Computer Science ›› 2013, Vol. 40 ›› Issue (4): 310-313.
Previous Articles Next Articles
WEI Qing,LU Zhao-gan and SHAO Chao
[1] Cios K J,Pedrycz W,Swiniarsk R M.Data Mining Methods for Knowledge Discovery [J].IEEE Transactions on Neural Networks,1998,9(6):1533-1534 [2] Feyyad U M.Data mining and knowledge discovery:makingsense out of data [J].IEEE Expert,1996,11(5):20-25 [3] Zhang K D,Lu H Q,Duan M Y,et al.Automatic Salient Regions of Interest Extraction Based on Edge and Region Integration [C]∥Proceedings of 2006IEEE International Sympoium on Industrial Electronics.Montreal,Quebec,Canada:IEEE Industrial Electronics Society,2006,1:620-623 [4] 。计算图像的聚类连通性指数,需要对图像进行分割,再通过对图像中每个像素的连通性取平均值得到该指数。然而,与WMMCI的方法一样,聚类连通性指数仅仅是一种描述图像整体分割复杂性的方法,可兼用作判断图像分割必要性的方法。在观测图像中对象的方法中,图像所要分割区域的大小是影响图像区域分割的重要因素。如果图像分割后得到的区域对象毫无意义或者图像本身无法进行分割,那么在实际图像分析中,就无需对这些图像进行分割。 为了说明这样的图像,我们在图1中给出4幅不需分割的图像,从其分割结果中(见图2)可看出任何对这些图像的分割均无任何的实际意义,其中图2中的图像分割结果是用基于图论的分割方法对图1中的每个图像进行分割得到的。从图2中可以看出图像中更多的细节被当作对象分离出来了,但是这些图像细节信息本身并不具有任何的语义信息,无助于基于图像内容的分类和检索。根据这些图像的内容,它们无需进行分割,应该对整个图像进行分类和检索。但是,如何辨识出这样的图像是一项具有挑战性的工作。 图1不必分割的图像 图2采用基于图论的分割算法对图1中的图像分割的结果 3图像分割复杂性测度指标及判断方法 为了能够将图像分割成有意义的区域,需要给出有意义区域的定义。然后,以此为准则构造相应的图像分割算法。虽然给出有意义区域的概念很困难,但本文在这里尝试给出一种能反映语义对象区域基本特征的有意义区域的概念。如上所述,文献[3,4]所给的图像复杂性描述方法忽略了图像中区域的大小,而图像中可分割区域的大小对于确定图像分割的必要性具有重要的意义。这两种方法实质是用来衡量图像中边缘信息的多少,无法确定含有少数几个平坦区域的图像分割的必要性。因此,这里我们提出了一种新的图像分割必要性指标,即分割复杂性测度,它综合考虑了图像的分割复杂性和潜在图像区域的大小。图像分割的复杂性实质上与图像中可分割的区域个数相关,而图像分割的必要性是与图像中可分割的区域大小相关,它们分别反映了图像分割问题的两个方面。接下来,综合考虑图像可分割区域的个数和大小,给出分割复杂性测度(SCM)的定义及其具体的实现方案。 3.1分割复杂性指数的定义 假设图像初次分割的区域表示为{R(i)|i∈{1,2,…,K}},其中K为图像可分割的区域个数;{N(i),i∈{1,2,…,K}}是这些图像可分割区域相应的大小。将图像可分割的区域由大到小进行排序,用{R(n,i)|n=1,2,…,K,i∈{1,2,…,K}}表示排序后的图像可分割区域,其中区域R(n,i)比区域R(n+1,i)大。预先给定区域大小N(0),计算小于N(0)的图像可分割区域所对应的信息熵,将信息熵与该区域占图像百分比的乘积作为图像可分割性的度量,即 Ps=1N2SN(0)(K0)HN(0)(K0) (1) 式中,SN(0)(K0)和HN(0)(K0)分别表示小于N(0)的图像可分割区域信息熵和其所占图像的百分比,其具体的计算方法由下式给出。 HN(0)(K0)=-∑K0n=1 SN(0)(K0)=1N∑K0n=12N(n,i)+1 (2) 式中,参数N表示图像的大小,用来对SN(0)(K0)和HN(0)(K0)的乘积进行归一化;SN(0)(K0)和HN(0)(K0)实质上分别反映了图像可分割小区域的重要性和其数量。 由于图像可分割小区域占图像的百分比总是小于1,这导致HN(0)(K0)的大小与图像可分割小区域的个数密切相关,即HN(0)(K0)的值越大,图像可分割小区域的个数越多,则图像可分割性越差,也就是图像分割必要性越小。然而,如果图像可分割小区域的信息熵很小且仅占图像大小的一小部分,那么图像分割必要性指标(Ps)的值就会很小,则图像可进一步进行分割;否则,该图像可不用分割。因此,本文所给出的指标可有效地反映图像可分割区域的大小和图像分割的复杂性。 3.2分割复杂性指数的实现方法 与WMMCI和CCI一样,其需要预先给定图像分割复杂性测度的阈值,以便判定图像是否值得分割。根据图像分割必要性的定义,其阈值的大小与预先给定的区域大小N(0)有关,只有大于该区域的图像分割区域在图像内容分析时才被考虑。为了确定图像分割必要性的阈值,假设N(0)是图像最大的可分割区域,而其他的可分割区域比它略小,则最大的可分割区域与其他的可分割区域基本上可看作相等,此时图像分割性指数的值可用作其分割必要性的阈值Ps(N(0))。当图像的分割复杂性测度小于该阈值时,该图像可不用分割。所以,图像分割必要性的阈值可由下式计算得到: PsN0=-3N3log2N-N(0)N·N(0) (3) 当N(0)远小于图像的大小时,如式(4)所示的分割必要性阈值可由下式近似计算得到: Ps(N(0))=-log22N(0) (4) 在彩色图像中,HIS颜色空间可反映人类对颜色的视觉,比较适合于彩色图像的分析。在HIS颜色空间中,亮度组分比较适于图像的纹理分析,其他的两个组分比较适合于所提图像的颜色特征。这里,图像的饱和度组分用作图像颜色信息的重要性指数。颜色的饱和度值越高,颜色信息越可靠,而人类眼睛对颜色的感知主要来源于颜色的色调组分。 对于任何给定的彩色图像,根据其色调组分的直方图,采用基于直方图的多阈值分割方法[16]对图像进行初始分割,进而计算其分割复杂性测度。这种基于多阈值的图像分割方法在很多的场合下均是一种十分简单有效的图像分割方法,因为实际中的不同物体对象表现为不同的颜色。因此,计算分割复杂性测度的过程可按如图3所示的流程来计算,其中区域标识方法用文献[11]中给出的方法来实现,而多阈值分割方法[12]的多个阈值通过对色调直方图用高斯函数进行光滑后检测其最大值点得到。 图3图像分割复杂性的判别流程 4实验结果 为了验证图像分割必要性判别的精确性,我们构造了一个由121幅图像组成的图像数据库,其包括多种类别的图像。根据图像的语义内容及图像复杂性,图像数据库中每幅图像均有一个标记位用于标识该图像是否需要分割,然后用这里给出的图像分割必要性判断方法进行验证。在实验中,实现了3种图像分割必要性判断方法,将它们的判断结果与图像数据库中图像分割必要性标记位进行对比,用其正确率作为这些算法分割必要性的精确度,结果如表1所列。 表1图像分割必要性的精确性对比图像分割必要性判断方法精确性 Wtmm密度0.8027可分割区域大小的方差0.7383亮度方差0.7686连通性指数0.8308 分割复杂性指数0.98510.96260.95830.91110.90210.9055 这里,我们也将图像的亮度方差、图像可分割区域大小的方差等指标用作图像分割复杂性的指标,在给定相应的阈值情况下判别图像数据库中图像的分割必要性,进而加强对上述3种图像分割必要性判别方法的对比。表1显示了本实验所实现的5种图像分割必要性判别方法及其精确性对比结果。基于小波极大值点密度、亮度方差、连通性指数等图像分割必要性判别方法的阈值,均是由低阈值和高阈值组成,通过对20幅典型不可分割图像的小波极大值点密度、亮度方差和连通性指数平均得到;而对于基于区域大小方差的方法,其阈值也是采用相同的方法得到;分割必要指数的阈值则是按式(1)直接计算得到。如表1所列,与其他的方法相比,本文所给出的图像分割必要性判断方法,对于不同的目标区域大小均可达到较好的精度,最高可达到98%,而目标区域的大小对结果影响也较小。 接下来,给出了图像数据库中所有图像的分割复杂性测度变化曲线,如图4所示,我们检查了几个典型图像类型的图像数据及其分割复杂性测度。在给定目标图像区域大小为300个像素的情况下,这些图像下面的数字是这些图像在数据库中的位置索引。如图4所示,这些图像的分割复杂性指数很显然与相应图像中有意义区域的内容一致。正是因为这个原因,本文所提出的图像分割复杂性指数可较精确地反映图像的情况。 图4图像数据库中所有图像的分割必要性指数变化情况 当小波极大值点密度[9]、连通性指数[6]、亮度方差[8]、可分割区域大小方差[8]等图像分割必要性判别方法用来验证如图5中所示图像31的分割必要性时,它们分别对应的值为0.27936、0.84944、0.21332和2243.5。根据这些方法所对应的阈值,图像31是不需要进行分割的。然而,在目标区域大小为50、100个像素时,该图像的分割复杂性测度分别为5.86和6.3439,则在目标区域大小为50个像素时,该图像不需分割;当目标区域大小为100时,可进一步分割。这个实验结果验证了本文所提出的图像分割复杂性测度对目标区域大小具有很好的适应性。 图5具有不同分割复杂性测度值的典型图像 结束语本文讨论了图像分割必要性的相关因素,并总结出图像分割的复杂性实质上与图像中可分割的区域个数相关,而图像分割的必要性则与图像中可分割的区域大小相关,它们分别反映了图像分割问题的两个方面。因此,本文综合考虑了图像的分割复杂性和潜在图像区域的大小,提出了一种新的能反映语义对象区域基本特征的有意义区域的概念,即分割必要性指标SCM,并给出了该指标的判断方法和使用流程。该SCM可以避免目前图像分割算法中所出现的分割无语义问题,可有效地反映图像可分割区域的大小和图像分割复杂性,并能较精确地反映出图像的分割必要性。通过实验验证表明,该图像分割必要性指标SCM对目标区域大小具有很好的适应性。 [1]Cios K J,Pedrycz W,Swiniarsk R M.Data Mining Methods for Knowledge Discovery [J].IEEE Transactions on Neural Networks,1998,9(6):1533-1534 [2]Feyyad U M.Data mining and knowledge discovery:makingsense out of data [J].IEEE Expert,1996,11(5):20-25 [3]Zhang K D,Lu H Q,Duan M Y,et al.Automatic Salient Regions of Interest Extraction Based on Edge and Region Integration [C]∥Proceedings of 2006IEEE International Sympoium on Industrial Electronics.Montreal,Quebec,Canada:IEEE Industrial Electronics Society,2006,1:620-623 [4]Luo Y,Zhang Y J,Gao Y Y,et al.Extracting Meaningful Region for Content-based Retrieval of Image and Video [C]∥Procee-dings of SPIE Visual Communications and Image Processing.San Jose,California,USA:SPIE,2001,4310:455-464 [5] Mallat S,Hwang W L.Singularity detection and processing with wavelets [J].IEEE Transactions on Information Theory,1992,38(2):617-643 [6] 、Mean shift clustering算法 [7] 、level sets分割算法 [8] 、watershed 算法 [9] 、基于图论的分割方法 [10] 、拓扑导数 [11] 、区域增长 |
No related articles found! |
|