CN101216891B - 一种彩色图像分割方法 - Google Patents

Abstract

本发明涉及一种彩色图像分割方法，包括：输入待分割图像并进行初始化设定；将输入图像由其初始色彩空间映射到M个不同的色彩空间，得到变换后的一组彩色图像；使用图像分割算法在所述多个色彩空间对该组彩色图像进行图像分割，得到M个分割结果；以所述M个分割结果中的一个作为基准，分别对余下的M-1个分割结果中的每一个进行类别标记的配准，从而得到M个经配准后的分割结果；将所述M个经配准后的分割结果进行信息融合，得到一个融合后的分割结果，并据此计算出所述待分割图像中每个象素所对应的类别标记，从而实现图像分割。本发明通过在多个色彩空间对彩色图像进行分割并融合分割结果，可有效提高图像分割的精确性。

Description

一种彩色图像分割方法

技术领域

本发明涉及一种图像分割方法，尤其是涉及一种基于色彩空间融合的彩色图像分割方法。

背景技术

随着计算机技术的发展，彩色数字图像在各行各业的应用日益广泛。彩色图像分割是提取和获得图像信息的重要途径，是进行图像理解的基础，是图像工程技术的重要问题。

色彩空间的选择对于彩色图像的分割效果起着至关重要的作用，特定的色彩空间会突出图像特定方面的信息特点。目前现有的方法一般都是在一个色彩空间即RGB空间进行图像分割，很少考虑其他色彩空间的分割效果，分割效果有待进一步提高。

发明内容

本发明的所要解决的技术问题在于提供一种基于色彩空间融合的彩色图像分割方法，通过将彩色图像映射到多个不同的色彩空间，在每个色彩空间分别进行图像分割，然后对所有分割结果进行信息融合，以提高图像分割的精确性。

为了实现上述目的，本发明提供一种彩色图像分割方法，包括：输入待分割图像并进行初始化设定，设定待分割图像的类别数目和使用的色彩空间数目；将所输入的待分割图像由其初始色彩空间映射到M个不同的色彩空间，得到变换后的一组彩色图像；使用图像分割算法在包括该初始色彩空间在内的所述M个色彩空间对该组彩色图像进行图像分割，得到M个图像分割结果，每个图像分割结果中包含所述待分割图像所有象素在每个色彩空间中分类的类别标记；以所述M个图像分割结果中的一个作为基准，分别对余下的M-1个图像分割结果中的每一个进行类别标记的配准，从而得到M个经配准后的图像分割结果；收集所述经配准后的M个图像分割结果；计算所述经配准后的M个图像分割结果中每个结果的平均互信息；根据所述平均互信息计算经配准后的M个图像分割结果中每个结果的权重；根据所述权重将经配准后的M个图像分割结果进行信息融合，得到一个融合后的图像分割结果；根据该融合后的图像分割结果，计算融合后图像中每个象素所对应的类别标记，完成图像分割。

优选地，在所述进行配准的步骤中，包括：选择所述M个图像分割结果中的一个作为基准，该基准图像分割结果的类别标记为基准类别标记；对余下的M-1个图像分割结果中的每个分割结果，从每个分割结果的所有类别标记中相应找出与所述基准图像分割结果中每一个基准类别标记所包含相同的类别标记最多的象素，则所找出的这些象素所对应的类别标记应配准设置为相应的基准类别标记；将余下的M-1个图像分割结果中的每个分割结果的类别标记参照相应的基准类别标记进行配准，从而得到M个经配准后的图像分割结果。

优选地，所述每个结果的平均互信息Φ_t满足：

${\mathrm{\Φ}}_t=\frac{1}{M-1}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})\text{;}$

其中t＝1，2，…，M；l＝1，2，…，M；M为所使用的色彩空间数目；λ^(t)，λ^(l)分别为配准后的第t个和第l个图像分割结果，它们的互信息Φ^NMI(λ^(t)，λ^(l))为：

${\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})=\frac{{\mathrm{\Σ}}_{i=1}^K{\mathrm{\Σ}}_{j=1}^K{n}_{\mathrm{ij}}\log ({\mathrm{Nn}}_{\mathrm{ij}}/n_i{n}_j)}{\sqrt{{\mathrm{\Σ}}_{i=1}^K{n}_i\log (n_i/N)}\sqrt{{\mathrm{\Σ}}_{j=1}^K{n}_j\log (n_j/N)}};$

其中，i＝1，2，…，K；j＝1，2，…，K；K为所述待分割图像的类别数目；N为所述待分割图像中象素的数目；n_i表示这些象素中属于图像分割结果λ^(t)中第i类的象素个数；n_j表示这些象素中有属于图像分割结果λ^(l)中第j类的象素个数；n_ij表示这些象素中既属于图像分割结果λ^(t)中第i类又属于图像分割结果λ^(l)中第j类的象素个数。

优选地，每个配准后的图像分割结果的权重满足：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t};$

其中t＝1，2，…，M；Z为归一化因子，使得

优选地，所述得到的融合后的图像分割结果中每个象素点的类别标记满足：

$\hat{c}\left(x_i\right)=\underset{k\∈\{1,\·\·\·,K\}}{\max }\left(\underset{t=1}{\overset{M}{\mathrm{\Σ}}}I(c_t\left(x_i\right)=k)w_t\right);$

其中，i＝1，2，…，N；N为所述待分割图像中象素的数目；I(c(x_i)＝k)是示性函数，括号中的条件c(x_i)＝k成立则取1，否则取0；M是使用的色彩空间的数目；K为待分割的图像的类别数目。

优选地，在进行图像分割之前还包括：对所输入的待分割图像进行预处理，除去图像中的噪声点。以及在完成图像分割之后还包括：对所述图像分割结果进行后处理，除去图像中的噪声点和/或合并图像中面积很小的区域。

本发明通过在多个色彩空间内对彩色图像进行分割，并通过将分割结果进行配准、融合，从而得到融合后的分割结果，实现彩色图像的分割，有效地提高了图像分割的精度。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为本发明的彩色图像分割方法的流程图；

图2为本发明一较佳的基于色彩空间融合的彩色图像分割方法的示意图。

具体实施方式

如图1所示，本发明的彩色图像分割方法主要是先通过初始化设定(步骤101)，对需要分割的彩色数字图像的类别数目、使用的图像分割算法、使用的色彩空间数目进行初始设定。然后，将输入的待分割图像由初始色彩空间映射到多个不同的色彩空间，即进行色彩空间变换(步骤102)，得到变换后的一组彩色图像。接着，利用图像分割算法处理输入图像(步骤103)，即在所述多个色彩空间分别对图像进行图像分割处理，得到多个图像分割结果，每个图像分割结果中包含所述待分割图像所有象素在每个色彩空间中分类的类别标记。由于各个结果是分别进行得到的，得到的分割结果中的类别标记的顺序可能不同，因此，需要将每个分割结果中的类别标记进行配准(步骤104)，得到多个经配准后的分割结果。接着，对这些配准后的分割结果进行信息融合，(步骤105)，得到一个融合后的分隔结果，根据该融合后的结果可以计算出该图像中每个象素所对应的类别标记，从而实现对图像的分割。优选地，分割后的图像还可进行后处理(步骤106)，使分割结果更合理。

下面结合图2，以一教佳的实施例详细说明本发明的基于色彩空间融合的彩色图像分割方法。

1、初始化：设定待分割的图像的类别数目K、使用的图像分割算法C_f、使用的色彩空间的数目M等。

其中，所使用的图像分割算法C_f表示算法的名称而已，可以使用各种现有的图像分割算法，比如模糊C均值聚类算法、SOM神经网络算法等等。并且，所使用的M个不同的色彩空间可以任意选择，比如RGB，YCrCb，Lab，Luv，HSV，CMYK等空间。

2、输入一幅彩色的数字图像

N是图像中象素的数目，I(x_i)是象素点x_i的象素向量。

3、对输入图像进行预处理，可以有各种方法实现，如图象平滑、滤波去噪等，这只是为了出去图像中的噪声，便于下面进行图像分割。

4、色彩空间转换：

将输入图像由RGB色彩空间映射到M个不同的色彩空间，比如YCrCb，Lab，Luv，HSV，CMYK等，得到

变换后的一组彩色图像：

${\left\{f_1\left(x_i\right)\right\}}_{i=1}^N,{\left\{f_2\left(x_i\right)\right\}}_{i=1}^N,\·\·\·,{\left\{f_M\left(x_i\right)\right\}}_{i=1}^N.$

5、使用图像分割算法C_f分割输入图像：

图像分割算法C_f在上述色彩空间(包括RGB色彩空间)对输入图像分别进行彩色图像分割，得到M个图像分割结果：

其中c_t(x_i)′表示象素x_i在第t个色彩空间中分类的类别标记，c_t(x_i)′∈{1，2，…，K}。

6、对步骤5中的M个图像分割的结果进行类别标记的配准：

将第一个分割结果的类别标记作为配准的基准，设其类别标记分别为

设第t个分割结果的标记为

从

中找出与第一个分割结果的第k类即

所包含的相同的象素最多的类别标记将

的类别标记配准设置为

例如，输入的图像I中包括1～8号共8个象素；其设定的类别数目K＝3，即k＝1，2，3；则在M个色彩空间进行分割后得到的M个分割结果，假设其中第一个分割结果为{1，2，3，2，1，1，1，1}，第二个分割结果为{2，2，1，2，3，3，3，3}；并以第一个分割结果为基准，对第二个分割结果进行配准：

1)基准中类别标记为1的象素是1号、5号、6号、7号、8号，共5个。

2)相应考察第二个分割结果中的1号、5号、6号、7号、8号象素的类别标记，其中1个类别标记为2(1号象素)，其余为3(5～8号象素)，那么第二个分割结果中与该基准中第1类所包含的相同的象素最多的类别标记为3，则第二个分割结果中5～8号象素的类别标记3应配准为1。

3)同理可知，第二个分割结果中2号、4号象素的类别标记不需要配准，即仍为2；第二个分割结果中3号象素的类别标记1应配准为3。

4)因此，配准后的第二个分割结果为{2，2，3，2，1，1，1，1}。

按照上述方法，可同样对其他分割结果参照该基准分割结果进行配准，在此不再赘述。

当然，配准的方法还可以采用其他方法，比如，将第一个分割结果的类别标记作为配准的基准，设其聚类的类别标记分别为

设第t个分割结果的类别标记为

计算其中每一个类别标记

与第一个分割结果的第k类的类别标记

的距离：

$d\left(k\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\right|{\mathrm{\δ}}_k^{\left(1\right)}\left(x_i\right)-{\mathrm{\δ}}_l^{\left(t\right)}\left(x_i\right)\left|\right|}^2,k=\mathrm{1,2},\·\·\·,K$

如果x_i在第一个分割结果中的类别标记为k则

否则如果x_i在第t个分割结果中的类别标记为l则

否则

然后，计算d(1)，d(2)，…，d(K)的最小值d(l_opt)，则

的类别标记应设置为

可以理解的是，配准的方法并不局限于上述方法。

7、融合步骤6中的M个配准后的图像分割结果，主要包括：

1)按照公式1计算每个配准后的图像分割结果的平均互信息Φ_t，Φ_t的值越大，表示第t个图像分割结果所包含的与其他图像分割结果的不同的信息就越少，则该图像分割结果对于融合结果的贡献越小：

${\mathrm{\Φ}}_t=\frac{1}{M-1}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})\text{;}$ -----------------------------公式1

其中t＝1，2，…，M；l＝1，2，…，M；M为所使用的色彩空间数目；λ^(t)，λ^(l)分别为配准后的第t个和第l个图像分割结果，它们的互信息Φ^NMI(λ^(t)，λ^(l))为：

${\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})=\frac{{\mathrm{\Σ}}_{i=1}^K{\mathrm{\Σ}}_{j=1}^K{n}_{\mathrm{ij}}\log ({\mathrm{Nn}}_{\mathrm{ij}}/n_i{n}_j)}{\sqrt{{\mathrm{\Σ}}_{i=1}^K{n}_i\log (n_i/N)}\sqrt{{\mathrm{\Σ}}_{j=1}^K{n}_j\log (n_j/N)}};$ --------公式2

其中，i＝1，2，…，K；j＝1，2，…，K；K为所述待分割图像的类别数目；N为所述待分割图像中象素的数目；n_i表示这些象素中属于图像分割结果λ^(t)中第i类的象素个数；n_j表示这些象素中有属于图像分割结果λ^(l)中第j类的象素个数；n_ij表示这些象素中既属于图像分割结果λ^(t)中第i类又属于图像分割结果λ^(l)中第j类的象素个数。

2)计算每个配准后的图像分割结果的权重：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t};$ ---------------------------------------------公式3

其中t＝1，2，…，M；Z为归一化因子，使得

3)计算融合后的图像分割结果中每个象素点x_i的类别：

$\hat{c}\left(x_i\right)=\underset{k\∈\{1,\·\·\·,K\}}{\max }\left(\underset{t=1}{\overset{M}{\mathrm{\Σ}}}I(c_t\left(x_i\right)=k)w_t\right);$ ----------------------公式4

其中，i＝1，2，…，N；N为所述待分割图像中象素的数目；I(c(x_i)＝k)是示性函数，括号中的条件c(x_i)＝k成立则取1，否则取0；M是使用的色彩空间的数目；K为待分割的图像的类别数目。

完成该步骤后，输入图像中的每个象素点都获得了其对应的类别标记，也就完成了图像分割。如果需要，还可以对分割结果进行后处理，比如去除噪声点(如孤立点)、合并面积很小的区域，后处理的意义在于，考虑到实际应用的需要，去处分割结果中的一些明显错误，使分割结果更合理。

与现有技术相比，本发明的显著优点是，在多种色彩空间分割彩色图像，而不是仅仅考虑通常使用的RGB色彩空间，并且使用信息融合技术集成多个分割结果，进一步提高了彩色图像分割的精度。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变型，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (7)

1.一种彩色图像分割方法，其特征在于，包括：

输入待分割图像并进行初始化设定，设定待分割图像的类别数目和使用的色彩空间数目；

将所输入的待分割图像由其初始色彩空间映射到M个不同的色彩空间，得到变换后的一组彩色图像；

使用图像分割算法在所述M个色彩空间对该组彩色图像进行图像分割，得到M个图像分割结果，每个图像分割结果中包含所述待分割图像所有象素在每个色彩空间中分类的类别标记；

以所述M个图像分割结果中的一个作为基准，分别对余下的M-1个图像分割结果中的每一个进行类别标记的配准，从而得到M个经配准后的图像分割结果；

收集所述经配准后的M个图像分割结果；

计算所述经配准后的M个图像分割结果中每个结果的平均互信息；

根据所述平均互信息计算经配准后的M个图像分割结果中每个结果的权重；

根据所述权重将经配准后的M个图像分割结果进行信息融合，得到一个融合后的图像分割结果；

根据该融合后的图像分割结果，计算融合后图像中每个象素所对应的类别标记，完成图像分割。

2.根据权利要求1所述的彩色图像分割方法，其特征在于，在所述进行配准的步骤中，包括：

选择所述M个图像分割结果中的一个作为基准，该基准图像分割结果的类别标记为基准类别标记；

对余下的M-1个图像分割结果中的每个分割结果，从每个分割结果的所有类别标记中相应找出与所述基准图像分割结果中每一个基准类别标记所包含相同的类别标记最多的象素，则所找出的这些象素所对应的类别标记应配准设置为相应的基准类别标记；

将余下的M-1个图像分割结果中的每个分割结果的类别标记参照相应的基准类别标记进行配准，从而得到M个经配准后的图像分割结果。

3.根据权利要求2所述的彩色图像分割方法，其特征在于，所述每个结果的平均互信息Φ_t满足：

${\mathrm{\Φ}}_t=\frac{1}{M-1}\underset{t=1,t\≠l}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})\text{;}$

其中t＝1，2，…，M；l＝1，2，…，M；M为所使用的色彩空间数目；λ^(t)，λ^(l)分别为配准后的第t个和第l个图像分割结果，它们的互信息Φ^NMI(λ^(t)，λ^(l))为：

${\mathrm{\Φ}}^{\mathrm{NMI}}({\mathrm{\λ}}^{\left(t\right)},{\mathrm{\λ}}^{\left(l\right)})=\frac{{\mathrm{\Σ}}_{i=1}^K{\mathrm{\Σ}}_{j=1}^K{n}_{\mathrm{ij}}\log ({\mathrm{Nn}}_{\mathrm{ij}}/n_i{n}_j)}{\sqrt{{\mathrm{\Σ}}_{i=1}^K{n}_i\log (n_i/N)}\sqrt{{\mathrm{\Σ}}_{j=1}^K{n}_j\log (n_j/N)}};$

其中，i＝1，2，…，K；j＝1，2，…，K；K为所述待分割图像的类别数目；N为所述待分割图像中象素的数目；n_i表示这些象素中属于图像分割结果λ^(t)中第i类的象素个数；n_j表示这些象素中有属于图像分割结果λ^(l)中第j类的象素个数；n_ij表示这些象素中既属于图像分割结果λ^(t)中第i类又属于图像分割结果λ^(l)中第j类的象素个数。

4.根据权利要求3所述的彩色图像分割方法，其特征在于，每个配准后的图像分割结果的权重满足：

$w_t=\frac{Z}{{\mathrm{\Φ}}_t};$

其中t＝1，2，…，M；Z为归一化因子，使得

5.根据权利要求4所述的彩色图像分割方法，其特征在于，所述得到的融合后的图像分割结果中每个象素点的类别标记满足：

$\hat{c}\left(x_i\right)=\underset{k\∈\{1,\·\·\·,K\}}{\max }\left(\underset{t=1}{\overset{M}{\mathrm{\Σ}}}I(c_t\left(x_i\right)=k)w_t\right);$

其中，i＝1，2，…，N；N为所述待分割图像中象素的数目；I(c(x_i)＝k)是示性函数，括号中的条件c(x_i)＝k成立则取1，否则取0；M是使用的色彩空间的数目；K为待分割的图像的类别数目。

6.根据上述任一权利要求所述的彩色图像分割方法，其特征在于，在进行图像分割之前还包括：

对所输入的待分割图像进行预处理，除去图像中的噪声点。

7.根据权利要求6所述的彩色图像分割方法，其特征在于，在完成图像分割之后还包括：

对所述图像分割结果进行后处理，除去图像中的噪声点和/或合并图像中面积很小的区域。

Images