彩色图像处理七

彩色图像分割图像分割(image segmentation)描述根据相似和均匀的准则将图像分为互相不重叠、本身相连的图像组元(称为区域)的过程。

类似与此，彩色图像分割(color image segmentation)描述从图像中提取一个或多个相连的、满足均匀性(同质)准则区域的过程，这里均匀性准则基于从图像光谱成分中提取的特征。

这些成分定义在给定的彩色空间(见第3章)中。

分割过程可基于有关场景中目标的知识，如几何和光学的特性。

对分割灰度图像的基本原理在很多数字图像处理的教材中都有介绍(见[GonW0002]、[Pit93]、[Pra91]、[Son et a1.93]，以及综述文章[PalPal93])。

本章集中考虑利用彩色信息进行图像分割的技术。

将介绍和讨论四组分割技术。

分割中最重要的特征之一可能就是对区域的定义。

粗略地说，可以区分四种区域定义：1．区域是像素集合的、借助一组定义在彩色空间上的隶属度函数来指定的连通组元。

对彩色信号的组合要在彩色空问进行。

组合的一个条件可以是像素的彩色在彩色空间中都在一个平面或多面体中。

2．区域是图像平面上(最大化的)相连的像素集合，这个集合满足均匀性条件。

与上一种定义相反，对彩色信号的组合是在图像平面上进行的而不是在彩色空间进行的。

例如，均匀区域可通过对大的、非均匀的区域进行分裂得到或将一个起始像素邻域内的其他像素(或像素块)合并进去得到。

3．区域是由构成彩色轮廓的边缘像素所围起来的像素集合。

彰色轮廓是依靠在彩色图像中使用边缘检测算子(见第6章)而确宅的，其间可能需要对轮廓中的间断进行填充。

在某种意义上说，区域由于代表了由边缘像素构成的非均匀集合的补集而均匀·4．区域是像素集合的连通组元，这个像素集合的组合源于对彰色空间中彩色信号的物理建模。

分割的目的是从对应场景中物体表面的彩色图像中提取区域，每个区域包含一种物质。

遮挡、阴影和高光都不应对这种图像分割产生影响，尽管图像中的彩色值有变化。

前两种区域的定义使用了一致性谓词(uniformity predicate)，其中第1种基于像素而第2种基于区域。

第3种区域定义使用了非一致性谓词(nonuniformity predicate)。

所以，这样的分类是相容的和完备的。

第4种区域定义代表了一个补充的区域子类，它也可看作是第1种区域的一个特例。

之所以要补充第4种区域定义是因为其图像分割的目的和有关场景中物体物质特性的假设都与其他三种有区别。

例如，浅红色和深红色矢量总赋予第4种定义中的同一个区域，因为那里假设明亮程度的差别是由遮挡和阴影所导致的，而像素对应表不了相同表面区域的彩色矢量。

所有使用第4种区域定义的分割技术都不是基于亮度方法的扩展。

这些技术都是完全用于彩色图像的。

另外，这些使用第4种区域定义的分割技术都属于一组新的图像处理技术。

这些技术在最近几年中被看作是基于物理学的视觉技术(physics-based vision techniques)。

补充第4种区域定义可更好地将这类技术与其他技术区分开。

根据对区域定义的区分，也可将分割过程分成四类。

对应第1种区域定义的称为基于像素的技术(pixel-based techniques)；对应第2种区域定义的称为基于区域的技术(area-based techniques)；对应第3种区域定义的称为基于边缘的技术(edge-based techniques)；对应第4种区域定义的称为基于物理学的技术(physics-based techniques)。

在下面几节中，对所有这四种技术都将讨论其中的一些方法。

另外，用水线变换进行彩色图像分割也将作为例子介绍。

之所以选择这种技术是由于研究表明它能给出很好的分割结果。

7．1基于像素的分割本节介绍在彩色空间采用第1种区域定义的分割技术。

这些技术可分成两组：1．基于直方图的技术，它们从图像直方图的一个或多个最大值出发，使用其相邻的区间进行像素分类。

2．基于在彩色空间进行聚类的技未。

7．1．1直方图技术在对图像进行分割时使用直方图和阈值可用一个灰度图像的例子来说明。

在第一个处理步骤，先在亮度直方图中计算整幅图像里各个灰度出现的频率(见图7．1)。

下一步，根据直方图中的频率函数确定最大值和最小值(峰和谷)。

最小值(如图7．1中的T1和T2)决定了用于分割的间隔边界。

在这个例子中，图像被分成三个亮度类别，即亮度值在0和T1之间、T1和T2之间，以及T2和255之间。

这种技术可扩展到对彩色图像的分割。

在最简单的情况下，彩色信号可以组合成一个一维的函数F。

可用借助式(3．1)标准化的RGB 值r、g、b来定义函数F(见[BonCoy91])：F(r，g，b)=对彩色信号的分量依次计算其一维、二维和三维直方图可取得更好的结果。

这里首先要选一个彩色空间。

哪个彩色空间最合适依赖于应用。

当使用一维直方图时，对各个彩色通道分别计算直方图，对每个直方图确定最大值和最小值。

从得到的最大值中可获得一个优先列表。

这可根据频率数来排列，或可考虑加权(如色调常比亮度更重要)。

使用这个技术的彩色图像分割包括如下处理步骤：0．对整幅图像生成一个空区域表。

1．观察要分割的下一个区域。

如果没有了，分割结束。

2．选择最高优先权的最大值。

如果没有了，将区域标记为均匀的并转到步骤1。

3．确定阈值。

4．选取连通区域并将它们加入区域列表。

5．转到步骤1。

另外，可将邻域联系(如在8一邻域中)加到分割中以填充区域中的小孔。

较新的彩色图像分割技术在二维直方图(如CIELUV彩色空间的u*v*-直方图)或彩色空间的三维直方图中确定最大值和最小值。

这是利用基于单色的技术在一维直方图中确定最大值和最小值的变型。

图7．2给出三维直方图的一个示例。

在基于模型的彩色目标描述中也使用三维彩色直方图(见[SwaBal91])。

在实时视频中基于模型的目标识别可通过使用基于直方图的彩色索引技术(color indexing techniques)来实现。

基于直方图的彩色索引也可用于图像数据库的图像检索。

7．1．2彩色空间的聚类分析聚类分析是分割灰度图像的可靠技术，许多教材中都有介绍(如[Pra91])。

该技术已扩展到包括矢量值的彩色图像。

从彩色空间里一组给定的矢量值聚类中心Z1，…，Z n出发，对彩色图像C中每个像素q i都可以确定一个m-维的概率矢量(p i1,…，p im)。

这里分量p ik代表像素q i属于类别Z k，k=1，…，m的概率。

聚类中心确定了每个类别到像素所应指定类的中点。

概率p ik定义如下：P ik=为在彩色图像中进行聚类分析，需要选择一个彩色空间和一个对应的、满足范数要求的彩色距离测度。

在聚类分析的实际应用中，需要先知道聚类中心。

对有些应用，可先确定聚类中心，如对具有相似内容的一组图像可利用主分量分析来提取相关的特征。

这些相关的特征事先建立了聚类中心。

这种技术已在辨识皮肤癌中[Umb et a1.93]或在对柑橘类水果成熟程度的分类中[FerVid92]取得了成功。

然而，对一般情况下的彩色图像分割，常并没有图像中彩色的信息。

这样，对各幅图像都需要单独确定其聚类中心。

这也可类似于直方图技术，通过确定一维、二维或三维彩色直方图中的极大值来实现。

Campadelli、Medici和Schettini[Cam et a1.95]使用神经元的HopIield网来确定相关的聚类中心。

7-2基于区域的分割基于区域的分割在图像域中使用均匀化的条件。

它们可分为区域生长技术(region-growing techniques)和分裂-合并技术(split-and-merge techniques)。

区域生长的技术从给定起始值(种子(seeds))开始，采用不同的策略连接相邻的像素(如在4-或8-邻域中)。

与此相对，分裂一合并技术从非均匀的图像域开始。

它们将图像不断分裂下去直到满足一个均匀准则。

这样获得的区域接下来合并以获得最大尺寸的均匀区域。

两种技术都已用于彩色图像的分割。

7．2．1 区域生长技术区域生长技术考虑对给定起始像素的8一邻域中的像素值。

如果一个邻域像素满足均匀性条件，那它就和起始像素属于同一个区域。

图7．3给出一个在灰度图像中应用区域生长技术的示例。

图7.3(a)中带有下划线的2和8为起始像素。

用于将像素生长到同一个区域的准则是该像素灰度值和起始像素灰度值之间绝对值的差要小于一个阈值T。

由T=3得到结果见图7.3(b)。

图像被分割成两个分别标记为“a”和“b”的区域。

当在彩色图像中使用区域生长技术时需要调整均匀性条件。

一种矢量值分割技术可在不同的彩色空间执行。

一对应于灰度差，在选定的彩色空间中要使用相应的彩色距离测量(见第3章)来确定彩色矢量的均匀性条件。

这样可保证实现与灰度图像对应的过程。

7．2．2 分裂合并在采用分裂合并的分割技术中，开始时先考虑整幅图像。

一个区域可分裂成四个子区域，直到某个给定的均匀性条件对这些(子)区域得到满足。

对灰度图像，这个条件可以是区域内灰度的方差小于给定的阈值T。

如果该条件对某个区域不满足，该区域就需要进一步分裂。

图7．4给出一个示例。

整幅图像用R代表。

每个结点对应一个(子)区域。

在这个例子中，只有区域R4需要进一步分裂。

如果仅把图像分裂成区域，在最后的结果中相邻的区域有可能类似。

它们将在下一个步骤中根据给定的均匀性条件合并到一起以保证最大化均匀区域的尺寸。

这种分割的原理，类似区域生长技术，很容易推广到矢量值彩色图像中。

其中，在均匀性条件中要使用对应彩色矢量的彩色距离测量。

不过，将图像分裂成区域可采用与上述不同的模式进行。

与对灰度图像的分割不同，彩色信息的使用还允许将在HSI空间中的感知属性也包括到图像分割中。

除此之外，还可以将色调与饱和度这样感知敏感的量在分割中用公式表示。

否则，分割将只能根据亮度值进行。

所以在HSI空间中使用彩色特性进行图像分割要解决三个问题。

首先，当亮度很高或很低时色调的值没有意义。

其次，如果彩色饱和度很弱，色调的值不稳定。

最后，如果亮度非常高或非常低，饱和度的值也没有意义。

Tseng和Chang[TseCha92]因此建议将彩色图像分成彩色鄙分和非彩色部分。

图7.5解释这个定义。

如果图7.5中的情况1和情况2成立，则一个像素处T-tP色度部分。

根据这个定义，对一个图像区域先需要确定它属于彩色部分或非彩色部分。

一般认为，如果一个区域中至少60％的像素处在满足图7．5定义的范围内，那这样区域可称为“非彩色”的。

·在将彩色图像划分为彩色部分和非彩色部分后，可将彩色部分进一步根据色调直方图分裂，将非彩色部分进一步根据亮度直方图分裂。

如此得到的区域接下来可借助区域生长的技术合并。