗(yàn)發(fā)現(xiàn)本文提出的局部空間信息方法可以達(dá)到Otsu分割算法且優(yōu)于Otsu分割算法。

比較下面幾幅圖，cameraman圖像相較于迭代法和Otsu閾值分割法，本文算法將地上的附著物大致地顯示出來，在細(xì)節(jié)方面處理的更好；lena圖像的輪廓更加清晰；老頭的圖像的臉更加清楚，臉型更加分明；總體來說，從幾幅圖觀察到本文分割方法分割效果更好，分割圖像更接近原圖。

圖4 壇子原圖及其分割結(jié)果

圖5 lena原圖及其分割結(jié)果

圖6 老頭圖及其分割結(jié)果

圖7 蝴蝶原圖及其分割結(jié)果

圖8 字母原圖及其分割結(jié)果

圖9 懷表圖及其分割結(jié)果

表1 三種方法閾值比較

5 結(jié)語

基于局部活動(dòng)空間信息方法提出了一種新的閾值技術(shù)，針對(duì)文獻(xiàn)［7］提出的采用局部閾值分割進(jìn)行研究，結(jié)合全局閾值中的局部閾值法，提出了最近鄰值閾值算法，對(duì)圖像分割，閾值選取有更好的效果，但對(duì)于波峰和波谷接近的圖像，此算法的效果并不明顯，本文提出的分割算法在閾值選取上更加準(zhǔn)確，且從肉眼可以觀察到，該算法分割效果更好。

［1］BH ANDARIA K，KUMAR A，G.K.SINGH GK.Tsallis en?tropy based multilevel thresholding for colored satellite im?age segmentation using evolutionaryalgorithms［J］.Expert?Syst.Appl.2015，42（22）：8707-8730.

［2］PENG H，WANG J，JIMENEZ M J P.Optimal multi-level thresholding with membrane computing［J］.Digit.Signal Process.

［3］YIN S，ZHAO X，WANG W，GONG M.Efficient multilev?el image segmentation through fuzzy entropy maximization and graph cut optimization［J］.PatternRecognit.

［4］PANDA R，AGRAWAL S，BHUYAN S.Edge magnitude based multilevel thresholding using Cuckoo search tech?nique［J］.Expert Syst.Appl.40（18）（2013）7617-7628.

［5］SEZGIN M，SANKUR B.Selection of thresholding meth?ods for nondestructive testing applications［J］.Proceed?ings International Conference on Image Processing，2002（3）：764-767.

［6］HUANG L K，WANG M J.Image thresholding by minimiz?ing the measures offuzziness［J］.Pattern Recognit，1995，28（1）41-51.

［7］OTSU N.A threshold selection method from gray level his?tograms［J］.IEEE Trans.Syst.Man Cybern，1979，9（1）：62-66.

［8］LIM J S.Two-Dimensional Signal Image Processing［J］.Englewood Clis，NJ Prentice-Hall，1990，34（1）：6-8.

［9］CHANG C I，DU Y，WANG J，GUO S M，THOUIN P D，Survey and comparative analysis of entropy and relative en?tropy thresholding techniques［J］.IEE Proc.Vis.Image Signal Process，2006，153（6）：837-850.

［10］VOLOSHYNOVSKIY S，HERRIGEL N，BAUMGAERT?NER A，PUN T.A stochastic approach to content adap?tive digital image watermarking，Proceedings of Interna?tional Workshop on Information Hiding［J］.Lecture Notes in Computer Science，1999，1768（2）：211-236.

［11］KWON S H.Threshold selection based on cluster analysis［J］.Pattern Recognit.Lett.2004，25（9）：1045-1050.

［12］PUN T.A new method gray-level picture thresholding us?ing the entropy of the histogram［J］.SignalProcess，1980：223-237.

［13］KAPUR J N，SAHOO P K，WONG A K C.A new meth?od for gray-level picture thresh-olding using the entropy of the histogram［J］.Comput.Vis.Graph.Image Process，1985，29（3）：273-285.

［14］KITTLER J，ILLINGWORTH J，Minimum error thresh?olding［J］.Pattern Recognit，1986，19（1）：41-47.

［15］CHO S，HARALICK R，YI S.Improvement of Kittler and Illingworth，minimum error thresholding［J］.Pattern Recognit，1989，22（5）：609-617.

［16］吳成茂，田小平，譚鐵牛.二維Otsu閾值法的快速迭代算法［J］.模式識(shí)別與人工智能，2008，12（6）：746-757.

WU C M，TIAN X P，TAN T N.A Fast Iteration Algo?rithm for 2-D Otsu Threshold［J］.Pattern Recognition and Artificial Intelligence，2008，12（6）：746-757.

［17］趙鳳，惠房晨，韓文超.基于過分割的多目標(biāo)閾值圖像分割算法［J］.西安郵電大學(xué)報(bào)，2015，20（3）：60-64.

ZHAO F，HUI F C，HAN W C.SegmentationAlgorithm Based on Overset Multi-target Threshold［J］.Journal of Xi'an University of Posts and Telecommunications，2015，20（3）：60-64.