視覺顯著性和圖像分割算法分析

◆郭宇晴 李 想

（河北工業(yè)大學 天津 300401）

在進行圖像分割操作時，需要借助多種算法來確保對目標對象的有效分離。其作業(yè)的實質(zhì)是在特定的圖像背景中，將目標對象進行有效獲取和分離。在實際運用圖像分割技術時，往往會受到圖像內(nèi)容的限制，使得圖像分割的精確性受到較大影響。通常所采用的自動化分割技術不能保證對圖像內(nèi)容的有效識別與分離，無法滿足大部分圖像分割操作的質(zhì)量需求，相對來說通用性較差。因此，吳琳等人以及楊娟等人等眾多學者將交互式分割技術帶進醫(yī)學圖像分割，與以往的自動化分割方式相比，表現(xiàn)出了良好的適用性。本文基于交互式分割技術，獲得更多的分割信息，同時借助相應的算法實現(xiàn)對目標圖的快速辨別與分離。

1 Graph Cuts算法現(xiàn)存問題分析

Graph Cuts算法通常將數(shù)據(jù)項和光滑項作為重要的能量參數(shù)，將圖像形成一個映射的帶權圖。通過標號的方式實現(xiàn)對帶權圖的求解與轉(zhuǎn)化。實際操作圖像分割時，會通過用戶提供的圖像內(nèi)容標號來確定相應的像素點和圖像分割對象。其中的數(shù)據(jù)項主要用來表現(xiàn)標紅和處理數(shù)據(jù)的一致性。光滑項是對相鄰像素點的有效約束，具體表現(xiàn)為對于圖像區(qū)域連續(xù)性邊界的有效辨別， Graph Cuts能量函數(shù)如下式所示。

1.1 前景與背景重疊問題

在處理圖像的前景顏色與背景顏色存在重疊現(xiàn)象時，該算法中的觀察數(shù)據(jù)值對于顏色分布狀況的估算會存在不合理現(xiàn)象，圖像分割后，很容易產(chǎn)生目標圖像不完整的問題。陳科尹等[1]等多篇文章中將因數(shù)據(jù)估算不合理所產(chǎn)生的圖像分割問題，稱之為gainful learning現(xiàn)象。通過系統(tǒng)設計的faithful learning算法可有效解決此種問題，但該算法與常規(guī)算法相比，存在復雜性的特征，很難保證此算法的大范圍推廣應用。

1.2 shrinking bias現(xiàn)象問題

當分割對象為呈現(xiàn)細長結(jié)構(gòu)的邊界圖形時，采取Graph Cuts算法極易形成shrinking bias現(xiàn)象。針對此類問題，可以在初步分割完成的情況下，與用戶建立有效的交互溝通，獲取更多的圖像信息。同時借助Dijkstra算法來找出相對較短的邊界連通路線。但實際應用時，該種方式會進一步提升用戶交互的復雜性，使圖像處理工作過于煩瑣，很難被用戶接受。

1.3 計算量問題

該算法在進行圖像分割時，需要首先獲取圖像的像素點，這就為圖像分割操作帶來了大量的計算量。為此，也應對其交互的時效性進行綜合考慮。

2 算法改進措施

通過上述分析可以發(fā)現(xiàn)，借助Graph Cuts算法進行圖像分割時，存在多方面的影響因素，會對圖像分割的質(zhì)量造成較大影響，為了改善Graph Cuts算法存在的問題，我們提出以下幾點改進措施：

2.1 借助Mean Shift算法進行圖像預處理

與Graph Cuts算法不同，Mean Shift進行圖像分割時，利用核函數(shù)預算的方式，對圖像中的分割對象進行目標追蹤。相對于其他算法來說，該算法極少產(chǎn)生超出目標對象分割界限的問題，可以有效提升目標對象的完整性。采取五維特征向量空間的算法，對三維的顏色空間和二維的坐標進行提取，所獲得的坐標分布形式為χ=（χs，χr）其中的χs和χr分別代表像素坐標和三維顏色向量。

通過相關的運算可以得出，當 hs空域和 hr色域帶寬相對較大時，所獲得的分割區(qū)域數(shù)目越小。同時，針對較弱邊緣的識別能力也會降低。對比利用Mean Shift算法得出的圖像，圖像的邊緣部位較為清晰，目標對象的完整性得到有效保障。借助該算法實現(xiàn)對目標圖像的有效追蹤可以進一步增強 Graph Cuts算法的應用效率，進而達到提升圖像分割操作整體速度的目的。

2.2 視覺顯著圖計算方式的應用

顯著圖指的是，在分割圖像中，一眼就能分辨的圖像內(nèi)容。相關學者根據(jù)視覺顯著性提出了視覺顯著圖的計算方式，應用該種方式對圖像目標對象進行提取，并創(chuàng)建了以視覺注意力為基礎的模型，實際上就是通過對人的視覺原理進行模擬所形成的顯著性計算方式。因此，在此理論上形成了多種顯著性的圖像分割方式，包括周靜波等[2]提出的基于視覺顯著性的非監(jiān)督圖像分割，肖小龍等[3]提出的視覺顯著性檢測算法研究。GBVS算法在視覺顯著性原理上，借助顯著圖進行圖像分割，同時應用了馬爾可夫鏈，采取數(shù)學計算的方式得出相應的數(shù)值，得出的顯著值較為準確。此外，該種運算方式還能達到抑制噪聲的目的，使圖像分割更為準確，也可保證目標分割對象邊界的光滑性。

一般而言，當圖像分割要求較低的情況下，顯著圖的計算方式也可直接用于圖像分割。但受到目標對象變化量的影響，所獲取的目標對象質(zhì)量也會存在較大的差異。而在與Graph Cuts算法進行聯(lián)合應用的過程中，可以發(fā)揮顯著圖的顏色分割優(yōu)勢，使圖像分割質(zhì)量得到顯著提升。

2.3 合理應用視覺顯著性的約束數(shù)據(jù)項

通過分析Graph Cuts算法的運算方式和圖像分割效果可知，在出現(xiàn)前景和背景顏色重疊的現(xiàn)象時，很難借助單一的顏色數(shù)據(jù)項來實現(xiàn)對目標對象的準確獲取。此種情況下，就會造成目標對象邊界缺失的問題。而在借助能量函數(shù)對邊界線進行獲取時，因能量函數(shù)的特性決定了其會優(yōu)先考慮邊界少的分割操作，同樣也會對圖像分割效果造成影響。為了改善上述問題，減少因顏色數(shù)據(jù)項分析對目標對象獲取質(zhì)量所造成的影響，可以借助顯著性的約束數(shù)據(jù)項，利用用戶的視覺顯性來分析目標對象的可能性，即對顯著區(qū)域進行優(yōu)先獲取。可根據(jù)圖像顏色交叉的狀況和顏色差異對判定數(shù)據(jù)項進行敏感度的調(diào)節(jié)，使其能夠更加準確的拾取目標對象邊界，以免因背景和前景顏色差距較小而形成邊界模糊的問題。

3 算法優(yōu)勢

本文融合Mean Shift和視覺顯著圖算法，當遇到背景顏色和前景顏色存在重疊的圖像處理操作時，可以綜合應用這兩種算法彌補顏色數(shù)據(jù)項無法獲取的目標對象邊界。同時，借助Mean Shift算法對目標圖像進行預處理，再結(jié)合視覺顯著算法可高效完成圖像分割操作。在一些目標對象較為復雜的圖像分割操作中，圖像細節(jié)部位會存在丟失的問題，究其原因，是在進行圖像預處理時，對圖像細長部位發(fā)生破損所導致的。綜合分析圖像處理效果，本文所研究的算法得到的目標對象更加清晰完整。

4 總結(jié)

針對因圖像分割算法選擇不當形成的shrinking bias現(xiàn)象，采取視覺顯著性分割算法和Mean Shift分割算法，改善圖割處理中存在的問題。實際應用中表明，文中算法可有效提升用戶交互速度，較于Graph Cuts算法表現(xiàn)出了較好的應用性能。在本次的研究中，因Mean Shift算法中出現(xiàn)了細長結(jié)構(gòu)的破壞問題，導致圖像分割對出現(xiàn)細節(jié)部分的缺失。在后續(xù)發(fā)展中，為實現(xiàn)對圖像分割對象的有效處理，我們應將Mean Shift算法中的細長結(jié)構(gòu)處理問題作為重點研究內(nèi)容。