一种改进轮廓波变换的图像分割方法

马艳平 张风彦

摘 要：针对当前图像分割方法存在的缺陷，设计一种改进轮廓波的图像分割方法。为提升图像分割效果，首先，采用改进轮廓波变换对图像处理，利用改进轮廓波变换可有效消除图像奇异点位置振荡情况，在此基础上利用阈值去噪方式对图像进行去噪处理；然后，通过形态学腐蚀后的图像的目标范围较小，由此获取该图像的种子区域，依据图像光谱差异性度量准则、形状差异性度量准则进行图像种子区域生长；最后，运用差分进化算法对种子区域生长边界阈值实施优化，根据阈值实现图像分割。AUC（area under roc curve）方法数字和特异度数值均较高，其中特异度数值始终表现为平缓状态，数值变化不大，而AUC数值在图像帧数为6 000帧后，逐渐呈现下降趋势，图像分割相似度依然保持0.95以上，敏感度数值随着图像帧数的增加而呈现波动趋势，波动区间约为0.825～0.86，综合分析3个衡量鲁棒性指标值均较高。实验结果表明：该方法在以不同元素为分割结构时，未出现过度分割和欠分割情况，种子区域选择能力强，图像脉络清晰像素高，分割能力强。关键词：图像处理；改进轮廓波；图像分割；区域生长；阈值去噪中图分类号：TP 391

文献标志码：A

文章编号：1672-9315（2022）05-1013-07

DOI：10.13800/j.cnki.xakjdxxb.2022.0521開放科学（资源服务）标识码（OSID）：

An improved contour wave transform algorithm for image segmentation

MA Yanping，ZHANG Fengyan

（Foundation Department，Tongchuan Vocational and Technical College，Tongchuan 727031，China）

Abstract：In view of the defects of current image segmentation methods，an improved contourlet-based image segmentation method is proposed.To improve image segmentation，the image，firstly，was processed using improved contourlet transform.And the improved contourlet transform can effectively eliminate the position oscillation of image singular points.On this basis，the image is denoised by threshold de-noising.And then，the target range of the image corroded by morphology is small.The seed region of the image is thus obtained.According to the measurement criterion of image spectral difference，the seed region was grown based on the shape difference criterion.Firally，the growth boundary threshold of the seed region is optimized by using the differential evolution algorithm，and the image is segmented based on threshold.The AUC（area under roc curve）and specificity of this method are both high.The specificity value is always in a flat state.The numbers don’t change much.The AUC value decreases after the image frame number is 6 000 frames.Image segmentation similarity remains above 0.95，the sensitivity value fluctuates with the increase of the number of frames，with the range being between 0.825 and 0.86.Through comprehensive analysis，the values of the three indicators for measuring robustness are high.The results showed：when the method uses different elements as the partition structure.No over-segmentation or under-segmentation，strong selection ability of seed region，the image has a clear texture and high resolution，strong compartmentalization.

Key words：image processing;improved contour wave；image segmentation；regional growth；threshold denoising

0 引 言

图像分割应用到各个领域，每一个人关注图像的区域以及其中的目标不一样，因此需要对图像处理分割处理，将不同目标或者区域分离出现，目前，信息科技的快速发展，带动计算机技术在诸多领域的发展，其中计算机视觉与图像处理学科的发展吸引越来越多人的关注因此图像分割成为当前的一个研究热点方向。

近年来，许多学者对图像分割领域进行广泛的研究，并且原有的分割方法被不断改进，提出了各种新的图像分割方法。图像分割方法大致可以分为2类：传统的图像分割方法和基于某种特定理论的图像分割方法。2001年CHAN和VESE结合水平集方法提出CV模型，但计算复杂度高，计算速度慢，2017年ZOSSO等基于Retinex在CV模型中引入偏移场的光滑项，提出CV-B，但是计算量仍然很大，2019年CAI等提出基于ROF模型的两阶段分割模型，该分割方法计算速度慢并会受到噪声的影响，2020年，YANG等在海森函数空间中提出基于图像边缘信息自动加权的图像分割，该分割方法仍会受到噪声的影响，魏晶茹等提出一种基于分数阶粒子群优化的图像分割方法，该算法能获得最佳的阈值，罗钧等提出一种基于领域搜索图像分割方法，该算法在分割精度和分割图像效果上都有所提升，但是在细节分割和精确度上有待提高。

为更精准呈现图像某些特征，需对图像进行分割，目前研究图像分割方法众多，如有学者等研究的红外图像分割方法，利用C均值聚类方式计算图像直方图的中心点，通过权值和隶属度计算完成图像分割，但该方法无法去除降噪阶段的遗留噪声，导致分割精度不够，而后者利用曲线拟合方式，通过计算图像冗余数值实现图像分割，虽然该方法可较好的实现图像分割，但受其收敛和运行速度影响，适用于复杂程度较低的图像，不具备普适性。

轮廓波变换是一种利用多分辨率、方向等形式描述图像方法，依据平滑边界将图像划分为平缓区域，实现图像去噪处理，由于轮廓波变换过程中图像奇异点位置处振荡情况存在，使图像去噪效果不佳，由此通过改进拉普拉斯金字塔分解方式可避免振荡情况发生，有效去除图像噪声干扰，计算速度相对于其他算法计算速度提高了。因此笔者提出基于改进轮廓波算法的图像分割算法，以更好地实现图像分割，并对其性能进行仿真测试。

1 改进轮廓波变换的图像分割方法

1.1 改进轮廓波变换

轮廓波变换是通过拉普拉斯塔式分解方式获取图像多尺度奇异点的过程，每一次获取图像多尺度奇异点的过程都可形成较初始图像分辨率一半的低通子带与带通子带，经过数次获取图像奇异点，实现初始图像多尺度分解，利用二维方向滤波器将分解后的图像在相同水平指向的奇异点转化为系数，获取图像高频信息。轮廓波变换依据轮廓线段的结构获取逼近真实的图像，此为轮廓波变换原理。在轮廓波变换过程中，振荡现象存在于奇异点周围，在图像的奇异点区间内，轮廓波在分解图像过程中会出现伪吉布斯现象即Pseudo-Gibb现象，该现象又称人为振荡，因此需利用合适的方式去除图像奇异点附近的振荡现象。在轮廓波进行多尺度分解过程中，使用改进拉普拉斯金字塔转换方式对轮廓波分解进行改进，消除不同尺度奇异点边缘附近的振荡情况，其具体过程如下

2 仿真实验

2.1 图像预处理

以一组图像为实验对象，使用文中方法对其进行去除噪声干扰处理，结果如图2所示。分析图2可知，在原始的指纹图像内，在指纹纹路上存在白色噪声点，经过文中方法对其进行预处理后，指纹纹路上的白色噪声点消失且指纹纹路较未预处理之前清晰，在保留指纹纹路的同时，也增加视觉上的对比度，由此可见，该方法在图像预处理方面能力较强。

2.2 种子区域选取测试

选取种子区域是图像分割基础，以图像的结构元素作为衡量区域生长指标，以大小为2的方形元素与半径为1.5的圆形元素为分割的结构元素，测试文中方法在分割图像过程中种子区域选择能力，结果如图3所示。分析图3可知，通过对比图3（a）得出，以方形元素和圆形元素为分割结构时，分割后的图像差别不大，仅在像素灰度上有所区别，以圆形元素为分割结构的图像分割后像素灰度较低，以2种分割结构分割后的图像与原始图像结构完全相同，表明未出现过度分割和欠分割情况，综上结果，表明该方法可有效选取图像分割种子区域，为实现图像分割提供良好基础。

2.3 图像分割完整性测试

以一组树叶图像为例，使用该方法对其树叶脉络进行分割，结果如图4所示。分析图4可知，使用该方法分割后的树叶图像脉络清晰像素高，且原始图像内一些微小的脉络也清晰可见，图像边缘对比度明显，未存在失真情况，分割完整性较好，由此可知，该方法具备较强的图像分割能力。

2.4 平均结构相似度測试

设置噪声方差为0～0.1，从分割图像平均结构相似度方面展开测试，测试结果见表1。分析表1可知，在噪声方差数值为0时，图像分割的迭代次数为100，随着噪声方式数值不断增加，图像分割迭代次数逐渐降低且在95次左右上下浮动，迭代次数波动幅度不大，从分割时间方面分析，随着噪声方差数值增加，图像分割时间也随之增加，但最高图像分割耗时仅为0.23 s；在噪声方差数值为0时，图像分割的结构相似度较低，其数值为0.734，在噪声方差数值为0.01时，图像分割的结构相似度迅速上升，但随着噪声方差数值增加，图像分割的结构相似度逐渐降低，其中图像分割结构相似度最高为0.988，该数值逼近图像的原始数值，表明图像分割准确度较高。

2.5 鲁棒性测试

测试图像帧数为1 000～10 000帧情况下，以图像分割的敏感度、特异度和AUC数值为衡量文中方法鲁棒性的指标，结果如图5所示。其中，AUC（area under roc curve）是一种用来度量图像分割结果好坏的一个标准，其值越大说明分割效果越好。分析图5可知，在不同图像帧数情况下，文中方法的AUC数字和特异度数值均较高，其中特异度数值始终表现为平缓状态，数值变化不大，而AUC数值在图像帧数为6 000帧后，逐渐呈现下降趋势，但数值依然保持0.95以上，敏感度数值随着图像帧数的增加而呈现波动趋势，波动区间约为0.825～0.86之间，综合分析3个衡量鲁棒性指标，3个指标数值均较高，可见该方法鲁棒性较好。

3 结 论

1）实验表明，在图像预处理、种子区域选取测试、图像分割完整性测试和鲁棒性测试方面能力较强，且依据光谱差异性度量准则和形状差异性度量准则两种差异性度量准则限制图像种子区域生长，并对种子区域生长边界阈值优化，输出最优种子区域生长边界阈值。

2）实验结果分析表明，改进轮廓波变换方法对图像进行分割，AUC数值在图像帧数为6 000帧后，逐渐呈现下降趋势，图像分割相似度依然保持在0.95以上，敏感度数值随着图像帧数的增加波动趋势微弱，图像分割的鲁棒性指标值较高，未出现过度分割和欠分割情况，图像脉络清晰像素高，分割能力强。

参考文献（References）：

[1]马宏伟，杨文娟，张旭辉.带式输送机托辊红外图像分割与定位算法[J].西安科技大学学报，2017，37（6）：126-132.

MA Hongwei，YANG Wenjuan，ZHANG Xuhui.Belt conveyor idler infrared image segmentation and localization algorithm[J].Journal of Xi’an University of Science and Technology，2017，37（6）：126-132.

[2]王征，汪梅.信息熵多属性约简的煤粉尘图像特性机理[J].西安科技大学学报，2019，39（4）：713-719.WANG Zheng，WANG Mei.Characteristic mechanism of coal dust image based on information entropy multiple attribute reduction[J].Journal of  Xi’an University of Science and Technology，2019，39（4）：713-719.

[3]崔强.基于局部先验信息的图像分割变分模型与算法研究[D].南京：南京邮电大学，2021CUI Qiang.Variational models and algorithms for image segmentation based on local prior information[D].Nanjing：Nanjing University of Posts and Telecommunications，2021.

[4]CHAN T F，VESE L A.Active contours without edges[J].IEEE Transactions on Image Processing，2001，10（2）：266-277.

[5]ZOSSO D，AN J，STEVICK J，et al.Image segmentation with dynamic artifacts detectionand bias correction[J].Inverse Problems and Imaging，2017，11（3），577-600.

[6]CAI X H，CHAN R，SCHNLIEB C B，et al.Linkage between piecewise constant Mumford-Shah model and Rudin-Osher-Fatemi model and its virtue in image segmentation[J].SIAM Journal on Scientific Computing，2019，41（6）：1310-1340.

[7]YANG Y J，ZHONG Q X，DUANE Y P，et al.A weighted bounded Hessian variations l model for image labeling and segmentation[J].Signal Processing，2020，173（1）：1-17.

[8]魏晶茹，马瑜，夏瑞，等.基于分数阶粒子群的OTSU图像分割算法[J].计算机工程与设计，2017，38（12）：3284-3290.WEI Jingru，MA Yu，XIA Rui，et al.Image segmentation algorithm based on OTSU optimized by fractional-order particle swarm optimization[J].Computer Engineering and Design，2017，38（12）：3284-3290.

[9]羅钧，刘建强，庞亚男.基于邻域搜索JADE的二维OTSU多阈值图像分割[J].系统工程与电子技术，2020，42（10）：2164-2171.LUO Jun，LIU Jianqiang，PANG Yanan.Multi-threshold image segmentation of 2D OTSU based on neighborhood search JADE[J].Systems Engineering and Electronics，2020，42（10）：2164-2171.

[10]岳改丽，王栋，杨蕊.几种边缘检测算子在红外图像处理方面应用研究[J].西安科技大学学报，2012，32（4）：500-504，513.YUE Gaili，WANG Dong，YANG Rui.Application of several edge detection operators in infrared image processing[J].Journal of Xi’an University of Science and Technology，2012，32（4）：500-504，513.

[11]吳冬梅，张晓莉，陶硕.基于彩色图像区域生长法的变电站红外图像分割[J].西安科技大学学报，2010，30（3）：368-371.WU Dongmei，ZHANG Xiaoli，TAO Shuo.Substation infrared image segmentation based on color image region growing method[J].Journal of  Xi’an University of Science and Technology，2010，30（3）：368-371.

[12]侯劲尧，高爱华，刘卫国，等.基于形态学运算和图像融合的疵病图像分割算法[J].探测与控制学报，2021，43（5）：55-59.HOU Jinyao，GAO Aihua，LIU Weiguo，et al.Defect image segmentation algorithm based on morphological operation and image fusion[J].Journal of Detection and Control，2021，43（5）：55-59.

[13]曾艳阳，谢高森，张建春.基于截距直方图和Otsu融合的弱光图像分割[J].激光与光电子学进展，2021，58（20）：219-227.ZENG Yanyang，XIE Gaosen，ZHANG Jianchun.Low-light image segmentation based on intercept histogram and Otsu fusion[J].Advances in Laser and Optoelectronics，2021，58（20）：219-227.

[14]尹雯，李元祥，周则明，等．基于稀疏表示的遥感图像融合方法［J］．光学学报，2013，33（4）：259-266．YIN Wen，LI Yuanxiang，ZHOU Zeming，et al． Remotesensing image fusion method based on sparse representation［J］． Acta Optics，2013，33（4）：259-266．

［15］阮小利，王顺芳．基于多分辨率局部与全局特征融合的人脸识别［J］．计算机工程与设计，2018，39（9）：237-241．RUAN Xiaoli，WANG Shunfang．Face recognition based on multi-resolution local and global feature fusion［J］．Computer Engineering and Design，2018，39（9）：237-241．

［16］ EI-HOSENY H，EI-KAREH Z，MOHAMED W，et al．Anoptimal wavelet-based multi-modality medical image fu-sion approach based on modified central force optimization and histogram matching［J］． Multimedia Tools ＆ Applications，2019，78（18）：26373-26397．

［17］于周锋，吴凡，宁新潮，等．基于无人机载的光电与SAR图像融合技术研究［J］．应用光学，2017，38（2）：174-179．YU Zhoufeng，WU Fan，NING Xinchao，et al．Fusionmethod of optical image and SAR based on UAV［J］．Journal of Applied Optics，2017，38（2）：174-179．

［18］肖安南，张蔚翔，焦玉平，等．多模态的光谱融合图像识别技术在输电线路火灾监测中的研究应用［J］．自动化应用，2018，59（2）：52-53．XIAO Annan，ZHANG Weixiang，JIAO Yuping，et al．Research and application of multi-modal spectral fusionimage recognition technology in transmission line  fire  mo-nitoring［J］．Automation Application，2018，59（2）：52-53．

［19］张烨，刘晓佩．一种改进的压缩感知图像融合方法［J］．西安科技大学学报，2018，38（4）：690-696．ZHANG Ye，LIU Xiaopei． An improved compressed sensing image fusion method［J］．Journal of Xi’an University of Science and Technology，2018，38（4）：690-696．

［20］李海宾，葛秘蕾．一种新的红外与可见光图像像素级融合方法［J］．半导体光电，2018，39（2）：290-293．LI Haibin，GE Milei． A new pixel-level fusion method of infrared and visible images［J］．Semiconductor Optoe-lectronics，2018，39（2）：290-293．

[21]刘羽．像素级多源图像融合方法研究［D］．合肥：中国科学技术大学，2015．LIU Yu． Research on pixel-level multi-source image fusion method［D］． Hefei：University of Science and Technology of China，2015．

［22］劉先红，陈志斌．基于多尺度方向引导滤波和卷积稀疏表示的红外与可见光图像融合［J］．光学学报，2017，37（11）：111-120．LIU Xianhong，CHEN Zhibin． Infrared and visible image fusion based on multi-scale directional guided filtering and convolution sparse representation［J］．Acta Optica Sinica，2017，37（11）：111-120．

［23］赵程，黄永东．基于滚动导向滤波和混合多尺度分解的红外与可见光图像融合方法［J］．激光与光电子学进展，2019，56（14）：98-112．ZHAO Cheng，HUANG Yongdong． Infrared and visible light image fusion method based on rolling guided filte-ring and mixed multi-scale decomposition［J］． Laser ＆ Optoelectronics Progress，2019，56（14）：98-112．

［24］叶明，唐敦兵．区域清晰度的小波变换图像融合算法研究［J］．电子测量与仪器学报，2015，29（9）：1328-1333．YE Ming，TANG Dunbing． Research on image fusion algorithm of regional clarity based on wavelet transform［J］．Journal of Electronic Measurement and Instrument，2015，29（9）：1328-1333．

[25]王海峰，章怡，蒋益锋.基于图像复杂度曲线拟合的快速图像分割方法[J].计算机科学，2018，45（2）：130-134.WANG Haifeng，ZHANG Yi，JIANG Yifeng.A fast image segmentation method based on image complexity curve fitting［J］.Computer Science，2018，45（2）：130-134.