基于谱聚类与多信息特征融合的图像分割算法

赵希 于双元

摘 要：为了改善传统基于聚类的图像分割算法对噪声敏感以及仅使用单一特征无法精确描述目标特性等问题，提出了一种基于区域的多特征图像分割算法。首先，使用Meanshift算法对原图像进行预分割，获得一组区域块;其次，提取每个区域块的颜色特征和纹理特征，使用FCM算法分别对每个特征进行聚类，针对每个特征获得一个类标签邻接矩阵;再次，将多个邻接矩阵叠加，形成多特征邻接矩阵;最后，使用NCUT算法对叠加邻接矩阵进行聚类，获得最终分割图像。实验结果表明，基于区域多特征的分割算法优于对比算法，融合多特征对图像分割可以更准确地识别不同的目标结构，具有更好的分割效果。

关键词：图像分割;特征聚类;NCUT算法;邻接矩阵

DOI：10. 11907/rjdk. 191946 开放科学（资源服务）标识码（OSID）：

中图分类号：TP317.4 文献标识码：A 文章编号：1672-7800（2020）005-0221-04

0 引言

图像分割在图像处理及计算机视觉中占有非常重要的地位，其为后续相关处理提供了重要信息。该类技术使用颜色、纹理及空间关系等特征将图像划分为多个具有独立意义的区域，使得区域内部像素具有较大相似性，不同区域内的像素具有较大相异性。图像分割技术在遥感影像处理[1]、医学图像处理[2]、人脸检测等领域的应用较为成功。

1 相关工作

近年来，大量的图像分割算法被提出。以阈值分割、区域分割、边缘分割以及能量函数分割等为代表的传统分割算法已经被广泛研究[3]。随着机器学习研究的逐步深入，基于机器学习的分割算法也备受关注。在该类算法中，基于聚类的分割算法因其不需要过多的人工干预而受到青睐。常用聚类算法包括Kmeans算法、Fuzzy C-Means算法[4]（FCM）及NCUT算法[5-6]，都已经成功地应用于图像分割中。但该类算法的局限性在于其没有考虑像素间的空间关系，使得分割结果带有大量噪声。解决该问题常采用两种策略：一是将图像空间信息加入聚类模型;二是先将图像预分割成多个小区域，再对小区域进行聚类合并。对于第一种策略，Ahmed[7]提出了FCM-S算法，通过将像素周围的空间信息加入到传统聚类模型中，可以有效减少分割结果中的噪声点;Chen&zhang[8]提出了两个改进算法FCM_S1和FCM_S2以降低FCM_S的时间复杂度。然而，该类算法需要调节参数平衡聚类模型和空间模型之间的权重。基于此，Zhong[9]提出了一种基于自调节平衡参数的算法AFCM_S1，该算法通过加入熵信息自动计算该参数。对于第二种策略，其不仅可以保证图像的空间信息，还可以通过缩小问题规模降低算法时间复杂度;Makroginanis[10]使用分水岭算法来获得该预分割块[11];Tao[12]使用Meanshift算法获得该预分割图像[13];Hettiarachchi 使用Dirichlet tessellation获得Voronoi块[14]。

特征提取是图像分割的重要部分，现有图像分割算法大都基于单一特征而设计，其中以顏色特征应用最为广泛。然而图像中包含很多信息，仅使用颜色特征不能完全表示图像特性，特别是当不同的目标具有相同颜色或者单一目标具用不同颜色时，分割结果不甚理想。因此，融合多种特征的图像分割算法是未来研究的主要方向。虽然部分研究者设计了基于多种该特征的图像分割算法，但大多数算法都是仅仅将多种特征作简单叠加[15]。鉴于此，本文提出一种基于谱聚类和融合分块多特征的图像分割算法。首先，使用Meanshift对原始图像作预分割，获得一组规模较小的图像块，该操作既可以保持图像局部区域的整体性，又可以降低算法时间复杂度;其次，提取每个图像块的特征，主要提取像素的RGB颜色信息、HSV颜色信息、Gabor纹理信息[16]和离散余弦纹理（DCT）[17]信息作为像素特征;再次，分别基于每一维特征进行聚类，可获得4个聚类结果，针对4种聚类结果建立4个类标签邻接矩阵，将4个矩阵进行叠加;最后，使用NCUT算法对叠加矩阵进行分割，获得最终分割结果。

2 算法设计

2.1 图像预分割

本节将原始图像预分割为多个过分割区域。该过程不仅能保留图像的局部空间信息，还能够通过缩小问题规模以降低算法时间复杂度。许多超像素分割算法都可以实现该操作，常用的超像素分割算法包括Meanshift算法、分水岭算法、LSC算法[18]以及SLIC算法[19]等。本文使用Meanshift算法实现该操作。Meanshift算法是一种非监督聚类算法，在1975年由Fukunaga提出。由于其快速收敛和不需要人工干预，在图像处理和目标识别中获得了广泛应用。它是一种爬山算法，通过计算最大概率密度获取目标位置。给定[n]个采样点[X={x1，？，xn}]，Meanshift向量可通过式（1）获得。

给定一副图像I，使用Meanshift算法将其划分为一系列不重叠的超像素区域[{R1，？，Rr}]，其中r表示超像素区域数目，通过提取每个超像素区域特征对其进行聚类。

2.2 特征提取

特征提取是图像分割中非常重要的部分，颜色特征含有大量信息。但在很多图像中，仅使用颜色信息发现某些特定结构是不够的。因此，本文同时考虑颜色和纹理特征，设计基于多特征的图像分割算法。

2.2.1 RGB颜色特征

对于每一个像素[p，p∈I]。可以获得其RGB颜色特征为[pRGB={pr，pg，pb}]。针对每一块超像素区域[Ri]，[i∈{1，？，r}]，其平均RGB颜色值计算如式（3）所示。

2.2.2 HSV颜色特征

RGB颜色空间是为了更好地显示图像而设计，为了更直观呈现，使用HSV颜色特征作为第二个特征。首先将像素从RGB空间转换到HSV空间，然后计算每个像素的HSV颜色特征[pHSV={pH，pS，pV}]。针对每一块超像素区域[Ri]，[i∈{1，？，r}]，其平均HSV颜色值计算如式（4）所示。

2.2.3 Gabor紋理特征

纹理特征可以有效地检测到规律结构的目标。使用Gabor小波[16]获取图像的Gabor纹理特征，小波函数如式（5）所示。

2.3 邻接矩阵构建

通过提取特征，对每个区域获得4种特征，分别为[RRGBi]、[RHSVi]、[Rgabori]和[Rdcti]，i=1，…，r。由于每个特征含有不同的量纲，直接融合在一起会导致值域较大的特征占有较大比重。基于此，分别使用4种特征进行聚类，获得4种不同的聚类标签;然后针对每一种聚类标签，建立其标签邻接矩阵;再将4种邻接矩阵融合在一起，形成多特征邻接矩阵。

2.4 NCUT聚类

对上文通过不同特征获得的标签邻接矩阵进行聚类，邻接矩阵A表示任意两个超像素块之间的亲和关系，因此使用NCUT算法对矩阵A进行分割。NCUT是一种基于图论的方法，也称为归一化割算法。

3 实验结果与分析

为了验证本文算法的有效性，将提出的M_RHGD_N算法与现有多种算法进行有效性对比。本文基于分块思想，对比方法包括同样基于分块思想的不同特征分割。第1种对比方法为基于Meanshift算法的RGB颜色图像分割，使用NCUT算法作分割算法（Meanshift+RGB+NCUT），简称为M_R_N算法;第2种对比算法为基于Meanshift算法的Gabor纹理图像分割（Meanshift+Gabor+NCUT），简称M_G_N算法;第3种算法和第4种算法没有基于分块思想，直接用FCM算法实现像素点的颜色特征（FCM+RGB）和纹理特征分割（FCM+Gabor），分别简称为R_FCM和G_FCM算法;第5种算法为基于多特征的图像分割，将本文使用的4种特征直接合称为一个特征向量，使用FCM算法分割（RGB+HSV+Gabor+DCT+FCM），简称RHGD_FCM 算法。

将本文算法与对比算法在多种图片上进行测试，本文选取3种常用测试图片作为展示，如图1所示。每幅图片都可以分成2类，6种算法对3幅展示图片的分割结果如图2、图3和图4所示。从分割结果可以得出，M_RHGD_N算法比其它5种算法获得了更加精确的分割结果。

使用Rand指标（RI）和F-measure指标（F）[20]对6种算法进行量化分析，两个指标的值越大，说明分割效果越好。6种算法的RI和F值如表1所示，可以得出，M_RHGD_N算法比其它5种对比算法获得了更加精确的分割结果。

4 结语

图像分割是当前人们关注的热点，越来越多的学者致力于相关研究。由于直接将聚类算法应用于图像分割中会产生大量噪声，且现有图像分割算法大都基于单一特征而设计，在对特定结构的目标进行分割时效果并不理想。基于此，本文提出了一种基于区域多特征的图像分割算法，先使用Meanshift算法对原始图像进行预处理，可以保证像素周围的空间信息，然后将多种特征融合，建立融合多特征的图像分割算法。实验结果表明，该算法获得了较好的分割效果。如何选择合适的特征，以及对哪些特征进行融合是下一步研究的重点。

参考文献：

[1] 彭检贵，张良，李维良，等. 桌面遥感图像处理系统并行处理架构选择与实验分析[J]. 软件导刊， 2017，16（4）： 201-204.

[2] 钱红莹. 基于改进Canny算子的医学图像边缘检测算法[J]. 软件导刊， 2019，18（2）： 45-48.

[3] 杨红亚，赵景秀，徐冠华，等. 彩色图像分割方法综述[J]. 软件导刊， 2018，17（4）： 1-5.

[4] 蒋秋霖，王昕. 改进FCM的MR脑肿瘤图像分割[J]. 长春工业大学学报，2019，40（2）：149-155.

[5] SHI J，MALIK J. Normalized cuts and image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000， 22（8）：888-905.

[6] 吴琼，刘衍聪，伊鹏，等. 基于NCUT优化的岩心体视图像岩粒分割方法[J]. 计算机辅助设计与图形学学报，2018，30（3）：485-490.

[7] AHMED M N，YAMANY S M，MOHAMED N，et al. A modified fuzzy c-means algorithm for bias field estimation and segmentation of MRI data[J]. IEEE Transactions on Medical Imaging，2002，21（3）：193-199.

[8] CHEN S，ZHANG D. Robust image segmentation using FCM with spatial constraints based on new kernel-induced distance measure[J]. IEEE Transactions on Systems，Man and Cybernetics， Part B （Cybernetics）， 2004， 34（4）：1907-1916.

[9] ZHONG Y，MA A，ZHANG L. An adaptive memetic fuzzy clustering algorithm with spatial information for remote sensing imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014，7（4）：1235-1248.

[10] 李永焯，戴曙光. 改进分水岭算法在脑肿瘤CT图像分割中的应用[J]. 软件导刊，2018，17（6）： 157-159.

[11] MAKROGIANNIS S，ECONOMOU G，FOTOPOULOS S. A region dissimilarity relation that combines feature-space and spatial information for color image segmentation[J]. IEEE Transactions on Cybernetics，2005，35（1）：44-53.

[12] CHENG Y. Mean shift，mode seeking and clustering[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002，17（8）：790-799.

[13] TAO W，JIN H，ZHANG Y. Color image segmentation based on mean shift and normalized cuts[J]. IEEE Transactions on Systems，Man and Cybernetics，Part B （Cybernetics），2007，37（5）：1382-1389.

[14] HETTIARACHCHI R，PETERS J F. Voronoi region-based adaptive unsupervised color image segmentation[J]. Pattern Recognition，2016，65：119-135.

[15] SENGUR A，GUO Y. Color texture image segmentation based on neutrosophic set and wavelet transformation[J]. Computer Vision and Image Understanding， 2011，115（8）：1134-1144.

[16] YANG P，ZHANG F，YANG G. Fusing DTCWT and LBP based features for rotation， illumination and scale invariant texture classification[J].  IEEE Access， 2018（6）：13336-13349.

[17] 张赐勋. 离散余弦变换的设计与实现[D]. 杭州：浙江大学， 2006.

[18] LI Z，CHEN J. Superpixel segmentation using linear spectral clustering[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2015.

[19] ACHANTA R，SHAJI A，SMITH K，et al. SLIC superpixels compared to state-of-the-art superpixel methods[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（11）：2274-2282.

[20] KURTZ C，PASSAT N，GANARSKI P，et al. Extraction of complex patterns from multiresolution remote sensing images：a hierarchical top-down methodology[J]. Pattern Recognition，2012，45（2）：685-706.

（責任编辑：孙 娟）