基于SLIC和多尺度顯著性的紅棗圖像分割算法

曹洪武+王振磊+姚娜+姚江河

摘要： 針對自然光條件下具有復雜背景的紅棗圖像，提出了1種新的圖像分割方法。首先，該方法用簡單線性迭代聚類（simple linear iterative clustering，SLIC）算法對圖像進行超像素分割，并進行迭代合并處理，從而得到不同尺度的圖層；其次，利用圖像局部對比度估計和區域位置估計來獲取相應的顯著性圖；最后，用K-means算法得到紅棗圖像聚類分割結果。結果表明，該方法能有效去除圖像的復雜背景，消除紅棗上光斑的影響，準確地將紅棗圖像從背景中分割出來。

關鍵詞： 圖像分割；簡單線性迭代聚類；多尺度；紅棗圖像；顯著性；K-means

中圖分類號： TP391.4；S126 文獻標志碼： A 文章編號：1002-1302（2016）03-0455-03

新疆地區有著豐富的紅棗資源，紅棗的種植和加工已成為新疆特色支柱產業之一，目前，新疆紅棗產量已居全國首位。因此，進行紅棗采摘機器人研究，對提高采摘效率、節約勞動力成本有特別的現實意義，而其中紅棗圖像的分割是研發采摘機器人的關鍵步驟。近年來，已有較多國內外學者從不同角度開展了圖像分割研究，典型的方法有直方圖閾值法[1]、特征空間聚類法[2]、區域分級方法[3]、邊緣檢測方法[4]、顯著性圖像分割方法[5]等。雖然上述方法在各自領域均有較好的應用，但仍未有一種通用方法能適合于所有類型的圖像，各種新思路和新算法還在不斷地出現。本研究針對復雜環境背景中的紅棗圖像提出了1種基于簡單線性迭代聚類[6]（simple linear iterative clustering，SLIC）和多尺度顯著性圖的分割算法進行紅棗圖像分割的算法，先利用SLIC算法構建超像素，迭代后獲得不同尺度圖層，然后利用顯著性檢測方法獲得不同尺度下的紅棗顯著度圖像，最后利用K-means算法對顯著性圖像進行聚類處理，得到最終分割結果。

1 不同尺度的圖層生成

通過SLIC算法可將圖像分割為包含若干均質區域的超像素圖像，將超像素區域按從小到大的多個尺度順序進行合并處理可得到不同尺度的圖層，可以避免因一次性選擇過大的區域尺度而產生邊界分割錯誤。通過從較小尺度開始處理超像素，再逐步增大尺度的方式，可以保留圖像主體結構，舍棄部分非關鍵性細節，消除這些細節對關鍵目標的影響。主要步驟為：首先利用SLIC算法對圖像進行超像素分割預處理，得到新圖像I；其次，判定I中各區域尺度，迭代合并生成不同尺度圖層，先得到圖層L1，并在L1基礎上，同理獲得圖層L2。

1.1 SLIC算法原理

SLIC是1種基于像素色彩和色彩空間來進行超像素分割的方法[6]，其算法流程如下。

（1）初始化過程。在 CIELAB色彩空間（CIE 1976 L*，a*，b* Color Space）中，依據超像素區域數目控制因子k，將圖像劃分為k個正方形網格，每個網格邊長S=N/K，并將每個網格中心點3×3領域內的最小梯度位置初始化為聚類中心，如第j個聚類中心為：Cj[lj，aj，bj，xj，yj]T （lj為像素點光亮度，aj、bj為像素點色度坐標，xj、yj為像素空間坐標）；并初始化每個像素的分類標記l（i）=-1，像素點距離d（i）=∞。

（2）對每個聚類中心Cj進行迭代處理。計算Cj與每個像素的距離D，計算范圍為Cj的2S×2S鄰接區域，當D式中：dc為像素點i與聚類中心點j之間的色彩距離；ds為像素點i與聚類中線點j之間的空間距離；m用來確定分割結果與圖像實際邊界貼合度，m值越小，貼合程度越高。

1.2 區域的迭代合并處理

為減少區域的數量，必須對超像素分割所得圖像的各個區域進行合并處理，主要步驟如下。

（1）定義超像素分割所得任意區域Ri的尺度。如果存在1個t×t大小的正方形區域Rt×t，在滿足Rt×tRi的條件下，使得Rt×t面積最大的t值作為區域Rt×t的尺度值。

（2）為了選擇與Ri區域相鄰的區域，使用以下公式計算在CIELUV色彩空間[CIE 1976 （L*，u*，v*） color space]中區域Ri、Rj的色彩均值距離：

Dluv（Ri，Rj）=（lj-li）2+（uj-ui）2+（vj-vi）2。

（3）進行區域迭代合并處理。通過計算與Ri距離最小且閾值大于t的相鄰區域，使用1個內核為t×t的方框濾波器對圖像進行濾波處理，如果該區域能夠完全包含該濾波核，則顏色不作改變；否則，用濾波核范圍內該區域的色彩均值來更新其中心點對應位置的色彩值，通過迭代，可實現圖像中各區域的合并。

2 顯著性圖像的生成

生成紅棗圖像與背景反差盡可能大的顯著性圖，有利于后續進行聚類處理，本研究利用上述生成的不同尺度圖像來獲取對應的多個尺度的顯著性圖。顯著性圖像的生成受到圖像中所包含像素的數量、色彩、關鍵區域所處位置及其大小等因素影響，通過綜合考慮區域局部對比度估計值和圖像位置估計值來計算圖像顯著度[7]。

（1）區域局部對比度估計。圖像區域局部對比度可以通過計算待測區域Ri與其周邊n個區域的色差加權和Ci來估計，Ri與其周邊區域對比度越大，視覺上越顯著，公式如下：

式中：ci、cj分別是Ri、Rj的顏色；ρ（Rj）為Rj中像素數量，區域中擁有的像素數量越多，對局部對比度權值的貢獻將越大；φ（i，j）=e-D（Ri，Rj）/σ2表示Ri、Rj間的空間距離影響權值，與Ri區域距離越近，則受影響越大，其中σ2為檢測區域的范圍，D（Ri，Rj）為Ri、Rj中心點的歐氏距離平方。

（2）區域位置估計。圖像中心點在人類視覺中較容易引起關注，則距離圖像中心越近的區域，視覺上越具有顯著性。因此，使用Hi來計算這類區域，計算區域Ri中的任意像素坐標xi與圖像中心的坐標xc間的距離影響權值，λ為權重調節參數，ρ（Ri）為Ri中的像素數量，計算公式如下：

3 基于K-means算法的顯著性圖像聚類處理

為了減少上述顯著性圖中的區域數量，實現紅棗和背景的分割，本研究使用K-means算法對圖像進行聚類處理。K-means算法是一種無監督自適應的基于樣本間相似性度量的間接聚類方法，其算法主要步驟[8]如下。

（1）在n個像素的數據集上隨機選定k個初始聚類中心，設置迭代次數為R次。

（2）計算每個像素到各聚類中心的歐氏距離D（xi，μj）。按最近鄰原則將其劃分到以μj為聚類中心的子類Cj中，得到k個子類：C1，C2，…，Ck。

（3）設di為第i個子類中所有像素到其聚類中心μi的歐氏距離和，則每個像素到其聚類中心的歐氏距離和為：

4 算法主要步驟

綜上，本研究提出的算法主要步驟歸納如下。

（1）不同尺度圖層的生成。利用SLIC算法對紅棗圖像進行超像素分割預處理，得到圖像I，判定圖像I中各區域所屬尺度，迭代合并以生成不同尺度圖層。初始化區域尺度閾值為t，逐一判斷I中每個區域Ri的尺度，若小于t，則計算該區域與其相鄰區域間的CIELUV色彩空間均值距離，找出其中距離最小且閾值大于t的區域，將其與Ri合并，并更新合并后區域的尺度和顏色。對圖中滿足條件的所有區域進行迭代合并處理，得到新圖層L1，繼續增大t值，在L1基礎上重復上述操作得到圖層L2。

（2）顯著性圖像的生成。通過綜合考慮區域局部對比度估計值和圖像位置估計值的方法計算圖像顯著度，分別得到圖層L1、L2所對應的顯著性圖像S1、S2。

（3）利用K-means算法對各層顯著性圖層進行聚類處理。分別得到S1、S2的聚類分割圖像，實現紅棗圖像與背景的分割。

5 結果與分析

采用3 000×2 250分辨率的紅棗圖像，CPU為Intel i5-3 470 3.2 GHz，內存4.0 GB，操作系統為Windows 7，用Matlab 2013b編程實現紅棗圖像的分割。

圖1為原始圖像，設置SLIC超像素分割數量k=3 500。為了突出細節，圖2為SLIC分割的局部放大結果，截取了從左至右方向上第3個紅棗放大圖，可見圖中各超像素區域內部色彩均勻，分割邊緣與紅棗圖像實際邊緣緊密貼合。

選取尺度t的值為55、70，對圖2結果進行迭代合并處理，分別得到2個不同尺度圖像L1、L2，如圖3、圖4所示。分別檢測其顯著性，得到對應的顯著性圖像S1、S2，如圖5、圖6所示。S2中紅棗圖像與S1相比，對比度得到進一步提高，紅棗邊緣與其周邊區域有清晰邊界，所包含的區域數量大幅減少，有利于后續進行區域聚類處理。

為了分割出紅棗和背景，設置K-means算法聚類數量 k=2，迭代次數R=-1，即重復迭代直至收斂，分別得到圖像S1、S2的聚類結果，如圖7、圖8所示。在圖7中，紅棗圖像分割結果邊緣部分仍有少量缺失，原因在于所缺失的區域在迭代過程中仍然沒有被合并到紅棗目標區域中；圖8分割結果中，紅棗目標已經被完整分割出來，并且邊緣部分保持完整。為了驗證分割效果，使用Photoshop 14.0軟件對紅棗圖像進行手工分割，取得基準分割圖像，如圖9所示。對比圖8中聚類結果和圖9手工分割結果，可見本研究算法比手工分割結果實際外形總體略微偏小，除紅棗果實被遮擋區域、相連區域、果蒂和部分邊緣細節與手工分割結果相比有誤差外，紅棗圖像整體分割效果良好。

6 結論

通過利用SLIC算法進行超像素分割，設定不同區域閾值來獲得多個不同尺度的圖層，能夠確保分割邊緣與實際邊緣緊密貼合，避免分割錯誤，確保邊緣完整性。另外，依據不同尺度的顯著性圖進行K-means聚類，能有效去除圖中干擾因素，將紅棗與背景有效分割，確保分割效果。試驗結果表明，在選擇合適的區域尺度及分層數量基礎上，該方法能夠很好地消除紅棗上光斑影響，準確地將邊緣光滑的紅棗圖像與背景分割開，取得較好的分割效果。在今后的工作中，如何進一步提高圖像的分割精度和提高處理效率將是研究重點。

參考文獻：

[1]Lan J H，Zeng Y L. Multi-threshold image segmentation using maximum fuzzy entropy based on a new 2D histogram[J]. Optik - International Journal for Light and Electron Optics，2013，124（18）：3756-3760.

[2]Jin R，Kou C，Liu R，et al. A color image segmentation method based on improved k-means clustering algorithm[C].Chongqing，China：Proceedings of the International Conference on Information Engineering and Applications，2013：499-505.

[3]張長青. 葛文英與劉國英.一種基于區域分級合并的彩色圖像分割方法[J]. 計算機工程與應用，2012，48（17）：203-206.

[4]王江濤，練 煜，石紅巖. 結合模糊C均值聚類和邊緣檢測算法的彩色圖像分割[J]. 蘭州文理學院學報：自然科學版，2015，29（2）：61-65.

[5]張 辰，楊文柱，劉召海. 基于HSV綜合顯著性的彩色圖像分割方法[J]. 計算機工程與設計，2013，34（11）：3944-3947.

[6]Achanta R，Shaji A，Smith K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[7]Yan Q，Xu L，Shi J，et al. Hierarchical saliency detection[C]. Portland，Oregon：2013 IEEE Conference on Computer Vision and Pattern Recognition，2013：1155-1162.

[8]霍迎秋，秦仁波，邢彩燕，等. 基于CUDA的并行K-means聚類圖像分割算法優化[J]. 農業機械學報，2014，45（11）：47-53，74.