史瑞芳

[摘 要]人的視覺(jué)是一個(gè)復(fù)雜的系統(tǒng)，人類有80%的外界信息來(lái)自視覺(jué)，所以隨著科學(xué)技術(shù)發(fā)展，可視媒體開始出現(xiàn)并得到廣泛的應(yīng)用。但由于可視媒體的規(guī)模越來(lái)越大，在帶寬、計(jì)算效率的限制下，數(shù)據(jù)分割技術(shù)越來(lái)越受到關(guān)注。基于此，本文以圖像分割技術(shù)為研究對(duì)象，展開論述，分析了圖像分割技術(shù)的基本方法，并探討了關(guān)鍵實(shí)現(xiàn)技術(shù)，僅供參考。

[關(guān)鍵詞]圖像；數(shù)據(jù)；分割；可視媒體；方法；技術(shù)

doi：10.3969/j.issn.1673 - 0194.2016.22.084

[中圖分類號(hào)]TP391.41 [文獻(xiàn)標(biāo)識(shí)碼]A [文章編號(hào)]1673-0194（2016）22-0-02

1 圖像分割概述

圖像分割就是將一張圖分割成相似但不相交區(qū)域的過(guò)程，在可視媒體的應(yīng)用當(dāng)中，高質(zhì)量的圖像分割是后續(xù)更高水平操作如語(yǔ)義解釋、識(shí)別等的前提。

在計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域分割是非常重要的操作，它代表著處理圖像底層的第一步。以數(shù)字圖書館來(lái)說(shuō)，大量圖像視頻的收藏需要按照?qǐng)D像視頻的內(nèi)容構(gòu)建目錄、排序及存儲(chǔ)，實(shí)現(xiàn)最有效率地瀏覽和檢索可視媒體數(shù)據(jù)。在圖像視頻的底層屬性當(dāng)中顏色和紋理是最重要的兩個(gè)，所以為實(shí)現(xiàn)上述目的可基于顏色和紋理進(jìn)行分割構(gòu)建目錄和索引。另一個(gè)典型的例子是使用互聯(lián)網(wǎng)傳輸信息，互聯(lián)網(wǎng)上大規(guī)模的多媒體數(shù)據(jù)流需要傳輸，數(shù)據(jù)壓縮成為有限使用帶寬來(lái)完成的關(guān)鍵，當(dāng)前使用的編碼方法就是通過(guò)模仿人類視覺(jué)來(lái)減少由于壓縮所帶來(lái)的缺陷，也就是將場(chǎng)景在視覺(jué)上細(xì)分為有意義的區(qū)域去尋找語(yǔ)義表示，這顯然涉及了圖像分割。

顏色表示法在彩色圖像處理當(dāng)中最為常用，比如：常見的RGB空間，其色彩由紅藍(lán)綠成分以及透明度表示，例如用Photoshop打開一張圖片，在上鎖狀態(tài)下顯示的是RGB通道，解鎖后有四個(gè)通道即紅藍(lán)綠通道以及Alpha通道。這是基于直角笛卡爾空間的，這與人類視覺(jué)系統(tǒng)當(dāng)中3個(gè)不同種類感光圓錐細(xì)胞（三波段濾過(guò)器）獲得彩色圖像三色理論一致。可惜的是RGB空間并不能夠完全實(shí)現(xiàn)顏色感知的高層次處理。

2 圖像分割的基本方法

2.1 EM算法

期望最大化算法（Expectation-Maximization，EM）在解決數(shù)據(jù)殘缺問(wèn)題方面十分出色。事實(shí)上，數(shù)據(jù)集當(dāng)中通常會(huì)少一些變量或是觀察不到的隱含變量的模型均可歸屬于數(shù)據(jù)殘缺，這類問(wèn)題中觀察不到變量，對(duì)于所有可觀察對(duì)象均是未知的。EM算法是一種在殘缺數(shù)據(jù)中計(jì)算極大似然估計(jì)的迭代統(tǒng)計(jì)技術(shù)，其基礎(chǔ)是模型聚類方法當(dāng)中的統(tǒng)計(jì)方法。也就是將某個(gè)數(shù)學(xué)模型和給定的數(shù)據(jù)進(jìn)行最佳擬合。以高斯混合模型對(duì)圖像顏色分布建模為例，假設(shè)混合分布產(chǎn)生一系列的觀察值，該分布有多個(gè)同方差高斯分布組成，若取其中一個(gè)獨(dú)立同方差高斯分布，并由此產(chǎn)生一個(gè)樣本獲取數(shù)據(jù)點(diǎn)，設(shè)定多個(gè)這樣的數(shù)據(jù)點(diǎn)為指定的數(shù)據(jù)集，在多維空間中找到數(shù)據(jù)集對(duì)應(yīng)的點(diǎn)，作為一定分布樣本值。那么該分布就能夠由多個(gè)高斯密度函數(shù)的加權(quán)平均值所表示的概率密度函數(shù)來(lái)描述。多個(gè)高斯密度函數(shù)的有限集合也就是高斯混合模型。

EM算法作為迭代算法，每次迭代均由求期望和極大化兩個(gè)步驟組成，前者用于計(jì)算對(duì)數(shù)似然函數(shù)的期望，后者用于選擇期望最大參數(shù)，然后代入前者再次計(jì)算期望，如此循環(huán)往復(fù)，直到獲得最優(yōu)解。

2.2 馬爾可夫隨機(jī)場(chǎng)

馬爾可夫隨機(jī)場(chǎng)理論（Markov Random Field，MRF）的應(yīng)用已經(jīng)十分廣泛，它通過(guò)直接方便的方法用概率描述圖像像素的空間相關(guān)特性。數(shù)據(jù)統(tǒng)計(jì)當(dāng)中馬爾可夫過(guò)程保持離散的時(shí)間和狀態(tài)，這個(gè)過(guò)程稱為馬爾可夫鏈，條件概率決定這個(gè)過(guò)程的統(tǒng)計(jì)特性。它很好地描述了平面網(wǎng)格結(jié)構(gòu)中圖像像素間的空間相關(guān)性。因此在二維平面上，可以將圖像看作二維隨機(jī)場(chǎng)，必須考慮空間相關(guān)性。

根據(jù)上述分析，條件分布可以用來(lái)描述馬爾可夫隨機(jī)場(chǎng)，其中條件分布表示隨機(jī)場(chǎng)的局部特性，不過(guò)這樣一來(lái)通過(guò)局部特性定義整個(gè)隨機(jī)場(chǎng)很困難，所以Besag將Gibbs與馬爾可夫隨機(jī)場(chǎng)聯(lián)系起來(lái)，提出了關(guān)于方形網(wǎng)格的數(shù)據(jù)統(tǒng)計(jì)模型，獲得了實(shí)際應(yīng)用方法。

在實(shí)際的運(yùn)用當(dāng)中，馬爾可夫隨機(jī)場(chǎng)常與估計(jì)理論和同級(jí)決策結(jié)合，按最優(yōu)原則確定目標(biāo)函數(shù)，比較常用的是MAP（最大后驗(yàn)概率）。二者結(jié)合形成MAP-MRF體系。若觀測(cè)圖像和原始圖像同屬于二維平面上的隨機(jī)場(chǎng)，進(jìn)行圖像分割，原始圖像成為標(biāo)記場(chǎng)，通常情況下，觀測(cè)圖像會(huì)受到關(guān)照條件、系統(tǒng)原因或是隨機(jī)噪音的影響出現(xiàn)圖像失真現(xiàn)象。所以，要直接由觀測(cè)圖像得到原始圖像幾乎不可能，只能給出一個(gè)估計(jì)，此時(shí)利用MAP計(jì)算最大值。事實(shí)上MAP估計(jì)是一個(gè)優(yōu)化問(wèn)題。

2.3 ICM算法

尋求條件概率最大數(shù)的迭代方法（Iterated Conditional Modes，ICM）算法中，Modes為眾數(shù)，ICM是確定松弛的方法，其目標(biāo)在于減少隨機(jī)退火的計(jì)算負(fù)擔(dān)，速度快，但選取初始值比較關(guān)鍵，因?yàn)閮H允許干擾負(fù)增長(zhǎng)，所以常出現(xiàn)局部最小的局面。典型的隨機(jī)松弛方法是隨機(jī)退火算法，速度慢，迭代過(guò)程當(dāng)中新計(jì)算結(jié)果在接受過(guò)程中會(huì)產(chǎn)生隨機(jī)擾動(dòng)，理論上能夠得到全局收斂。

2.4 區(qū)域生長(zhǎng)算法

這種算法的基本思想就是集合相似性質(zhì)的像素點(diǎn)構(gòu)成區(qū)域，即先將要分割的區(qū)域找一個(gè)起始點(diǎn)像素作為生長(zhǎng)點(diǎn)；然后將周邊與生長(zhǎng)點(diǎn)像素有相似性質(zhì)的像素集合到同一個(gè)區(qū)域內(nèi)；再將這些新添加的像素作為生長(zhǎng)點(diǎn)繼續(xù)上述操作，直到所有滿足條件的像素均被包含進(jìn)來(lái)，這樣就獲得了一個(gè)完整的區(qū)域。

值得注意的是，實(shí)際應(yīng)用中需要解決以下問(wèn)題：一是起始點(diǎn)像素的選擇；二是選取周邊相似特性像素的準(zhǔn)則；三是生長(zhǎng)停止的規(guī)則和條件。

可通過(guò)具體問(wèn)題的特點(diǎn)選取起始點(diǎn)像素，也就是用迭代方法由大到小依次收縮最終找到想要的像素點(diǎn)，這種方法適用于2D圖像和3D圖像，比如：軍用紅外圖像，通常檢測(cè)目標(biāo)輻射大，其亮度就會(huì)比較高，所以可選擇最亮的像素作為生長(zhǎng)點(diǎn)。如果沒(méi)有具體問(wèn)題先驗(yàn)知識(shí)，可以利用生長(zhǎng)所用準(zhǔn)則計(jì)算每個(gè)像素，若結(jié)果顯示出聚類特點(diǎn)，那么可選擇最為接近聚類中心的像素作為生長(zhǎng)點(diǎn)。

在區(qū)域生長(zhǎng)過(guò)程當(dāng)中，還需注意一個(gè)要素——堆。因?yàn)閰^(qū)域生長(zhǎng)過(guò)程中起始點(diǎn)像素周邊像素要不斷依照生長(zhǎng)準(zhǔn)則來(lái)判斷，確定其是否具備同起始點(diǎn)像素相似的特性，若是則需要進(jìn)行關(guān)鍵字排序，并作為新的生長(zhǎng)點(diǎn)。堆排序中，每個(gè)需要排序的記錄僅占一個(gè)存儲(chǔ)空間。

HeapAjust堆調(diào)整，這個(gè)步驟是保持堆特性的關(guān)鍵，其輸入?yún)?shù)是一個(gè)數(shù)組及其元素的索引，調(diào)整前要保證以二叉樹為根的子樹保持堆特性。不過(guò)索引的元素值可能會(huì)比其下屬節(jié)點(diǎn)的值小，可能破壞堆特性，HeapAjust就是將索引節(jié)點(diǎn)下滑使索引的節(jié)點(diǎn)為根的子樹符合堆特性。

Heap_min小頂堆，可以利用由下到上的方法，調(diào)用HeapAjust將數(shù)組轉(zhuǎn)化成堆。

Delete_min刪除堆頂元素，然后將剩下的堆內(nèi)元素重構(gòu)小頂堆。

3 實(shí)現(xiàn)技術(shù)研究

上文對(duì)圖像分割技術(shù)的基本方法進(jìn)行了研究，基于這些內(nèi)容，下文利用Matlab軟件+C語(yǔ)言的方式來(lái)實(shí)現(xiàn)圖像分割。

MATJWORKS公司的Matlab數(shù)學(xué)軟件將數(shù)值分析、矩陣計(jì)算、圖形顯示和信號(hào)處理集成為一體，含大量函數(shù)可以調(diào)用，功能強(qiáng)大，其使用解釋性語(yǔ)言，在執(zhí)行速度方面有待改進(jìn)而且開源在算法和保密方面不利，運(yùn)行環(huán)境受限。C語(yǔ)言成熟，速度快但比Matlab復(fù)雜，將二者結(jié)合起來(lái)，協(xié)同工作，應(yīng)用范圍更廣。

要實(shí)現(xiàn)二者的結(jié)合，Mex文件必不可少，這是一種能夠在Matlab中調(diào)用的C語(yǔ)言衍生程序，使較大規(guī)模的C語(yǔ)言程序能夠易于在Matlab中調(diào)用，無(wú)需重寫Mex，如果出現(xiàn)不可避免的循環(huán)計(jì)算瓶頸時(shí)，可用C語(yǔ)言重寫Mex文件來(lái)解決。

如圖1中的（a）（b），（a）為原始灰度圖像，（b）為求反顯示結(jié)果。

在使用Mex文件時(shí)要注意：第一個(gè)輸入宗量是原始圖像數(shù)據(jù)，prhs[]是雙精度指針，所以做double處理，然后作為第一輸入宗量；API函數(shù)同樣返回雙精度指針，所以通過(guò)Mex得到的圖像需進(jìn)行uint8處理，這樣才能顯示。

利用上述方法，只需對(duì)Mex文件稍作調(diào)整就可以在Matlab軟件當(dāng)中，利用上文提供的基本方法實(shí)現(xiàn)圖像分割。

4 結(jié) 語(yǔ)

圖像分割作為數(shù)據(jù)分割高級(jí)應(yīng)用的第一步，一直是焦點(diǎn)也是難點(diǎn)，同時(shí)圖像分割也是圖像處理轉(zhuǎn)變?yōu)閳D像分析的關(guān)鍵。所以本文將圖像分割作為研究對(duì)象，研究可視媒體數(shù)據(jù)分割技術(shù)。本文分析了圖像分割技術(shù)當(dāng)中的EM算法、MRF算法和區(qū)域生長(zhǎng)，并利用Matlab/C混合編程實(shí)現(xiàn)圖像分割，有一定的參考價(jià)值。

主要參考文獻(xiàn)

[1]錢吟，曲建峰，鄭巧英.多種媒體特色資源的可視化應(yīng)用研究[J].圖書館雜志，2016（3）.

[2]汪淼，張方略，胡事民.數(shù)據(jù)驅(qū)動(dòng)的圖像智能分析和處理綜述[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015（11）.