基于區(qū)域生長的彩色圖像顏色特征提取研究

段 汕，王贏飛

(中南民族大學(xué)數(shù)學(xué)與統(tǒng)計(jì)學(xué)學(xué)院，武漢430074)

圖像特征提取是將圖像中感興趣的部分劃分出來的技術(shù)，也是模式識(shí)別和計(jì)算機(jī)視覺的一個(gè)關(guān)鍵環(huán)節(jié)［1］.由于彩色圖像較灰度圖像包含了更多的有效信息，也更符合人們的視覺感受，因此彩色圖像處理正受到人們越來越多的關(guān)注.對于彩色圖像，主要的分割算法有邊緣檢測法、聚類方法、基于區(qū)域的方法等［2］.而針對顏色特征提取的算法主要有顏色直方圖法［3］、全局累加直方圖法［4］、局部累加直方圖法［5］、顏色參量的統(tǒng)計(jì)特征法［6］以及先將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行處理的方法［7］等.在這些方法中，基于直方圖的方法能簡單地描述一幅圖像中顏色的全局分布，但往往不能準(zhǔn)確地定位圖像中的對象和物體，對于圖像顏色特征的提取結(jié)果在通常情況下也就不符合人們對顏色相似性的主觀判斷.而將彩色圖像先轉(zhuǎn)化為灰度圖像再進(jìn)行處理的方法往往不能較好地區(qū)分顏色特征，提取有效性較差，耗費(fèi)時(shí)間也比較長.由于區(qū)域生長法可以直接作用于顏色空間，在算法實(shí)施過程中要考慮到圖像色彩分布和區(qū)域連通性等，因而成為研究的熱點(diǎn).但是區(qū)域生長算法往往易受初始種子點(diǎn)的選取及生長順序的影響，因此面臨著如何有效選取種子點(diǎn)和確定區(qū)域生長準(zhǔn)則的問題［8］.

本文針對彩色圖像的顏色特征，提出了一種簡單的顏色提取方法.該方法繼承了區(qū)域生長算法的基本思想，并且改進(jìn)了其中種子點(diǎn)的選取方法和生長準(zhǔn)則及生長終止準(zhǔn)則的確定.在實(shí)驗(yàn)中，我們還將本文提出的方法與傳統(tǒng)的將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行處理的算法和改變種子的生長準(zhǔn)則的方法進(jìn)行了比較.結(jié)果證明，該方法不但簡單高效，而且在保證區(qū)域連通性的同時(shí)，還能夠得到與人眼視覺判斷相一致的有意義的圖像顏色特征提取.

1 算法描述

1.1 顏色空間的選取

顏色空間是對顏色進(jìn)行量化的空間坐標(biāo)，在計(jì)算機(jī)中，彩色圖像的存儲(chǔ)、顯示一般均采用RGB彩色空間.由于RGB彩色空間具有3個(gè)基范圍統(tǒng)一、空間內(nèi)連續(xù)、不存在奇異點(diǎn)等優(yōu)點(diǎn)［8］，因此，在本文中，我們采用RGB彩色空間.并且在RGB系統(tǒng)中，每個(gè)彩色點(diǎn)都可以看做RGB坐標(biāo)系中該點(diǎn)的向徑來描述，所以，在此我們采取處理彩色圖像各像素點(diǎn)的向量分量為基礎(chǔ)的處理技術(shù).

在上述顏色空間中，本文對彩色圖像顏色特征提取的主要步驟可以概括為選取種子點(diǎn)，對種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長和圖像后處理，我們逐一對其進(jìn)行討論.

1.2 關(guān)于種子點(diǎn)的選取

種子點(diǎn)的選取一直是區(qū)域生長算法中的首要問題.如果不慎將其選在噪聲或者干擾像素上，就會(huì)很難實(shí)現(xiàn)有意義的圖像提取工作.因此，為了獲得理想的實(shí)驗(yàn)結(jié)果，我們必須合理地選取種子點(diǎn).

目前，種子點(diǎn)選取方法主要有2種:一種是隨機(jī)選取;另一種是根據(jù)先驗(yàn)知識(shí)人機(jī)交互手動(dòng)選擇.在本文中，為了避免噪聲像素的干擾，我們采取中值點(diǎn)法選取種子點(diǎn).即在待提取區(qū)域中初始化一點(diǎn)，以該點(diǎn)為中心在圖像中取半徑為k的方形鄰域?yàn)榇翱?，也即是以該點(diǎn)為中心的(2k+1)×(2k+1)大小的窗口，將窗口內(nèi)各像素點(diǎn)的待提取顏色分量排序，取窗口中待提取顏色分量等于排序中間值的點(diǎn)為種子點(diǎn).實(shí)驗(yàn)證明，以這種方法選取的種子點(diǎn)進(jìn)行區(qū)域生長時(shí)，可以減小由圖像中干擾像素的像素值過高或過低造成的誤差，而且對窗口大小的依賴性較小.而在本文實(shí)驗(yàn)中，我們發(fā)現(xiàn)在k取5或6時(shí)，對所選種子點(diǎn)進(jìn)行區(qū)域生長作用的提取效果較好.

在圖1中，我們要提取原始彩色圖像圖1(a)中的紅色花片部分.首先在紅色區(qū)域中隨機(jī)初始化一點(diǎn)(670，447)，其R、G、B分量分別為 171、21、33(見圖1(b))，以該點(diǎn)為中心取13×13大小的窗口，將窗口中各像素點(diǎn)的R分量排序，得到R序列的中間值為165.經(jīng)過統(tǒng)計(jì)，在該窗口中，R分量為165的點(diǎn)一共有8個(gè)，我們隨機(jī)選取其中一點(diǎn)(670，445)為種子點(diǎn)，其R、G、B分量分別為 165、17、29，如圖 1(c).

圖1 種子點(diǎn)的選取結(jié)果Fig.1 Selection of the seed point

1.3 對種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長

1.3.1 區(qū)域生長算法的選取與描述

區(qū)域生長算法，顧名思義，也就是根據(jù)預(yù)先定義的生長準(zhǔn)則來把像素或子區(qū)域集合成較大區(qū)域的處理方法［9，10］.而對于區(qū)域生長算法的嚴(yán)格定義，主要有2種:一種是指以一組“種子”點(diǎn)開始，將與種子性質(zhì)相似(諸如灰度級(jí)或顏色的特定范圍)的相鄰像素附加到生長區(qū)域的每個(gè)種子上［8］;另一種定義為先對要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中，再將這些新像素當(dāng)做新的種子像素繼續(xù)上面的過程，直到?jīng)]有滿足條件的像素可被包括進(jìn)來為止［11］.

在上述第一種定義下，區(qū)域生長過程中的種子點(diǎn)一經(jīng)選定，就是固定不變的，整個(gè)生長過程所考慮的僅是像素點(diǎn)與所選定的種子點(diǎn)之間的相似程度，因此第一種定義更適合于對灰度圖像的處理;而第二種定義下的區(qū)域生長過程在每次循環(huán)遍歷下的種子點(diǎn)都是動(dòng)態(tài)變化的，充分考慮了像素之間的連通性和鄰接性，鑒于彩色圖像各像素點(diǎn)之間的信息高度相關(guān)，我們在本文中采用第二種定義.那么在這種定義下，根據(jù)適當(dāng)?shù)纳L準(zhǔn)則對像素點(diǎn)進(jìn)行合并是區(qū)域生長的關(guān)鍵，在本文中，我們考慮分別對種子點(diǎn)向量的各分量進(jìn)行3×3鄰域的區(qū)域生長處理.即對于彩色空間中圖像I上的任意一點(diǎn)p0，如果其R、G、B分量分別為r0、g0、b0，則我們用下式來定義區(qū)域生長準(zhǔn)則.

其中r、g、b為p0點(diǎn) 3 ×3 鄰域內(nèi)任意一點(diǎn)的R、G、B分量，m1、m2、m3分別為對應(yīng)于R、G、B分量所選定的閾值.實(shí)驗(yàn)表明，以這種方式定義的生長準(zhǔn)則與以向量的二范數(shù):

定義的生長準(zhǔn)則d≤m(其中m為閾值)相比，不僅降低了時(shí)間復(fù)雜度，而且充分考慮了各顏色分量之間的漸變性，更有利于對彩色圖像的顏色特征進(jìn)行提取.

那么對于給定的閾值m1、m2、m3，對種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長過程可以簡化為圖2中的流程.

圖2 本文區(qū)域生長算法流程圖Fig.2 Flow chart of the proposed algorithm

在該算法中，根據(jù)圖像自動(dòng)確定閾值將會(huì)是實(shí)現(xiàn)有意義區(qū)域自動(dòng)提取的基礎(chǔ).如果閾值選得過小，則難以完全將待提取區(qū)域提取出來，選得過大，又難以將提取目標(biāo)與背景相分離，實(shí)施有效的提取.基于待提取區(qū)域的顏色與種子點(diǎn)顏色必須高度相似這一準(zhǔn)則，本文采用直方圖法確定最終閾值.

1.3.2 生長終止準(zhǔn)則的確定

首先我們以種子點(diǎn)為中心，選取半徑為n(n大小可變)的方形鄰域，統(tǒng)計(jì)出窗口中任意非邊界點(diǎn)與其3×3鄰域內(nèi)任一點(diǎn)的R、G、B分量的差值，這樣不對窗口中的邊界點(diǎn)進(jìn)行處理的目的是為了避免窗口取到圖像邊界時(shí)所造成的誤差.其次計(jì)算出差值結(jié)果中同值的個(gè)數(shù)(對帶有小數(shù)的差值采用取整法)，統(tǒng)計(jì)出直方圖.最后依據(jù)直方圖確定最終閾值.

圖3是對應(yīng)于圖1(c)中的種子點(diǎn)，當(dāng)n=50時(shí)，統(tǒng)計(jì)出的窗口中非邊界點(diǎn)與其3×3鄰域內(nèi)各點(diǎn)的顏色分量差值直方圖.其中(a)、(b)、(c)分別是對應(yīng)于R、G、B分量的差值直方圖.從圖3中可以看出，我們可以取m1=5，m2=5，m3=5將圖像中的紅色花片部分提取出來.

圖4(a)即為根據(jù)圖3中的直方圖所確定的閾值，對圖1(c)中的種子點(diǎn)進(jìn)行3×3鄰域的區(qū)域生長實(shí)驗(yàn)的結(jié)果，可以看出，我們已經(jīng)很好地提取出了圖1中的紅色花片部分.

圖3 顏色分量差值直方圖Fig.3 Histogram of the difference between color components

圖4 對圖1中紅色花片進(jìn)行提取的實(shí)驗(yàn)結(jié)果Fig.4 Extraction results of the red rose petals in Fig.1

1.4 圖像后處理

由于圖像在傳輸、轉(zhuǎn)換過程中不可避免地會(huì)受到各種干擾的影響，致使提取結(jié)果中會(huì)出現(xiàn)單個(gè)像素的噪聲.傳統(tǒng)的濾波方法雖然能夠較好地去除噪聲，但同時(shí)也會(huì)去除一部分圖像信息，造成圖像邊緣模糊.而基于數(shù)學(xué)形態(tài)學(xué)的圖像去噪，是利用結(jié)構(gòu)元素對圖像進(jìn)行處理，在去除噪聲的同時(shí)也能很好地保留圖像的邊緣信息［11］.針對這種情況，我們在本文中利用形態(tài)學(xué)中的開閉濾波對提取出的圖像進(jìn)行后處理.考慮到圖像中的噪聲點(diǎn)幾乎都是單個(gè)的孤立像素點(diǎn)，因此我們用半徑為1的圓盤作為結(jié)構(gòu)元素對提取后的圖像進(jìn)行先開后閉的濾波作用.圖4(b)即為對圖4(a)中的圖像進(jìn)行濾波處理后的結(jié)果，相比之下，處理后的圖像幾乎不含噪聲點(diǎn)，基本達(dá)到了我們的提取目的.

2 試驗(yàn)分析

對于上述算法，我們隨機(jī)選取了一些彩色圖像進(jìn)行試驗(yàn)分析，并與文獻(xiàn)［7］中提到的傳統(tǒng)的將彩色圖像轉(zhuǎn)化為灰度圖像再進(jìn)行區(qū)域生長作用的算法及文獻(xiàn)［12］中以判斷向量二范數(shù)為生長準(zhǔn)則的算法做了對比.

圖4(a)為利用本文算法對圖1中的紅色花片的提取結(jié)果.圖5圖6即為根據(jù)先將原始圖像1(a)轉(zhuǎn)化成灰度圖像后對圖1(c)中所選的種子點(diǎn)進(jìn)行區(qū)域生長的結(jié)果，其中圖5是利用區(qū)域生長算法的第一種定義，閾值分別取為21、22時(shí)的實(shí)驗(yàn)結(jié)果，圖6為按照區(qū)域生長算法的第二種定義，像素灰度差分別取1、2時(shí)的實(shí)驗(yàn)結(jié)果.圖7是采用以像素點(diǎn)向量的二范數(shù)定義生長準(zhǔn)則時(shí)，閾值分別取5和6的實(shí)驗(yàn)結(jié)果.

圖5 在區(qū)域生長算法的第一種定義下，傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果Fig.5 Experimental results of the traditionalmethod under the first definition of region growing algorithm

圖6 在區(qū)域生長算法的第二種定義下，傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of the traditionalmethod under the second definition of region growing algorithm

圖7 采用向量二范數(shù)定義生長準(zhǔn)則的實(shí)驗(yàn)結(jié)果Fig.7 Experimental results under the growth criteria based on Euclidean distance

從各實(shí)驗(yàn)的結(jié)果對比中可以看出，無論在區(qū)域 生長算法的哪一種定義下，將圖像轉(zhuǎn)化為灰度圖像再進(jìn)行提取的實(shí)驗(yàn)，在閾值之差僅為1時(shí)，仍然或者只能提取出少部分的待提取區(qū)域 (如圖5(a)、圖6(a))，或者會(huì)提取出過多的背景信息(如圖5(b)、圖6(b))，都與預(yù)期結(jié)果相差較遠(yuǎn)，利用向量的二范數(shù)作為生長準(zhǔn)則時(shí)所得的實(shí)驗(yàn)效果也不是很理想.相比之下，利用本文算法則能夠得到與人眼視覺判斷相一致的有意義的圖像顏色特征提取.因此充分利用彩色圖像的顏色特征進(jìn)行提取比僅利用單一灰度特征進(jìn)行提取的效果更準(zhǔn)確，而合理地選擇區(qū)域生長準(zhǔn)則也是區(qū)域生長算法的關(guān)鍵.

圖8是利用本文算法對原始圖像中深綠色葉片的提取實(shí)驗(yàn)，其中待提取葉片位于圖像的左下側(cè).從實(shí)驗(yàn)結(jié)果中可以看出，我們能夠得到相對理想的提取效果.

圖8 應(yīng)用本文算法的提取實(shí)驗(yàn)Fig.8 Extraction experiments of the proposed algorithm

3 結(jié)束語

傳統(tǒng)的對彩色圖像顏色特征的提取工作，是先將彩色圖像轉(zhuǎn)化成灰度圖像，然后再對種子點(diǎn)進(jìn)行區(qū)域生長處理.在本文中，我們選取了適合彩色圖像處理的區(qū)域生長算法，并改進(jìn)了其中種子點(diǎn)的選取、生長準(zhǔn)則和終止準(zhǔn)則的確定，再直接對彩色空間中的種子點(diǎn)進(jìn)行區(qū)域生長作用.從實(shí)驗(yàn)結(jié)果來看，本文提出的方法是一種簡單的彩色圖像顏色特征的提取方法，對于傳統(tǒng)方法中通常存在的不能較好區(qū)分顏色特征、提取有效性較差、耗費(fèi)時(shí)間比較長等問題都有所改進(jìn)，在保證區(qū)域連通性的同時(shí)，也得到了與人眼視覺判斷相一致的有意義的圖像特征提取結(jié)果.

［1］林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國圖象圖形學(xué)報(bào)，2005，10(1):1-10.

［2］楊家紅，劉 杰，鐘堅(jiān)成，等.結(jié)合分水嶺和自動(dòng)種子區(qū)域生長的分割算法［J］.中國圖象圖形學(xué)報(bào)，2011，15(1):63-68.

［3］高美真，申艷梅.基于顏色直方圖的圖像檢索技術(shù)［J］.微電子學(xué)與計(jì)算機(jī)，2008，25(4):25-27.

［4］Stricker M，Orengo M.Similarity of color images［J］.Storage and Retrieval for Image and Video Databases III，1995，2420:381-392.

［5］劉忠偉，章毓晉.利用局部累加直方圖進(jìn)行彩色圖像檢索［J］.中國圖象圖形學(xué)報(bào)，1998，3(7):533-537.

［6］劉忠偉，章毓晉.利用顏色特征進(jìn)行圖像檢索［J］.電子技術(shù)應(yīng)用，1999(2):19-20.

［7］張麗紅，張 慧，王曉凱.邊緣檢測和區(qū)域生長相結(jié)合的圖像ROI提取方法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，21(4):233-237.

［8］劉戰(zhàn)杰，馬儒寧，鄒國平，等.一種新的基于區(qū)域生長的彩色圖像分割算法［J］.山東大學(xué)學(xué)報(bào):理學(xué)版，2010，45(7):76-80.

［9］Gonzalez R C.數(shù)字圖像處理(MATLAB 版)［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2005.

［10］Gonzalez R C.數(shù)字圖像處理［M］.阮秋琦，譯.北京:電子工業(yè)出版社，2003.

［11］胡學(xué)龍.數(shù)字圖像處理［M］.北京:電子工業(yè)出版社，2011.

［12］Wang Y F，Duan S，Chen X.General representation of morphology operators on Euclidean space ［C］.Shanghai:IEEE Int'l Conf Signal and Information Processing，2011:881-884.