丁一

（無錫城市職業(yè)技術(shù)學(xué)院，江蘇無錫 214000）

1 前言

圖像分割技術(shù)是利用算法將圖像分割成若干個(gè)有獨(dú)特性質(zhì)的區(qū)域的過程，一般的方法分為基于閾值、邊緣、區(qū)域等分割方法，也就是將圖像利用數(shù)學(xué)方法分割成不同的區(qū)域，每個(gè)區(qū)域有不同的特征。圖像分割是計(jì)算機(jī)視覺領(lǐng)域的重要研究方向在人臉識(shí)別、增強(qiáng)現(xiàn)實(shí)等領(lǐng)域都有著十分廣泛的應(yīng)用。圖像分割算法大體可以分為基于圖論、基于像素聚類、基于深度學(xué)習(xí)三大類。其中分水嶺算法是基于地理形態(tài)方面的分析圖像分割算法。通過對(duì)圖像進(jìn)行模仿地理結(jié)構(gòu)一樣的山川地貌來對(duì)圖像中物體實(shí)現(xiàn)區(qū)分。將彩色圖像轉(zhuǎn)成灰度圖像之后，灰度圖像跟山川地貌有十分相似的共同特性。類似于地球表面的地理結(jié)構(gòu)，灰度圖像的每個(gè)像素值的大小類似于地表的高度。將灰度值比較大的地方看作山川的山脊，灰度圖像二值化后的閾值可以看作是地球的水平面，也就是說高于水平面的可以看作是山，而低于水平面的會(huì)被大海或者湖泊淹沒，為了避免各個(gè)山谷的水匯聚在一起，假如在分水嶺上修建類似于三峽水利工程那樣的大壩，然后用水填滿這些區(qū)域填充。這樣圖像的像素就會(huì)形成兩個(gè)集合，一個(gè)是被水淹沒的山谷像素的集合，一個(gè)是分水嶺上修建的大壩的像素的集合，隨著水平面的上升，大壩的界線在圖像上的表示就是圖像中分割的區(qū)域，即可以對(duì)這些區(qū)域進(jìn)行分區(qū)操作。

劉天舒等[1]針對(duì)長(zhǎng)時(shí)間靜止和背景信息復(fù)雜且有干擾的圖像的紋理和顏色信息進(jìn)行分析，針對(duì)存在目標(biāo)丟失以及檢測(cè)過程中不精準(zhǔn)的問題，提出了將區(qū)域面積剔除的方法應(yīng)用于圖像分割方法中，以提高背景信息復(fù)雜并有干擾圖像的檢測(cè)效率，提高了準(zhǔn)確度。李娜等[2]針對(duì)連續(xù)動(dòng)作圖像中空間鄰域信息提取不理想導(dǎo)致圖像分割不完善的問題，利用空間鄰域信息提取人體相關(guān)特征值，將特征點(diǎn)自適應(yīng)幾何特征協(xié)方差矩陣設(shè)定為描述子，通過度量特征點(diǎn)描述子的信息提取連續(xù)動(dòng)作中的鄰域特征。通過該鄰域特征利用像素的特征函數(shù)加強(qiáng)各個(gè)鄰域間的聚類效果，同時(shí)實(shí)現(xiàn)了降噪和降低運(yùn)算時(shí)間。趙仁和等[3]通過傳統(tǒng)活動(dòng)輪廓模型無法精確分割像素不均勻圖像且對(duì)于尺度比較敏感的問題，提出了一種基于區(qū)域信息的自適應(yīng)尺度的活動(dòng)輪廓模型。根據(jù)圖像局部熵構(gòu)建自適應(yīng)尺度算子，圖像的局部強(qiáng)度聚類基礎(chǔ)上構(gòu)建能量函數(shù)，利用偏移場(chǎng)實(shí)現(xiàn)圖像區(qū)域強(qiáng)度不均勻校正。該方法在分割精確度以及噪聲魯棒性等方面有獨(dú)特的效果。陳苗苗等[4]將水平集方法應(yīng)用于圖像分割，避免了水平集函數(shù)初始化時(shí)數(shù)值計(jì)算的錯(cuò)誤從而破壞穩(wěn)定性的問題。針對(duì)該模型對(duì)于灰度不均勻圖像的不適應(yīng)性，提出了一種正則項(xiàng)四相水平集分割模型的方法，從而避免了水平集函數(shù)初始化方面的問題。梁淑芬[5]在基于一種局部圖像增強(qiáng)改進(jìn)分水嶺的舌體分割算法一文中，針對(duì)顏色相近物體區(qū)分的問題提出局部圖像增強(qiáng)算法，該方法首先通過色差計(jì)算不同的圖像增強(qiáng)系數(shù)，從而實(shí)現(xiàn)舌唇這種顏色相近的對(duì)象物體分類圖像分割的技術(shù)。以上文章通過區(qū)域面積剔除、空間鄰域信息、區(qū)域信息的自適應(yīng)尺度的活動(dòng)輪廓模型、正則項(xiàng)四相水平集分割模型、局部圖像增強(qiáng)等改進(jìn)分水嶺算法，改進(jìn)了算法的預(yù)處理過程。可見，改進(jìn)分水嶺算法的關(guān)鍵是預(yù)處理過程的改進(jìn)，或者將數(shù)學(xué)模型應(yīng)用于算法本身，以便于更好地實(shí)現(xiàn)相似顏色物體分割或者避免過度分割，以提高精確性和魯棒性。

2 分水嶺算法簡(jiǎn)介

對(duì)于分水嶺算法來說，任何一個(gè)灰度圖都可以比作地理地形圖，灰度值比較高的區(qū)域可以看作是山峰，灰度值比較低的地區(qū)可以看作是山谷。假設(shè)能夠向每個(gè)不同的山谷灌入不同顏色的水，并且在山峰上修筑足夠高的大壩，使得不同顏色的水不會(huì)混合到一起。隨著水位的升高，不同山谷的水就會(huì)因?yàn)樗畨蔚姆指疃粫?huì)匯合，只要不停地灌水，直到所有的山峰都被淹沒為止，這樣就實(shí)現(xiàn)了對(duì)圖像的分割。

分水嶺算法首先需要傳入輪廓，對(duì)于圖像的所有像素點(diǎn)的值根據(jù)分水嶺算法進(jìn)行判別，然后進(jìn)行區(qū)域的劃分，處理完所有像素點(diǎn)之后，區(qū)域與區(qū)域之間設(shè)置好分界線，分界值設(shè)置為-1，接下來對(duì)圖像做相應(yīng)的標(biāo)記。具體的步驟首先是排序，根據(jù)圖像的灰度值從高到低將圖像像素排序，從低到高實(shí)現(xiàn)所謂的淹沒，也就是根據(jù)算出的局部極小值（山谷）在h階高度的影響域中采用FIFO隊(duì)列的數(shù)據(jù)結(jié)構(gòu)進(jìn)行判斷和標(biāo)注。邊界點(diǎn)即分水嶺表示圖像區(qū)域極大值的點(diǎn)，通常會(huì)對(duì)圖像進(jìn)行梯度運(yùn)算。該算法對(duì)于噪聲、表面物體細(xì)小變化以及陰影等都有可能出現(xiàn)過度分割的現(xiàn)象，經(jīng)典算法對(duì)于邊緣對(duì)比強(qiáng)烈的圖像分割是有保證的，對(duì)于邊緣對(duì)比不強(qiáng)烈的圖像分割會(huì)有過度分割發(fā)生，有幾種方法去處理過度分割的信息，一般是對(duì)梯度圖像的閾值進(jìn)行處理，從而消除因?yàn)榛叶茸兓惶黠@帶來的不確定性，所以合適的閾值是圖像分割結(jié)果的關(guān)鍵。

3 基于標(biāo)記的分水嶺算法

對(duì)于傳統(tǒng)算法中噪聲以及灰度變化不明顯帶來的過度分割現(xiàn)象。采用基于標(biāo)記的分水嶺算法會(huì)有更好的效果。即將不同的標(biāo)簽賦予不同的值，以不同的標(biāo)簽值區(qū)分不同的區(qū)域，包括對(duì)不確定的區(qū)域以及邊界做好標(biāo)簽標(biāo)記。對(duì)比傳統(tǒng)針對(duì)分水嶺算法的改進(jìn)方法如梯度，改進(jìn)后的算法因?yàn)閷?duì)一些極小點(diǎn)或細(xì)微的噪點(diǎn)沒有標(biāo)記，所以也會(huì)被“淹沒”算法處理，但梯度的計(jì)算會(huì)將這些點(diǎn)作為極值點(diǎn)進(jìn)行判斷。也就是說基于梯度的算法會(huì)出現(xiàn)過度分割的現(xiàn)象，而改進(jìn)后的分水嶺算法克服了這些不足。針對(duì)改進(jìn)后的算法進(jìn)行的計(jì)算前的預(yù)處理過程如下：

（1）二值化處理圖像，將圖像分為白和黑兩個(gè)部分。二值化過程即將圖像分為0和255兩部分，其中算法設(shè)定的閾值比較重要，其中大津法也就是最大類間方差法計(jì)算簡(jiǎn)單，不受外界因素影響。

（2）通過去噪點(diǎn)方法處理二值化處理的噪點(diǎn)，消除細(xì)小的邊界噪聲。在原圖的小區(qū)域之內(nèi)取局部最小值，因?yàn)槎祷蟮膱D像只有0和255，最小值就是0。通過將小區(qū)域的邊緣變?yōu)?來達(dá)到縮小和消除小區(qū)域的目的。

（3）圖像進(jìn)行膨脹，接下來將圖像大區(qū)域擴(kuò)張，從而達(dá)到消除大區(qū)域之間的小噪點(diǎn)。

（4）距離變換，對(duì)于有重合的部分，特別是灰度值類似而且有重合的部分，采用距離加上合適的閾值以區(qū)分物體間的界限。

（5）取差值得到確定的區(qū)域，將確定區(qū)域確定好了之后，剩下的就是不確定的區(qū)域了。

（6）處理好連通域，調(diào)用算法。采用改進(jìn)后的分水嶺算法處理圖像，但對(duì)于未知的區(qū)域或者是圖像連通的區(qū)域，采用不同的數(shù)值對(duì)圖像進(jìn)行標(biāo)記。

4 實(shí)驗(yàn)驗(yàn)證

本文采用不同材質(zhì)的硬幣作為對(duì)象，以白色作為背景，圖1(a)和(c)使用改進(jìn)前的分水嶺算法實(shí)現(xiàn)圖像分割，圖1(b)和(d)的結(jié)果可以看出分割效果一般，而且局部細(xì)節(jié)結(jié)果并不好。因?yàn)椴糠謭D像與背景的白色更接近，原算法對(duì)于銀色幣的魯棒性更差。圖2(a)為采用改進(jìn)后的分水嶺算法待驗(yàn)證的原始圖像，圖像為通過灰度處理過的圖，即圖像只有黑白灰，沒有彩色表示。圖2(b)為中間計(jì)算過程產(chǎn)生的背景圖，可以通過背景確定硬幣的大概區(qū)域。通過去除噪點(diǎn)的過程，圖中已經(jīng)沒有陰影、計(jì)算偏差或像素不均勻等帶來的圖像噪點(diǎn)。圖2(c)為算法中間計(jì)算過程產(chǎn)生的前景圖，即已經(jīng)確定的硬幣的位置，其余為不確定區(qū)域。通過對(duì)不確定區(qū)域的去除，更好地確定了不確定的區(qū)域，無論是硬幣、背景、通過分水嶺算法可以將其確定。圖2(d)為最終結(jié)果圖，為更好地區(qū)分物體，將物體本身、背景以及邊界以不同的灰度值顯示。另外，采用了改進(jìn)后的算法之后，圖3(a)選擇了銅幣以及銀色幣重合的對(duì)象作為原始圖，圖3(b)的中間計(jì)算過程背景圖勾畫出了大概區(qū)域，可以看出，重疊部分并沒有區(qū)分開，因?yàn)樨泿诺念伾容^相近，所以將圖3(c)的結(jié)果作為參數(shù)的重要判斷依據(jù)，因?yàn)閰?shù)的值決定了最終結(jié)果的識(shí)別質(zhì)量，可以看出在圖3(d)的最終結(jié)果中，原圖中重疊的貨幣識(shí)別結(jié)果也比較好。原算法銅質(zhì)顏色的硬幣在灰度值區(qū)分效果較好，傳統(tǒng)算法中特別是基于梯度的分水嶺算法中，銀色硬幣在灰度值方面區(qū)分效果不如前者，從結(jié)果可以看出對(duì)于本問題提出的基于標(biāo)記分水嶺算法實(shí)現(xiàn)的圖像分割技術(shù)，從實(shí)驗(yàn)結(jié)果來看，不僅銅質(zhì)硬幣，即便是和背景顏色更接近的銀色硬幣區(qū)分效果也比較好，已看出最終結(jié)果基本實(shí)現(xiàn)了比較良好的分割。

圖1 圖像分割結(jié)果圖（改進(jìn)前方法）

圖2 圖像分割結(jié)果圖（改進(jìn)后）

圖3 圖像分割結(jié)果圖（改進(jìn)后）

5 結(jié)論與改進(jìn)

本文提出了一種基于標(biāo)記的分水嶺算法，改進(jìn)了其中圖像預(yù)處理過程。在圖像分割算法中，大體可以分為基于圖論、基于聚類、基于深度學(xué)習(xí)三個(gè)方面，在這一圖像分割和計(jì)算機(jī)視覺領(lǐng)域有著廣泛應(yīng)用的算法中，針對(duì)傳統(tǒng)的基于拓?fù)鋱D像分割分水嶺算法、基于梯度的分水嶺算法，基于標(biāo)記的分水嶺算法在針對(duì)早點(diǎn)的魯棒性方面有良好的效果。傳統(tǒng)基于梯度算法有明顯的過度分割的現(xiàn)象，對(duì)于細(xì)小的噪點(diǎn)和物體的區(qū)域邊界處理效果不明顯。過度分割之后的結(jié)果對(duì)于物體的定位和判斷來說都是嚴(yán)重的錯(cuò)誤。改進(jìn)后的分水嶺算法預(yù)處理過程中，有效利用了圖像二值化之后的膨脹和縮小，將細(xì)小的噪點(diǎn)隱去，實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的算法效果良好，沒有過度分割的現(xiàn)象，而且能夠處理好不同顏色材質(zhì)的對(duì)象物體。今后的研究中需要重點(diǎn)解決圖像結(jié)果邊緣處理的精確性，更好地處理物體重疊之后的區(qū)分，特別是顏色與背景顏色接近物體的不同光照效果下的邊界判斷問題以及相同圖像特征物體重疊之后的區(qū)分問題。