視覺顯著性和圖像分割算法分析

◆郭宇晴 李 想

（河北工業大學 天津 300401）

在進行圖像分割操作時，需要借助多種算法來確保對目標對象的有效分離。其作業的實質是在特定的圖像背景中，將目標對象進行有效獲取和分離。在實際運用圖像分割技術時，往往會受到圖像內容的限制，使得圖像分割的精確性受到較大影響。通常所采用的自動化分割技術不能保證對圖像內容的有效識別與分離，無法滿足大部分圖像分割操作的質量需求，相對來說通用性較差。因此，吳琳等人以及楊娟等人等眾多學者將交互式分割技術帶進醫學圖像分割，與以往的自動化分割方式相比，表現出了良好的適用性。本文基于交互式分割技術，獲得更多的分割信息，同時借助相應的算法實現對目標圖的快速辨別與分離。

1 Graph Cuts算法現存問題分析

Graph Cuts算法通常將數據項和光滑項作為重要的能量參數，將圖像形成一個映射的帶權圖。通過標號的方式實現對帶權圖的求解與轉化。實際操作圖像分割時，會通過用戶提供的圖像內容標號來確定相應的像素點和圖像分割對象。其中的數據項主要用來表現標紅和處理數據的一致性。光滑項是對相鄰像素點的有效約束，具體表現為對于圖像區域連續性邊界的有效辨別， Graph Cuts能量函數如下式所示。

1.1 前景與背景重疊問題

在處理圖像的前景顏色與背景顏色存在重疊現象時，該算法中的觀察數據值對于顏色分布狀況的估算會存在不合理現象，圖像分割后，很容易產生目標圖像不完整的問題。陳科尹等[1]等多篇文章中將因數據估算不合理所產生的圖像分割問題，稱之為gainful learning現象。通過系統設計的faithful learning算法可有效解決此種問題，但該算法與常規算法相比，存在復雜性的特征，很難保證此算法的大范圍推廣應用。

1.2 shrinking bias現象問題

當分割對象為呈現細長結構的邊界圖形時，采取Graph Cuts算法極易形成shrinking bias現象。針對此類問題，可以在初步分割完成的情況下，與用戶建立有效的交互溝通，獲取更多的圖像信息。同時借助Dijkstra算法來找出相對較短的邊界連通路線。但實際應用時，該種方式會進一步提升用戶交互的復雜性，使圖像處理工作過于煩瑣，很難被用戶接受。

1.3 計算量問題

該算法在進行圖像分割時，需要首先獲取圖像的像素點，這就為圖像分割操作帶來了大量的計算量。為此，也應對其交互的時效性進行綜合考慮。

2 算法改進措施

通過上述分析可以發現，借助Graph Cuts算法進行圖像分割時，存在多方面的影響因素，會對圖像分割的質量造成較大影響，為了改善Graph Cuts算法存在的問題，我們提出以下幾點改進措施：

2.1 借助Mean Shift算法進行圖像預處理

與Graph Cuts算法不同，Mean Shift進行圖像分割時，利用核函數預算的方式，對圖像中的分割對象進行目標追蹤。相對于其他算法來說，該算法極少產生超出目標對象分割界限的問題，可以有效提升目標對象的完整性。采取五維特征向量空間的算法，對三維的顏色空間和二維的坐標進行提取，所獲得的坐標分布形式為χ=（χs，χr）其中的χs和χr分別代表像素坐標和三維顏色向量。

通過相關的運算可以得出，當 hs空域和 hr色域帶寬相對較大時，所獲得的分割區域數目越小。同時，針對較弱邊緣的識別能力也會降低。對比利用Mean Shift算法得出的圖像，圖像的邊緣部位較為清晰，目標對象的完整性得到有效保障。借助該算法實現對目標圖像的有效追蹤可以進一步增強 Graph Cuts算法的應用效率，進而達到提升圖像分割操作整體速度的目的。

2.2 視覺顯著圖計算方式的應用

顯著圖指的是，在分割圖像中，一眼就能分辨的圖像內容。相關學者根據視覺顯著性提出了視覺顯著圖的計算方式，應用該種方式對圖像目標對象進行提取，并創建了以視覺注意力為基礎的模型，實際上就是通過對人的視覺原理進行模擬所形成的顯著性計算方式。因此，在此理論上形成了多種顯著性的圖像分割方式，包括周靜波等[2]提出的基于視覺顯著性的非監督圖像分割，肖小龍等[3]提出的視覺顯著性檢測算法研究。GBVS算法在視覺顯著性原理上，借助顯著圖進行圖像分割，同時應用了馬爾可夫鏈，采取數學計算的方式得出相應的數值，得出的顯著值較為準確。此外，該種運算方式還能達到抑制噪聲的目的，使圖像分割更為準確，也可保證目標分割對象邊界的光滑性。

一般而言，當圖像分割要求較低的情況下，顯著圖的計算方式也可直接用于圖像分割。但受到目標對象變化量的影響，所獲取的目標對象質量也會存在較大的差異。而在與Graph Cuts算法進行聯合應用的過程中，可以發揮顯著圖的顏色分割優勢，使圖像分割質量得到顯著提升。

2.3 合理應用視覺顯著性的約束數據項

通過分析Graph Cuts算法的運算方式和圖像分割效果可知，在出現前景和背景顏色重疊的現象時，很難借助單一的顏色數據項來實現對目標對象的準確獲取。此種情況下，就會造成目標對象邊界缺失的問題。而在借助能量函數對邊界線進行獲取時，因能量函數的特性決定了其會優先考慮邊界少的分割操作，同樣也會對圖像分割效果造成影響。為了改善上述問題，減少因顏色數據項分析對目標對象獲取質量所造成的影響，可以借助顯著性的約束數據項，利用用戶的視覺顯性來分析目標對象的可能性，即對顯著區域進行優先獲取。可根據圖像顏色交叉的狀況和顏色差異對判定數據項進行敏感度的調節，使其能夠更加準確的拾取目標對象邊界，以免因背景和前景顏色差距較小而形成邊界模糊的問題。

3 算法優勢

本文融合Mean Shift和視覺顯著圖算法，當遇到背景顏色和前景顏色存在重疊的圖像處理操作時，可以綜合應用這兩種算法彌補顏色數據項無法獲取的目標對象邊界。同時，借助Mean Shift算法對目標圖像進行預處理，再結合視覺顯著算法可高效完成圖像分割操作。在一些目標對象較為復雜的圖像分割操作中，圖像細節部位會存在丟失的問題，究其原因，是在進行圖像預處理時，對圖像細長部位發生破損所導致的。綜合分析圖像處理效果，本文所研究的算法得到的目標對象更加清晰完整。

4 總結

針對因圖像分割算法選擇不當形成的shrinking bias現象，采取視覺顯著性分割算法和Mean Shift分割算法，改善圖割處理中存在的問題。實際應用中表明，文中算法可有效提升用戶交互速度，較于Graph Cuts算法表現出了較好的應用性能。在本次的研究中，因Mean Shift算法中出現了細長結構的破壞問題，導致圖像分割對出現細節部分的缺失。在后續發展中，為實現對圖像分割對象的有效處理，我們應將Mean Shift算法中的細長結構處理問題作為重點研究內容。