自适应K-means图像分割方法

王嘉栋，李寒松

(北京华航无线电测量研究所，北京 100013)

自适应K-means图像分割方法

王嘉栋，李寒松

(北京华航无线电测量研究所，北京 100013)

本文提出了一种自适应K-means图像分割方法，该方法通过用Otsu方法来初步选取阈值作为初始K-means聚类中心，然后经过K-means聚类方法对图像进行分割，最后根据K-means获得的聚类中心与Otsu所确定的阈值进行平均计算，作为图像分割的阈值。实验结果表明：该方法自动快速形成的分割阈值较为合理，对图像能达到更好的分割效果，可以进一步提高后续图像匹配与定位的准确性。

自适应K-means；图像分割；聚类中心；Otsu

0 引言

图像处理是图像匹配定位的重要组成部分，因此要想使图像匹配定位更加精确，首先要将图像处理的工作做好，K均值方法是其一种新的方法。图像分割是从图像处理到图像分析的关键步骤，所谓图像分割就是将图像中有意义的边缘、区域等有意义的部分与背景图像进行分离，并且进行标记和定位，一个完整的目标边缘对后续图像与定位的准确性至关重要。因此，图像分割的效果直接影响对图像的理解以及后续对目标的匹配定位，本文的算法可以将目标区域的边缘信息更加清晰完整地检测出来，进一步提高了后续图像匹配与定位的准确性。

目前，图像分割的方法很多，根据不同评价标准，图像分割可以划分为不同种类，本文图像分割的方法可以粗略地分为三类：1)基于直方图的分割技术，包括阈值分割[1]和聚类[2-3]等；2)基于邻域的分割技术，包括边缘检测和区域增长；3)基于物理性质的分割技术，包括利用光照特性和物体表面特征等。

在大多数文章中，依靠K-means聚类方法对图像进行分割的方法中，K-means聚类的初始中心是靠随机选择的，但这样带来的结果是当初始聚类中心选取不当时，会导致最终聚类结果陷入局部最优值，从而影响后续的图像处理。因此，初始聚类中心位置的选择直接影响到聚类划分结果的好坏。

本文巧妙地将Otsu方法与K-means方法进行结合，发挥了每种算法的优势，并创造出了一种新的图像分割方法：通过用Otsu方法[4-6]来初步选取阈值作为初始K-means聚类中心，然后经过K-means聚类方法对图像进行分割，最后根据K-means获得的聚类中心与Otsu所确定的阈值进行平均计算，作为图像分割的阈值。实验结果表明：该方法自动快速形成的分割阈值较为合理，对图像能达到更好的分割效果，使得目标更加清晰，可以进一步提高后续图像匹配的准确性。

1 K-means聚类算法

MacQueen在1967年提出了K-means算法，其算法原理是使得聚类域中所有点到聚类中心距离的平方和达到最小值，从而对样本进行聚类分割，该方法简单高效，在图像分割领域中是一种经典算法，在目标定位中，该方法得到了有效的应用。

K-means算法的大致过程如下：

1)首先随机选择K个初始聚类中心；

2)分别计算每个点xi(i=1,2,…，n)到各个聚类中心mi(i=1,2,…,p,…,k)的欧式距离大小，若D(xi,mp)≤D(xj,mi)，则分配xi点到第p类；

4)进行收敛判断，通过步骤2)和3)的循环计算，直到聚类中心mi不再发生变化，则聚类划分结束。

从K-means算法的基本步骤可以看出：1)初始聚类中心的选择不同会导致最后聚类的结果不同；2)该算法极有可能导致最后的聚类结果陷入局部最优值。因此，本文提出了一种基于Otsu阈值分割的自适应获取初始聚类中心的方法。

2 自适应K-means图像分割方法

2.1Otsu多阈值分割划分聚类中心的方法

选取最佳阈值使得用该阈值分割图像得到的两类具有最好的分离性，即计算得到的两类的类间方差达到最大值或者类内方差达到最小值。

Otsu算法得到的灰度值T就是将图像中目标与背景划分的最佳划分界限，当图像比较简单时，可以将图像划分为两类，其中每类的聚类中心从灰度值T左右两端分别自动选取，这样可以避免陷入局部最优值。

当图像比较复杂，存在较多目标信息时，可以首先将直方图用Otsu算法进行直方图多阈值分割，将图像分成多个类，使得多个类的类间方差达到最大，每个类的类内方差达到最小，由此得到的分割阈值就是最佳分割阈值。

假设图像有背景及目标共计M个待区分的类C0,C1,…,CM-1，其中C0与C1之间的阈值为T1，C1与C2之间的阈值为T2，则根据Otsu算法将获得M-1个分割阈值，分别是T1,T2,…,TM-1。

则C0到CM-1对应的概率和均值分别如下：

则类间方差为：

pCM-1[μCM-1-μ]2

2.2 自适应K-means图像分割方法

本文算法流程：

1)将K个Otsu的分割阈值T1,T2,…,TK作为K-means的初始聚类中心；

2)分别计算每个点xi(i=1,2,…，n)到各个聚类中心Ti(i=1,2,…,p,…,K)的欧式距离大小，若D(xi,Tp)≤D(xj,Ti)，则分配xi点到第p类；

4)进行收敛判断，通过步骤2)和3)的循环计算，直到聚类中心ti不再发生变化，则聚类划分结束；

5)将聚类中心ti与对应的Otsu的分割阈值Ti相加除二得到最后的图像分割阈值Mi；

6)用新的图像分割阈值M1,M2,…,MK对图像进行分割。

3 实验结果仿真及分析

为了验证本文自适应K-means算法，本文进行了大量的仿真对比测试，由于篇幅的限制，在这一节中将部分结果内容进行展示以验证本文算法的效果，将本文算法与传统K-means算法进行比较分析，实验结果如图1～图3所示(适应典型场景)。

(a)原图

(b)K-means算法分两类

(c)本文算法分两类图1 分两类时，本文算法与K-means算法效果对比图Fig.1 The contast of the method of the paper and the K-means when divided into two categories

(a)原图

(b)K-means分三类

(c)本文算法分三类图2 分三类时，本文算法与K-means算法效果对比图 Fig.2 The contast of the method of the paper and the K-means when divided into three categories

(a)原图

(b)K-means分四类

(c)本文算法分四类图3 分四类时，本文算法与K-means算法效果对比图 Fig.3 The contast of the method of the paper and the K-means when divided into four categories

从图1～图3的对比中可以看出，随着聚类中心数的增加，分类的效果逐渐明显，目标边缘更加清晰，可以更好地定位目标，并且本文算法比传统的K-means算法更清晰地将背景与目标分割出来。

表1是两种算法针对人图像的性能对比，表2是两种算法针对rice图像的性能对比。其中阈值是根据本文算法计算得到的分割阈值，准确率是根据检测到的图像边缘像素数与原图像边缘像素数的比值来计算的，并且根据最后分割的准确率进行对比，准确率越高，说明图像边缘检测的越完整，为后续图像匹配提供了完整的待检测目标，提高了后续图像定位的精确度。

表1 两种算法的性能对比(人)

表2 两种算法的性能对比(rice)

由此可知，用传统的K-means算法虽然能显示部分图像细节，但是还有很多部分的细节信息没有显示出来，目标定位不清晰，并且一些不太清晰的边缘会漏检。尤其是图3，用普通K-means算法分类会将一些较亮背景划分为目标信息，而用本文算法能根据Otsu获取的阈值进行聚类的调整，从而减少背景较亮信息的干扰，使得最后的分类结果更加清楚。这对于以后检测目标具有很大的现实意义，能更精确地把目标从背景中分割出来，从而为后续目标检测、目标跟踪、目标识别打下坚实的基础。

4 结论

本文通过用Otsu方法来初步选取阈值作为初始聚类中心，然后经过K-means聚类方法对图像进行分割，最后根据Otsu方法所确定的阈值对聚类结果进行适当调整。实验结果表明：该方法自动快速形成的K-means聚类中心较为合理，对图像能达到更好的分割效果，使得目标边缘信息更加准确，可以进一步提高后续图像匹配与定位的准确性。下一步，将针对更加复杂的背景与目标进行研究，使得目标的定位更加准确，目标的边缘更加清晰，为以后的图像匹配与定位奠定基础。

[1] 陈峥，石勇鹏，吉书鹏.一种改进的Otsu图像阈值分割算法[J]. 激光与红外，2012，42(5)：584-588.

[2] 谢娟英，蒋帅，王春霞，等.一种改进的全局K均值聚类算法[J]. 陕西师范大学学报(自然科学版)，2010，38(2)：18-22.

[3] 江健生，朱会萍.基于直方图的K-means聚类中心自动检测方法[J]. 廊坊师范学院学报(自然科学版)，2013，13(2)：49-52.

[4] 何志勇，孙立宁，陈立国.Otsu准则下分割阈值的快速计算[J]. 电子学报，2013，41(2)：267-272.

[5] 李惠光，姚磊，石磊.改进的Otsu理论在图像阈值选取中的应用[J]. 计算机仿真，2007，24(4)：216-220.

[6] 尹奎英，刘宏伟，金林.快速的Otsu双阈值SAR图像分割法[J]. 吉林大学学报(工学版)，2011，41(6)：1760-1765.

Self-AdaptiveK-means on the Method of Image Segmentation

WANG Jia-dong, LI Han-song

(Beijing Huahang Radio Measurement Research Institute，Beijing 100013,China)

This paper proposes an adaptiveK-means about image segmentation method,the method uses Otsu to preliminarily select threshold as the initialK-meansclustering centers,and then the image is segmentated through theK-means clustering method, finally, according to the obtained cluster centers and threshold by Otsu, the average is determined as the threshold of the image segmentation.The experimental results show that:the segmentation threshold is reasonable and the image can achieve better segmentation results.

AdaptiveK-means;Image segmentation;Clustering centers;Otsu

10.19306/j.cnki.2095-8110.2016.05.013

2014-10-11；

2015-04-10。

王嘉栋(1990 - )，男，硕士，主要从事目标检测、识别方面的处理。E-mail:1324564709@qq.com

U666.12

A

2095-8110(2016)05-0066-04