基于区域生长的彩色图像颜色特征提取研究

段 汕，王赢飞

(中南民族大学数学与统计学学院，武汉430074)

图像特征提取是将图像中感兴趣的部分划分出来的技术，也是模式识别和计算机视觉的一个关键环节［1］.由于彩色图像较灰度图像包含了更多的有效信息，也更符合人们的视觉感受，因此彩色图像处理正受到人们越来越多的关注.对于彩色图像，主要的分割算法有边缘检测法、聚类方法、基于区域的方法等［2］.而针对颜色特征提取的算法主要有颜色直方图法［3］、全局累加直方图法［4］、局部累加直方图法［5］、颜色参量的统计特征法［6］以及先将彩色图像转化为灰度图像再进行处理的方法［7］等.在这些方法中，基于直方图的方法能简单地描述一幅图像中颜色的全局分布，但往往不能准确地定位图像中的对象和物体，对于图像颜色特征的提取结果在通常情况下也就不符合人们对颜色相似性的主观判断.而将彩色图像先转化为灰度图像再进行处理的方法往往不能较好地区分颜色特征，提取有效性较差，耗费时间也比较长.由于区域生长法可以直接作用于颜色空间，在算法实施过程中要考虑到图像色彩分布和区域连通性等，因而成为研究的热点.但是区域生长算法往往易受初始种子点的选取及生长顺序的影响，因此面临着如何有效选取种子点和确定区域生长准则的问题［8］.

本文针对彩色图像的颜色特征，提出了一种简单的颜色提取方法.该方法继承了区域生长算法的基本思想，并且改进了其中种子点的选取方法和生长准则及生长终止准则的确定.在实验中，我们还将本文提出的方法与传统的将彩色图像转化为灰度图像再进行处理的算法和改变种子的生长准则的方法进行了比较.结果证明，该方法不但简单高效，而且在保证区域连通性的同时，还能够得到与人眼视觉判断相一致的有意义的图像颜色特征提取.

1 算法描述

1.1 颜色空间的选取

颜色空间是对颜色进行量化的空间坐标，在计算机中，彩色图像的存储、显示一般均采用RGB彩色空间.由于RGB彩色空间具有3个基范围统一、空间内连续、不存在奇异点等优点［8］，因此，在本文中，我们采用RGB彩色空间.并且在RGB系统中，每个彩色点都可以看做RGB坐标系中该点的向径来描述，所以，在此我们采取处理彩色图像各像素点的向量分量为基础的处理技术.

在上述颜色空间中，本文对彩色图像颜色特征提取的主要步骤可以概括为选取种子点，对种子点进行3×3邻域的区域生长和图像后处理，我们逐一对其进行讨论.

1.2 关于种子点的选取

种子点的选取一直是区域生长算法中的首要问题.如果不慎将其选在噪声或者干扰像素上，就会很难实现有意义的图像提取工作.因此，为了获得理想的实验结果，我们必须合理地选取种子点.

目前，种子点选取方法主要有2种:一种是随机选取;另一种是根据先验知识人机交互手动选择.在本文中，为了避免噪声像素的干扰，我们采取中值点法选取种子点.即在待提取区域中初始化一点，以该点为中心在图像中取半径为k的方形邻域为窗口，也即是以该点为中心的(2k+1)×(2k+1)大小的窗口，将窗口内各像素点的待提取颜色分量排序，取窗口中待提取颜色分量等于排序中间值的点为种子点.实验证明，以这种方法选取的种子点进行区域生长时，可以减小由图像中干扰像素的像素值过高或过低造成的误差，而且对窗口大小的依赖性较小.而在本文实验中，我们发现在k取5或6时，对所选种子点进行区域生长作用的提取效果较好.

在图1中，我们要提取原始彩色图像图1(a)中的红色花片部分.首先在红色区域中随机初始化一点(670，447)，其R、G、B分量分别为 171、21、33(见图1(b))，以该点为中心取13×13大小的窗口，将窗口中各像素点的R分量排序，得到R序列的中间值为165.经过统计，在该窗口中，R分量为165的点一共有8个，我们随机选取其中一点(670，445)为种子点，其R、G、B分量分别为 165、17、29，如图 1(c).

图1 种子点的选取结果Fig.1 Selection of the seed point

1.3 对种子点进行3×3邻域的区域生长

1.3.1 区域生长算法的选取与描述

区域生长算法，顾名思义，也就是根据预先定义的生长准则来把像素或子区域集合成较大区域的处理方法［9，10］.而对于区域生长算法的严格定义，主要有2种:一种是指以一组“种子”点开始，将与种子性质相似(诸如灰度级或颜色的特定范围)的相邻像素附加到生长区域的每个种子上［8］;另一种定义为先对要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素合并到这一区域中，再将这些新像素当做新的种子像素继续上面的过程，直到没有满足条件的像素可被包括进来为止［11］.

在上述第一种定义下，区域生长过程中的种子点一经选定，就是固定不变的，整个生长过程所考虑的仅是像素点与所选定的种子点之间的相似程度，因此第一种定义更适合于对灰度图像的处理;而第二种定义下的区域生长过程在每次循环遍历下的种子点都是动态变化的，充分考虑了像素之间的连通性和邻接性，鉴于彩色图像各像素点之间的信息高度相关，我们在本文中采用第二种定义.那么在这种定义下，根据适当的生长准则对像素点进行合并是区域生长的关键，在本文中，我们考虑分别对种子点向量的各分量进行3×3邻域的区域生长处理.即对于彩色空间中图像I上的任意一点p0，如果其R、G、B分量分别为r0、g0、b0，则我们用下式来定义区域生长准则.

其中r、g、b为p0点 3 ×3 邻域内任意一点的R、G、B分量，m1、m2、m3分别为对应于R、G、B分量所选定的阈值.实验表明，以这种方式定义的生长准则与以向量的二范数:

定义的生长准则d≤m(其中m为阈值)相比，不仅降低了时间复杂度，而且充分考虑了各颜色分量之间的渐变性，更有利于对彩色图像的颜色特征进行提取.

那么对于给定的阈值m1、m2、m3，对种子点进行3×3邻域的区域生长过程可以简化为图2中的流程.

图2 本文区域生长算法流程图Fig.2 Flow chart of the proposed algorithm

在该算法中，根据图像自动确定阈值将会是实现有意义区域自动提取的基础.如果阈值选得过小，则难以完全将待提取区域提取出来，选得过大，又难以将提取目标与背景相分离，实施有效的提取.基于待提取区域的颜色与种子点颜色必须高度相似这一准则，本文采用直方图法确定最终阈值.

1.3.2 生长终止准则的确定

首先我们以种子点为中心，选取半径为n(n大小可变)的方形邻域，统计出窗口中任意非边界点与其3×3邻域内任一点的R、G、B分量的差值，这样不对窗口中的边界点进行处理的目的是为了避免窗口取到图像边界时所造成的误差.其次计算出差值结果中同值的个数(对带有小数的差值采用取整法)，统计出直方图.最后依据直方图确定最终阈值.

图3是对应于图1(c)中的种子点，当n=50时，统计出的窗口中非边界点与其3×3邻域内各点的颜色分量差值直方图.其中(a)、(b)、(c)分别是对应于R、G、B分量的差值直方图.从图3中可以看出，我们可以取m1=5，m2=5，m3=5将图像中的红色花片部分提取出来.

图4(a)即为根据图3中的直方图所确定的阈值，对图1(c)中的种子点进行3×3邻域的区域生长实验的结果，可以看出，我们已经很好地提取出了图1中的红色花片部分.

图3 颜色分量差值直方图Fig.3 Histogram of the difference between color components

图4 对图1中红色花片进行提取的实验结果Fig.4 Extraction results of the red rose petals in Fig.1

1.4 图像后处理

由于图像在传输、转换过程中不可避免地会受到各种干扰的影响，致使提取结果中会出现单个像素的噪声.传统的滤波方法虽然能够较好地去除噪声，但同时也会去除一部分图像信息，造成图像边缘模糊.而基于数学形态学的图像去噪，是利用结构元素对图像进行处理，在去除噪声的同时也能很好地保留图像的边缘信息［11］.针对这种情况，我们在本文中利用形态学中的开闭滤波对提取出的图像进行后处理.考虑到图像中的噪声点几乎都是单个的孤立像素点，因此我们用半径为1的圆盘作为结构元素对提取后的图像进行先开后闭的滤波作用.图4(b)即为对图4(a)中的图像进行滤波处理后的结果，相比之下，处理后的图像几乎不含噪声点，基本达到了我们的提取目的.

2 试验分析

对于上述算法，我们随机选取了一些彩色图像进行试验分析，并与文献［7］中提到的传统的将彩色图像转化为灰度图像再进行区域生长作用的算法及文献［12］中以判断向量二范数为生长准则的算法做了对比.

图4(a)为利用本文算法对图1中的红色花片的提取结果.图5图6即为根据先将原始图像1(a)转化成灰度图像后对图1(c)中所选的种子点进行区域生长的结果，其中图5是利用区域生长算法的第一种定义，阈值分别取为21、22时的实验结果，图6为按照区域生长算法的第二种定义，像素灰度差分别取1、2时的实验结果.图7是采用以像素点向量的二范数定义生长准则时，阈值分别取5和6的实验结果.

图5 在区域生长算法的第一种定义下，传统算法的实验结果Fig.5 Experimental results of the traditionalmethod under the first definition of region growing algorithm

图6 在区域生长算法的第二种定义下，传统算法的实验结果Fig.6 Experimental results of the traditionalmethod under the second definition of region growing algorithm

图7 采用向量二范数定义生长准则的实验结果Fig.7 Experimental results under the growth criteria based on Euclidean distance

从各实验的结果对比中可以看出，无论在区域 生长算法的哪一种定义下，将图像转化为灰度图像再进行提取的实验，在阈值之差仅为1时，仍然或者只能提取出少部分的待提取区域 (如图5(a)、图6(a))，或者会提取出过多的背景信息(如图5(b)、图6(b))，都与预期结果相差较远，利用向量的二范数作为生长准则时所得的实验效果也不是很理想.相比之下，利用本文算法则能够得到与人眼视觉判断相一致的有意义的图像颜色特征提取.因此充分利用彩色图像的颜色特征进行提取比仅利用单一灰度特征进行提取的效果更准确，而合理地选择区域生长准则也是区域生长算法的关键.

图8是利用本文算法对原始图像中深绿色叶片的提取实验，其中待提取叶片位于图像的左下侧.从实验结果中可以看出，我们能够得到相对理想的提取效果.

图8 应用本文算法的提取实验Fig.8 Extraction experiments of the proposed algorithm

3 结束语

传统的对彩色图像颜色特征的提取工作，是先将彩色图像转化成灰度图像，然后再对种子点进行区域生长处理.在本文中，我们选取了适合彩色图像处理的区域生长算法，并改进了其中种子点的选取、生长准则和终止准则的确定，再直接对彩色空间中的种子点进行区域生长作用.从实验结果来看，本文提出的方法是一种简单的彩色图像颜色特征的提取方法，对于传统方法中通常存在的不能较好区分颜色特征、提取有效性较差、耗费时间比较长等问题都有所改进，在保证区域连通性的同时，也得到了与人眼视觉判断相一致的有意义的图像特征提取结果.

［1］林开颜，吴军辉，徐立鸿.彩色图像分割方法综述［J］.中国图象图形学报，2005，10(1):1-10.

［2］杨家红，刘 杰，钟坚成，等.结合分水岭和自动种子区域生长的分割算法［J］.中国图象图形学报，2011，15(1):63-68.

［3］高美真，申艳梅.基于颜色直方图的图像检索技术［J］.微电子学与计算机，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］刘忠伟，章毓晋.利用局部累加直方图进行彩色图像检索［J］.中国图象图形学报，1998，3(7):533-537.

［6］刘忠伟，章毓晋.利用颜色特征进行图像检索［J］.电子技术应用，1999(2):19-20.

［7］张丽红，张 慧，王晓凯.边缘检测和区域生长相结合的图像ROI提取方法［J］.计算机技术与发展，2011，21(4):233-237.

［8］刘战杰，马儒宁，邹国平，等.一种新的基于区域生长的彩色图像分割算法［J］.山东大学学报:理学版，2010，45(7):76-80.

［9］Gonzalez R C.数字图像处理(MATLAB 版)［M］.阮秋琦，译.北京:电子工业出版社，2005.

［10］Gonzalez R C.数字图像处理［M］.阮秋琦，译.北京:电子工业出版社，2003.

［11］胡学龙.数字图像处理［M］.北京:电子工业出版社，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.