專利名稱：彩色圖像分割方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及數(shù)字圖像處理技術(shù)，尤其是涉及一種融合區(qū)域信息與邊緣檢測的圖像
分割方法及系統(tǒng)。
背景技術(shù)：
圖像分割是圖像分析、識別和理解的基礎(chǔ)，是從圖像處理到圖像分析的一個關(guān)鍵 步驟。圖像分割是將圖像劃分成若干個互不相交的小區(qū)域的過程，小區(qū)域是某種意義下具 有共同屬性的像素的連通集合。連通是指集合中任意兩個點之間都存在著完全屬于該集合 的連通路徑。對于離散圖像而言，連通有四連通和八連通之分。四連通指從區(qū)域內(nèi)一點出 發(fā)，可在區(qū)域中通過上、下、左、右4個方向的移動，到達區(qū)域內(nèi)的任意像素位置；八連通指 從區(qū)域中的一點出發(fā)，可通過上、下、左、右、左上、右上、左下、右下這8個方向的移動組合 來到達區(qū)域內(nèi)的任意像素。 圖像分割是一種重要的圖像技術(shù)，在理論研究和實際應(yīng)用中都得到了人們的廣泛
重視。在圖像分割最初發(fā)展的二十年里，人們主要對兩種分割方法邊緣檢測和區(qū)域提取進
行了研究。進入八十年代以后，越來越多的學(xué)者開始將模糊理論、馬爾科夫模型、遺傳算法
理論、分形理論和小波理論等研究成果運用于圖像分割的研究，取得了很大進展。圖像分割
技術(shù)從興起到現(xiàn)在，各種方法得到了不斷的改進和創(chuàng)新，己經(jīng)取得了很大的進步。 但由于圖像種類的多樣性，很難用一個精確的數(shù)學(xué)公式來表征圖像分割的過程。
一般來說，對圖像分割方法的選擇都應(yīng)依據(jù)圖像和目標(biāo)而異。由于尚無通用的分割理論，因
此目前還沒有一種適合于所有圖像的通用分割方法。總的來說，目前人們提出了許多種圖
像分割方法，這些方法可分兩大類基于邊緣檢測的分割法和基于區(qū)域的分割法。 邊緣檢測分割法的基本思想是先檢測出圖像中的邊緣點，然后按照一定的策略把
這些邊緣點連接成輪廓，封閉邊界所包圍的像素就組成了相應(yīng)的區(qū)域。邊緣常常意味著一
個區(qū)域的終止和另一個區(qū)域的開始，包含了物體形狀的重要信息，通常以強度突變的形式
出現(xiàn)，可以定義為圖像局部的不連續(xù)性，如灰度突變、紋理結(jié)構(gòu)突變等。根據(jù)執(zhí)行方法的不
同，這類方法通常又分為串行邊緣檢測技術(shù)和并行邊緣檢測技術(shù)。由于邊緣檢測主要著眼
于保持圖像的局部特征，得到的邊緣點位置較準(zhǔn)確，但是往往含有很多不規(guī)則細節(jié)或者對
形狀描述產(chǎn)生冗余的邊緣信息，會影響圖像分割的準(zhǔn)確性。 而基于區(qū)域的分割方法是把圖像中的各個像素依據(jù)一定的規(guī)則分到各個區(qū)域中， 區(qū)域的外圍像素自然構(gòu)成了區(qū)域的邊界。基于區(qū)域的分割方法的關(guān)鍵是如何確定像素分類 的規(guī)則。區(qū)域分割法同樣可以分為并行區(qū)域分割技術(shù)和串行區(qū)域分割技術(shù)兩類。實際分割 中應(yīng)用的并行區(qū)域分割技術(shù)主要有兩大類閾值化算法和特征空間聚類。串行區(qū)域分割技 術(shù)有兩種基本形式一種是從單個像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是 從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域；對應(yīng)的兩種典型算法分別是區(qū)域生長和分 裂合并。由于基于區(qū)域的分割方法往往會造成過度分割，即將圖像分割成過多的區(qū)域，從而 增加圖像處理的復(fù)雜度。
目前，已經(jīng)有人提出了相關(guān)的邊緣與區(qū)域組合的分割方法，但如何適當(dāng)?shù)剡x取選 擇算子門限參數(shù)構(gòu)成了提取目標(biāo)圖像的清晰邊緣的關(guān)鍵，而目前的方法主要是通過經(jīng)驗值
來選擇，這種經(jīng)驗值選取方法具有應(yīng)用局限性，只能針對特定類型的圖像。

發(fā)明內(nèi)容
本發(fā)明提出一種融合區(qū)域信息與邊緣檢測的圖像分割方法及系統(tǒng)，通過使用自適
應(yīng)策略和經(jīng)驗值相結(jié)合的算子門限確定方案，從而解決現(xiàn)有通過經(jīng)驗值選取算子門限參數(shù)
具有應(yīng)用局限性的技術(shù)問題，使分割得到的圖像輪廓更加清晰和完整。 為解決本發(fā)明的技術(shù)問題，本發(fā)明公開一種彩色圖像分割方法，其包括 將待分割圖像處理成灰度圖像； 利用0tsu閾值分割法從灰度圖像提取區(qū)域輪廓圖，并確定最優(yōu)閾值； 以最優(yōu)閾值作為Ca皿y算子的高門限值，利用Ca皿y算子從灰度圖像提取邊緣
圖； 融合區(qū)域輪廓圖和邊緣圖，輸出彩色圖像的分割結(jié)果。
其中，Ca皿y算子的低門限值為高門限值的0. 5倍。
其中，所述提取區(qū)域輪廓圖包括
利用閾值把灰度圖像的像素分為兩類； 通過準(zhǔn)則函數(shù)求兩類像素的類間方差最大值來確定最優(yōu)閾值。
其中，所述提取邊緣圖的處理包括
使用高斯濾波器平滑圖像； 使用一階偏導(dǎo)的有限差分來計算圖像的梯度值以及方向，得到梯度直方圖；
對梯度值進行非最大值抑制，得到可能的邊緣點； 把灰度值小于高門限值的設(shè)為O，記為第一圖像，并把圖像中灰度值小于低門限值 的設(shè)為O，記為圖像第二圖像； 對第二圖像進行掃描，當(dāng)遇到一個灰度級別不為0的像素時，跟蹤以該像素起點
的輪廓線，直到輪廓線的終點，當(dāng)完成對包含該像素的輪廓線的連接之后，就將其標(biāo)記為已
訪問，并尋找下一條輪廓線，直到在第二圖像中找不到新的輪廓線為止。 其中，所述高斯濾波器的高斯平滑參數(shù)取值為2。 其中，所述融合區(qū)域輪廓圖和邊緣圖的步驟包括 將區(qū)域輪廓圖和邊緣圖進行"與"運算，兩者共有的邊界點被保留； 尋找邊緣圖中與保留邊界點連通的所有邊緣點，并將保留的邊界點與連通的邊緣
點進行"或"運算，過濾邊緣圖中對檢索不必要的不規(guī)則細節(jié)邊緣點，得到主要的輪廓圖。 其中，所述灰度圖像的灰度等級為256。 另外，本發(fā)明公開一種采用了前述彩色圖像分割方法的彩色圖像分割系統(tǒng)。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果 本發(fā)明提供的融合區(qū)域信息與邊緣檢測的圖像分割方法通過使用自適應(yīng)策略和 經(jīng)驗值相結(jié)合的算子門限確定方案，使分割得到的圖像輪廓更加清晰和完整。與已有的單 純的基于邊緣檢測的分割法相比，本發(fā)明克服了邊緣檢測方法中不規(guī)則細節(jié)影響圖像分割 準(zhǔn)確性的不足，有效提高了圖像分割的準(zhǔn)確度；與已有的單純的基于區(qū)域的分割法相比，本發(fā)明解決了區(qū)域分割法中存在的過分割問題，使最后得到的圖像輪廓更加清晰和完整；與 已有的邊緣與區(qū)域組合的分割方法相比，本發(fā)明使用自適應(yīng)策略和經(jīng)驗值相結(jié)合的算子門 限確定方案，克服了經(jīng)驗值選取方法的應(yīng)用局限性。


圖1是本發(fā)明的流程示意圖。
具體實施例方式本發(fā)明所采用的技術(shù)方案是首先將彩色圖像轉(zhuǎn)換成灰度圖像，利用0tsu閾值
分割法對灰度圖像進行區(qū)域分割，提取閉合連通的分割圖像的輪廓及確定出一個最佳的閾
值，該閾值作為下一步Ca皿y算子的高門限值；利用Ca皿y算子提取出原灰度圖像的邊緣
圖；將獲得的區(qū)域輪廓圖和邊緣圖按一定的準(zhǔn)則進行融合，得到最終分割結(jié)果。 為便于理解，先對0tsu閾值分割法和Canny算子作簡單介紹。 OTSU-最大類間方差是由日本學(xué)者大津(0TSU)于1979年提出的，是一種自適應(yīng)的
閾值確定的方法，又叫大津法，簡稱OTSU。它是按圖像的灰度特性，將圖像分成背景和目標(biāo)
兩部分。背景和目標(biāo)之間的類間方差越大，說明構(gòu)成圖像的兩部分的差別越大，當(dāng)部分目標(biāo)
錯分為背景或部分背景錯分為目標(biāo)都會導(dǎo)致兩部分差別變小。因此，使類間方差最大的分
割意味著錯分概率最小。Canny算子是一種邊緣檢測算子，是John F. Canny于1986年開發(fā)出來的一個多 級邊緣檢測算法。更為重要的是Canny創(chuàng)立了邊緣檢測計算理論(Computational theory of edgedetection)解釋這項技術(shù)如何工作。
如圖1所示，本發(fā)明包括如下步驟 步驟S100 :用戶使用圖像瀏覽軟件打開或選擇一副待分割圖像，并使用圖像瀏覽 軟件提供的矩形框在圖像上選定需要檢索的目標(biāo)所在的矩形區(qū)域。 步驟S101 :將彩色圖像轉(zhuǎn)換成灰度圖像，每一個彩色像素點對應(yīng)的灰度色階的轉(zhuǎn) 換公式如下Gray = 0. 299R+0. 587G+0. 114B，其中，Gray表示一個彩色像素點對應(yīng)的灰度 色階，R、G、B分別代表該彩色像素點的紅、綠和藍三分量的值。 另外，灰度圖像的亮度級別可根據(jù)計算處理能力設(shè)定，一般采用256級灰度級別 的灰度圖像。 步驟S102 :利用0tsu閾值分割法提取區(qū)域輪廓圖。 Otsu方法被認為是分割閾值自動選取的最優(yōu)方法，其基本思想是用閾值把圖像像 素分為兩類，通過劃分后得到兩類的類間方差最大值來確定最優(yōu)閾值。本發(fā)明利用0tsu閾 值分割法的作用在于一方面提取出區(qū)域輪廓圖，另一方面確定出一個最佳的閾值作為下 一步Ca皿y算子的高門限值。 利用0tsu閾值分割法提取區(qū)域輪廓圖的過程如下以步驟S100中選擇的矩形區(qū) 域的一個矩形角所在像素點為平面坐標(biāo)原點，設(shè)(x， y)是矩形區(qū)域中每個像素點的平面坐 標(biāo)，其對應(yīng)的圖像灰度級別的取值范圍為G =
(當(dāng)步驟S101為256級的灰度圖像 時，L = 256)，因此，坐標(biāo)點(x， y)上的像素點的灰度級表示為f (x， y)，設(shè)t G G為分割所 用的閾值，B二仏。，b卩表示一個二值灰度組，并且b。，t^ GG。因此圖像函數(shù)f在閾值t上的分割結(jié)果表示如下
<formula>formula see original document page 6</formula> 0tsu閾值分割法就是按相應(yīng)準(zhǔn)則函數(shù)求最優(yōu)閾值t'的過程，具體過程描述如 下 設(shè)灰度級別為i(i二 [O，L-l])的像素點個數(shù)為Wi，圖像像素點的總數(shù)目為M，則圖 像中灰度級i的出現(xiàn)概率Pi = Wi/W。閾值t將圖像分為兩類C。 =
和Q = [t+l， L-l]，
對應(yīng)的概率分別為A = 1>,和s!=卜s 。，且兩類C。和Q的平均灰度為/"。 = Y& =叢
i=0 '=o 《
和A —乙r
《
其中// = §扭，準(zhǔn)則函數(shù)則定義為兩類c。和Q的類間方 /■=o -
差
o2(t) = S 。(y 。-ii )2+S i(y 「ii )2 = S 。 S i(y 。-y》2 最優(yōu)閾值t'通過如下求類間方差的最大值公式得到
f' = arg Maxcr2(0
步驟S103 :利用Ca皿y算子提取邊緣圖。
在多種圖像邊緣檢測的方法中，Ca皿y是一種最優(yōu)的線性邊緣檢效
J算子，其不丟失
重要的邊緣，沒有虛假的邊緣，且實際邊緣與檢測邊緣位置之間的偏差最小；且Ca皿y算子 邊緣提取法是通過對圖像中灰度的變化進行檢測，通過一階導(dǎo)數(shù)極值點來檢測邊緣圖。提 取邊緣圖的處理過程如下 (1)使用高斯濾波器平滑圖像，即去除噪聲點。其中，高斯平滑參數(shù)o影響圖像處 理的效果，在本發(fā)明中，根據(jù)經(jīng)驗值，取o =2。
(2)使用一階偏導(dǎo)的有限差分來計算圖像的梯度值以及方向，得到梯度直方圖；
(3)對梯度值進行非最大值抑制，得到可能的邊緣點。即在邊緣方向上找梯度的局 部最大值，也可描述為通過梯度方向得到細化邊緣的過程。 (4)對梯度值取兩次閾值L和T2，其中T2 >1\(12為高門限值，1\為低門限值)。 本發(fā)明把圖像中灰度值小于1\的設(shè)為0，記為圖像B ;把灰度值小于T2的設(shè)為0，記為圖像 A。為了使Ca皿y算子的高門限值T2有一個自適應(yīng)的過程，即為了提高Ca皿y算子的分割 性能，本發(fā)明使用步驟S102中求出的最優(yōu)閾值t'作為T2的值，低門限值1\按照經(jīng)驗值設(shè) 置，即1\ = 0. 5XT2。 (5)連接邊緣。對圖像B進行掃描，當(dāng)遇到一個灰度級別不為0的像素e時，跟蹤
以該像素e起點的輪廓線，直到輪廓線的終點。當(dāng)完成對包含像素e的輪廓線的連接之
后，就將其標(biāo)記為已訪問。尋找下一條輪廓線，并按照相同的方法進行處理，直到圖像B找 不到新的輪廓線為止。至此完成Ca皿y算子已取得相應(yīng)的邊緣圖。
步驟S104 :融合區(qū)域輪廓圖和邊緣圖。 本發(fā)明相應(yīng)的融合準(zhǔn)則設(shè)置如下首先，將區(qū)域輪廓圖和邊緣圖進行"與"運算，兩 者共有的邊界點被保留；然后，尋找邊緣圖中與保留邊界點連通的所有邊緣點，并將保留的 邊界點與連通的邊緣點進行"或"運算，過濾邊緣圖中對檢索不必要的不規(guī)則細節(jié)邊緣點，得到主要的輪廓圖。
步驟S105 :輸出彩色圖像的分割結(jié)果。 綜上，本發(fā)明提供的融合區(qū)域信息與邊緣檢測的圖像分割方法通過使用自適應(yīng)策 略和經(jīng)驗值相結(jié)合的算子門限確定方案，使分割得到的圖像輪廓更加清晰和完整。與已有 的單純的基于邊緣檢測的分割法相比，本發(fā)明克服了邊緣檢測方法中不規(guī)則細節(jié)影響圖像 分割準(zhǔn)確性的不足，有效提高了圖像分割的準(zhǔn)確度；與已有的單純的基于區(qū)域的分割法相 比，本發(fā)明解決了區(qū)域分割法中存在的過分割問題，使最后得到的圖像輪廓更加清晰和完 整；與已有的邊緣與區(qū)域組合的分割方法相比，本發(fā)明使用自適應(yīng)策略和經(jīng)驗值相結(jié)合的 算子門限確定方案，克服了經(jīng)驗值選取方法的應(yīng)用局限性。
權(quán)利要求
一種彩色圖像分割方法，其特征在于，包括將待分割圖像處理成灰度圖像；利用Otsu閾值分割法從灰度圖像提取區(qū)域輪廓圖，并確定最優(yōu)閾值；以最優(yōu)閾值作為Canny算子的高門限值，利用Canny算子從灰度圖像提取邊緣圖；融合區(qū)域輪廓圖和邊緣圖，輸出彩色圖像的分割結(jié)果。
2. 根據(jù)權(quán)利要求l所述彩色圖像分割方法，其特征在于，Ca皿y算子的低門限值為高門 限值的0. 5倍。
3. 根據(jù)權(quán)利要求1所述彩色圖像分割方法，其特征在于，所述提取區(qū)域輪廓圖包括 利用閾值把灰度圖像的像素分為兩類；通過準(zhǔn)則函數(shù)求兩類像素的類間方差最大值來確定最優(yōu)閾值。
4. 根據(jù)權(quán)利要求1所述彩色圖像分割方法，其特征在于，所述提取邊緣圖的處理包括 使用高斯濾波器平滑圖像；使用一階偏導(dǎo)的有限差分來計算圖像的梯度值以及方向，得到梯度直方圖； 對梯度值進行非最大值抑制，得到可能的邊緣點；把灰度值小于高門限值的設(shè)為O，記為第一圖像，并把圖像中灰度值小于低門限值的設(shè) 為O，記為圖像第二圖像；對第二圖像進行掃描，當(dāng)遇到一個灰度級別不為0的像素時，跟蹤以該像素起點的輪 廓線，直到輪廓線的終點，當(dāng)完成對包含該像素的輪廓線的連接之后，就將其標(biāo)記為已訪 問，并尋找下一條輪廓線，直到在第二圖像中找不到新的輪廓線為止。
5. 根據(jù)權(quán)利要求4所述彩色圖像分割方法，其特征在于，所述高斯濾波器的高斯平滑 參數(shù)取值為2。
6. 根據(jù)權(quán)利要求1所述彩色圖像分割方法，其特征在于，所述融合區(qū)域輪廓圖和邊緣 圖的步驟包括將區(qū)域輪廓圖和邊緣圖進行"與"運算，兩者共有的邊界點被保留； 尋找邊緣圖中與保留邊界點連通的所有邊緣點，并將保留的邊界點與連通的邊緣點進 行"或"運算，過濾邊緣圖中對檢索不必要的不規(guī)則細節(jié)邊緣點，得到主要的輪廓圖。
7. 根據(jù)權(quán)利要求1所述彩色圖像分割方法，其特征在于，所述灰度圖像的灰度等級為256。
8. —種彩色圖像分割系統(tǒng)，其特征在于，采用了如權(quán)利要求1-7任何一項所述的彩色 圖像分割方法。
全文摘要
本發(fā)明公開一種彩色圖像分割方法，其包括將待分割圖像處理成灰度圖像；利用Otsu閾值分割法從灰度圖像提取區(qū)域輪廓圖，并確定最優(yōu)閾值；以最優(yōu)閾值作為Canny算子的高門限值，利用Canny算子從灰度圖像提取邊緣圖；融合區(qū)域輪廓圖和邊緣圖，輸出彩色圖像的分割結(jié)果。本發(fā)明使用自適應(yīng)策略和經(jīng)驗值相結(jié)合的算子門限確定方案，克服了經(jīng)驗值選取方法具有應(yīng)用局限性，同時使用通過邊緣檢測獲得灰度值的局部變化強度，從而限制可避免區(qū)域的過度分割，且通過區(qū)域分割補充漏檢的邊緣使分割后的圖像輪廓更加清晰和完整。
文檔編號G06T7/00GK101699511SQ20091010991
公開日2010年4月28日 申請日期2009年10月30日 優(yōu)先權(quán)日2009年10月30日
發(fā)明者劉斌 申請人:深圳創(chuàng)維數(shù)字技術(shù)股份有限公司