基于改進Retinex的目標(biāo)圖像分割方法研究

郭永鋒

（河南牧業(yè)經(jīng)濟學(xué)院信息工程學(xué)院 河南省鄭州市 450000）

圖像分割這項技術(shù)已經(jīng)有了六十年的歷史，基于圖像分割技術(shù)提出的算法在論文雜志上已經(jīng)發(fā)表了幾千篇，至今為止每年都還新增數(shù)百篇研究圖像分割技術(shù)的論文，但是它依然是計算機圖像處理領(lǐng)域的一個世界性難題[1]。圖像分割最主要的目的就是將一個完整的圖像根據(jù)不同的特征分割成諸如顏色、輪廓等不同的區(qū)域，從而在其中找到目標(biāo)區(qū)域。傳統(tǒng)的圖像分割主要包括閾值分割、區(qū)域分割、邊緣分割以及直方圖分割等方法，這些方法運用到原理都不相同，但基本都是運用圖像的紋路、色彩等影像信息粗略分割，如果遇到復(fù)雜的圖像，很難得到理想的效果[2]。近年來，國內(nèi)有學(xué)者將圖像增強中的Retinex 算法引入了圖像分割領(lǐng)域，所謂Retinex 是一種基于“光照平緩變化”理論的圖像增強算法，它最初從人類視覺系統(tǒng)得到靈感，通過模擬人類視覺達到調(diào)節(jié)圖像色彩的目的。在實際應(yīng)用過程中，往往會在輪廓附近產(chǎn)生光暈，影響圖像質(zhì)量，且運算效率較低，因此存在一定的局限性。改進后的Retinex 算法與人類視覺系統(tǒng)的非線性特性相匹配，能夠增強局部對比度，使動態(tài)模糊影像減少[3]。因此在本文中，我們需要將改進后的Retinex 算法引入圖像分割領(lǐng)域，通過該算法對圖像的整體視覺效果做出改進，增強視覺信息，改善分割效果。

1 基于改進Retinex的目標(biāo)圖像分割方法設(shè)計

為了得到更精確的分割圖像，本文基于改進后的Retinex 算法，列舉圖像結(jié)構(gòu)常數(shù)，將刻畫S的正則引入到改進后的Retinex模型中，針對帶有光暈的灰度不均勻圖像，提出構(gòu)建圖像分割模型。

1.1 模型設(shè)計

設(shè)函數(shù)i(x,y)是選定的灰度不均勻圖像，基于Retinex 改進理論，可以將該圖像函數(shù)看作有色彩的光照部分b(x,y)和黑色背景的光線反射部分s(x,y)，三者關(guān)系如下：

設(shè)I=lni(x,y)，B=lnb(x,y)，S=lns(x,y)，則可以將公式（1）簡化為

式中，S 為灰度不均勻圖像中人眼能夠看見的白色或灰色圖像，B 則是圖像中的背景黑色部分，這一部分是陽光偏移場構(gòu)成的，一般被設(shè)定為平滑函數(shù)[4-5]。

基于改進后的Retinex 理論，假設(shè)輸入的初始圖像I 滿足公式（2），檢測初始圖像中的光暈，構(gòu)建基于改進Retinex 的目標(biāo)圖像分割模型。

式中，α、β、λ1、λ2均為圖像光值參數(shù)。模型中的是保真項，是正則項，也被稱為光暈正則項。

此時由Retinex 改進算法得到的輪廓線會足夠光滑，無尖角出現(xiàn)。

圖1：目標(biāo)圖像分割工作流程

圖2：初始圖像輪廓曲線圖

1.2 實現(xiàn)圖像分割

根據(jù)上述模型，圖像分割算法的具體運行步驟如圖1所示。

首先根據(jù)上述模型中對初始圖像數(shù)據(jù)進行對數(shù)變換，然后將得到的對數(shù)通過曲波變換的方式分解輸入的初始圖像，得到圖像的高頻部分和低頻部分[6]，其分別對應(yīng)反射參數(shù)和光照參數(shù)，其中反射參數(shù)根據(jù)雙邊濾波計算出濾波結(jié)果，同時雙邊濾波還有效地克服了改進前Retinex 算法中高斯濾波的缺陷，有效地維護了圖像分割邊界地帶的清晰度和準(zhǔn)確度。而光照參數(shù)可以根據(jù)伽馬變換得到光照區(qū)域的圖像校正。此時，圖像的分割輪廓線還不整齊，因此需要進行圖像校正。校正后得到的輸出圖像就變成了目標(biāo)分割圖像。

2 實驗結(jié)果與分析

為了測試上述方法的有效性以及圖像分割效果，本文選擇網(wǎng)絡(luò)免費圖像實驗，通過與傳統(tǒng)的閾值切割、區(qū)域切割、邊緣切割方法的對比檢驗本文方法是否擁有進步意義。

2.1 實驗準(zhǔn)備工作

測試所用PC 機需要i5 處理器和Windows10 操作系統(tǒng)，實驗數(shù)據(jù)根據(jù)Matlab 編程得到。本文所用圖片均來源于網(wǎng)絡(luò)免費圖庫，其中包括Gratisography 圖像庫圖片、MSRA-1000 顯著性圖像庫圖片的灰度不均勻圖像。

圖3：初始圖像切割圖像

2.2 灰度不均勻圖像分割過程

對比本文方法與閾值切割法、區(qū)域切割法和邊緣切割法。首先輸入一個灰度不均勻圖像，并在軟件上畫出初始圖像的輪廓線如圖2所示。

對算法中α、β、λ1、λ2等參數(shù)進行賦值，賦值結(jié)果如表1所示。利用上述參數(shù)求解本文圖像模型，將以上四種切割方法分別輸入電腦中，就能得到最終切割圖像。

2.3 實驗結(jié)果分析

使用本文算法得到的分割圖像（a）和使用傳統(tǒng)閾值切割（b）、區(qū)域切割（c）、邊緣切割方法（d）得到的分割圖像如圖3所示。

圖3分別是使用四種方法得到的分割圖像，從圖中可以清楚地看出初始圖像的灰度不均勻現(xiàn)象十分嚴(yán)重，使用傳統(tǒng)的三種分割方法極易分割錯誤，且輪廓十分瑣碎，光照部分分布散亂，系統(tǒng)難以識別。而本文基于改進后的Retinex 算法分割圖像十分清晰，輪廓整齊精致，能夠智能識別光照中心部分，分割效果較好。運用本文的Retinex 改進算法圖像分割方法可以很自然地將陰影部分和光照部分分割開，但是其他三種傳統(tǒng)方法沒能完成這項任務(wù)，且光照區(qū)域不同顏色的區(qū)分還存在很大問題。

以上部分為根據(jù)所得圖像的粗略分析，想要作出最嚴(yán)謹(jǐn)?shù)呐袛噙€需要根據(jù)數(shù)據(jù)得到結(jié)論，因此本文通過計算召回率和一致性系數(shù)統(tǒng)計以上四個圖像分割效果，召回率通常用于評價所得結(jié)果的質(zhì)量，召回率越高，則圖像質(zhì)量越好；一致性系數(shù)則通常用于描述圖像選擇區(qū)域的一致性效果，系數(shù)越高一致性越強。通過Matlab 軟件得到具體數(shù)據(jù)如表2所示。

表1：初始圖像對應(yīng)參數(shù)

表2：召回率和一致性系數(shù)統(tǒng)計指標(biāo)

根據(jù)表2可知，本文Retinex 改進算法的召回率和一致性系數(shù)明顯高于三個傳統(tǒng)算法，因此所得分割圖像更接近初始圖像。

3 結(jié)束語

圖像分割技術(shù)一直是計算機技術(shù)中的重點內(nèi)容，針對當(dāng)前Retinex 算法在操作過程中的局限性，為獲得更好的圖像分割效果，提出一種改進Retinex 的圖像分割方法。選取一幅初始圖像，依據(jù)本文改進Retinex 的算法以及傳統(tǒng)的閾值切割法、區(qū)域切割法和邊緣切割法對比實驗。實驗結(jié)果表明，相對于其他方法，Retinex 算法可以分割出更清晰的視覺效果，獲得更準(zhǔn)確的圖像，具有更好的實際應(yīng)用價值。但是如果圖像分割難度上升，Retinex 改進算法仍然會降低精度，因此有關(guān)于圖像分割技術(shù)的研究還沒有結(jié)束，我們?nèi)孕柽M一步研究，使圖像分割技術(shù)的精度繼續(xù)升高。