基于自适应隶属度的彩色图像分割算法性能评价∗

2020-11-02张风彦

计算机与数字工程 2020年9期

张风彦

（铜川职业技术学院铜川 727031）

1 引言

随着图像处理技术的不断进步，如何对彩色图像进行精确、快速分割已经成为现阶段图像处理与计算机视觉分析领域的重要内容，该技术也是完成后续图像信息处理的基础。到目前为止，已经有许多学者对这方面开展了深入研究并提出了多种图像分割算法［1～7］，并获得了良好分割效果，随着图像应用技术的快速发展，一些新的分割算法也被不断开发出来。对比以上各类分割方法可知，聚类方法具备步骤简单、直观性强的优点，被广泛应用在医学分析与遥感测试领域，并且与其它各类方法结合后可以进一步提高图像的预处理效果［8］。FCM［9］属于一类软分割方法，与k-mEaNs 等大部分硬分割方法相比，可以实现良好的模糊鲁棒性，同时还可在分割阶段充分保留图像原始信息，已经成为当前聚类技术的一个主流方法。但是，因为没有充分考虑图像包含的各项空间数据，FCM受到成像伪影与噪声的显著影响，这使得实际得到的图像分割结果无法满足区域一致性。由此可见，如何将空间信息融入到FCM 聚类过程中已成为现阶段的重点研究内容。同时，也有学者利用改进方法［10］对FCM 目标函数进行修改后再将其融入到空间信息中以实现良好的抗噪性能。liu 等［11］根据以上算法做了重新调整，构建得到一种融合自适应局部信息的HM⁃RF/FCM方法，根据超像素的区域同质性，把区域信息加入到距离函数与点对先验概率内，以此获得更高的分割精度并显著提高计算效率。按照上述处理方法，本文构建得到了一种基于高阶mrF 能量模型的聚类分析方法，通过超像素所具有的区域一致性对像素区域隶属度进行分析，同时利用均值模板技术获得点对先验概率，再分析实际像素对应的超像素是否为主标签或区域级隶属度函数，以此通过超像素信息来实现分割结果区域一致性目标。

2 本文方法

本文对区域级与像素级隶属度函数的计算过程进行分析，根据高阶mrF 能量模型，构建得到一种以自适应隶属度为基础的HMRF/FCM 方法，利用以超像素为基础的区域级隶属度函数，同时结合区域一致性条件来计算像素自适应隶属度函数与区域级隶属度函数的点对先验概率，以此达到改善分割质量的效果。

本文选择目标函数，定义成如下形式：

b（i，vi）是像素i 到对应超像素vi边界位置的距离，f（i，vi）代表像素i与超像素vi之间的相似度，C是一个常数。通过计算区域级隶属度函数可以更好地反映出图像区域一致性。受超像素质量因素的影响，无法保证各个超像素都达到区域一致性标准，因为存在噪声的问题，生成超像素的时候会出现部分像素划分结果错误的情况。根据以上分析，本文对区域信息进行计算时，不对超像素包含的像素信息进行简单计算，需以像素贡献度作为权重，定义超像素隶属度函数为

为分析在何种情况下需应用超像素级信息，本文根据高阶mrF 能量模型优化方法，点对先验概率计算表达式：

此处，Rj与k 是超像素vi的区域隶属度函数，根据Dl（vi）判断超像素vi是否具备主标签。上式的Ri与k 取值取决于现有超像素的内像素标记状态，当超像素的大部分像素被标记成相同的标签时，则可以认为此超像素含有主标签。采用这一处理方法能够确保超像素满足区域一致性条件，同时当一个超像素具备主标签后，可能会在之后迭代期间保持恒定，从而更快完成算法收敛的过程。

本文所采用的流程是先生成超像素，同时为提升算法效率，根据算法1的步骤1，计算出像素级与区域级迭代强度，同时，还要计算出像素在所属超像素中的贡献度Ci。

3 实验结果及分析

图1 合成图像实例

从图1 中可以看到原始数据合成图像以及含有噪声信号的图像。根据得到的分割结果可知，Pr是当采用人工分割方式与统计机器分割得到的标签相同时的像素对数量在所有像素对中的比例，将其取值范围设定在［0，1］，vO将人工分割与机器分割的距离描述为在设定人工分割状态下通过机器分割得到的平均条件熵，可以采用这种方法来测试机器分割方法无法通过人工分割进行解释的随机量，得到取值范围［0，∞），GE 的作用是测定人工标记结果与机器分割结果的一致性，取值范围是［0，1］，利用BDE 来测定人工标记与分割结果间的边界像素位移误差，取值范围为［0，∞）。通过量化分析可知，当Pr值增大后，vO、GE 值都将变小，从而获得更相近的机器分割结果和人工分割结果。

3.1 参数设置

本文采用的方法和改进FCM 算法的各项参数相同，λ=1，同时设定最大迭代次数T为50，迭代错误率ε为0.95，将Berk 图像集与合成图像测试集的邻域窗口设置成5×5 与3×3；本方法设定参数Q 依次为0.85 与0.99；超像素生成算法mEaNshiFT 总共包含三个参数，分别为范围带宽hr、空间带宽hs 与最小区域面积ar，在合成图像测试集中，设定hs=4、hr=4 与ar=5，在Berk 图像集中，设定hs=10、hr=10与ar=80。

3.2 结果与分析

1）Berk数据库测试结果

先测试Berk图像集BSD，在此图像集中总共包含了280 幅自然图像，同时可以提供多个不同的人工标记结果。考虑到在BSD 图像集中含有不同分割难易程度的图像，为分析算法有效性，分别为各幅图像都设定了不同的聚类个数来对应人工标记最小聚类数量。

从表1中可以看到采用两种算法对280幅图像进行分割处理所得结果。可以发现，本文采用的方法在各项评价指标上都达到了比改进FCM 算法更优的性能。这是因为：在判断超像素的内像素标签一致性时，可以使用特定的隶属度函数，包括区域级与像素级共两类隶属度，如果超像素中具有同种标签的像素数量到达设置阈值时，计算点对先验概率的时候，各像素隶属度函数都将被替换为对应超像素隶属度函数，同时也强化了聚类个数对主标签的先验概率；并且在这种情况下应用区域隶属度函数将引起部分标签不被使用现象，降低分割结果的区域数，从而提高分割结果的区域一致性。

表1 两种算法分割图像结果评价

从图2中可以看到对280幅图像进行分割处理进行评价结果，可以发现采用各个评价方法都可以发现本文方法都获得比改进FCM 算法更优结果。从图3 中可以看到采用两种不同方法对图像集进行分割得到的视觉效果，可以明显发现，因为在分割阶段运用了高阶区域信息，采用本文方法可以得到比改进FCM 算法的分割方法更明显的区域一致性，同时还能增强算法抗噪性能。

图2 两种算法图像集参数结果

图3 两种算法的分割结果

因为在BSD 数据库的人工标记结果中各区域都被视为同一类，经过重标记后从四种评价指标方面上看都发生了的较大提升。为实现公正性，对没有重标记的两种比较算法实施分割处理，结果见表2，通过对比可知，本文方法也明显优于改进FCM算法。本文采用的方法在参数Q 方面也和其它算法存在明显差异，可以利用此参数来控制超像素是否具备主标签阈值，应保证该值不能太小，否则会使超像素产生许多不同的主标签，通常应把参数Q设定成大于0 的状态。为分析本文采用的方法受到此参数的影响，从表3 中可以看到当设定不同的Q 值情况下，利用本文方法对280 幅图像进行分割所得结果并对进行四种评价指标测试。通过对比发现，当Q 值降低后，可以获得更优的分割效果。这是由于：该算法有效发挥了超像素的区域一致性，可以有效确保同种超像素中的各个像素都能够聚集成一类，但没有充分考虑区域中的像素差异性，实际分割质量受到超像素生成质量的明显影响；而当Q值增大后，将更难得到超像素主标签，例如当Q=1时，采用四种指标进行评价发现分割结果与改进FCM算法相近。

表2 无重标记时两种算法分割图像性能评价

表3 不同参数Q下分割性能评估

2）合成图像集测试结果

本文总共对280 幅合成图像进行了测试来分析算法的噪声鲁棒性，从表4 中可以看到利用两种算法对合成图像进行分割得到结果评价情况，可以明显发现，各评价指标结果都显示本文方法达到了更优的性能。考虑到本测试中，合成图像和自然图像间存在显著差异，把参数Q 设定在0.99。这是因为，在超像素内中像素级隶属度函数极易噪声影响，当Q值太小时，进行初期迭代时，许多超像素中的像素将会被错误分割，由此传递错误信息，使分割结果产生错误。所以，应选择较大的Q值来防止发生上述问题，只有在大部分超像素被标记成同种标签时，才可认为满足区域一致性。