一種基于圖像數據場的圖像分割方法
【專利摘要】本發明涉及一種基于圖像數據場的圖像分割方法。現有單色圖像分割方法通常基于像素灰度值的不連續性和相似性；在光照不均勻的條件下現有的分割算法很難得到理想的分割效果。因此，本發明首先對輸入的圖像進行預處理濾波，然后用基于八方向梯度的分水嶺算法進行分割；然后對分割后的圖像進行邊緣檢測得到邊緣點的平均灰度值并設置為種子值；同時構建圖像數據場，計算像素點的勢值函數；最后依據上面得到的種子值和圖像數據場進行種子區域自動生長。本發明對光照不均勻圖像的分割效果和分割時間都有了較大的提升，能夠滿足圖像識別的需求。
【專利說明】
一種基于圖像數據場的圖像分割方法
技術領域
[0001] 本發明屬于圖像分割領域，涉及一種光照不均勻圖像的快速精確分割方法。
【背景技術】
[0002] 圖像分割是指通過圖像特征的相似性或相異性把圖像分割成許多個連續的子區 域，并從子區域中提取出感興趣的部分。在實際應用中，這些可利用的特征主要包括灰度、 紋理、邊緣、顏色等，針對不同的圖像處理需求，目前已經提出了上千種處理方法，但并沒有 一種通用的快速精確的分割方法。
[0003] 在工程應用中，圖像分割是實現圖像分析的關鍵步驟，是圖像處理系統的一個重 要組成部分，有很高的實用價值，是后續進行圖像分析的基礎，分割質量將直接影響最后分 析的結果，所以進行提高圖像分割的準確性的研究是非常有必要的。
【發明內容】
[0004] 本發明針對現有技術的不足，提供了一種針對光照不均勻圖像的快速精確分割方 法。
[0005] 本發明解決技術問題所采取的技術方案為：
[0006] 步驟(1).圖像輸入和圖像預處理。
[0007] 步驟(2).運用基于八方向梯度的分水嶺算法進行圖像分割。
[0008] 步驟(3).構建圖像數據場，計算各像素點的勢值函數。
[0009]步驟(4).邊緣檢測，計算邊緣點的平均灰度值并設置為種子點值。
[0010] 步驟(5).結合步驟(3)、（4)的數據場和種子點進行自動種子區域生長。
[0011] 步驟(6).同質區域融合輸出分割效果圖。
[0012] 本發明的有益效果：
[0013] (1)采用了八方向梯度的分水嶺算法，充分利用了圖像的邊緣信息，減少了過分割 的程度。
[0014] (2)結合圖像數據場進行區域生長，考慮了圖像本身的基本結構，使分割效果更加 準確。
【附圖說明】
[0015] 圖1為一種基于圖像數據場的圖像分割方法流程圖。
[0016] 具體的實施方式
[0017] 以下結合說明書附圖對本發明做進一步描述。
[0018] 依據說明書附圖（1 )，對實施步驟進行詳細闡述：
[0019] 步驟(1).圖像輸入和圖像預處理。
[0020] 為了達到對比的效果，采集同一幅圖像在不同光照條件下的效果圖，然后分別進 行處理。對圖像的預處理，主要包括對圖像進行灰度化、濾波去噪、直方圖均衡化、二值化等 幾個處理過程。
[0021] 步驟(2).運用基于八方向梯度的分水嶺算法進行圖像分割。
[0022] 分水嶺算法是一種基于梯度的圖像分割方法，可以將圖像中的邊緣轉化為"山 脈"，將均勻區域轉化為"山谷"，主要分為排序、淹沒兩個過程。
[0023] 第一步:求取圖像八方向的梯度幅度取最大值，梯度幅度圖像在沿對象的邊緣處 有較高的像素值，而在其他地方有較低的像素值，分水嶺算法會在沿邊緣處產生分水嶺脊 線；梯度計算和角度判別，給定點f(x，y)代表灰度圖像上像素點（X，y)處的灰度值，用 Robinson梯度模板與原圖像進行卷積：
[0024]
(5)45度方向 （6)315度方向 （7)225度方向 （8)135度方向
[0025]某一方向的方向導數也就是f (x，y)在該方向的變化率（也就是f (x+Dx，y+dy)_f (x，y)的值），當該方向與梯度的方向一致時梯度方向也就是方向導數最大的方向，方向導 數的值就等于梯度的模。
[0026]第二步:排序、淹沒過程。假定定義域Ff上的函數f為待處理圖像，它的最大最小值 分別為fmax=max(f)，fmin=min(f)。集合[Ff]1^示函數f的上限閾值，其中[Ff] h= {xeFf | f (xXf} 〇
[0027] Reg_Mink(f) = {xGFf I x = Local minimum 且 f(x) =f}
[0028] F的分水嶺區域即為集合和通過迭代運算獲得：
[0029]
[0030]
[0031]
[0032] 函數f的分水嶺是1^@的補集，對應上漲過程，所有的水壩對應了函數f的 分水嶺，由于輸入的圖像存在過多的極小區域而產生許多小的集水盆地，導致圖像過分割 嚴重，所以需要對分割結果進行相似區域合并。
[0033]步驟(3).構建圖像數據場，計算各像素點的勢值函數。
[0034]將圖像像素與鄰域像素的灰度差值作為數據對象的質量，生成對應的圖像數據 場，將圖像粒P(P，0 = {q|qelA| |p_q| |〇}記為以p為中心像素的鄰域像素集合。常見的 可選勢函數包括擬重力場、擬靜電場等，其數學形態分別為：
[0035] itx(y)=G*mx/(l+( | | χ-y | |/〇)k)；
[0036] i])X(y)=mx/(4jTe〇*(l + ( | |x-y | |/o)k));
[0037] 其中mx彡0為數據對象質量，代表場源強度；，G為常量重力加速度I |x-y I I代表兩 者之間距離，自然數k是距離指數，〇e(〇，+c?)稱為影響因子。
[0038] 根據勢函數的梯度是相應力場的場強函數，數據質點x的場強向量為：
[0039]
[0040] 其中I |Py(t)_px(t)| I表示X和y之間的距離，質量my(t)看作是場源的作用強度，〇> 〇是影響因子，確定某個時刻質點相互作用力的影響范圍。
[0041] 步驟(4).邊緣檢測，計算邊緣點的平均灰度值并設置為種子點值。
[0042] 邊緣檢測最通用的方法是檢測亮度值的不連續性，這種不連續性可以由圖像的一 階和二階導數檢測;這里采用Canny算子執行邊緣檢測，首先進行高斯濾波消除噪聲，然后 計算像素點處的梯度8(\}〇=〖化+ 0{〗5〃和邊緣的方向€^，7)=&1'(^11(6丫/^);然后繪 制邊緣點像素的灰度直方圖，取其平均值標記為種子點值。
[0043] 步驟(5).結合步驟(3)、（4)獲得的數據場和種子點進行自動種子區域生長。
[0044]區域生長是一種串行區域分割的圖像分割方法。它從某個像素出發，按照一定的 準則，逐步加入鄰近像素，當滿足一定的條件時，區域生長終止。區域生長的好壞決定于1. 初始點（種子點）的選取;2.生長準則;3.終止條件。將步驟(4)得到的種子點像素值作為生 長初始點，將步驟(3)的勢值函數作為生長準則，并選取合適的生長閾值進行區域生長。具 體步驟如下：
[0045] -、將步驟(4)得到的平均灰度值作為生長初始值，找到第1個還沒有歸屬的初始 值點，設該像素為(x〇，y〇)。
[0046] 二、以(x0，y0)為中心，考慮(x0，y0)的4鄰域像素(x，y)如果(x0，y0)滿足生長準則
[0047] X(x-1 ,y)+X(x+l ,y)+X(x,y-l)+X(x,y+l)>V,V = 255,
[0048] X(x，y)代表點（X〇，yO)的無種子序列標記時的像素值，若有則為0。則將(x，y)與 (x0，y0)合并(在同一區域內），同時將(x，y)壓入堆棧。
[0049] 三、從堆棧中取出一個像素，把它當作(X〇，yO)返回到步驟二。
[0050] 四、當堆棧為空時返回到步驟一。
[0051 ]五、重復步驟一到四直到圖像中的每個點都有歸屬時，生長結束。
[0052]步驟(6).同質區域融合輸出分割效果圖。
[0053]區域合并，步驟(5)區域生長以后得到許多的小區域P，假設其質心為(XQ，y0):
[0054]
[0055] 式子中X(x，y)為該點的灰度值，設fep是生長后的任意一個子區域的中心像素， Mp*)彡α表示其勢值，α為生長閾值，對于V.qe |:(p%亦，如果滿足一下條件(a)qe| 則q和構成同質吸引，其中ε為勢值函數的影響因子，β為預定義的勢值閾值。
【主權項】
1. 一種基于圖像數據場的圖像分割方法，其特征在于該方法的具體步驟是： 步驟（1).圖像輸入和圖像預處理； 步驟(2).運用基于八方向梯度的分水嶺算法進行圖像分割； 步驟(3).構建圖像數據場，計算各像素點的勢值函數； 步驟(4).邊緣檢測，計算邊緣點的平均灰度值并設置為種子點值； 步驟巧）.結合步驟(3)、（4)的數據場和種子點進行自動種子區域生長； 步驟(6).同質區域融合輸出分割效果圖。2. 根據權利要求1所述的一種基于圖像數據場的圖像分割方法，其特征在于:步驟(2) 具體是： 第一步:求取圖像八方向的梯度幅度取最大值;梯度計算和角度判別，給定點f(x，y)代 表灰度圖像上像素點(x，y)處的灰度值，用Robinson梯度模板與原圖像進行卷積：某一方向的方向導數也就是f (X，y)在該方向的變化率，當該方向與梯度的方向一致 時，方向導數的值就等于梯度的模； 第二步:排序、淹沒過程;假定定義域Ff上的函數f為待處理圖像，它的最大最小值分別 為fmax=max(f)，fmin=min(f);集合[Ff]嗦示函數f 的上限闊值，其中[Ff]h= {xeFf |f(x)《 f}; Reg_Mink(f) = (xEFf I x = Local minimum且f(x) = f} F的分水嶺區域即為集合巧通過迭代運算獲得：函數f的分水嶺是的補集，對應上漲過程，所有的水巧對應了函數f的分水 嶺。3. 根據權利要求1所述的一種基于圖像數據場的圖像分割方法，其特征在于:步驟(5) 具體是： 第一步、將步驟(4)得到的平均灰度值作為生長初始值，找到第1個還沒有歸屬的初始 值點，設該像素為(x〇，y〇); 第二步、W(xO，yO)為中屯、，考慮(xO，yO)的4鄰域像素(x，y)如果(xO，yO)滿足生長準則 X(x-l，y)W(x+l，y)W(x，y-l)W(x，y+l)〉V，V = 255， X(x，y)代表點（x〇，y〇)的無種子序列標記時的像素值，若有則為0;則將(x，y)與（xO， yO)合并在同一區域內，同時將(x，y)壓入堆找； 第Ξ步、從堆找中取出一個像素，把它當作(x0，y0)返回到第二步； 第四步、當堆找為空時返回到第一步； 第五步、重復第一至第四步直到圖像中的每個點都有歸屬時，生長結束。
【文檔編號】G06T5/00GK105976385SQ201610335491
【公開日】2016年9月28日
【申請日】2016年5月19日
【發明人】王效靈, 李寧寧, 俞斌德, 楊佐丞, 林云, 余長宏
【申請人】浙江工商大學