局部自適應閾值法 在南通藍印花布圖像分割上的應用研究

于翔 蔣麗麗

摘要：針對國家非物質文化遺產－－南通藍印花布在信息化方面的空白，綜合分析南通藍印花布數字圖像的特點，提出局部自適應閾值法進行圖像分割與邊緣檢測，并對其結果與其它與其它邊緣檢測方法的結果進行比對、分析與研究，明確局部自適應閾值法在南通藍印花布的圖像分割與邊緣檢測方面的優勢；隨后在JAVA EE環境中利用OpenCV函數庫函數實現藍印花布的局部自適應閾值的邊緣檢測與圖像分割。

關鍵詞：局部自適應閾值；邊緣檢測；OpenCV；JAVA；EE；形狀特征圖像特征的提取是基于內容圖像檢索的基礎，如何構建反映適當圖像內容的特征是進行圖像檢索的關鍵技術之一。[1]圖像特征包括顏色、紋理、形狀等；顏色特征具有提取方便、相似度衡量簡單等優點而常被CBIR系統采用；但是，顏色特征因丟失顏色的空間分布與紋理的結果信息等缺點，使其在圖像檢索中極易誤檢；而形狀特征作為另一種重要的圖像特征，因其包含部分語義信息、不變等特點，可有效彌補顏色特征的不足[2]。本文正通過對南通藍印花布圖像的形狀特征進行分析研究，提出針對南通藍印花布圖案紋樣的局部自適應閾值圖像分割方法，并與其它分割方法在其上的應用結果進行對比與分析，確定其優缺點后在JAVA EE環境下成功利用OpenCV開發實現，為設計開發基于內容的南通藍印花布圖像檢索系統打下堅實的基礎。

1研究背景

南通藍印花布于2006年5月經國務院批準列入第一批國家級非物質文化遺產名錄，工藝美術大師吳元新先生整理收藏明清以來實物及圖片資料上萬件，為其理論性夯實了理論基礎。然而利用CBIR的先進技術、理念及手段對南通藍印花布展開數字化研究還屬空白。本文對南通藍印花布大量實物數字化采集后進行系統地分析、研究，并在JAVA EE環境下利用機器視覺庫OpenCV對其數字化圖像開展多種形狀特征提取的實驗，為開發實現一個基于內容的南通藍印花布圖像檢索原型系統及“南通藍印花布”信息化工作打好基礎。

2圖像的形狀特征的提取及其相關技術

人對形狀的感知不僅僅是一個視網膜的生理反應結果，而是視網膜的感受與人關于現實世界的知識這二者之間綜合的結果。因此，圖像的形狀特征不僅是圖像的重要特征之一，更是包含語義信息在內的重要特征。圖像的形狀特征主要有兩種表示方法：輪廓特征和區域特征。

2.1 圖像的形狀特征

物體和區域的形狀是圖像內容表達和圖像檢索中的另一重要的特征。提取形狀特征對物體形狀易于識別的圖像較為適合。[4]形狀特征的表示包括輪廓特征表示法和區域特征表示法兩種方法；前者只利用形狀的外圍邊界，而后者則用的是整個形狀區域。[2]輪廓特征表示法適用于圖像的邊緣清楚、輪廓清晰、容易提取的圖像。區域特征表示法則是通過利用圖像區域內的灰度分布信息來提取圖像中感興趣區域的特征。[6]

2.2 圖像的分割

本質上，圖像只是圖像內容的載體。圖像的內容遠比圖像重要，但沒有圖像就看不到圖像所承載的內容。正如我們對照片里的內容感興趣，而不是對照片本身感興趣一樣。因此，形狀特征的表達是以對圖像中物體或區域的分割為基礎的。[1]當前的技術無法做到準確而魯棒的自動圖像分割。根據使用知識的特點與層次，可將圖像分割分為數據驅動與模型驅動兩大類。其中數據驅動分割直接對當前圖像數據進行操作，雖然也可使用有關先驗知識，但不依賴于知識；模型驅動分割則直接建立在先驗知識的基礎上。[2]

2.2.1 基于模型驅動的圖像分割法

常見的模型驅動分割包括基于可變形模板的圖像分割、基于統計形狀模型的圖像分割等，其中基于可變形模板的圖像分割是基于彈性力學的方法。而基于統計形狀模型的圖像分割是一種以目標物體的輪廓為訓練樣本構造模型的方法。本文主要以基于數據驅動的圖像分割法為主。

2.2.2 基于數據驅動的圖像分割法

常見的數據驅動分割包括基于邊緣檢測的分割、基于區域的分割、邊緣與區域相結合的分割等。其中基于邊緣檢測的圖像分割其基本思想是先檢測圖像中的邊緣點，再按一定策略連接成輪廓，從而構成分割區域，其難點在于邊緣檢測時抗噪性和檢測精度之間矛盾的處理。基于區域的分割是根據圖像數據的特征將圖像空間劃分為不同的區域，常用的方法有閾值法、區域生長法、聚類法、松弛法等。其中閾值法通過設定不同的特征閾值，將像素點分為若干類從而達到分割的目的，其難點在于閾值的設定。對傳統閾值法的改進包括局部閾值、模糊閾值、隨機閾值等方法。針對南通藍印花布的特點，本文采用改進的局部自適應閾值法對其進行圖像分割，并與采用基于邊緣檢測法分割圖像所產生不同結果進行比對研究，討論分析局部自適應閾值法對藍印花布圖像的分割的優缺點。

3局部自適應閾值在南通藍印花布圖像分割上的應用

分析研究表明藍印花布的藍色和白色亮度變化明顯，每個像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來決定的，亮度較高的圖像區域的二值化閾值較高，而亮度較低的圖像區域的二值化閾值則會相適應地變小。因此，不同亮度、對比度、紋樣的局部圖像區域擁有相對應的局部二值化閾值。由此，針對藍印花布的局部鄰域塊均值自適應閾值，將用來計算閾值的象素鄰域大小設為足夠小后即可實現的藍印花布圖案紋樣的邊緣檢測。

3.1 南通藍印花布的圖像預處理

本文中圖像預處理以下幾部分：圖案紋樣的灰度化處理、圖案紋樣的濾波去噪處理和圖案紋樣的歸一化處理。圖案紋樣的灰度化處理將加權值法與最大值法相結合，針對藍印花布只有藍色和白色兩種顏色且藍色所占比重大于白色的特點，經大量試驗確定采用如下公式：

Gray(i,j)=0.61＊B(i,j)＋0.22*G(i,j)+0.17*R(i,j)

其中Gray(i,j)為(i,j)點上的灰度值。

另外，采用數碼相機對南通藍印花布進行數字圖像采集后的圖像包含大量噪聲，如布匹本身的經緯線、長時間存放而產生的磨損等，大量實踐表明針對此類噪聲，中值濾波的去噪效果較為明顯。

最后，為了方便藍印花布的特征比較，必須對其進行歸一化處理。格式轉換采用工具軟件提前處理，并將圖像縮放為一個統一尺寸。另外，針對在實際應用過程中藍印花布的藍色和白色沒有統一的數字化標準的實際情況，提出南通藍印花布數字圖案紋樣中的藍色RGB值{29,33,70}、白色RGB值{251,255,255}作為南通藍印花布顏色標準，以此避免藍印花布藍色、白色深淺不一的缺點。

3.2 JAVA EE框架下OpenCV環境的搭建及相關技術

OpenCV是Intel開源計算機視覺庫，實現了圖像處理和計算機視覺方面的很多通用算法。其最新的OpenCV2.4.4版本提供支持JAVA的API，使JAVA可以方便地使用OpenCV庫。[7]利用OpenCV的最新版本，將JAVA EE與OpenCV有機地結合在一起，在滿足基于內容的圖像檢索系統要求使用數據庫對圖像數據進行管理的同時，還提供了處理數據庫中的圖像信息的要求；因此，本文在Ubuntu Linux操作系統下，使用Easy Eclipse軟件搭建JAVA EE環境，并在系統中安裝調試相關OpenCV語句，完成JAVA EE框架下OpenCV環境的搭建。

3.3 局部自適應閾值圖像分割法在南通藍印花布圖像上的應用

藍印花布圖案紋樣經過圖像預處理后，選擇OpenCV庫的AdaptiveThreshold（）函數對樣圖處理。通過大量實驗表明：將AdaptiveThreshold（）函數用來計算閾值的象素鄰域大小參數block_size設置足夠小，如: 3, 5, 7, ...時，閾值的“自適應程度”非常高，其結果表現為圖像的邊緣檢測的效果[8]。實驗中隨機取藍印花布圖像，設計block_size值為3，則處理效果如圖1所示：

3.4 邊緣檢測分割方法在南通藍印花布圖像上的應用

邊緣檢測的圖像分割方法有Canny等，資料表明，[10]Roberts算子檢測具有陡峭的灰度及低噪聲圖像的邊緣效果較好，但對強噪聲敏感；Sobel算子對灰度漸變與噪聲不多的圖像處理效果較好，但檢測出的邊緣較粗糙，且抗噪性不強；Prewitt算子檢測的邊緣可能大于2個像素，去噪的同時易平滑掉一些邊緣信息；LOG算子邊緣連續性好,定位較為準確，能夠提取到灰度對比度較弱的圖像邊緣。綜合考慮，本文采用Canny邊緣檢測的分割方法對南通藍印花布圖像進行圖像的分割，為得到比較準確的邊緣，先對樣本圖像進行二值化處理后通過Opencv函數庫的Canny函數進行邊緣檢測。分割出藍印花布圖像如圖2所示：

5結論

首先，對比采用AdaptiveThreshold（）函數實現局部自適應閾值分割的結果與邊緣檢測分割的結果，可發現局部自適應閾值分割藍印花布圖像結果清晰，線條連貫且計算速度快；而邊緣檢測分割藍印花布圖像受算子影響較大，運行較為復雜，需隨時調整算子大小以達到較好效果。另外，通過觀察可發現，局部自適應閾值對圖像噪聲不敏感，而Canny邊緣檢測分割法對噪聲較為敏感。

其次，通過對大量藍印花布數字圖像的實驗，采用加權值法與最大值法相結合的方法進行圖像預處理，不但突出藍印花布的藍色主顏色，還有效地降低計算量，大大提高了效率。

最后，大量的實驗結果表明，在JAVA EE環境下結合OpenCV機器視覺庫實現南通藍印花布圖像分割，不但技術上可靠，而且系統運行穩定，處理圖像速度快，完全滿足開發要求。

因此，在南通藍印花布圖像紋樣的數字化研究中采用局部自適應閾值分割藍印花布圖像紋樣，不但具有效率上的明顯優勢，還可以明顯降低噪聲對形狀的影響。同時，在JAVA EE環境下結合OpenCV實現該算法，可靠易行，完全滿足開發的要求。

[參考文獻]

[1]翟劍鋒.基于多特征的圖像檢索系統的設計與實現[D].北京：北京郵電大學:2010:7-11.

[2]Mori G.,Belongie S.,Malik J.,Shape contexts enable efficient retrieval of similar shapes [J].Porceedings ofthe 2001 IEEE computer Society Conference on Computer Vision and Patten Recognition,2001,1:723-730.

[3]袁杰.基于內容的綜合多特征圖像檢索方法研究[D].杭州：浙江師范大學:2009:17-33.

[4]孟繁杰,郭寶龍.CBIR關鍵技術研究[j]計算機應用與研究.2004:21-27.

[5]李明俐.基于顏色與形狀特征的圖像檢索技術研究及系統的設計與實現[D].西安：西北大學.2010:15-42.

[6]董衛軍,周明全,耿國華.基于紋理和形狀特征的圖像檢索技術[J].計算機工程應用,2004(24).

[7]http://www.opencv.org.cn/.

[8]http://blog.163.com/yx_xie2007/blog/static/10246425320108303565114/.

[9]王鄭耀.數字圖像的邊緣檢測.[D] 西安:西安交通大學,2003.