信息融合技术在彩色图像分割方法中的应用
第23卷 第7期2000年7月
计 算 机 学 报CH I N ESE J 1COM PU T ER S
V o l . 23N o. 7
Ju ly 2000
信息融合技术在彩色图像分割方法中的应用
王月兰 曾迎生
(国防科学技术大学自动控制系 长沙410073)
摘 要 将信息融合技术应用于彩色图像分割, 提出了一种新的分割方法, 并应用剥壳技术降低问题的复杂度, 为彩色分割在不同领域中的应用提供了一种新的思路与解决方法. 将该方法应用于彩色地图自动矢量化输入系统, 得到了令人满意的结果.
关键词 彩色图像分割, 信息融合, 彩色空间, 模式识别, 图像处理中图法分类号:T P 391
The Study on the I nforma tion Fusion Used for Color I mages Segm en ta tion
W AN G Yue 2L an ZEN G Y ing 2Sheng
(D ep art m ent of A u to m atic Control , N ational U nivercity of D ef ence T echnology , Chang sha 410073)
Abstract A new algo rithm based on info rm ati on fu si on , w h ich can be u sed fo r the segm en tati on of co lo r i m ages is p ropo sed in th is p ap er .
It offers a new th ink ing m ode and reso lven t fo r the
. T he app licati on of sk iving _rind reduces app licati on of co lo r i m ages segm en tati on in vari ou s fields the com p licated degree . T he algo rithm has been app lied in the system of au tom atic vecto rizati on inp u t of m ap s and the resu lt is satisfying .
Keywords co lo r i m age segm en tati on , info rm ati on fu si on , co lo r sp aces , p attern recogn iti on , i m age p rocessing
1 引 言
图像分割是计算机图像识别与理解领域极为活跃的一个分支, 也是计算机图像理解方法实现的基础. 对灰度图像进行的研究起步较早, 算法也相对较为成熟, 而对于彩色图像的研究则起步晚, 仍有很多有待改进的地方, 彩色图像的分割算法一直是近年研究的热点[1]. 由于彩色图像包含较多的有效信息量, 且给人以较直观的视觉感受, 因此对它的研究有利于克服传统的灰度图像分割方式的不足, 是一个更加广阔的研究领域.
本文在分析研究现有彩色图像分割算法的基础上, 提出了一种新的基于信息融合的彩色图像分割
方法, 充分利用彩色图像的各种不同的特征信息, 得到高效、准确的彩色图像分割效果, 为彩色图像分割在不同领域中的应用提供了一种新的思维方式与解决方法.
2 分割算法的分析与研究
彩色图像分割方法通常可分为两类[2, 3]:聚类分析技术和区域分割技术.
聚类分析技术大致分为直接对每一像元进行聚类分析和用图像直方图的聚类分析两类[6, 7]. 前者通常以误差平方和最小为准则, 采用距离最小或相似度最小等来实现. 它的计算量较大, 但能充分利用彩色信息, 对彩色信息分布较明显集中的图像的分割
收稿日期:1999209219; 修改稿收到日期:2000203228. 王月兰, 女, 1972年生, 硕士研究生, 工程师, 主要研究方向为彩色图像分割与理解、模式识别与信息融合. 曾迎生, 男, 1965年生, 博士研究生, 副教授, 主要研究方向为模式识别.
效果较好; 后者基于直方图进行聚类分析, 特征的选取至关重要, 要保证特征空间中的集群重迭较少, 峰值之间的距离大于最小判别距离. 颜色空间多采用
333333
. R GB , L U V , L a b , H SV , H L S 等
区域分割技术则是根据某种彩色特征将彩色图像分成几个子图像区域, 如此递归地将每个子图像再同样分割, 直到所得到的每个子图像区域为均匀颜色区域为止. O h lander [4]利用多个彩色直方图分析进行彩色图像区域分割, 但该方法会丢掉那些未在直方图中产生较大峰值的细小图像区域. N evatia 认为彩色图像的明度D =R +G +B 和比值r =R D ,
. O h lander 则认为在R GB , Y IQ g =G D 较R GB 好
和H L S 三个表色系统中, Y IQ 表色系统用于彩色图像分割效果最差, H L S 表色系统用于彩色图像分割效果最佳. O h ta [5]在经验总结的基础上, 对八幅不同彩色图像进行实验归纳得出一组正交的彩色特征集{I 1I 2I 3},但在O h ta 的彩色特征集中, I 1与物体几何形状有关, 在对彩色圆柱体进行分割时, 一个单一物体的曲面被分成了不同的区域.
黄庆明等[3]提出的基于色彩学习的彩色图像分割方法较好地克服了光照变化及阴影对图像分割的不利影响, 能够对彩色图像中指定色彩的多个区域同时进行分割, 但对多色彩要素不能同时分割, 且分
割效率与学习效率、准确度有很大程度的相关性.
3 信息融合的分割方法
3. 1 融合技术的应用
信息融合技术是对所处理对象进行多方面、多角度的全面分析, 得到代表不同特征的有效信息, 优势互补, 将对象分割为多个不同区域, 根据不同特征信息分别实施操作, 或是对该对象同时根据各个特征信息进行操作, 对得到的不同结果进行综合、加权以得到最佳效果的一种技术手段. 将信息融合技术思想应用到彩色图像分割中, 得到了很好的分割效果.
鉴于上述分析, 本文提出的基于信息融合的彩色图像分割方法, 充分利用各种有效信息, 实施高效、准确的图像分割. 该方法融合了区域分割与聚类分割的优点, 充分互补, 即采用区域分割技术与聚类分割算法相结合, 针对不同颜色要素的主要特征设计不同的特征函数, 对全图采用区域分割算法. 对得到的子区域一部分进行聚类分析, 从而得到准确的分割结果, 另一部分则再进行区域分割, 依次递归, 直到得到所有颜色的准确分割结果为止, 如图1所示. 此方法对于颜色分布不均匀, 聚类区分不显著的彩色图像避免了用单一方法所产生的缺陷
.
3. 2 剥壳技术的应用
剥壳技术就是对所处理对象逐层分析、解剖, 由
易到难, 首先处理最容易的, 并将处理后的部分与原对象分离, 对分离后的对象进一步递归处理, 直到处理到唯一核心为止.
当处理的彩色图像信息量大、复杂程度高时, 采用剥壳技术, 由易到难, 可有效地降低复杂度. 对特征空间集群较为集中, 分割特征较明显的颜色要素, 首先进行分割, 并将彩色图中该要素区域去除, 使彩色图由复杂到简单. 对于特征不明显, 且与其它颜色
要素重叠较多的最难分割要素, 则最后进行分割, 并针对去除其它要素以后的部分进行处理, 排除了干扰信息, 因此易于实现较好的分割结果. 3. 3 彩色特征的选取与设计原则
在各彩色空间坐标系中, 各颜色特征均有其特点, 对不同的颜色有着可能完全不同的分割效果. 传统的方法是以一个特征函数分割所有要素,
O h lander [4]
尝试的九个特征取其最佳的进行分割, 有很好的效果, 但仍存在着无法克服的弊端. 本文提出与传统截然不同的方法, 针对不同颜色要素分别设定特征函数. 无论采用哪类彩色空间, 均是R , G , B 的组合, 建议采用R , G , B 的线性组合来设定特征函数, 避免奇异点. 要充分根据所涉及对象的特点, 并在合理应用人眼的视觉机理的前提下进行设计. 要求每一特征函数能够使得相应的要素信息增强, 其它要素信息减弱, 加大该要素与其它要素峰值间的距离, 以获得较好的分割效果.
设计特征函数为
S 1=W 1×R +W 2×G +W 3×B (1) 其中, W 1, W 2, W 3为加权系数, 设定不同的权值可
得到特征明显的S 值, 如设置要素特征函数:
S bu =1. 6×R -B
if (S bu >=0) 则进行归整化, S -blue (R , G , B ) = S bu
则得到的S _blue (R , G , B ) 对蓝色效果显著.
S =W 1×F 1(R , G , B ) +W ×F 2(R , G , B ) +
W 3×F 3(R , G , B )
(2) 其中, W 1, W 2, W 3为加权系数, F 1(R , G , B ) , F 2(R , G , B ) , F 3(R , G , B ) 为R , G , B 的线性组合, 设定不同的权值可得到特征明显的S 值, 如设置要素特征函数:
S g =5×(G -R ) -3× B -R +(1. 6×R -B ) if (S g |[0, 255]) 则进行归整化, S -g reen (R , G , B ) =255-S g ,
则得到的S _g reen (R , G , B ) 对绿色分割效果显著, S _blue (R , G , B ) 与S _g reen (R , G , B ) 在彩色地图自动矢量化输入系统中得到较好的应用.
根据此彩色特征的选取与设计原则, 可针对特定问题设计不同的特征函数, 以使得问题得到更有效的解决. 当然也可以采用已有的特征函数, 如H SV 空间、H L S 空间以及H S I 空间的H (色调) 就是很好的特征信息, 只要是对要素分割有利均可. 3. 4 聚类算法
对子区域特征进行聚类, 采用集群聚类算法效果较好[8].
(1) 颜色相似测度d (x , x ′) :
d (x , x ′
) =w 1(R -R ′) 2+w 2(G -G ′) 2+w 3(B -B ′
) 2(3)
其中w 1, w 2, w 3为非线性空间的加权系数, x , x ′是
R GB 色度空间的两个矢量
. w 1, w 2, w 3
的取值是根
据人眼对R , G , B 三分量的分辨程度, 本文取w 1=4,
w 2=8, w 3=1.
(2) 误差平方和准则函数
设n i 是群x i 中的像素点数, m i 是这些像素点
的均值向量, K 是群的总数.
m i =
n i x ∑x
(4)
∈x i
定义误差平方和准则函数
K
J e =
∑∑‖x -m i ‖
2
(5)
i =1x ∈x i
集群聚类方法是每次对两个群合并, 误差平方和函数的值每次都要增加, 若是误差函数的增加在每一次合并时都是最小的, 则得到的划分就是最优或准最优的了.
准则函数的增量∃J 可由式(3) , (4) 求得:
∃J =(n n d (m i , m j )
(i +j )
6)
其中d (m i , m j ) 是两个群合并前, 两个群质心的颜色相似性度量值.
3. 5 其它有效信息的利用
区域信息:对相当一部分彩色图通过扫描仪扫描输入, 有很大的色散、失真现象, 因此需加入位置信息, 根据8邻域的特征信息加权, 得到此像素的特征值, 可有效地排除失真现象.
知识信息:如对象的几何特征知识信息、深度信息及其它有关特性知识等, 均可作为辅助信息加以提取, 应用于分割算法中.
降低数据量:在不损失信息特征的前提下, 可对24位真彩色图进行降低信息数据量, 采用传统的中分法, 可较好地保存颜色信息. 3. 6 信息融合加权
对采用不同特征信息对同一要素所得分类值进行融合加权:
A =W
1×T 1+W ×T +W
3
×T 3+…+W n ×T n ,
其中, W 1, W 2, W 3, …, W n 为加权系数, T 1, T 2, T 3, …, T n 为各分类结果值, T i ∈[0, 1],根据A 来判定得到最终确定性分类值来进行图像分割. 加权系数根据不同处理对象来设定, 可根据统计特征得到, 亦可设为经验值.
4 实验结果
将本文的算法思想应用到彩色地图自动矢量化输入系统中, 得到令人满意的地形图要素分割效果, 解决了彩色地图因扫描仪输入带来的严重的颜色散射、失真及畸变现象. 具体算法已在I BM 586上实现
. 为得到较好的棕色要素的分割效果, 该算法综合利用颜色特征信息、前景与背景信息与先验知识信息, 得到三类棕色要素分版结果:SegB row n , B inB row n , ExpB row n . 设x i 为图像中的象素点, if (x i 是棕色分版j 中的点) , 则f j =1, 否则f j =0(i =1, …, D a taS iz e , j =1, 2, 3. j =1代表SegB row n 分版, j =2代表B inB row n 分版, j =3代表ExpB row n 分版) . 定义隶属度函数r (x i ) 为
r (x i ) =w 1f 1(x i ) +w 2f 2(x i ) +w 3f 3(x i ) ,
其中w 1, w 2, w 3为非线性空间的加权系数. 由于颜色特征信息是主要的分割依据, 因此所占比重应最大, 而先验知识信息与实际地形图信息有一定的差异, 因此所占比重应该最小, 该算法中取w 1=0. 5, w 2=0. 4, w 3=0. 1.
试验分割结果如图2—11所示. 其中图2为全要素彩色地形图, 背景为浅棕色, 植被为深绿色. 图7为较浅的全要素彩色地形图, 背景偏浅绿, 植被为浅绿色, 与图2有较大的差异. 从分割结果可以看到, 应用信息融合技术, 图2与图7均得到了令人满意的分割结果
.
5 结 论
此方法对数据量大的大幅彩色图像的分割具有
效率高、速度快、分割准确的优点, 为彩色图像的分割在不同领域中的应用提供了一种新的有效的思维方式与解决方法. 针对不同的彩色分割对象, 可根据需要选择特征函数、特征向量以及更为具体的信息进行融合, 会取得更好的分割效果. 当然, 这其中特
征要素的选取与设计还有很大的研究空间, 还需要更进一步的研究、探讨.
参
考文献
1
L ee H sien 2che et al . M odeling ligh t reflecti on fo r computer visi on .
IEEE T ransacti ons on Pattern A nalysis and M ach ine
Intelligence, 1990, 12(4) :402-409
2H uang Pei 2Zh . i
A utom atic segm entati on of scanned data and analysis of contour lines in co lo r m ap s [Ph D dissertati on ]. W uhan T echnical U niversity of Surveying and M app ing , W uhan , 1996(in Ch inese )
(黄培之. 彩色地图扫描数据自动分层与等高线分析[博士学位
论文]. 武汉测绘大学, 武汉, 1996)
3
H uang Q ing 2M ing ,
Zhang T ian 2W en et al .
Co lo r i m age
segm entati on based on co lo r learning .
Journal of Computer
R esearch and D evelopm ent , 1995, 32(9) :60-64(in Ch inese ) (黄庆明, 张田文等. 基于色彩学习的彩色图像分割方法. 计算机
研究与发展, 1995, 32(9) :60-64)
4
O h lander K , R eddy R . P icture segm entati on using a recursive regi on sp litting m ethod . Computer Graph ics I m age P rocessing , 1978, 8(4) :313-3335O h ta Y , Kanade T . Co lo r info rm ati on fo r regi on segm entati on . Graph ics and I m age P rocessing , 1980, 13(3) :222-241
6
L i m Yong W on, L ee Sang U K . O n the co lo r i m age segm entati on algo rithm
based on the th resho lding and the fuzzy c 2m eans
techniques
. Pattern R ecogniti on , 1990, 23(9) :935-9527M ehm et Celenk . A co lo r clustering technique fo r i m age
segm entati on using a recursive regi o sp litting m ethod . Computer Graphics and I m age P rocessing , 1990, 52(2) :145-1708
Gong X iao 2Yu .
Co lo r selecti on w ith clusters .
Journal of
Computer W o rd , 1994, 1:25-28(in Chinese )
(宫小玉. 用集群方法进行颜色选择. 计算机世界, 1994, 1:25-28) 9
Tang
Shun 2Q ing .
Chrom a .
Beijing :
Beijing
Institute of
Techno logy Publishing House , 1991(in Chinese ) (汤顺青. 色度学. 北京:北京理工大学出版社, 1991)