一種改進(jìn)Grabcut算法的彩色圖像分割方法

王告 俞申亮 巨志勇

摘 要：針對(duì)傳統(tǒng)Grabcut分割方法難以很好處理圖像陰影部分及分割時(shí)間過(guò)長(zhǎng)的問(wèn)題，提出結(jié)合K-means聚類算法與Grabcut函數(shù)的方法改善以上問(wèn)題。該方法通過(guò)直方圖均衡化實(shí)現(xiàn)圖像增強(qiáng)，然后利用K-means算法以二分類的形式對(duì)像素進(jìn)行聚類，利用形態(tài)學(xué)處理填充孔洞，自動(dòng)獲取目標(biāo)物體輪廓后，結(jié)合Grabcut算法實(shí)現(xiàn)圖像二次分割，最后利用顏色判定改善圖像陰影部分。實(shí)驗(yàn)結(jié)果表明，該方法可實(shí)現(xiàn)圖像自動(dòng)分割、節(jié)省大量時(shí)間，而且對(duì)陰影部分圖像處理有明顯改善，具有較高的準(zhǔn)確性和高效性。

關(guān)鍵詞：K-means聚類算法;Grabcut函數(shù);圖像分割;直方圖均衡化;顏色判定

DOI：10. 11907/rjdk. 182491

中圖分類號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1672-7800（2019）006-0171-05

Abstract：The traditional Grabcut segmentation method is unable to deal with some shadows and the segmentation time is too long. Aiming at these problems， the paper puts forward the combination of K means clustering algorithm and Grabcut function. The method realizes image enhancement by histogram equalization， then it uses the K-means algorithm to cluster the pixels in the form of two classifications， fills the holes with morphological processing， automatically obtains the contour of the target object， and combines Grabcut algorithm to realize image quadratic segmentation. Finally， color determination is used to improve the shadow portion of the image. Experimental results show that this method can automatically segment images and save a lot of time. It also improves the shadow images significantly and has high accuracy and efficiency.

Key Words： K-means clustering algorithm; Grabcut functions; image segmentation; histogram equalization;color judgement

0 引言

作為目標(biāo)識(shí)別的基礎(chǔ)，圖像分割是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)基礎(chǔ)、重要的環(huán)節(jié)。分割效果對(duì)于后續(xù)特征提取及分類識(shí)別有很大影響。因此提高分割精度和效率具有十分重要的意義。

圖像分割方法眾多，其中K-means算法、分水嶺算法和Grabcut算法應(yīng)用比較廣泛。2004年，Blake等[1]使用高斯混合模型對(duì)圖像前景和背景進(jìn)行建模，利用圖像顏色信息實(shí)現(xiàn)彩色圖像分割。Rother等[2]提出Grabcut算法，利用彩色圖像的高斯混合模型描述前景和背景像素分布，對(duì)像素的3個(gè)通道分別使用GMM建模，再利用迭代的方法實(shí)現(xiàn)圖能量函數(shù)最小化，最后通過(guò)非完全標(biāo)號(hào)降低交互過(guò)程工作量。該方法能以較高精度對(duì)圖像進(jìn)行分割，且具有良好的人機(jī)交互效果。但Grabcut算法對(duì)初始值要求比較敏感，難以滿足大工程量的要求，且如果框取的圖像是非凸多邊形，該算法會(huì)額外選擇更多背景信息，雖然通過(guò)多次迭代可消除多余背景，但給算法帶來(lái)額外開(kāi)銷，分割效率低。Anderson Rocha[3]利用K-means提取HSV顏色空間圖像背景，實(shí)現(xiàn)了良好的分割效果。

綜上所述，本文采用K-means算法對(duì)圖像進(jìn)行預(yù)分割[5]，以二分類形式將未知圖像像素分為兩類，使這兩類像素差別明顯，提高Grabcut分割效率;然后利用形態(tài)學(xué)處理細(xì)化圖像，消除孔洞的同時(shí)保留物體邊緣輪廓，在此基礎(chǔ)上根據(jù)目標(biāo)物體輪廓自動(dòng)繪制外接矩形，利用Grabcut算法對(duì)矩形里面的物體進(jìn)行處理;最后利用顏色判定并改善有陰影的圖片。相較于傳統(tǒng)半人工式Grabcut函數(shù)，該方法可實(shí)現(xiàn)圖像自動(dòng)分割，從而具有極大便利性，且可以改善分割過(guò)程中的陰影問(wèn)題。

1 樣本數(shù)據(jù)獲取與處理

為證明該算法能適應(yīng)更多的環(huán)境、獲取更有代表性的圖片，本文通過(guò)手機(jī)拍攝和網(wǎng)上下載獲取數(shù)據(jù)集。為使其類別多樣化，本次實(shí)驗(yàn)對(duì)象有果蔬、藥盒、樹(shù)葉等6個(gè)品種，其中每種類別又繼續(xù)劃分多個(gè)種類，每個(gè)品種100張圖片，總計(jì)600張圖片。對(duì)所有圖片裁剪成行為100個(gè)像素，寬為固定比例的圖片，這樣既不會(huì)造成失真，又可大幅減少系統(tǒng)運(yùn)算量、更快獲得結(jié)果。為增加環(huán)境復(fù)雜度，拍攝時(shí)采用亮光和暗光兩種環(huán)境，用替換及改變樣本元素個(gè)數(shù)布置物品背景，且拍攝時(shí)選擇帶一部分陰影圖片進(jìn)行實(shí)驗(yàn)。

1.1 圖像增強(qiáng)

幾種常見(jiàn)圖像增強(qiáng)效果如圖1所示。本次數(shù)據(jù)包含在暗光下的場(chǎng)景，拍攝出來(lái)的目標(biāo)特征難以被機(jī)器有效識(shí)別，為此使用圖像增強(qiáng)突出目標(biāo)物體特征，圖像增強(qiáng)方法一般包括直方圖均衡化[4]、拉普拉斯算子、基于對(duì)數(shù)Log變換的圖像增強(qiáng)、基于伽馬變換的圖像增強(qiáng)。

根據(jù)表2中的數(shù)據(jù)可以看出直方圖均衡化對(duì)于像素值為0和255的結(jié)果不變。像素值大的圖片映射后像素值也比較大，即較亮的區(qū)域依然很亮，較暗的區(qū)域仍然很暗，只是對(duì)比度增加了，而且對(duì)于其它像素的增強(qiáng)強(qiáng)度沒(méi)有過(guò)于強(qiáng)烈，不會(huì)對(duì)目標(biāo)造成嚴(yán)重失真。根據(jù)圖2顏色空間直方圖，可以明顯看到番茄中紅色像素增強(qiáng)的幅度最大，加大了與周圍顏色的對(duì)比度。因此選用該方法對(duì)于拍攝比較暗而且背景是白色或黑色的圖片可以很好地對(duì)目標(biāo)物體進(jìn)行增強(qiáng)。

1.2 彩色空間轉(zhuǎn)換

在彩色圖像處理過(guò)程中，不同顏色模型會(huì)影響算法執(zhí)行效果。因此使用K-means進(jìn)行聚類時(shí)，選取常見(jiàn)的RGB、LAB、HSV 3種顏色模型作為對(duì)比[6]。

在RGB顏色空間中，R、G、B表示三基色，世界上所有顏色均由這3種分量組合而成。改變?nèi)我庖粋€(gè)分量都會(huì)影響最終結(jié)果的值，但是該體制并不適應(yīng)人體視覺(jué)特點(diǎn)，而且RGB圖像中的亮度信息和色度信息沒(méi)有被很好地分離，因此不能很好提取圖像輪廓。Lab顏色空間由L（亮度）、a（色度）和b（色度）3個(gè)分量組成[7]。L取值從0～100逐漸由黑變白;a和b 的值域都是-128～+127，其中a值從小到大的變化是指從綠色變?yōu)榧t色，b值從小到大的變化是從藍(lán)色變?yōu)辄S色。RGB顏色空間轉(zhuǎn)換成CIELAB 顏色空間具體轉(zhuǎn)換表達(dá)式為[8]：

根據(jù)效果圖可以看出，若是以二分類的形式進(jìn)行聚類，在HSV下的聚類效果更佳，因此選擇HSV顏色空間進(jìn)行實(shí)驗(yàn)操作[11]。

1.3 顏色判定

顏色判定主要針對(duì)有陰影的圖片進(jìn)行處理，因?yàn)閳D片中的陰影部分主要集中在目標(biāo)物體周圍，因此對(duì)某一類圖片設(shè)定一個(gè)閾值，然后將超出像素閾值的區(qū)域改變成與背景顏色相同的值，本次分割圖片采用的背景均為黑色，因此將超出閾值的像素賦值為0，通過(guò)實(shí)驗(yàn)確定陰影部分像素值范圍，設(shè)置閾值參數(shù)，將超出參數(shù)的像素值劃分為背景。以帶陰影的橘子圖片作為實(shí)驗(yàn)對(duì)象，讀取一張圖片經(jīng)過(guò)分割后陰影部分像素值，然后利用顏色判定消除陰影部分像素，具體判別公式為：

[d（i，j，u）=0，0，0 ?if ?ia and ja and uai，j，u ? if ?ib and j>b and u>b] （3）

其中a表示經(jīng)過(guò)實(shí)驗(yàn)得出的閾值，b設(shè)定一個(gè)大概數(shù)值240。通過(guò)b可將圖片邊緣進(jìn)行很好的保留，避免過(guò)度分割邊緣。本次設(shè)計(jì)的背景為黑色，像素值為（0，0，0），實(shí)驗(yàn)測(cè)出陰影部分的顏色一般接近于白色，但不是接近純白，其像素值大于除白色之外任意單一顏色，因此不改變小于該顏色值的像素值狀態(tài)，將大于該像素值轉(zhuǎn)化成背景，繼續(xù)保留目標(biāo)接近于純白的邊緣。經(jīng)過(guò)顏色判定可以很好地改善一些欠分割的圖片。效果如圖4所示，可發(fā)現(xiàn)除了目標(biāo)邊緣之外，中間的陰影利用顏色判定可以被明顯改善，而邊緣部分則是因?yàn)殚撝礲的限定也可以被較完整地保留下來(lái)[12]。

2 算法

2.1 K-means算法

其中a和z的取值范圍為1-n，表示由圖像像素組成的數(shù)組和為像素對(duì)應(yīng)的不透明度數(shù)組，只能取值0和1。k一般取值為5個(gè)，即與像素對(duì)應(yīng)的前景或背景的高斯混合模型各5個(gè)高斯組件數(shù)組。吉布斯函數(shù)不僅反映像素對(duì)于前景、背景的符合程度，還是判斷一幅圖像相鄰像素之間相似程度的標(biāo)準(zhǔn)。p表示高斯概率分布，如果像素被賦予了一個(gè)更加接近真實(shí)的標(biāo)簽，結(jié)果會(huì)使總能量函數(shù)減小，當(dāng)吉布斯能量達(dá)到最小時(shí)，可以將圖像分割問(wèn)題轉(zhuǎn)化為二元?jiǎng)澐謫?wèn)題，用最大流最小割算法計(jì)算最優(yōu)分割結(jié)果[18]。

3 圖像分割方法

本節(jié)綜合K-means聚類算法與Grabcut函數(shù)分割方法，提出基于K-means聚類與Grabcut函數(shù)相結(jié)合的圖像分割方法，步驟如下：

（1）為方便計(jì)算、節(jié)省時(shí)間，將數(shù)據(jù)集全部不失真地裁剪為長(zhǎng)為100、寬為一個(gè)固定比例值的圖片。

（2）對(duì)于拍攝圖片目標(biāo)較暗的種類，采用直方圖均衡化對(duì)圖像進(jìn)行增強(qiáng)處理，增加亮度與對(duì)比度，以便后續(xù)操作。

（3）將RGB圖像進(jìn)行顏色空間轉(zhuǎn)換，在HSV顏色空間下利用K-means聚類方法對(duì)圖片進(jìn)行二分類，分類數(shù)目少，因此運(yùn)行速度更快。

（4）經(jīng)過(guò)K-means聚類后的圖片會(huì)有一些孔洞影響后續(xù)操作，使用形態(tài)學(xué)處理進(jìn)行微調(diào)，保留物體邊緣輪廓。

（5）根據(jù)輪廓圖自動(dòng)獲取目標(biāo)外接矩形，獲取矩形4個(gè)角點(diǎn)坐標(biāo)并計(jì)算外接矩形框長(zhǎng)和寬。

（6）將獲取到的位置信息用于Grabcut算法初始化，并在Grabcut初始化建模中引入顏色判定，進(jìn)行參數(shù)迭代和判定，從而得到分割圖像。

各個(gè)步驟具體效果如圖5所示。

為進(jìn)一步驗(yàn)證本文提出方法的有效性，利用傳統(tǒng)分割方法和本文采用設(shè)計(jì)的算法進(jìn)行對(duì)比，結(jié)果如圖6所示，分別代表著原圖、Grabcut函數(shù)分割效果圖（迭代次數(shù)為5次）以及本文方法得到的效果對(duì)比。表3表示兩種算法處理600張圖片的成功率和時(shí)間對(duì)比（利用計(jì)時(shí)器計(jì)時(shí)）。

為驗(yàn)證該方法的可行性，采用不帶陰影的圖片、陰影不嚴(yán)重的圖片和陰影比較嚴(yán)重的圖片等3種圖片得出的效果圖進(jìn)行對(duì)比，并進(jìn)行兩種算法準(zhǔn)確率與時(shí)間對(duì)比。對(duì)于非陰影圖片，兩種處理效果一致，但是傳統(tǒng)Grabcut方法只能人工框出單個(gè)圖片前景區(qū)域，若處理大量數(shù)據(jù)，該方法比較繁瑣，而本文方法可以自動(dòng)實(shí)現(xiàn)目標(biāo)框圖標(biāo)定，實(shí)現(xiàn)自動(dòng)分割。對(duì)于圖6兩個(gè)有陰影的圖片，使用Grabcut分割雖然可以去掉一部分陰影，但是對(duì)于陰影區(qū)域很大的圖片，即使迭代幾十次還是無(wú)法完整分割，而本文提出的方法對(duì)傳統(tǒng)Grabcut函數(shù)方法進(jìn)行改進(jìn)，不但實(shí)現(xiàn)了自動(dòng)分割，而且可有效改善復(fù)雜光照情況下圖像準(zhǔn)確分割問(wèn)題，保留了目標(biāo)細(xì)節(jié)部分，為后續(xù)圖像識(shí)別奠定基礎(chǔ)。根據(jù)表3準(zhǔn)確率和時(shí)間對(duì)比可以發(fā)現(xiàn)在準(zhǔn)確率相差不大的基礎(chǔ)上，本文提出的方案很好解決了傳統(tǒng)半人工式Grabcut函數(shù)造成的時(shí)間過(guò)長(zhǎng)、效率過(guò)低的問(wèn)題。

4 結(jié)語(yǔ)

本文針對(duì)由于傳統(tǒng)方法分割效率過(guò)低以及無(wú)法有效處理陰影圖片的問(wèn)題，在現(xiàn)有陰影去除、光線補(bǔ)償和目標(biāo)分割方法的基礎(chǔ)上，對(duì)圖像亮度分量進(jìn)行增強(qiáng)處理，實(shí)現(xiàn)光照補(bǔ)償。若采集到的圖片有噪聲，則利用中值濾波消除噪聲[19] 。根據(jù)圖像特點(diǎn)，采用K均值聚類算法對(duì)HSV顏色空間進(jìn)行聚類，然后結(jié)合Grabcut函數(shù)和顏色判定，改善陰影的同時(shí)消除了光照不足的影響，更好地保持了圖像在顏色、紋理和形狀方面的完整度，為下一步分類識(shí)別奠定了基礎(chǔ)。本文提出的方法對(duì)于背景單一且前景與背景區(qū)別相對(duì)明顯的圖片有良好的處理效果和高效的處理速度，很好地解決了傳統(tǒng)Grabcut函數(shù)人工分割圖片造成的繁瑣及陰影問(wèn)題[20]。但是對(duì)于前景與背景區(qū)分不大的圖片，K-means難以很好地進(jìn)行聚類，影響后續(xù)操作和分割準(zhǔn)確性，這也是未來(lái)研究需改進(jìn)的地方。

參考文獻(xiàn)：

[1] BLAKE A，ROTHER C，BROWN M，et al. Interactive image segmentation using an adaptive GMMRF model[C]. European Conference on Computer Vision，2004：428-441.

[2] ROTHER C，KOLMOGOROV V，BLAKE A. Grabcut： interctive foreground extraction using iterated graphcuts[J]. ACM Transactions on Graphics，2004，23（3）：309-314.

[3] ROCHA A，HAUAGGE D C，WAINER J，et al. Automatic fruit and vegetable classification from images[J]. Computers and Electronics in Agriculture，2010，70（1）：96-104.

[4] 趙華夏，禹晶，肖創(chuàng)柏. 基于目的性優(yōu)化及改進(jìn)直方圖均衡化的夜間彩色圖像增強(qiáng)[J]. 計(jì)算機(jī)研究與發(fā)展，2015，52（6）：1424-1430.

[5] 尹士暢，喻松林. 基于小波變換和直方圖均衡的紅外圖像增強(qiáng)[J]. 激光與紅外，2013，43（2）：225-228.

[6] 王悅東，薛河儒. 在不同彩色空間的分割效果的比較研究[J]. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，29（3）：155-157.

[7] 廖周宇. 基于Lab色彩模型的FCM圖像分割研究[J]. 軟件導(dǎo)刊，2017，16（5）：183-185.

[8] 楊林楠，彭琳. 基于？Lab空間和K-Means聚類的葉分分割算法研究[J]. 農(nóng)機(jī)化研究，2015（9）：222-226.

[9] 周燕琴，呂緒洋. 基于改進(jìn)K-均值與分水嶺算法的醫(yī)學(xué)圖像分割[J]. 軟件導(dǎo)刊，2016，15（3）：172-174.

[10] 巨志勇，李開(kāi)亮，毛穎穎. 基于K-means聚類與二次分水嶺的果蔬圖像分割方法[J]. 軟件導(dǎo)刊，2018，17（6）：217-219，223.

[11] 蔡式東，楊芳. 一種基于HSV空間和粗糙集的彩色圖像分割方法[J]. 光電子技術(shù)，2011，31（1）： 5-9.

[12] 章毓晉. 圖像工程圖像處理和分析[M]. 北京：清華大學(xué)出版社， 1999.

[13] 蔡秋茹，柳益君，羅燁，等. 基于K-means聚類的電信客戶分群方法[J]. 軟件導(dǎo)刊，2009，8（8）：51-52.

[14] 王千，王成，馮振元，等. K-means聚類算法研究綜述[J].電子設(shè)計(jì)工程，2012，20（7） ：21-24.

[15] 謝娟英，王艷娥. 最小方差優(yōu)化初始聚類中心的K-means算法[J].計(jì)算機(jī)工程，2014，40（8）：205-211，223.

[16] 黃玲玲. Grabcut及其改進(jìn)算法研究[J]. 軟件導(dǎo)刊，2015，14（5）：65-67.

[17] 王鈞銘，高立鑫，趙力. GrabCut彩色圖像分割算法的研究[J]. 電視技術(shù)，2008（6）：15-17.

[18] 周良芬，何建農(nóng). 基于GrabCut改進(jìn)的圖像分割算法[J]. 計(jì)算機(jī)應(yīng)用，2013，33（1）：49-52.

[19] 趙高長(zhǎng)，張磊，武風(fēng)波. 改進(jìn)的中值濾波算法在圖像去噪中的應(yīng)用[J]. 應(yīng)用光學(xué)，2011（4）： 678-680.

[20] 陶華偉，趙力，奚吉，等. 基于顏色及紋理特征的果蔬種類識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30（16）：305-311.

（責(zé)任編輯：江 艷）