馮 潤(rùn)，黃成泉，胡 雪，周麗華，鄭 蘭

(貴州民族大學(xué)，a.數(shù)據(jù)科學(xué)與信息工程學(xué)院；b.工程技術(shù)人才實(shí)踐訓(xùn)練中心；c.民族醫(yī)藥學(xué)院，貴陽(yáng) 550025)

圖像分割作為圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)重要的階段[1]，主要是將圖像分成若干個(gè)不相交的區(qū)域，然后提取出感興趣特征的一項(xiàng)關(guān)鍵技術(shù)。而主動(dòng)輪廓模型作為圖像分割的重要方法之一，由于其具有靈活選擇約束力和作用域、統(tǒng)一開(kāi)放式的描述形式等優(yōu)勢(shì)，在圖像分割領(lǐng)域中得到了廣泛的應(yīng)用。目前，已有的主動(dòng)輪廓模型圖像分割算法的優(yōu)化中，主要針對(duì)合成圖像和醫(yī)學(xué)圖像分割等主流應(yīng)用，針對(duì)少數(shù)民族服飾圖像分割算法與優(yōu)化的研究案例較少。其中，部分是基于C均值模糊聚類(lèi)[2]、基于塊匹配的協(xié)同優(yōu)化方法[3]與基于閾值分割法[4]的少數(shù)民族服飾研究，基于主動(dòng)輪廓模型[5]的少數(shù)民族服飾圖像分割的研究較少。

在過(guò)去的研究中，人們提出了許多經(jīng)典的主動(dòng)輪廓模型，主要分為基于邊緣的模型和基于區(qū)域的模型。在基于區(qū)域的模型中，Chan-Vese(CV)模型[6]作為最經(jīng)典的模型之一，假設(shè)待處理圖像具有均勻的強(qiáng)度，并且可以根據(jù)強(qiáng)度特征劃分為幾個(gè)不相交的子區(qū)域，從而達(dá)到對(duì)均勻圖像進(jìn)行有效的分割。但是，該模型不能很好的處理強(qiáng)度不均勻的圖像。隨后，眾多學(xué)者提出了許多基于區(qū)域的模型，例如：基于圖像局部信息的局部二值擬合(Local binary fitting, LBF)模型[7]、基于局部圖像擬合(Local image fitting, LIF)模型[8]、基于模糊能量的主動(dòng)輪廓(Fuzzy energy-based active contour, FEAC)模型[9]以及基于混合與局部模糊區(qū)域邊緣的主動(dòng)輪廓分割(Region-edge-based active contours driven by hybrid and local fuzzy region-based energy, HLFRA)模型[10]等，這些模型都能夠很好的處理具有強(qiáng)度不均勻的自然、合成與醫(yī)學(xué)圖像。如前所述，雖然基于區(qū)域的主動(dòng)輪廓圖像分割算法在自然、醫(yī)學(xué)與合成等圖像的分割上取得了非常豐碩的研究成果，但對(duì)少數(shù)民族服飾圖像進(jìn)行分割的研究較少。如劉其思等[11]采用變分水平集算法對(duì)服飾圖案輪廓進(jìn)行邊緣檢測(cè)和分割，結(jié)果表明，基于變分水平集算法相較于傳統(tǒng)的分割方法更為準(zhǔn)確有效，但是使用變分水平集算法難以滿足復(fù)雜圖案分割的需求。侯小剛等[5]通過(guò)融合形態(tài)學(xué)連通域標(biāo)記和CV模型，提出了一種民族服飾圖案紋樣元素分割的方法。該方法與其他自動(dòng)分割算法相比更為有效，但是想要在較高邊界召回率的情況下實(shí)現(xiàn)較高的分割準(zhǔn)確率還存在一定差距。

綜上所述，與主動(dòng)輪廓模型在處理自然、醫(yī)學(xué)與合成圖像等主流圖像相比，苗族服飾圖像作為一種特殊的圖像類(lèi)型，具有繡線紋理、種類(lèi)繁多、形狀復(fù)雜度高、色彩差異大以及服飾圖像的不善保存導(dǎo)致獲取的圖像存在破損與不清晰等問(wèn)題，采用現(xiàn)有的主動(dòng)輪廓模型圖像分割技術(shù)對(duì)苗族服飾圖像進(jìn)行分割并未取得較好的分割結(jié)果。同時(shí)，由于基于全局的主動(dòng)輪廓模型不能很好的分割灰度不均勻的圖像，基于局部的主動(dòng)輪廓模型存在對(duì)初始位置敏感以及容易陷入局部極小值等問(wèn)題。因此，以主動(dòng)輪廓模型為基礎(chǔ)的苗族服飾圖像分割面臨著極大的挑戰(zhàn)。針對(duì)這些問(wèn)題，本文在HLFRA模型[10]的啟發(fā)下，提出了一種基于模糊擬合圖像驅(qū)動(dòng)的苗族服飾圖像分割算法，在一定程度上對(duì)少數(shù)民族服飾圖像分割算法的研究提供參考。

1 相關(guān)模型

1.1 FEAC模型

針對(duì)基于全局的主動(dòng)輪廓模型缺乏分割亮度不均勻圖像的能力以及基于局部的主動(dòng)輪廓模型對(duì)初始輪廓的位置敏感與容易收斂到局部最小值等問(wèn)題，Lv等[12]提出了一種基于分?jǐn)?shù)階擴(kuò)散邊緣指標(biāo)和模糊局部擬合圖像的模糊主動(dòng)輪廓模型。模糊能量函數(shù)表示為：

+vspfL(I(x))δε(u(x)-0.5)+γspfG(I(x))

(1)

式中：λ、μ、ν和γ為正常數(shù)，div(·)為散度運(yùn)算符，u(x)為偽水平集函數(shù)，e(x)表示局部模糊能量項(xiàng)，spfG(I(x))和spfL(I(x))分別表示全局和局部符號(hào)壓力函數(shù)，定義為：

e(x)=(m1(x)-m2(x))

(2)

(3)

spfL(I(x))=

(4)

式中：IFLFI(x)=u1(x)m1(x)+u2(x)m2(x)表示模糊局部擬合圖像，W(x)=1/(1+exp(-M(x)))用于縮放I和IFLFI之間的Kulback-Leibler散度，c1、c2、m1(x)和m2(x)分別表示全局和局部?jī)?nèi)外強(qiáng)度平均值。

FEAC模型具有靈活的初始化方法，并且能很好的解決具有弱邊界的圖像以及容易陷入局部最小值等問(wèn)題。同時(shí)，該模型在分割具有亮度不均勻的合成圖像和真實(shí)圖像方面能得到令人滿意的結(jié)果。但是，當(dāng)存在大部分目標(biāo)對(duì)象與背景區(qū)域非常相似的情況時(shí)，該模型不能很好地進(jìn)行分割。

1.2 HLFRA模型

為了分割具有高噪聲和強(qiáng)度不均勻的圖像，F(xiàn)ang等[10]在FEAC模型[9]的基礎(chǔ)上提出了一種基于混合和局部模糊能量的區(qū)域邊緣主動(dòng)輪廓模型。該模型的能量函數(shù)由區(qū)域能量和邊緣能量?jī)刹糠纸M成，區(qū)域能量激勵(lì)初始偽水平集函數(shù)向目標(biāo)邊界移動(dòng)，邊緣能量用于精確檢測(cè)目標(biāo)邊界。能量函數(shù)定義為：

F(u)=FR(u)+FE(u)

(5)

其中，F(xiàn)R(u)表示區(qū)域能量，F(xiàn)E(u)表示邊緣能量，分別定義為：

(6)

FE(u)=β1L(u-0.5)+β2P(u-0.5)

(7)

通過(guò)固定fb、fs、c1和c2，公式(6)相對(duì)u(x)最小化，得到隸屬度函數(shù)為：

u(x)=

(8)

然后根據(jù)區(qū)域能量ΔF的變化來(lái)更新隸屬度函數(shù)u(x)。

在HLFRA模型中，區(qū)域能量能夠引導(dǎo)演化曲線向目標(biāo)邊界運(yùn)動(dòng)，邊緣能量使演化曲線精確地停在物體邊界上，該模型還通過(guò)計(jì)算新舊能量函數(shù)的差值來(lái)更新偽水平集函數(shù)。實(shí)驗(yàn)結(jié)果表明，HLFRA模型能夠有效地從高噪聲和強(qiáng)度不均勻的合成和真實(shí)圖像中提取目標(biāo)，且凸區(qū)域能量保證了分割結(jié)果與初始條件無(wú)關(guān)。

2 本文算法

2.1 能量函數(shù)構(gòu)造

在上述模型的啟發(fā)下，本文提出了一種新的基于模糊擬合圖像驅(qū)動(dòng)的苗族服飾圖像分割算法。使用0.5水平集作為演化曲線[9,10,12]，將圖像域Ω分成內(nèi)部Cin(u>0.5)和外部Cout(u<0.5)兩個(gè)相鄰區(qū)域。由于全局圖像信息能夠處理灰度均勻的圖像，局部圖像信息在灰度不均勻方面起著重要作用。因此，結(jié)合全局與局部圖像信息在模糊區(qū)域中擬合出模糊局部與全局圖像，并將原始圖像和擬合的模糊局部與全局圖像在Kullback-Leibler散度方面的圖像差異構(gòu)造模糊能量函數(shù)。然后通過(guò)圖像局部與全局內(nèi)外區(qū)域的像素灰度歸一化類(lèi)內(nèi)方差構(gòu)造自適應(yīng)權(quán)重系數(shù)。接下來(lái)，添加了一個(gè)正則項(xiàng)與一個(gè)長(zhǎng)度項(xiàng)，并在其中引入一個(gè)邊緣檢測(cè)器。最后，通過(guò)標(biāo)準(zhǔn)梯度下降法[13]最小化能量函數(shù)，并給出了算法的具體步驟。所提出的能量函數(shù)定義為：

E(u)=Ffe(u)+Fedge(u)

(9)

式中：Ffe(u)是模糊能量函數(shù)，F(xiàn)edge(u)由正則項(xiàng)與長(zhǎng)度項(xiàng)組成。

2.1.1 模糊能量函數(shù)

模糊能量函數(shù)由局部與全局模糊能量項(xiàng)組成。不同于HLFRA模型中混合局部模糊能量，本文在其基礎(chǔ)上，擬合出模糊局部與全局圖像。并依據(jù)FEAC模型通過(guò)Kullback-Leibler散度來(lái)量化原始圖像與擬合圖像之間差異的方法，通過(guò)原始圖像與兩幅模糊擬合圖像在Kullback-Leibler散度方面的圖像差異構(gòu)造局部與全局模糊能量項(xiàng)。同時(shí)，通過(guò)自適應(yīng)權(quán)重系數(shù)來(lái)自動(dòng)調(diào)節(jié)局部與全局模糊能量項(xiàng)之間的參數(shù)。模糊能量函數(shù)定義為：

(10)

式中：第一項(xiàng)是全局模糊能量項(xiàng)，能對(duì)灰度均勻的圖像進(jìn)行分割。第二項(xiàng)是局部模糊能量項(xiàng)，分割灰度不均勻的圖像。wg和wl為兩個(gè)權(quán)重系數(shù)，滿足wg+wl=1。ILFR(x)與IGFR(x)表示模糊局部與全局?jǐn)M合圖像，分別定義為：

IGFR=c1[u(x)]m+c2[1-u(x)]m

(11)

ILFR=m1[u(x)]m+m2[1-u(x)]m

(12)

這里IGFR與ILFR可以認(rèn)為是原始圖像I在全局與局部窗口內(nèi)的模糊逼近，c1和c2為全局強(qiáng)度平均值，m1和m2為局部強(qiáng)度平均值，u(x)表示模糊隸屬度函數(shù)，分別定義為：

(13)

(14)

u(x)=

(15)

式中：[u1(x)]m=[u(x)]m、[u2(x)]m=[1-u(x)]m，m為每個(gè)模糊隸屬度的加權(quán)指數(shù)，w(x,y)為空間權(quán)重，α1、α2、β1和β2為正加權(quán)參數(shù)。

在式(10)中，為了根據(jù)圖像的均勻程度來(lái)自動(dòng)調(diào)整全局與局部模糊能量項(xiàng)之間的參數(shù)，從而構(gòu)建了一個(gè)自適應(yīng)權(quán)重系數(shù)。不同于Jiang等[14]和Han等[15]基于全局圖像輪廓曲線內(nèi)外區(qū)域的像素灰度歸一化類(lèi)內(nèi)方差來(lái)定義權(quán)重系數(shù)，本文在此基礎(chǔ)上結(jié)合了局部圖像輪廓曲線內(nèi)外區(qū)域的像素灰度歸一化類(lèi)內(nèi)方差來(lái)表示：

(16)

式中：a1、a2分別表示圖像全局輪廓曲線內(nèi)外區(qū)域像素灰度的類(lèi)內(nèi)方差，b1和b2分別表示圖像局部輪廓曲線內(nèi)外區(qū)域像素灰度的類(lèi)內(nèi)方差，分別定義為：

(18)

式中N表示整個(gè)圖像區(qū)域的像素?cái)?shù)。

2.1.2 正則項(xiàng)與長(zhǎng)度項(xiàng)

在式(9)中，將邊緣檢測(cè)器g分別引入正則項(xiàng)與長(zhǎng)度項(xiàng)，以此來(lái)獲得光滑的輪廓曲線，平滑圖像邊緣。分別表示為：

Fedge(u)=μLg(u=0.5)+νPg(u=0.5)

(19)

這里，μ、ν為常數(shù)，Lg(u=0.5)表示水平集函數(shù)的長(zhǎng)度項(xiàng)，Pg(u=0.5)表示符號(hào)距離函數(shù)的正則項(xiàng)，定義為：

2.2 能量函數(shù)求解

本文通過(guò)標(biāo)準(zhǔn)梯度下降法最小化式(9)中的能量函數(shù)，對(duì)于固定的c1、c2、m1和m2，E(u)相對(duì)于u(x)最小化：

(22)

這里e1和e2分別為：

(23)

(24)

2.3 算法步驟描述

本文算法的具體計(jì)算步驟為：

a)輸入指定的圖像，并輸入初始參數(shù)：即迭代次數(shù)IterNum、局部窗口(2k+1)×(2k+1)的大小k、常數(shù)ε、時(shí)間步長(zhǎng)Δt、權(quán)重μ、ν、α1、α2、β1、β2和邊緣檢測(cè)器g；

b)初始化水平集，將其設(shè)置為u0(x)>0.5與u0(x)<0.5兩個(gè)部分；

c)使用式(15)計(jì)算u(x)的偽水平集函數(shù)，并使用式(13)計(jì)算兩個(gè)全局變量平均值c1和c2以及式(14)計(jì)算兩個(gè)局部變量平均值m1和m2；

d)通過(guò)式(11)、(12)、(23)、(24)、(10)分別計(jì)算IGFR、ILFR、e1、e2和模糊能量函數(shù)Ffe(u)，并通過(guò)式(16)計(jì)算權(quán)值wg和wl；

e)對(duì)于正則項(xiàng)Pg和長(zhǎng)度項(xiàng)Lg分別使用公式(21)、(20)進(jìn)行計(jì)算；

f)結(jié)合式(9)，更新能量函數(shù)；

g)重復(fù)步驟c)-f)，直到迭代完成。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，本節(jié)設(shè)計(jì)4組實(shí)驗(yàn)進(jìn)行分析，即自然圖像分割比較分析、苗族服飾圖像的分割、苗族服飾圖像分割比較分析、不同初始形狀與位置的苗族服飾圖像分割。依據(jù)自然圖像與苗族服飾圖像之間的圖像性質(zhì)以及圖像的獲取方式等關(guān)聯(lián)，特別是具有紋理的自然圖像與苗族服飾圖像有異曲同工之處。因此，首先將本文算法在自然圖像上進(jìn)行驗(yàn)證，來(lái)體現(xiàn)所提出的算法在主動(dòng)輪廓模型圖像分割上的優(yōu)勢(shì)，實(shí)驗(yàn)數(shù)據(jù)集來(lái)自Describable Textures Dataset(DTD)數(shù)據(jù)集[16]和MSRA數(shù)據(jù)集[17]。然后，進(jìn)一步將本文算法運(yùn)用于選取的苗族服飾圖像上，驗(yàn)證本文算法的分割性能以及對(duì)初始輪廓曲線的位置與形狀的穩(wěn)定性。苗族服飾圖像數(shù)據(jù)集來(lái)源于北京服裝學(xué)院民族服飾博物館(http:∥www.biftmuseum.com/)，該博物館收藏有中國(guó)各民族的服裝、飾品、織物、蠟染、刺繡等一萬(wàn)余件，還收藏有近千幅20世紀(jì)20～30年代拍攝的極為珍貴的彝族、藏族、羌族的民族生活服飾的圖片。在其中選取了關(guān)于貴州省苗族服飾的局部圖像(包括苗族蠟染、刺繡、混合與簡(jiǎn)單圖像)。

實(shí)驗(yàn)在MatlabR2016a編程環(huán)境下，以3.3 ghz的Intel(R)內(nèi)核和8 gb的計(jì)算機(jī)內(nèi)存，在PC機(jī)上運(yùn)行。實(shí)驗(yàn)中固定參數(shù)：偽水平集函數(shù)u(x)在內(nèi)部和外部區(qū)域分別設(shè)置為0.7和0.3，模糊隸屬度的加權(quán)指數(shù)m=2。常規(guī)參數(shù)：局部加權(quán)系數(shù)w(x,y)被(2k+1)×(2k+1)窗口截?cái)?，局部加?quán)窗口k=1，迭代次數(shù)上限為30，時(shí)間步長(zhǎng)Δt=0.02，最小正常數(shù)ε=1，長(zhǎng)度項(xiàng)與正則項(xiàng)的加權(quán)參數(shù)μ=0.1和ν=0.8，圖像全局內(nèi)外權(quán)重α1、α2與局部?jī)?nèi)外權(quán)重β1和β2需根據(jù)圖像進(jìn)行調(diào)整。其他對(duì)比模型除特殊說(shuō)明外，其余參數(shù)均參考原文設(shè)置。

3.1 比較算法與評(píng)價(jià)指標(biāo)

由于本文是將主動(dòng)輪廓模型探索性的運(yùn)用于苗族服飾圖像的分割，因此將本文算法與基于區(qū)域的主動(dòng)輪廓模型，如LBF模型[7]、LIF模型[8]、局部與全局?jǐn)M合圖像(Local and global fitted image, LGFI)模型[18]和HLFRA模型[10]進(jìn)行實(shí)驗(yàn)驗(yàn)證，并綜合量化評(píng)價(jià)指標(biāo)與視覺(jué)效果對(duì)算法的性能進(jìn)行對(duì)比分析和結(jié)果討論。

為了定量評(píng)價(jià)上述模型的分割效率和準(zhǔn)確性，使用迭代過(guò)程中所需的分割時(shí)間、迭代次數(shù)、Dice相似性系數(shù)[19](Dice similarity coefficient, DSC)和敏感性系數(shù)(Sensitivity, SN)對(duì)分割結(jié)果進(jìn)行定量評(píng)價(jià)[20]。其中迭代次數(shù)與分割時(shí)間的多少主要體現(xiàn)了算法的收斂程度，算法的收斂速度快，則相應(yīng)的迭代次數(shù)與分割時(shí)間會(huì)得到很大程度的降低。相反，如果算法的收斂速度慢，則迭代次數(shù)與分割時(shí)間也會(huì)增加。DSC反映的是算法的分割結(jié)果與真值結(jié)果之間的相似度，SN反映的是正確檢測(cè)超聲區(qū)域像素點(diǎn)和標(biāo)準(zhǔn)區(qū)域像素點(diǎn)總和的比值。DSC與SN兩個(gè)評(píng)價(jià)指標(biāo)的值都在0到1之間，值越大，表明檢測(cè)結(jié)果精度越高。分別定義為：

(25)

(26)

式中：∩是交集運(yùn)算符，N(·)是封閉集的像素?cái)?shù)，A是給定算法的分割結(jié)果，B為真值分割結(jié)果，TP和FN分別表示真陽(yáng)性和假陰性。

3.2 自然圖像分割比較分析

為了體現(xiàn)本文算法的性能，將本文算法與基于區(qū)域的主動(dòng)輪廓模型，即LBF模型、LIF模型、LGFI模型和HLFRA模型在自然圖像上進(jìn)行對(duì)比實(shí)驗(yàn)。圖1中圖像1至圖像6的實(shí)驗(yàn)參數(shù)α1、α2、β1和β2分別設(shè)置如下：(1.0, 0.5, 1.0, 0.5)、(0.01, 0.01, 1.0, 1.0)、(1.0, 0.5, 1.0, 0.5)、(1.5, 2.5, 1.0, 2.5)、(1.5, 2.5, 1.5, 2.0)、(0.5, 3.0, 1.0, 3.0)。分割結(jié)果如圖1和表1所示，圖1中顯示了不同模型與本文算法對(duì)自然圖像的分割結(jié)果，第1列是具有初始輪廓曲線的原始圖像，第2列到第6列分別顯示的是LBF、LIF、LGFI、HLFRA模型與本文算法的最終演化結(jié)果。表1顯示的是不同模型在圖1中6幅圖像的迭代次數(shù)與分割時(shí)間。

圖1 不同模型對(duì)自然圖像的分割結(jié)果

由圖1與表1的分割結(jié)果可以看出，LBF模型相較于LIF模型來(lái)說(shuō)分割結(jié)果相對(duì)較好，但是LBF模型所需的分割時(shí)間卻比LIF模型要高。LIF模型由于只運(yùn)用了圖像的局部信息，在分割多目標(biāo)圖像時(shí)容易導(dǎo)致邊界泄露，從而導(dǎo)致分割效果不佳，但是所需的分割時(shí)間較為可觀。LGFI模型的分割結(jié)果較差，由于LGFI模型運(yùn)用了局部與全局圖像信息，所以其分割所需的時(shí)間最多。HLFRA模型能有效的對(duì)圖像進(jìn)行分割，但是也存在一些不理想的地方被分割出來(lái)的情況。由于HLFRA模型是通過(guò)計(jì)算新舊能量函數(shù)的差值來(lái)更新偽水平集函數(shù)，所以只需要較少的迭代次數(shù)與分割時(shí)間。在本文算法中，結(jié)合了局部與全局模糊擬合圖像在Kullback-Leibler散度方面的圖像差異構(gòu)造了模糊能量函數(shù)，同時(shí)在模糊局部與全局項(xiàng)之間考慮自適應(yīng)權(quán)重。從而提高了本文算法對(duì)灰度均勻與不均勻圖像的分割精度與效率。此外，還在能量函數(shù)中添加了一項(xiàng)正則項(xiàng)與長(zhǎng)度項(xiàng)來(lái)獲得光滑的輪廓曲線，平滑圖像邊緣。因此，本文算法相較于其他的模型來(lái)說(shuō)，能夠很好的對(duì)圖像進(jìn)行分割。并且只運(yùn)用常用的標(biāo)準(zhǔn)梯度下降法最小化能量函數(shù)，就能獲得較少的分割時(shí)間與迭代次數(shù)。

表1 不同模型在圖1中6幅圖像的分割時(shí)間與迭代次數(shù)

分割精度的DSC與SN系數(shù)如表2所示。從 表2 可以看出，本文算法相較于其他模型來(lái)說(shuō)，具有較好的分割效果。對(duì)應(yīng)圖像分割結(jié)果的相似性系數(shù)與敏感性系數(shù)分別能達(dá)到0.978與0.981以上，分割結(jié)果的平均值與LBF、LIF、LGFI和HLFRA模型相比分別提高了39.8%、67.2%、44.6%與5.8%。

表2 不同模型在圖1中圖像4到圖像6的DSC與SN系數(shù)

3.3 苗族服飾圖像的分割

不同類(lèi)型的苗族服飾圖像對(duì)分割結(jié)果也有一定的影響，如蠟染圖像中具有圖像破損、圖像不清晰、圖像形狀復(fù)雜等問(wèn)題，刺繡圖像具有繡線紋理影響、圖像色彩差異較大等問(wèn)題，以及混合與簡(jiǎn)單圖像中不同類(lèi)型圖像之間、圖案具有污點(diǎn)等問(wèn)題的影響，這些問(wèn)題都有可能導(dǎo)致得到的分割結(jié)果不理想。為了驗(yàn)證本文算法對(duì)不同類(lèi)型苗族服飾圖像的分割性能，將本文算法運(yùn)用在不同類(lèi)型的苗族服飾圖像上進(jìn)行分割。如圖2所示，其中實(shí)驗(yàn)參數(shù)α1、α2、β1和β2設(shè)置如下：除刺繡圖像中第一幅圖像與第二幅圖像以及混合與簡(jiǎn)單圖像中第三幅圖像分別設(shè)置為(0.5, 2.5, 2.5, 2.5)、(1.5, 0.5, 1.5, 0.5)、(2.2, 2.0, 0.8, 0.7)，其他圖像的參數(shù)均設(shè)置為(0.01, 0.01, 1.0, 1.0)。

在圖2中，第1行、第3行與第5行分別顯示的是具有初始輪廓曲線的原始蠟染圖像、原始刺繡圖像與原始混合及簡(jiǎn)單圖像，第2行、第4行與第6行分別顯示的是本文算法的分割結(jié)果。從分割結(jié)果看出，由于圖像不清晰、圖像破損、繡線紋理以及圖像色彩差異較大等問(wèn)題的影響，導(dǎo)致部分分割結(jié)果不太理想，如蠟染圖像中第二幅圖像由于圖像的破損，導(dǎo)致一些不理想的區(qū)域被分割出來(lái)；刺繡圖像中第三幅圖像由于圖像的色彩差異較大，部分區(qū)域未能被提取出來(lái)等。但是，基于總體的分割結(jié)果而言，提出的算法在不同類(lèi)型的苗族服飾圖像上具有較好的分割結(jié)果。

圖2 不同苗族服飾圖像的分割

3.4 苗族服飾圖像分割比較分析

為了驗(yàn)證本文算法對(duì)不同類(lèi)型苗族服飾圖像分割性能的差異性，將本文算法與基于區(qū)域的主動(dòng)輪廓模型進(jìn)行比較。圖3中圖像1到圖像9的實(shí)驗(yàn)參數(shù)α1、α2、β1和β2設(shè)置如下：圖像1為(2.0, 2.2, 0.8, 0.7)、圖像2至圖像9設(shè)置為(0.01, 0.01, 1.0, 1.0)。圖3顯示的是不同模型在苗族服飾圖像上的分割結(jié)果。其中，圖像1到圖像3為蠟染圖像，圖像4到圖像7為刺繡圖像，圖像8到圖像9為簡(jiǎn)單與混合圖像。第1列顯示的是具有初始輪廓曲線的原始圖像，第2列到第6列分別顯示的是LBF、LIF、LGFI、HLFRA模型與本文算法的最終演化結(jié)果。從分割的結(jié)果看出，提出的算法都能對(duì)這九幅圖像進(jìn)行有效的分割。雖然一些特別細(xì)微地方的分割結(jié)果不是特別理想，但是相較于其他模型而言具有較好的分割效果。

進(jìn)一步使用分割所需的時(shí)間與迭代次數(shù)定量評(píng)估了LBF、LIF、LGFI、HLFRA模型與本文算法對(duì)圖3中9幅圖像的分割性能。如表3所示，本文的方法對(duì)所測(cè)試圖像的分割時(shí)間都優(yōu)于其他模型，只需要較少的迭代次數(shù)與分割時(shí)間就能對(duì)圖像進(jìn)行分割。這是由于本文算法采用模糊局部與全局?jǐn)M合圖像同原始圖像的差異構(gòu)造了一個(gè)模糊能量函數(shù)，因此極大的降低了分割所需的時(shí)間。HLFRA模型從分割時(shí)間與迭代次數(shù)來(lái)看，具有較好的性能。LGFI模型相較于LBF模型與LIF模型來(lái)說(shuō)迭代次數(shù)最少，但分割時(shí)間卻最多，因此LGFI模型在分割時(shí)間上不占優(yōu)勢(shì)。LIF模型的迭代次數(shù)比LBF模型與LGFI模型多，但是所需的分割時(shí)間卻最少，所以LIF模型在分割時(shí)間上比LBF模型與LGFI模型好。

表3 不同模型在圖3中9幅圖像的迭代次數(shù)與分割時(shí)間

圖3 不同模型在苗族服飾圖像上的分割結(jié)果

3.5 初始化的魯棒性

初始曲線的形狀和位置對(duì)分割結(jié)果也有一定的影響。因此，在具有不同初始形狀和位置的苗族服飾圖像上，對(duì)初始曲線的形狀與位置的敏感性進(jìn)行評(píng)估。實(shí)驗(yàn)參數(shù)α1、α2、β1和β2設(shè)置為：(1.5, 0.1, 1.5, 0.5)。通過(guò)保持所有參數(shù)不變，對(duì)圖4中顯示的具有不同初始形狀和位置的服飾圖像進(jìn)行測(cè)試。其中，第1行與第3行是具有不同初始形狀和位置的原始圖像，第2行和第4行是最終分割結(jié)果。結(jié)果顯示，對(duì)于不同初始形狀和位置的最終輪廓具有幾乎相同的分割結(jié)果，表明本文算法對(duì)初始輪廓的放置與形狀具有魯棒性。

圖4 不同初始形狀與位置的苗族服飾圖像

4 結(jié) 論

本文針對(duì)苗族服飾圖像的分割，提出了一種基于模糊擬合圖像驅(qū)動(dòng)的苗族服飾圖像分割算法。在一定情況下起到發(fā)展苗族服飾的作用，這對(duì)苗族服飾圖案的保護(hù)、傳承和發(fā)展有重要的理論和實(shí)際意義。為了體現(xiàn)本文算法的有效性，首先，在自然圖像上與其他基于區(qū)域的主動(dòng)輪廓模型進(jìn)行實(shí)驗(yàn)評(píng)估。結(jié)果表明，本文算法具有較好的分割性能。然后，將本文算法應(yīng)用于苗族服飾圖像的分割。實(shí)驗(yàn)結(jié)果表明，本文算法在苗族服飾圖像的分割中具有較好的分割結(jié)果，并且對(duì)水平集函數(shù)的初始化具有魯棒性。但是，本文提出的算法在分割苗族服飾圖像時(shí)同樣存在一些問(wèn)題。作為探索性的研究，本文在以苗族服飾圖像為對(duì)象進(jìn)行分割算法的研究時(shí)，僅僅考慮了簡(jiǎn)單的苗族服飾圖像的形狀、紋理與色彩等圖像信息。對(duì)于圖案具有復(fù)雜度特別高、紋理非常突出、存在較嚴(yán)重的破損與色彩差異特別大等問(wèn)題的苗族服飾圖像的分割結(jié)果中，存在少量漏分割與過(guò)分割的現(xiàn)象。這也將是今后的重點(diǎn)研究方向。