基于區(qū)域限制的EM和圖割的非監(jiān)督彩色圖像分割方法

李　磊，董卓莉，張德賢，費(fèi)　選

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，河南鄭州 450001)

?

基于區(qū)域限制的EM和圖割的非監(jiān)督彩色圖像分割方法

李磊，董卓莉，張德賢，費(fèi)選

(河南工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，河南鄭州 450001)

提出一種基于區(qū)域限制的EM(Expectation Maximization)和圖割的非監(jiān)督彩色圖像分割方法,以解決自動(dòng)確定分割類數(shù)問題.首先，生成圖像的超像素，提取圖像的CIE Lab顏色特征和多尺度四元數(shù)Gabor濾波特征；為了高效自動(dòng)地確定分割類數(shù)，同時(shí)避免因直接使用超像素造成的奇異值問題，對(duì)每一個(gè)超像素采樣并使用采樣像素表示超像素;然后采用高斯混合模型對(duì)采樣像素集合進(jìn)行建模，使用加入?yún)^(qū)域限制的分量EM自動(dòng)獲取模型組件數(shù)及參數(shù)，最后使用圖割結(jié)合高斯混合模型對(duì)圖像進(jìn)行優(yōu)化，獲取最終分割結(jié)果.實(shí)驗(yàn)結(jié)果表明，該方法在分割效率和分割質(zhì)量上均得到較大提升.

彩色圖像分割；區(qū)域限制；超像素；分量EM；圖割

1　引言

彩色圖像分割是計(jì)算機(jī)視覺和圖像處理領(lǐng)域的基本任務(wù)之一，其目的是把一幅彩色圖像劃分為有意義且同質(zhì)的區(qū)域.目前，圖像分割方法大致可以分為：基于特征的方法、基于區(qū)域/邊界的方法、基于模型優(yōu)化的方法及其它擴(kuò)展方法等.其中經(jīng)典的非監(jiān)督彩色紋理圖像分割方法如JSEG[1]、CTM[2]、TBES[3]及mean shift[4]等均取得較好的分割效果，但由于每種方法都有各自優(yōu)缺點(diǎn)，并沒有一種通用方法能夠處理所有類型的圖像.因此，圖像分割[5,6]仍具有較大的研究空間.

近年來，圖割優(yōu)化方法[7]已成為計(jì)算機(jī)視覺和圖像處理領(lǐng)域研究的熱點(diǎn)，它廣泛應(yīng)用于圖像分割、視覺跟蹤和去噪等領(lǐng)域.對(duì)于基于圖割的非監(jiān)督圖像分割方法而言，初始模型參數(shù)的估計(jì)、分割數(shù)目(標(biāo)簽數(shù))的確定及合適的勢(shì)能函數(shù)的構(gòu)造等是這類方法研究的重點(diǎn)和難點(diǎn).初始模型參數(shù)的估計(jì)一般可采用K-means、期望最大化(Expectation Maximization，EM)等方法來實(shí)現(xiàn)，但以此得到的初始分割并沒有考慮像素之間的空間關(guān)系，盡管在圖割優(yōu)化過程中通過平滑勢(shì)能對(duì)此加以彌補(bǔ)，但增加了圖割尋優(yōu)時(shí)間，也會(huì)造成過分割.為此，一些文獻(xiàn)[8,9]通過在模型學(xué)習(xí)中加入空間限制來解決該問題，但求解這些模型往往過于復(fù)雜.另一方面，標(biāo)簽數(shù)與圖割優(yōu)化時(shí)間呈指數(shù)關(guān)系，對(duì)優(yōu)化性能影響較大.因此，獲取合適的初始分割結(jié)果和標(biāo)簽數(shù)目是基于圖割的非監(jiān)督圖像分割方法研究的重點(diǎn).Chen等[10]提出了基于最大后驗(yàn)概率(Maximum a Posteriori,MAP)和最大似然(Maximum Likelihood,ML)估計(jì)的分割方法(MAP-ML)，使用MAP和ML估計(jì)結(jié)合區(qū)域重標(biāo)記能夠自動(dòng)獲取分割結(jié)果，但易造成過分割結(jié)果，且分割效率較低；Yang等[11]借助于混合模型的分量期望最大化方法(Component-wise EM for Mixture Models,CEMM)[12]和學(xué)生t分布來自動(dòng)確定模型組件數(shù)，并交替執(zhí)行圖割和區(qū)域合并來獲取最優(yōu)分割結(jié)果，后續(xù)他們又提出了基于圖割和變分公式的非監(jiān)督分割方法[13]，但這兩種方法的初始分割并沒有考慮區(qū)域一致性，運(yùn)行效率仍然較低.Li等[14]提取彩色圖像的多尺度四元數(shù)Gabor濾波(Multi-scale Quaternion Gabor Filter,MQGF)特征，使用標(biāo)準(zhǔn)圖割并結(jié)合最小描述長(zhǎng)度以迭代分裂的方式實(shí)現(xiàn)圖像的非監(jiān)督分割，該方法在Berkeley數(shù)據(jù)庫(kù)[15]的部分圖像上取得了較好的結(jié)果，但在最小描述長(zhǎng)度的參數(shù)選擇上，不具有魯棒性.

近年來，大量文獻(xiàn)[2,3,16]在分割過程中使用超像素代替像素，以提高分割的效率和一致性.采用超像素使這些方法的性能得到了較大的提升.相對(duì)于直接使用像素，使用超像素具有以下優(yōu)點(diǎn)：(1)提高分割效率；(2)一定程度上提高了分割質(zhì)量，減少了噪聲影響.但基于超像素的分割同樣有自身的缺陷：(1)分割結(jié)果的質(zhì)量依賴于超像素生成的質(zhì)量；(2)每一個(gè)超像素表示為一個(gè)節(jié)點(diǎn)，并沒有考慮超像素面積大小的影響；(3)由于超像素樣本較少，容易造成欠擬合和奇異值問題.

綜上所述，本文提出一種基于區(qū)域限制的CEMM和圖割的非監(jiān)督彩色圖像分割方法，該方法包括圖像預(yù)處理、基于區(qū)域限制的CEMM和圖割優(yōu)化三個(gè)過程.首先通過對(duì)超像素采樣生成采樣像素集合，在高斯混合模型參數(shù)估算中由采樣像素代替超像素，以自動(dòng)獲取模型參數(shù)(包括組件數(shù))；然后使用圖割優(yōu)化方法結(jié)合模型參數(shù)對(duì)彩色圖像進(jìn)行優(yōu)化，獲取最終分割結(jié)果.新方法具有以下優(yōu)點(diǎn)：(1)在模型組件估計(jì)過程中，不再把一個(gè)超像素看作一個(gè)節(jié)點(diǎn)，而是使用超像素內(nèi)采樣像素來表示該超像素，超像素面積大，所包含的的采樣像素就多，確保面積較大的超像素在組件參數(shù)估計(jì)過程中所占的比率；(2)由于采樣像素多于超像素，因此能盡可能避免奇異值問題；(3)在同一個(gè)超像素內(nèi)，像素的標(biāo)簽先驗(yàn)概率保持一致，即考慮了像素的空間一致性.

2　圖像預(yù)處理

新方法的預(yù)處理階段主要包括圖像的超像素生成、超像素采樣及圖像的顏色和紋理特征提取.

2.1特征提取

提取合適的特征將有助于提高圖像分割的質(zhì)量.對(duì)于彩色圖像的紋理特征而言，目前主要有兩種提取方法：基于cut-off窗口的方法[2]和基于濾波族的方法[14].為了提高分割性能，本文采用MQGF方法[14]提取彩色圖像的紋理特征Ftex.針對(duì)圖像的顏色特征，由于RGB顏色空間具有非線性化特性，而CIE Lab顏色空間能較好地表達(dá)圖像像素之間色度和亮度變化，因此用像素的CIE Lab顏色值來表示圖像的顏色特征Fcol.最后，彩色圖像的特征F則由其紋理特征和顏色特征融合而成：

F=(Fcol,Ftex)T

(1)

2.2超像素和采樣像素生成

如前所述，眾多文獻(xiàn)使用超像素代替像素以提高分割效率、減少噪聲影響.采用該思想，新方法首先生成圖像的超像素，利用超像素信息進(jìn)行模型學(xué)習(xí).不同于類似的其它方法，在模型估計(jì)中，為了避免由于樣本較少可能造成欠擬合和奇異值問題，新方法不再簡(jiǎn)單使用超像素代替像素，而是使用指定大小的窗口對(duì)每一個(gè)超像素按照一定步長(zhǎng)進(jìn)行采樣，提取采樣像素集合.超像素面積越大，所采樣的像素個(gè)數(shù)就越多.相對(duì)于直接使用超像素內(nèi)像素的均值表示超像素，這種方法更能反映超像素內(nèi)部和超像素之間的變化信息.具體采樣步驟描述如下.

(1)首先使用mean shift[4]生成圖像的超像素，如圖1所示，圖像過分割為6個(gè)部分(超像素)，分別標(biāo)記為1～6；

(2)使用大小為w×w的窗口按照一定步長(zhǎng)對(duì)每一個(gè)超像素進(jìn)行采樣，如圖1所示，本文采用窗口長(zhǎng)度的一半作為采樣步長(zhǎng)，每個(gè)超像素只提取其中心部分像素，即滿足以這些像素為中心的窗口所包含的像素均屬于同一超像素的條件.使用超像素中心部分的像素代替超像素，顯然可以減少超像素邊界的影響；

(3)對(duì)于一些細(xì)長(zhǎng)或較小的超像素而言，如圖1中標(biāo)記為6的超像素，將得不到相應(yīng)的采樣像素，為此，采用超像素內(nèi)像素的均值，或者按照超像素的面積把所包含的像素按照空間關(guān)系劃分為幾個(gè)部分，并計(jì)算其均值來表示該超像素.本文使用超像素的均值來表示這類超像素.

每一個(gè)超像素對(duì)應(yīng)一個(gè)采樣像素集合，本文假設(shè)每一個(gè)超像素的采樣像素集合都是同質(zhì)的.這種超像素和采樣像素之間的關(guān)系，將為新方法后續(xù)模型參數(shù)估算提供像素之間的空間關(guān)系.

3　基于區(qū)域限制的CEMM

為此，在CEMM的E步驟中，結(jié)點(diǎn)i相對(duì)于第m個(gè)組件的隸屬度(條件期望)定義為

(2)

p(y|θm)=N (μm,Σm)

(3)

(4)

(5)

其中m=1,2,…,k，N為每一個(gè)組件參數(shù)的個(gè)數(shù)，k為參數(shù)估算過程組件的個(gè)數(shù).

在M步驟中，模型參數(shù)協(xié)方差和均值由式(6)和(7)計(jì)算得到：

(6)

(7)

其中，nS表示所有采樣像素的個(gè)數(shù).

如算法1所示，基于區(qū)域限制的CEMM的完整步驟描述如下：

在模型參數(shù)初始化方面，給定最大和最小組件數(shù)kmin和kmax，依據(jù)文獻(xiàn)[12]采用隨機(jī)的方式初始化均值參數(shù)μ，而協(xié)方差Σ的初始化值則根據(jù)整個(gè)樣本空間的全局協(xié)方差計(jì)算得到.值得說明的是，采用一些初始化策略[11]取代隨機(jī)選擇策略，可能會(huì)進(jìn)一步提高模型學(xué)習(xí)的效果.

算法1基于區(qū)域限制的CEMM

輸入：FS,PS,ε,kmin和kmax

輸出：最佳混合模型參數(shù)

form=1,…,kmax且i=1,…,nS

2.whileknz≤kmindo

3.repeat

4.t←t+1

5.form=1 tokmaxdo

9.根據(jù)式(6),(7)和(3)更新組件參數(shù)和概率密度函數(shù)

10.else

11.knz←knz-1

12.end if

13.end for

18.end if

20.end while

4　圖割優(yōu)化

(8)

(9)

而平滑項(xiàng)則使用一般的Potts模型[7]：

本文使用α-expansion[7]根據(jù)式(8)定義的能量函數(shù)對(duì)圖像進(jìn)行迭代優(yōu)化.為了使初始分割結(jié)果更加具有空間一致性，在基于區(qū)域限制的CEMM獲取組件個(gè)數(shù)和組件參數(shù)后，計(jì)算圖像概率密度函數(shù)p(y|θm)，類似于基于EM的圖像分割方法獲取每一個(gè)像素的標(biāo)簽，然后根據(jù)超像素內(nèi)每一個(gè)像素的標(biāo)簽計(jì)算超像素的主標(biāo)簽(即超像素內(nèi)像素最多的標(biāo)簽)，以主標(biāo)簽重標(biāo)記該超像素的每一個(gè)像素，以此進(jìn)一步增加超像素內(nèi)像素之間的空間關(guān)系，減少噪聲的影響.在迭代過程中，通過像素標(biāo)簽更新組件參數(shù)，去除一些面積較小的噪聲區(qū)域.

α-expansion的目的是基于給定的能量泛函，使能量盡可能最小化，但會(huì)導(dǎo)致一些同質(zhì)區(qū)域被弱(假)邊界分裂.為了解決該問題，采用類似于文獻(xiàn)[14]的策略去除一些較為明顯的弱邊界.

5　實(shí)驗(yàn)結(jié)果及分析

5.1實(shí)驗(yàn)環(huán)境設(shè)置

選擇Berkeley分割圖像數(shù)據(jù)庫(kù)[9]中的300幅圖像作為測(cè)試對(duì)象，使用JSEG[1]、MAP-ML[10](MM)、CTM[2]及Yang提出的兩種方法(簡(jiǎn)稱為Y13[11]和Y14[13])和本文方法進(jìn)行比較.由于CTM對(duì)圖像大小有要求，因此在實(shí)驗(yàn)過程中，CTM的輸入圖像均歸一化為最長(zhǎng)邊為320個(gè)像素；JSEG的參數(shù)設(shè)定為默認(rèn)值；MM的參數(shù)γ設(shè)置為默認(rèn)值4000；CTM的參數(shù)γ設(shè)定為0.1.

本文分割方法的大部分參數(shù)均可設(shè)置為缺省值，其中，mean shift的參數(shù)(hs,hr)=(11,7)，最小面積為100個(gè)像素；采樣窗口大小設(shè)置為7×7；多尺度四元數(shù)Gabor濾波的參數(shù)按照文獻(xiàn)[14]設(shè)置缺省值；在基于空間限制的CEMM中，組件最大值和最小值根據(jù)圖像分割的特點(diǎn)和實(shí)驗(yàn)結(jié)果分別為設(shè)置為15和2；圖割優(yōu)化參數(shù)γ固定為20，最小區(qū)域面積設(shè)置為原圖像面積的0.001倍.

為了更好評(píng)價(jià)各比較方法的分割性能，采用四個(gè)常用的評(píng)價(jià)指標(biāo)函數(shù)[2]：PRI(The Probabilistic Rand Index)、VoI(The Variation of Information)、GCE(The Global Consistency Error)和BDE(The Boundary Displacement Error)對(duì)分割結(jié)果進(jìn)行評(píng)價(jià)，其中PRI是統(tǒng)計(jì)機(jī)器分割和多個(gè)人工分割之間標(biāo)簽一致的像素對(duì)的個(gè)數(shù)占整個(gè)像素對(duì)個(gè)數(shù)的比率；VoI則把機(jī)器分割和人工分割之間的距離定義為在給定人工分割的條件下機(jī)器分割的平均條件熵，它能夠測(cè)量機(jī)器分割中不能被人工分割所解釋的隨機(jī)性的量；GCE測(cè)量一個(gè)分割可被看作為另外一個(gè)分割的程度；BDE則是測(cè)量?jī)蓚€(gè)分割結(jié)果中邊界像素的平均位移誤差.量化結(jié)果中PRI值越大、VoI、GCE和BDE值越小，則機(jī)器分割結(jié)果與人工分割結(jié)果越接近.

5.2實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于區(qū)域限制的CEMM結(jié)合采樣像素(REMS)、CEMM結(jié)合采樣像素(EMS)、CEMM結(jié)合超像素(EMSP)及CEMM結(jié)合圖像像素(EMP)估算組件參數(shù)之間的差別，圖2展示了4種不同方法獲取模型組件參數(shù)及初始分割結(jié)果的比較，其中K和T分別表示最佳組件數(shù)和時(shí)間消耗(s).

從圖2可以看出，由于增加了樣本的數(shù)量，本文提出的基于區(qū)域限制的CEMM(REMS)一般不會(huì)產(chǎn)生奇異值和可能的欠擬合問題，通過該方法計(jì)算得到的標(biāo)簽數(shù)大于EMSP和EMS所得到的標(biāo)簽數(shù)，但后兩種方法容易發(fā)生過分割和奇異解問題，如EMSP的第一行及EMS的第二行，因此通過式(4)為每一個(gè)超像素內(nèi)的采樣像素加入空間關(guān)系，可以有效避免以上問題.相對(duì)于直接使用像素的CEMM，REMS方法不僅有效提高了算法的運(yùn)行效率，而且所獲得標(biāo)簽數(shù)相對(duì)較少，進(jìn)而有助于提高后續(xù)圖割優(yōu)化的效率.

此外，對(duì)于通過模型組件參數(shù)得到的分割結(jié)果而言，REMS獲取的初始分割結(jié)果區(qū)域一致性更好，分割錯(cuò)誤相對(duì)較少，如圖2第二行中的分割結(jié)果； EMSP雖然獲取的標(biāo)簽個(gè)數(shù)較少，但分割結(jié)果存在較大偏差，如圖2第三行中，EMSP并沒有把豹子分割出來；而對(duì)于其它方法，易造成過分割(如圖2第三行EMS和EMP的結(jié)果)或者奇異解問題(如圖2第二行EMS的結(jié)果).

圖3和圖4展示了本文方法和其它3種方法分割300幅Berkeley圖像數(shù)據(jù)庫(kù)部分圖像的結(jié)果比較，從中可以看出，本文方法分割結(jié)果中，噪聲區(qū)域比較少，邊界保持較好；其次，從本文方法和MM分割結(jié)果的比較可以看出，兩種方法都采用了圖割優(yōu)化方法，分割結(jié)果的邊界保持較好(如圖3中MM的分割結(jié)果第1～3及第5行)，但圖像的標(biāo)簽數(shù)對(duì)分割結(jié)果影響較大，盡管MM在分割過程中能夠根據(jù)能量的變換自動(dòng)調(diào)整標(biāo)簽數(shù)，但容易造成過分割或欠分割.

對(duì)于其它比較方法，JSEG能夠得到較同質(zhì)的區(qū)域，但易得到過分割結(jié)果，并且不能很好地區(qū)分視覺差異不明顯的區(qū)域.CTM采用了基于超像素的區(qū)域合并策略對(duì)圖像進(jìn)行分割，從圖3和圖4中可以看出，其分割結(jié)果邊界不光滑、錯(cuò)位，采用的最小描述長(zhǎng)度準(zhǔn)則并不能較好的適應(yīng)Berkeley 數(shù)據(jù)庫(kù)300幅圖像，造成過分割或者欠分割.

表1給出了6種方法分割300幅圖像的結(jié)果在6種評(píng)價(jià)指標(biāo)上的量化分析，可以看出，本文方法在PRI、和VoI及GCE指標(biāo)上要優(yōu)于其它5種方法，在BDE指標(biāo)上僅次于CTM，相對(duì)于JSEG和MM，本文方法的分割結(jié)果更加接近于人工分割結(jié)果.其中分割方法Y13和Y14的數(shù)據(jù)來源于其所在的文獻(xiàn)[11,13].

表1　本文方法和其它5種方法分割300幅圖像性能比較

表2展示了當(dāng)kmax取不同值時(shí)本文方法分割300幅圖像的結(jié)果，從中可以看出kmax取值[10～15]區(qū)間時(shí)，本文方法的分割性能變化不大，這說明：基于區(qū)域限制的CEMM方法具有較好的收斂性；在模型參數(shù)學(xué)習(xí)的基礎(chǔ)上，圖割利用條件隨機(jī)場(chǎng)模型能夠較好的保持像素的空間信息.因此，本文方法具有一定的魯棒性.

表2　參數(shù)kmax取不同值時(shí)本文方法的分割結(jié)果

從以上實(shí)驗(yàn)可以看出，對(duì)超像素進(jìn)行采樣，雖然降低了抗噪能力，但能夠捕捉超像素內(nèi)部像素之間的差異，而且增加了樣本的數(shù)量，從而降低了奇異解發(fā)生的可能；在CEMM中加入?yún)^(qū)域限制可以保證超像素內(nèi)部像素之間區(qū)域一致性.這種策略也可以應(yīng)用到K-means中，即在每次K-means更新中，強(qiáng)制把超像素內(nèi)的像素標(biāo)簽設(shè)置為主標(biāo)簽，再進(jìn)行聚類中心的更新.本文采用Matlab結(jié)合C++語(yǔ)言實(shí)現(xiàn)所提分割方法.所有實(shí)驗(yàn)均在4-G內(nèi)存、3.20-GHz Intel(R) core (TM) i5-4570 CPU的臺(tái)式機(jī)上執(zhí)行.

6　結(jié)語(yǔ)

本文提出了基于區(qū)域限制的模型學(xué)習(xí)方法，該方法結(jié)合圖割以實(shí)現(xiàn)彩色圖像的非監(jiān)督分割.通過使用窗口對(duì)超像素采樣獲取超像素中心區(qū)域的像素集合，由采樣像素集合代替超像素參與模型學(xué)習(xí)，并增加了超像素和內(nèi)部像素之間的空間關(guān)系，能夠自動(dòng)獲取模型組件個(gè)數(shù)及其參數(shù).相對(duì)于直接使用超像素或者像素的模型學(xué)習(xí)方法，采樣像素能夠反映超像素內(nèi)部的變化，能夠有效避免欠擬合和奇異值問題，并能增加像素之間的區(qū)域一致性.獲取的組件個(gè)數(shù)和基于超像素的初始分割將有效提高圖割優(yōu)化的性能.實(shí)驗(yàn)結(jié)果表明，該方法在分割質(zhì)量和處理效率上均得到有效提升.

[1]Deng Y,et al.Unsupervised segmentation of color-texture regions in images and video[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(8):800-810.

[2]Yang A Y,Wright J,Ma Y,et al.Unsupervised segmentation of natural images via lossy data compression[J].Computer Vision and Image Understanding,2008,110(2):212-225.

[3]Mobahi H,Rao S R,Yang A Y,et al.Segmentation of natural images by texture and boundary compression[J].International journal of computer vision,2011,95(1):86-98.

[4]Comaniciu D,Meer P.Mean shift:a robust approach toward feature space analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(5):603-619.

[5]王順鳳,冀曉娜,張建偉,等.局部熵驅(qū)動(dòng)的GAC模型在生物醫(yī)學(xué)圖像分割中的應(yīng)用[J].電子學(xué)報(bào),2013,41(12):2487-2492.

WANG SHUN-feng,JI Xiao-na,ZHANG Jian-wei，et al.Application of GAC model driven by the local entropy on medical image segmentation[J].Acta Electronica Sinica,2013,41(12):2487-2492.(in Chinese)

[6]趙榮昌,馬義德.一種用于圖像編碼的區(qū)域分割新方法[J].電子學(xué)報(bào),2014,42(7):1277-1283.ZHAO Rong-chang,MA Yi-de.A novel region segmentation algorithm with neural network for segmented image coding[J].Acta Electronica Sinica,2014,42(7):1277-1283.(in Chinese)

[7]Boykov Y,Veksler O,Zabih R.Fast approximate energy minimization via graph cuts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2001,23(11):1222-1239.

[8]Nguyen T M,Wu Q J.Gaussian mixture model-based spatial neighborhood relationships for pixel labeling problem[J].IEEE Transactions on Systems,Man,and Cybernetics,Part B:Cybernetics,2012,42(1):193-202.

[9]Ji Z,Liu J,Cao G,et al.Robust spatially constrained fuzzy c-means algorithm for brain MR image segmentation[J].Pattern Recognition,2014,47(7):2454-2466.

[10]Chen S,Cao L,Wang Y,et al.Image segmentation by MAP-ML estimations[J].IEEE Transactions on Image Processing,2010,19(9):2254-2264.

[11]Yang Y,Han S,Wang T,et al.Multilayer graph cuts based unsupervised color-texture image segmentation using multivariate mixed student's t-distribution and regional credibility merging[J].Pattern Recognition,2013,46(4):1101-1124.

[12]Figueiredo M A,Jain A K.Unsupervised learning of finite mixture models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(3):381-396.

[13]Yang Y,Guo L,Wang T,et al.Unsupervised multiphase color-texture image segmentation based on variational formulation and multilayer graph[J].Image and Vision Computing,2014,32(2):87-106.

[14]Li L,Jin L,Xu X,et al.Unsupervised color-texture segmentation based on multiscale quaternion Gabor filters and splitting strategy[J].Signal Processing,2013,93(9):2559-2572.

[15]Martin D,Fowlkes C,Tal D,et al.A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[A].Proceedings of the Eighth IEEE International Conference on Computer Vision[C].Vancouver,British Columbia,Canada:IEEE,2001.416-423.

[16]Kim T H,Lee K M,Lee S U.Learning full pairwise affinities for spectral segmentation[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(7):1690-1703.

李磊男，1979年出生，河南杞縣人，博士，講師，主要研究方向：圖像處理、計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí).

E-mail:llhaut@163.com

董卓莉女，1980年出生，河南洛寧人，講師，主要研究方向：圖像處理、計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí).

E-mail:dong-lily2002@haut.edu.cn

An Unsupervised Color Image Segmentation Method Based on Region-constrained EM and Graph cuts

LI Lei,DONG Zhuo-li,ZHANG De-xian,FEI Xuan

(CollegeofInformationScienceandEngineering,HenanUniversityofTechnology,Zhengzhou,Henan450001,China)

A new unsupervised color segmentation method based on region-constrained EM (Expectation Maximization) and graph cuts is proposed,which can automatically determine the number of segments for a color image.The proposed method first obtains the superpixels of the image and extracts CIE Lab color feature and multi-scale quaternion Gabor filter feature.In order to automatically and efficiently determine the number of segments for the image and avoid the problem caused by using superpixels directly,a window is used to sample each superpixel to obtain a pixel subset which represents the superpixel.Then the feature space of the sampled pixel subsets is modeled with Gaussian mixture model,and the model parameters (including the number of components) are obtained by a region-constraint component-wise EM algorithm.Finally,the segmentation result can be obtained byα-expansion with the learned model parameters.Experimental results demonstrate the good performance of the proposed method.

color image segmentation;region constraint;superpixel;component-wise EM;graph cuts

2014-10-22；修回日期：2015-04-08；責(zé)任編輯：梅志強(qiáng)

河南省教育廳自然科學(xué)項(xiàng)目(No.13A520177,No.15A520057);河南省科技廳自然科學(xué)項(xiàng)目(No.132102210494);高層次人才基金(No.21476062，No.31401918)

TP391.41

A

0372-2112 (2016)06-1349-06