基于SLIC超像素粒化的粗糙熵圖像分割算法*

陳斌斌, 范九倫, 雷 博, 高夢飛

(1.西安郵電大學 通信與信息工程學院,陜西 西安 710121；2.電子信息勘驗應用技術公安部重點實驗室,陜西 西安 710121)

0 引 言

簡單線性迭代聚類(simple linear iterative clustering,SLIC)超像素算法[1]被公認為綜合性能最佳的超像素分割算法之一,基于小區域像素可以輕松轉換為基于超像素粒子。SLIC超像素粒化預處理大大降低了后續圖像處理的復雜性[2]。

粗糙集無須提供問題所需處理的數據集之外的任何先驗知識,只是運用現有的數據集進行分析處理,能客觀地描述和處理不確定的問題。文獻[3]提出了粗糙集并且定義了上下近似的概念,通過目標和背景的上下近似來表示目標區域和背景區域,粗糙熵閾值化分割被首次用于圖像閾值分割。文獻[4]首次提出了最大粗糙熵圖像閾值算法,通過選擇合適大小的等窗粒子來獲得理想的分割效果,該文提出的粗糙熵僅僅是在形式上采用香農信息熵,在熵取最大值時,獲得圖像的最佳分割閾值意義不明確。文獻[5]使用最大化粗糙熵(maximum rough entropy,MRE)方法進行基于四叉樹分解粒化的運動目標檢測分割。文獻[6]提出了一種基于MRE方法的自適應多層粗熵閾值化算法,將粗糙熵閾值法推廣到多閾值情形。Sen D等人[7,8]提出了指數粗糙熵和對數粗糙熵,并用它們來測量圖像的模糊性,但沒有解釋最佳閾值的含義。在MRE方法中,粒子大小定為圖像直方圖中峰值最小寬度的一半。然而,大多數情況下圖像直方圖不是平滑的,直方圖中的峰值不能準確地表示圖像中的區域。文獻[9]提出了一種基于最小平方熵的粗糙熵算法,提出的最小平方熵意義明確。

本文在粒化方式上擺脫了傳統不重疊等窗粒化方式,采用意義明確的最小平方粗糙熵,得到了較好的圖像分割結果。仿真實驗結果表明了本文算法是一種有效的圖像分割算法。

1 粗糙熵的選取

SLIC超像素粒化預處理之后,用粗糙集近似表示圖像粒子中的目標像素和背景像素。文獻[4]中定義的粗糙熵為

(1)

式中ROT和RBT分別為目標粗糙度和背景粗糙熵度。式(1)定義的粗糙熵不滿足信息熵的定義要求,取其最大值作為閾值選取準則只能看成是“比照”概率閾值法。對于圖像閾值分割而言,理想的閾值點應使得目標和背景的上下近似盡可能地接近,越接近粗糙度越小,說明邊界區域越小,故最佳的閾值應該選取在ROT和RBT同時靠近零處,當ROT=RBT,目標和背景的邊界域相等。由式(1)得到的閾值不滿足這個要求。

從文獻[9]可得一種最小平方粗糙熵

FET=[(ROT)2+(RBT)2]/2

(2)

由式(2)可知,在目標粗糙度等于背景粗糙度時,即ROT=RBT=0時,FET取得最小值T*,T*取得最佳的分割閾值,位于目標與背景邊界處,粗糙熵意義明確。

2 SLIC超像素粒化的粗糙熵閾值化算法

本文算法是針對灰度圖像處理,只采用了SLIC超像素分割算法的亮度相似性和空間相鄰性,所以需要更改其距離計算方式。對搜索到的兩個像素點i和j通過亮度空間對應值和XY坐標值定義兩像素點的相似度,距離計算方式(包括亮度距離和空間距離)為

(3)

式中i,j為亮度差異值。dl為亮度距離,dxy為空間距離,D為兩像素之間的距離,權值m(一般取10)。

本文算法流程如下：

Step1：/*初始化聚類中心*/

Step2：/*測量像素點的相似度*/

在種子點3×3鄰域內重新選擇聚類中心,調節聚類中心到鄰域內梯度最小種子點,防止邊界點和奇異中心被設為種子點。由式(3)和式(4)計算相似度；

Step3：/*迭代更新聚類*/

for聚類中心Ckdo

為每個聚類中心周圍的鄰域像素點分配類標簽,SLIC的搜索范圍僅限于2S×2S；

end for

計算新的聚類中心；

Step4：/*粗糙熵處理初始化變量*/

用max_gray和min_gray分別表示圖像的最大灰度值和最小灰度值,信息粒標簽用labels_i表示,i為超像素粒子個數。max_i和min_i分別表示labels_i粒子的最大值和最小值。初始化目標背景上下近似；

Step5：/*通過閾值t遍歷整個圖像灰度范圍,得到目標和背景上下近似*/

t的取值從min_gray到max_gray；

如果 max_i≤t,則object_lower(t)++;如果min_i≤t,則object_upper(t)++;如果t≤ min_i,則back_lower(t)++;如果t≤max_i,則back_upper(t)++。

Step6：/*求目標和背景粗糙度,粗糙熵*/

平方粗糙熵：

Step7：/*求最佳閾值*/

最佳閾值T=argmin[rough_entropy]。

3 實驗結果與分析

為了比較算法的優劣,本文算法與Otsu閾值分割算法[10]、MRE算法[4]進行了比較。其中,MRE方法采用的是不重疊等窗粒化方式。

從Berkeley圖庫中選取了原始圖像分別為合成孔徑雷達(synthetic aperture radar,SAR)圖、#6圖,并且從OTCBVS Benchmark Dataset圖庫中選取了1副Img_00002圖像。由于這些圖像均無Ground Truth,所以,仿真實驗結果參考分割(ground truth)是人工嚴格手動分割。

同時為了定量比較測量圖像的分割效果,本文使用了下面這些指標,誤分類誤差(misclassification error,ME)[11],反映背景和目標像素點錯分的百分比。均方誤差(mean squared error,MSE)。峰值信噪比(peak signal-to-noise ratio,PSNR),代表圖像分割效果失真度,PSNR值越大,失真越少。結構相似性(structural similarity,SSIM)指標[12,13],SSIM的范圍為[-1,1],SSIM值越高,圖像的分割質量越高。

圖1為SAR圖像實驗結果,表1為SAR圖像分割量化結果對比。可以看出,Otsu閾值分割算法與最大化粗糙熵算法都過分割。本文算法可以完整分割出目標,分割效果更好,可以有效分割河流。

圖1 SAR圖像仿真實驗結果

表1 分割量化結果

圖2是對醫學圖像分割的分割結果比較,Otsu算法雖然分割效果好,但左下角輪廓斷斷續續,Otsu算法底部出現誤分割,本文算法分割結果細節輪廓清晰。從表1量化結果可以看出本文算法分割精度更高。

圖2 #6圖像仿真實驗結果

圖3是OTCBVS庫中紅外圖像的分割結果,OTCBVS庫有不同環境下的紅外視頻序列,在實驗中測試了多個紅外圖像序列,限于篇幅,本文僅列出OTCBVS庫中一幅圖像。由圖3結合表1表明,本文算法可以很好的分割出校園中的人物,而Otsu閾值分割算法與最大化粗糙熵算法都過分割和欠分割。

圖3 Img_00002圖像仿真實驗結果

表1比較了圖1～圖3作比較算法的閾值T,ME,MSE,PSNR,SSIM的值。由圖像仿真實驗結果和量化結果綜合對比,本文算法獲得了滿意的分割效果。

4 結 論

本文算法采用了一種新的粒化預處理方式,基于SLIC超像素粒化,所用的粗糙熵采用最小平方粗糙熵,意義明確。本文算法可以有效提取圖像中的目標,整個算法實驗結果符合期望圖像閾值分割,對復雜圖像分割效果好。目前為止尚未有適用于全部圖像的分割方法,本文算法可作為一種圖像分割算法去分割圖像。鑒于本文算法仿真時需要手動調整參數m和k,本文下一步的工作任務是優化參數,建立局部粗糙度和局部灰度標準差的關系，通過最小化粗糙粒度來獲得最優自適應劃分粒子,實現自適應解決參數調節問題。