基于改進Retinex的目標圖像分割方法研究

郭永鋒

（河南牧業經濟學院信息工程學院 河南省鄭州市 450000）

圖像分割這項技術已經有了六十年的歷史，基于圖像分割技術提出的算法在論文雜志上已經發表了幾千篇，至今為止每年都還新增數百篇研究圖像分割技術的論文，但是它依然是計算機圖像處理領域的一個世界性難題[1]。圖像分割最主要的目的就是將一個完整的圖像根據不同的特征分割成諸如顏色、輪廓等不同的區域，從而在其中找到目標區域。傳統的圖像分割主要包括閾值分割、區域分割、邊緣分割以及直方圖分割等方法，這些方法運用到原理都不相同，但基本都是運用圖像的紋路、色彩等影像信息粗略分割，如果遇到復雜的圖像，很難得到理想的效果[2]。近年來，國內有學者將圖像增強中的Retinex 算法引入了圖像分割領域，所謂Retinex 是一種基于“光照平緩變化”理論的圖像增強算法，它最初從人類視覺系統得到靈感，通過模擬人類視覺達到調節圖像色彩的目的。在實際應用過程中，往往會在輪廓附近產生光暈，影響圖像質量，且運算效率較低，因此存在一定的局限性。改進后的Retinex 算法與人類視覺系統的非線性特性相匹配，能夠增強局部對比度，使動態模糊影像減少[3]。因此在本文中，我們需要將改進后的Retinex 算法引入圖像分割領域，通過該算法對圖像的整體視覺效果做出改進，增強視覺信息，改善分割效果。

1 基于改進Retinex的目標圖像分割方法設計

為了得到更精確的分割圖像，本文基于改進后的Retinex 算法，列舉圖像結構常數，將刻畫S的正則引入到改進后的Retinex模型中，針對帶有光暈的灰度不均勻圖像，提出構建圖像分割模型。

1.1 模型設計

設函數i(x,y)是選定的灰度不均勻圖像，基于Retinex 改進理論，可以將該圖像函數看作有色彩的光照部分b(x,y)和黑色背景的光線反射部分s(x,y)，三者關系如下：

設I=lni(x,y)，B=lnb(x,y)，S=lns(x,y)，則可以將公式（1）簡化為

式中，S 為灰度不均勻圖像中人眼能夠看見的白色或灰色圖像，B 則是圖像中的背景黑色部分，這一部分是陽光偏移場構成的，一般被設定為平滑函數[4-5]。

基于改進后的Retinex 理論，假設輸入的初始圖像I 滿足公式（2），檢測初始圖像中的光暈，構建基于改進Retinex 的目標圖像分割模型。

式中，α、β、λ1、λ2均為圖像光值參數。模型中的是保真項，是正則項，也被稱為光暈正則項。

此時由Retinex 改進算法得到的輪廓線會足夠光滑，無尖角出現。

圖1：目標圖像分割工作流程

圖2：初始圖像輪廓曲線圖

1.2 實現圖像分割

根據上述模型，圖像分割算法的具體運行步驟如圖1所示。

首先根據上述模型中對初始圖像數據進行對數變換，然后將得到的對數通過曲波變換的方式分解輸入的初始圖像，得到圖像的高頻部分和低頻部分[6]，其分別對應反射參數和光照參數，其中反射參數根據雙邊濾波計算出濾波結果，同時雙邊濾波還有效地克服了改進前Retinex 算法中高斯濾波的缺陷，有效地維護了圖像分割邊界地帶的清晰度和準確度。而光照參數可以根據伽馬變換得到光照區域的圖像校正。此時，圖像的分割輪廓線還不整齊，因此需要進行圖像校正。校正后得到的輸出圖像就變成了目標分割圖像。

2 實驗結果與分析

為了測試上述方法的有效性以及圖像分割效果，本文選擇網絡免費圖像實驗，通過與傳統的閾值切割、區域切割、邊緣切割方法的對比檢驗本文方法是否擁有進步意義。

2.1 實驗準備工作

測試所用PC 機需要i5 處理器和Windows10 操作系統，實驗數據根據Matlab 編程得到。本文所用圖片均來源于網絡免費圖庫，其中包括Gratisography 圖像庫圖片、MSRA-1000 顯著性圖像庫圖片的灰度不均勻圖像。

圖3：初始圖像切割圖像

2.2 灰度不均勻圖像分割過程

對比本文方法與閾值切割法、區域切割法和邊緣切割法。首先輸入一個灰度不均勻圖像，并在軟件上畫出初始圖像的輪廓線如圖2所示。

對算法中α、β、λ1、λ2等參數進行賦值，賦值結果如表1所示。利用上述參數求解本文圖像模型，將以上四種切割方法分別輸入電腦中，就能得到最終切割圖像。

2.3 實驗結果分析

使用本文算法得到的分割圖像（a）和使用傳統閾值切割（b）、區域切割（c）、邊緣切割方法（d）得到的分割圖像如圖3所示。

圖3分別是使用四種方法得到的分割圖像，從圖中可以清楚地看出初始圖像的灰度不均勻現象十分嚴重，使用傳統的三種分割方法極易分割錯誤，且輪廓十分瑣碎，光照部分分布散亂，系統難以識別。而本文基于改進后的Retinex 算法分割圖像十分清晰，輪廓整齊精致，能夠智能識別光照中心部分，分割效果較好。運用本文的Retinex 改進算法圖像分割方法可以很自然地將陰影部分和光照部分分割開，但是其他三種傳統方法沒能完成這項任務，且光照區域不同顏色的區分還存在很大問題。

以上部分為根據所得圖像的粗略分析，想要作出最嚴謹的判斷還需要根據數據得到結論，因此本文通過計算召回率和一致性系數統計以上四個圖像分割效果，召回率通常用于評價所得結果的質量，召回率越高，則圖像質量越好；一致性系數則通常用于描述圖像選擇區域的一致性效果，系數越高一致性越強。通過Matlab 軟件得到具體數據如表2所示。

表1：初始圖像對應參數

表2：召回率和一致性系數統計指標

根據表2可知，本文Retinex 改進算法的召回率和一致性系數明顯高于三個傳統算法，因此所得分割圖像更接近初始圖像。

3 結束語

圖像分割技術一直是計算機技術中的重點內容，針對當前Retinex 算法在操作過程中的局限性，為獲得更好的圖像分割效果，提出一種改進Retinex 的圖像分割方法。選取一幅初始圖像，依據本文改進Retinex 的算法以及傳統的閾值切割法、區域切割法和邊緣切割法對比實驗。實驗結果表明，相對于其他方法，Retinex 算法可以分割出更清晰的視覺效果，獲得更準確的圖像，具有更好的實際應用價值。但是如果圖像分割難度上升，Retinex 改進算法仍然會降低精度，因此有關于圖像分割技術的研究還沒有結束，我們仍需進一步研究，使圖像分割技術的精度繼續升高。