一種改進的基于小波去噪和區域生長的彩色圖像分割算法摘要：彩色圖像分割是彩色圖像處理中的重要問題，傳統的彩色圖像分割都是基于灰度分割算法，而忽略了彩色的空間域視覺效果及噪聲污染問題。本文提出一種新的基于小波去噪和種子區域生長的一種改進方法。首先，應用小波去噪技術，強化圖像邊緣特征，抑制噪聲，提高原始圖像的信噪比；其次，將彩色圖像轉化到空間進行邊緣檢測，對圖像進行抖動處理以減少彩色圖像中的顏色數目，然后對不同分量進行序列閥值分割；最后對分割結果再進行一種新的基于區域生長的顏色相似性的聚合。仿真結果表明該算法更加符合人眼的視覺特性。關鍵詞：彩色圖像；彩色空間；小波去噪；區域生長AnimprovedcolorimagesegmentationalgorithmbasedonwaveletdenoisingandregionalgrowthAbstract:Colorimagesegmentationisanimportantissueincolorimageprocessing.Thetraditionalcolorimagesegmentationbasedongray-scalesegmentationalgorithmsneglectsthecolorvisualeffectandthenoise,it,therefore,leadstodegradethesegmentationquality.Inthispaper,wepresentanewalgorithmbasedonwaveletdenoisingandseedregionalgrowth.Thedenoisingtechniqueisfirstusedtopreservetheedgefeatureoftheoriginalimage.Then,theimagesincolorspaceareconvertedintocolorspace.Next,ajitterprocessingisusedtoreducethenumberofcolorsincolorimagesegmentation,andthentheimagesaresegmentedintermsofsequencethresholdonthedifferentcomponents.Finally,colorsimilaritypolymerization,basedonregionalgrowth,isappliedtotheprocessedimage.Thesimulationresultsshowthatthesegmentationresultsobtainedbyourmethodhaveperfectedgesegmentation,andcorrespondwellwiththevisionpropertiesofthehumanbeing.Keywords:colorimage;colorspace;waveletdenoising；regionalgrowth

1．引言圖像分割是由圖像處理進行到圖像分析的關鍵步驟,也是進一步圖像理解的基礎。以往所研究的算法大多是針對灰度圖像的,相比之下對于彩色圖像分割的研究較少.基于顏色空間特性的方法一般采取區域分割和聚類的方法來實現，但區域分割的結果很大程度上依賴于種子點的選擇，常常會造成圖像過分割或者欠分割的問題。Horowitz首次將分裂－合并思想用于圖像分割，但由于算法的局限性難以實現小區域的有效連接。聚類方法中比較常見的是K-mean聚類和模糊c聚類法，然而在這類方法中，聚類的數目需預先設定，每次迭代優化都需要重新計算聚類中心和隸屬度矩陣，計算量較大。近年來，有學者提出利用邊緣生長的技術進行圖像分割，先對圖像進行邊緣檢測，然后用有向勢能函數對邊緣進行粗略的封閉，最后用區域生長的技術進行細分割，該方法雖然可以有效解決漏分割的問題，但分割結果不夠光滑，存在一定的誤差。本文充分利用彩色圖像的顏色空間特性，結合圖像中區域之間的特征相似性關系，提出一種改進的基于區域生長的新算法。該方法首先對圖像進行小波去噪處理以抑制噪聲，然后將顏色空間轉換到與人類視覺特性相符的顏色空間，并按分量序列依次進行分割，最后進行基于顏色相似性聚類的區域生長。因為區域生長算法可以利用同一個目標區域其鄰域塊特征基本一致的特點,對整幅圖像的子塊掃描一遍就可完成分割,不需反復迭代。從而該算法可實現對彩色圖像的快速準確分割。2.算法描述針對傳統算法的缺陷，本文提出以下改進方案，如下圖所示：圖1算法流程圖2.1小波去噪近年來，小波理論得到了非常迅速的發展。在信號去噪領域中，由于其具有良好的時頻特性，同樣取得了較好的效果。相比于其它傳統的去噪方法，小波去噪能夠很好的強化邊緣特征。其基本思想如下：首先對原始圖像進行小波分解得到小波系數，然后選擇閥值，對所得到的小波系數進行修正，最后用修正的小波系數，重構圖像。本文采用的小波系數修正方法是廣泛采用的Donoho和Johostone提出的小波萎縮方法(VisulShrink)，其閥值定義為，為噪聲的方差，為圖像的像素個數，可以用小波系數的中位值估計。計算出后，我們采用軟閥值法調整，調整方法如下：(1)然后用修改后的重構圖像，去除噪聲。2.2．彩色空間圖像處理中常用的顏色模型多數為顏色模型和顏色模型。對任何3個[0,1]范圍內的、、值，可以用如下的計算公式得到其對應模型中的、、分量：（2）在空間中，、、三分量之間的相關性比、、三分量之間要小的多。由于彩色空間的表示比較接近人眼的視覺生理特性，人眼對、、變化的區分能力要比對、、變化的區分能力強。另外在空間中彩色圖像的每一個均勻性彩色區域都對應一個相對一致的色調，這說明色調能夠被用來進行獨立于陰影的彩色區域的分割。2.3區域生長傳統的種子區域生長法選擇圖像中部分象素點作為種子，然后將與種子性質相似的相鄰象素附加到生長區域的每個種子上。本文我們根據一定規則自動選取部分區域作為種子區域，克服了種子點區域選取的盲目性，然后將與種子區域性質相似的相鄰區域附加到種子所在區域去。種子區域的選擇在該算法中起到了至關重要的作用，而對于種子區域的選取我們將遵循一定的規則。要求種子區域在其相鄰區域中有一定的代表性，使生長的結果更接近我們期望的區域。進行種子區域選取的規則如下：規則1：種子區域與其領域有很高的相似性。這里我們為每個區域定義一個相似度函數。一個區域的相似度函數必須大于一個閥值，我們用二維大津法確定閥值，該區域才能被選為種子區域。一個區域與其領域的相似度函數定義為：（3）（4）為中每個區域的色調分量均值。為集合所有區域的色調分量均值。（5）為中每個區域的飽和度分量均值，為中集合所有區域的飽和度分量均值。為預先設定值，經驗上一般選擇。規則2：一個區域與它的相鄰區域的相對歐式距離的最大值要小于一個閥值。這里采用歐式距離的定義對區域的色調分量均值進行計算，公式如下：（6）其中為的相鄰區域個數，規則2可以保證選出的種子區域的位置不處在期望的兩個區域的邊界處，該閥值的選取依經驗我們選擇0.2。在一個未標記的區域將加入到一個種子區域之前，先將它們的同一性差值與一個閥值做比較，如果低于這個閥值，則進行標記，否則不被標記。然后將種子區域進行合并。2.4空間變換我們可以將顏色空間變換運用于圖像分割中，當彩色圖像的分割在空間進行時，由于、、三個分量是相互獨立的，所以有可能將這個3－D搜索問題轉化為三個1－D搜索。：1對原始彩色圖像進行空間轉換和邊緣檢測，對梯度較大的輪廓邊緣進行標記，利用分量來區分高飽和區和低飽和區；2利用分量對高飽和區進行分割：由于在高飽和彩色區值大，值量化細，可采用色調的閥值來進行分割；3利用對低飽和區進行分割：在低飽和彩色區量化粗無法直接用來分割，但由于比較接近灰度區域，因而可采用來進行分割；4由于彩色圖像象素過大，為了加快算法速度，對H值進行歸一化處理，即令；3仿真實現下面對一幅原始彩色圖像’Lena.tif’在matlab7.1環境下進行分割，為了增強效果，將本算法結果與傳統的梯度法進行比較。先對其進行小波去噪及抖動處理，避免噪聲影響。圖(b)為噪聲污染后的圖像,信噪比為30dB，圖(c)為傳統梯度法結合小波去噪的分割結果，圖(d)和圖(e)分別取迭代次數為130和150時的仿真結果。圖2算法仿真結果一個好的分割結果一般希望輪廓線比較平滑，形狀測度就是提出來衡量目標外輪廓的光滑程度的。如以表示象素的領域中的平均灰度，表示象素處的梯度，C是一個歸一化系數為設定的某一閥值：則（6）下表為仿真數據：表1.仿真結果分析由上表可以看出，本文算法的形狀測度值明顯低于傳統算法，即分割結果的光滑性較好，成功融合了區域和色彩信息，在視覺效果方面優于傳統算法。并且對指定區域細節的分割更加準確，這無疑會為圖像分割的后繼處理，圖像識別，圖像檢索打下更好的基礎。上述彩色圖像分割算法簡便快速適合于對實時性要求高的場合，如用于電視會議的分析－合成編碼方法中作為自動的圖像分割算法以將諸如人臉等區域從圖中分割出來分別編碼。

4結論本文提出的新算法是基于空間的序列分割方法，將小波去噪引入彩色空間處理彩色圖像，并且在色度空間變換的基礎上引入了基于顏色聚類的區域生長法，本文的方法用區域代替像素作為種子進行生長，從算法時間復雜度的角度來說算法效率有較大提高；另一方面，由于區域所攜帶的信息遠高于像素所攜帶的信息，更有利于之后的區域生長，因而能取得更好的分割效果。我們使用MATLAB實現了我們的算法，實驗結果證明，我們的算法在彩色圖像分割上，取得了較好的效果。仿真結果表明該算法可以清晰地分割彩色圖像，可以看出來分割效果較好，符合人的主觀感知，與人類視覺系統判斷基本一致，可以滿足一般基于內容的圖像檢索或識別處理。

參考文獻[1]章毓晉.圖像分割[M].北京：科學出版社,2001.97-123[2]唐挺等.基于小波去噪和圖像分割技術的改進NAS-RIF盲圖像復原算法[J].成都信息工程學院學報.2004.19(3).[3]羅軍輝等.Matlab7.0在圖像處理中的應用[M].北京：機械工業出版社，2005.6[4]