一种图像超像素的快速生成算法

陈宝靖　袁昊

摘要：图像的超像素生成算法是一种主流的图像预处理工具，目前已经广泛应用于图像分析及计算机视觉领域。然而，已有的超像素算法存在性能较低的问题，为了解决该问题，提出一种图像超像素的快速生成算法。该算法首先对图像进行标记，然后利用标记图像结合原图像获取分水岭分割结果。最后通过引入边缘预处理来确保均匀性和紧凑性之间的平衡，从而对齐超像素的图像边缘。实验结果表明，提出的算法不仅能够生成质量更高的超像素图像，而且较传统算法提高了计算效率。

关键词：图像分割；分水岭分割；超像素；标记图像

中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2016）24-0215-02

1 引言

图像的超像素分割实际上就是一种过分割，所得到的均匀区域被认为是具有相同图像特征的均匀且同质的区域[1]。图像的超像素分割目前已广泛应用于图像分析及计算机视觉系统的预处理步骤中。当前，随着计算机视觉和多媒体技术的快速发展，图像超像素的应用已经越来越广，例如，特征检测[2]以及图像和目标的分类[3]等。由于图像超像素能有效降低图像的像素数量，因此能够加快系统后续的处理速度，从而有效提高系统的计算效率。此外，图像超像素能够形成一个较大的区域，因此便于计算该区域的特征。

在过去的几十年里，对图像分割的研究已经取得了较多的成果，例如，分水岭分割、归一化分割、图分割、统计区域合并等。虽然图像分割是视觉计算应用中的预处理步骤，然而随着高性能预处理需求的快速增加，现有的图像分割方法表现出明显得局限性，即分割精度难以有效提高、分割算法耗时较长等。当前，随着图像超像素技术的快速发展，图像超像素算法已经逐渐代替传统的图像分割，成为更适合的图像及视频预处理工具。截至目前为止，学者们已经提出了大量的图像超像素算法，其中Turbopixels算法通过引入空间约束从而获得密集过分割和紧凑的超像素，而SLIC算法通过引入空间约束，从而实现基于K均值聚类的超像素分割。尽管这些方法都能获得有效的图像超像素分割，但需要复杂的迭代过程以优化分割结果。

总之，已有的图像超像素分割算法[4，5]都具有较高的计算复杂性，寻求具有更高效率的超像素图像分割算法是当前的研究热点及难点问题。分水岭算法是一种性能优秀的图像分割算法，尤其具有较高的计算效率。在本文中，我们将研究一种基于分水岭变换的图像超像素分割算法。众所周知，分水岭算法能够生成过分割，然而过分割结果具有不规则性。与传统的超像素分割算法相比，我们提出的算法具有较低的计算复杂性，明显提高了计算效率。此外，我们还引入了一种边缘保护方法以匹配图像和边缘超像素分割的边界。

2 基于空间约束的分水岭算法

2.1标记分水岭

标记分水岭变换的基本想法是对前景对象和背景对象进行标注区别，梯度图像被视为地形表面，由此，具有较低梯度值的像素被具有较高梯度值的像素优先冲走。Meyer通过使用一组不同优先级的有序列提出标记分水岭。在这个方法中，根据优先级的不同，我们将标记点逐个放进一个序列中。然后取出优先级较高的像素并进行标记，最后将这些像素未被标记的相邻点推进序列，当有序列空时，图像的每个像素都被标记。分水岭变换依赖于梯度图像，其优先级对应梯度幅值。

标记分水岭算法首先选择一组标记集，在选择的过程中，为了确保超像素具有统一的大小和均匀性，我们引入了[w×w]窗口，目的是对梯度图像进行均匀标记。

2.2 空间约束和边缘保护

分水岭算法经常会导致不规则的区域，即形状和大小混乱。针对该问题，本文引入空间约束以保证超像素的紧凑性。空间约束的基本想法是优先级不仅取决于它的梯度值，同时也取决于空间模式。

3 实验结果

在实验中，我们首先证明我们提出的算法的有效性，然后分析该算法中参数对实验结果的影响。

首先评估空间约束的有效性，然后分析参数对实验结果的影响，在该算法中，参数[λ=0]为空间约束的权重因子，参数[α]用于平衡空间约束和图像边缘。图1为参数[λ]=（0，0.3，0.6）和[α=5]， [w=5]的一组超像素结果对比图。

4 结论

论文提出了一种空间约束的超像素分割岭算法。该算法通过引入基于标记分水岭的空间约束来获得紧凑和均匀分布的超像素结果，实验表明该算法具有较高的计算效率，并且适合实时计算机视觉和工程应用中的预处理，因此具有广阔的应用前景。此外，该算法便于执行且复杂度低。

参考文献：

[1] Radhakrishna A，Appu S，Kevin S， Au-relien L，et al. S-lic superpixels compared to state-of-the-art superpixel methods[J].IEEE Transactions on Pattern Analysis and Machine Intelligence， 2012（34）： 2274–2282.

[2] Na T， Huchuan L， Lihe Z， et al. Saliency detection with multiscale superpixels[J].IEEE Signal Processing Letters， 2014（21）： 1035–1039.

[3] Bin L，Hao H，Huanyu W，et al. Superpixel-based clas-sification with an adaptive number of classes for polarimetric sar images[J].IEEE Transactions on Geoscience and Remote Sensing， 2013（51）： 907–924.

[4] Jianbing S， Yunfan D， Wenguan W， et al. Lazy random walks for superpixel segmentation[J].IEEE Transactions on Image Processing， 2014 （23）：1451-1462.