彩色图像分割方法综述

杨红亚 赵景秀 徐冠华 刘爽

摘 要：图像分割是图像分析中一个非常重要的预处理步骤，分割效果将直接影响到后续任务的有效性。彩色图像相较于灰度图像更接近人类的视觉特性，因此对彩色图像的研究更为重要。对当前比较常用的一些彩色图像分割方法进行了综述，阐述了基于阈值、基于聚类、基于区域以及基于特定理论的几类分割方法各自的优缺点和应用场景。最后根据基于过完备字典的稀疏表示能够刻画图像细节信息、实现图像最优逼近的特点，提出将其推广至彩色图像分割的研究思路。

关键词：彩色图像分割；阈值；聚类；区域生长；稀疏表示

DOIDOI：10.11907/rjdk.172535

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2018）004-0001-05

Abstract：Image is an important preprocessing step in image analysis， of whose effect directly affects the effectiveness of subsequent tasks. Color images are more closely related to the human visual characteristics than gray-scale images， so it bears more importance for study. In this paper， some segmentation methods of color image are reviewed， the advantages， disadvantages and application of segmentation methods based on clustering， region and class are analyzed. The paper then introduces the theory of sparse representation based on the over-complete dictionary， which can describe the detail information of the image and realize the optimal approximation of the image. The theory is proposed to be employed into color image segmentation.

Key Words：color image segmentation；threshold；clustering；regional growth；sparse representation

0 引言

圖像分割是指根据要求将图像细分为几个区域的过程，是图像处理到图像分析过程中的关键技术之一。图像分割通过提供精简的相关图像信息，从而提高后续高级任务的有效性，在医学、交通、农业等各个领域得到了广泛应用。因此，产生了众多分割方法，其中灰度图像分割方法发展已经趋于成熟。但在很多情况下，单纯利用灰度信息无法提取出符合人们要求的目标，这时则需要借助于彩色信息[2]。彩色图像分割方法大部分继承于灰度图像分割方法，但直接继承的方法并不适用于彩色图像分割，因此众多研究者对其进行了改进。目前，彩色图像分割方法主要分为以下几大类：基于阈值的分割方法、基于聚类的分割方法、基于区域的分割方法以及基于特定理论的分割方法。

1 基于阈值的分割方法

1.1 直方图阈值法

直方图阈值法是灰度图像分割中的一种常用方法，其最重要的步骤是阈值选取，选取阈值是否合适将直接影响图像的最终分割效果。Prewitt曾提出直方图双峰法进行阈值选取，即若直方图呈现出明显的双峰状（见图1），则选取两峰之间谷上的灰度值作为分割阈值，将图像中的各像素与该阈值进行比较，从而确定每个像素的划分类。其中T表示选取的阈值。

该方法仅适用于具有明显双峰直方图的图像，而对于具有平坦直方图或单峰的图像，则不一定能获得阈值。迭代最佳阈值算法[3]可以根据不同图像选取合适的阈值，其基本思想是先假定一个阈值，然后在该阈值下对图像进行分割，根据分割后的各子图重新选取阈值，循环迭代，直到选取的阈值不再发生改变则停止迭代，该阈值即为最终选取的阈值。实现过程如下：

相较于灰度图像，彩色图像直方图是一个三维矩阵，确定阈值比较困难。因此，人们习惯于将图像从RGB颜色空间转换成其它颜色空间，然后对各个分量分别进行处理，或直接生成一个多维直方图进行处理。

1.2 最大类间方差法

Ostu提出的最大类间方差法是一种自动选取阈值的方法，该方法主要用来对图像进行二值化，提取感兴趣区域。其基本思想是先对图像进行划分，按照其灰度特性分为目标和背景两部分，选取使目标类和背景类之间方差最大的门限值，即为所求的二值化阈值。

相较于灰度图像，彩色图像还必须考虑其颜色信息，所以传统的单阈值分割方法并不能直接适用于分割彩色图像。为了解决该问题，研究者们将Ostu算法推广到多阈值彩色图像分割。先在众多极大值中寻找有意义的峰值，再将多峰值的直方图划分为若干个单峰值区域求其局部最佳阈值，以实现彩色图像的多阈值分割，并在此基础上引入形态学方法对结果进行优化。实验证明了利用该方法对彩色图像进行分割能够得到很好的分割效果[4-5]。

2 基于聚类的分割方法

2.1 K-均值聚类

K-均值聚类算法计算简单、效率高，是目前应用最广泛的聚类算法之一。研究者们将该算法引入图像分割领域，并在实际应用中获得了良好的分割效果，目前其在彩色图像分割中也是一种常用方法。算法的关键问题是需事先确定类的数目，并且根据选定的类以随机确定各类的初始聚类中心。但在具体应用中类的数目无法预知，若选定的初始聚类中心不合理，不仅会增加计算复杂度，还会得到不合理的结果。基于该问题，Chen等[6]结合直方图阈值理论自动获取类别数和聚类中心，得到了令人满意的结果。该算法的实现步骤如下：

该聚类算法在彩色图像分割中应用广泛，Ma等[7]利用该算法将石斑鱼从海水背景的彩色图像中分割出来；Shi等[8]则结合了EM算法将彩色图像从RGB颜色空间转换到YUV颜色空间，最终完成有效分割。

针对K-均值聚类算法类别数目及初始聚类中心的选取问题，将待分割图像进行预处理得到灰度直方图，然后根据直方图波峰确定类的数目及初始聚类中心的方法可减小计算量，提高分割效率。

2.2 模糊C均值聚类

模糊C均值聚类算法是K均值聚类算法的推广，其通过计算样本点对类中心的隶属度函数获

该方法简单直观、易于实现，但也需事先确定聚类数目，且聚类结果易受初始化中心影响。利用FFCM算法[9]对彩色图像进行分割，则不需要事先确定聚类数目，从而大大提高了聚类速度，实现了对彩色图像的快速分割。

FCM算法证明了其对图像分割的有效性[10]，但是缺乏对噪声和异常值的鲁棒性。因此，研究者近年来提出许多改进的聚类算法[11-14]，有效实现了全局优化的聚类，提高了彩色图像的分割精度、分割质量和抗干扰能力。

3 基于区域的分割方法

3.1 区域生长与区域合并

区域生长是根据生长准则将与种子像素具有类似特征的像素合并起来组成区域的过程。主要包括3个步骤：①选取种子像素；②规定生长准则；③确定生长停止准则。

初始种子选取的合适与否会直接影响分割效果，选取方法有多种，需根据具体情况具体分析，可以人工选取，也可以选取聚类中的某个聚类中心，还可以利用蚁群算法[15]进行自动选取。生长准则可以根据颜色信息、纹理信息或空间信息等进行设定，按照规定的生长准则将种子像素周围与种子有相同或相似特征的像素归并到种子像素所在区域中，然后将新像素作为种子像素重复操作，直到符合生长停止准则，一个区域则生长而成。

但在分割时只若使用区域生长通常会产生过分割问题，区域合并则能够很好地解决该问题。因此，一般将区域生长与区域合并结合使用[16]。在小区域内使用区域合并可以消除噪声点干扰，在大区域内使用区域合并则可使分割结果更切合人类的视觉特征[17]。区域合并也需要一个准则，一般利用相似度确定合并准则，相似度可以是图像的颜色、纹理特征、区域大小或形状等。Zhang[18]将区域颜色融入到区域合并中，提出了分级合并方法，并设计了自适应权重因子方法，在彩色图像分割中取得了良好的分割效果。

3.2 分水岭分割方法

分水岭算法借鉴了形态学，基本原理是将图像看作一个拓扑地图，根据像素灰度值将地图划分为许多区域，每个区域都称为一个积水盆地，积水盆地的边界则形成分水岭。该方法通常是在梯度图像上进行分割的，但得到的结果一般都存在过分割现象，因此常需要借助于标记图像以获得更好的分割效果[19-20]。基于浸沉技术的分水岭检测算法为之后改进的分水岭算法奠定了很好的基础[21-22]。该算法包括两部分：排序和泛洪，步骤描述如下：①将图像转换为灰度图像，得到与原图像像素RGB值对应的灰度值；②计算各像素点梯度并按由小到大顺序排序，相同梯度为同层级；③先对第一层（h=0）像素进行处理，将已标识的像素点加入到一个FIFO队列中；④当队列非空时，取出首个元素，若其邻域像素梯度相等，则将该像素标识改为邻域像素标识，循环操作，直至队列为空；⑤重复扫描，若还有未被标识的像素，则将h的值加1后赋给该像素，再从该像素开始继续执行步骤④，直至所有像素均被标识；⑥令h=h+1，返回步骤③重复操作，直到全部像素处理完毕。流程如图2所示。

各研究者也对该方法进行了改进，Yu等[23]改进了频域低通滤波，并优化了极小值标定技术参数的选取方法，提高了分割的自适应性及鲁棒性；Hong[24]提出的HWO方法在直方图上使用分水岭算法，在融合阶段计算混合高斯分布的重叠率，不仅避免了过分割问题，还具有较强的抗噪能力。

保守的分水岭算法能构建图像的整体划分，可用于医学图像分析，但其对错误边缘具有敏感性，易造成过度分割。Christ[25]提出一种整合聚类算法和标记控制分水岭分割算法进行医学图像分割的方法，研究表明，由该方法得到的分割图像比由保守分水岭算法得到的分割图像数量更少。

4 基于特定理论的分割方法

4.1 人工神经网络

人工神经网络是一种模拟人脑中神经元处理数据的系统，具有自学习能力，且能够并行处理数据，有着良好的自适应性。该神经网络由一个输入层、一个输出层和多个隐含层组成，上层神经元的输出作为下层神经元的输入。结构如图3所示。

每个输入xi都对应一个权重wi，f是经过权重的输入在处理单元Y处被量化后，相加计算出的关于权重和的函数，通常称为传递函数。

将神经网络应用于图像分割的基本思想是先对神经网络进行训练，通过其学习能力获得内部节点之间的连接关系，然后将训练好的神经网络应用于待分割图像。常用反向传播[26]（BP）算法达到训练目的，该算法利用梯度下降法原理，通过层层回退、重复调整网络中的权重和阈值，以达到预期误差要求。

目前，神经网络已较好地应用于彩色图像分割方面。如利用神经网络方法对玉米病害图像进行分割，能够较为完好地保留病害区域颜色纹理信息[27]；利用粗糙集理论分析处理图像中的隐含规律，可减少中间的隐含层层数，大大提高了神经网络的数据处理能力，使分割速度更快，分割效果更优[28]。

4.2 遗传算法

遗传算法是一种获取最优解的搜索算法，该算法受到进化论的启发，借鉴了生物进化过程（适者生存，优胜劣汰）。其主要优点是简单、鲁棒性强、自适应能力好，对于越复杂、目标越不明確的问题，其优势越明显。这些特征已被人们广泛应用于信号处理、组合优化、人工智能等领域。遗传算法的3个基本操作为：选择、交叉、变异。运算流程如图4所示。

彩色圖像多阈值分割不需要先验知识，计算简单，对于颜色有明显对比的图像分割效果较好，但是计算量较大。遗传算法采用并行搜索技术从全局中寻找最优解，在多阈值分割中引入遗传算法可大大减少运行时间。基于遗传算法的二维熵多阈值自适应图像分割方法[29]利用变异的可变码长操作，将染色体码长融合到适应度函数中，能够自动确定图像的分割类别数及最佳多阈值，最终实现彩色图像的多阈值分割。在HSV颜色空间中利用遗传算法寻找最优阈值[30]，鲁棒性较好，对颜色具有较强的区分能力。将遗传算法和最大熵法相结合[31]进行彩色图像分割也可获得令人满意的分割效果。

4.3 基于颜色模型的方法

相较于灰度图像，彩色图像中含有的信息更加丰富，颜色空间的表达方式也比较多样，所以灰度图像分割方法并不适用于彩色图像分割，要先确定合适的颜色空间才能对图像作进一步分割。常用的颜色空间模型有RGB、HSI、HSV、LAB、YIQ、LUV等，但目前还没有一种颜色空间可以代替其它颜色空间，如何选择合适的颜色空间是当前研究的一个热点问题。

Liu等[32]利用6种颜色空间进行彩色图像分割：在6个颜色空间上选取最佳颜色分量，并根据其直方图峰值确定聚类数目及初始聚类中心，再利用空间模糊C均值算法进行聚类，将分割结果进行融合及区域合并，即可得到最终的分割结果。该方法简单有效，其分割效果优于一些经典的分割算法；Yang[33]将阈值分割应用于RGB颜色空间中，分割结果优于传统的阈值分割，但该算法只适用于目标颜色为黑色的情况，局限性较强；Wang[34]基于RGB颜色空间中的颜色相似度提出一种新的彩色图像分割算法，通过创建颜色等级映射并利用其信息对像素进行分类，分割结果显示该算法鲁棒性强、计算复杂度低，但精确度不够；Pang等[35]在HSI颜色空间上用Ostu法进行阈值分割，同时在LAB颜色空间上进行K均值聚类，然后将得到的两个结果进行区域合并，并用滤波消除噪声，从而精准地将图像从背景中提取出来。

Ye等[36]提出一种基于颜色和空间信息的彩色图像分割方法，将待分割图像在LUV颜色空间上进行颜色量化后，找出各像素之间的空间联系，进而确定初始分割区域，并进行区域合并，直到满足停止区域合并准则。同时，引入形态学对分割后的边缘进行平滑处理，最终得到符合人类视觉感知的分割结果。

5 图像稀疏表示理论研究

最常用的字典学习算法是K-SVD算法，该算法主要用来对字典进行更新，并且是逐列更新的。其基本思想是先初始化一个字典，进行稀疏编码后根据获得的稀疏系数矩阵对字典迭代更新，从而找到最优字典。

6 总结展望

本文针对目前主要的一些彩色图像分割方法进行了综述，包括多阈值分割方法、模糊聚类方法、区域生长方法、分水岭方法、基于特定理论的方法等。由于应用场合不同，所需分割的图像要求也有所不同，所以分割算法多种多样，但至今不存在一个通用的算法。虽然大多数灰度图像分割算法可以经过改进应用于彩色图像分割，但其无法将彩色信息作为一个整体考虑，所以下一步的研究方向是找出一种能够通用且鲁棒性较好的分割方法。本文最后介绍了图像的稀疏表示理论，根据其能刻画图像结构细节信息的特点以及在图像处理方面取得的成果，可能为图像分割研究工作指出新的方向。

参考文献：

[1] VANTARAM S R. Survey of contemporary trends in color image segmentation[J]. Journal of Electronic Imaging，2012，21（4）：0901.

[2] 林开颜，吴军辉，徐立鸿.彩色图像分割方法综述[J].中国图象图形学报，2005，10（1）：1-10.

[3] 陈宁宁.几种图像阈值分割算法的实现与比较[J].电脑知识与技术，2011，7（5）：3109-3111.

[4] 邓本再，秦佳贤.一种鲁棒的彩色图像多阈值分割方法及应用[J].工业控制计算机，2012，25（9）：95-96.

[5] 李中健，杜娟，郭璐.将Otsu用于多阈值彩色图像分割的方法及优化[J].计算机工程与应用，2010，46（11）：176-178.

[6] 陈坤，马燕，李顺宝.基于直方图和模糊C均值的彩色图像分割方法[J].计算机应用与软件，2012，29（4）：256-259.

[7] 马国强，田云臣，李晓岚.K-均值聚类算法在海水背景石斑鱼彩色图像分割中的应用[J].计算机应用与软件，2016，33（5）：192-195.

[8] 施海滨，周勇.混合聚类彩色图像分割方法研究[J].计算机工程与应用，2011，47（9）：181-184.

[9] 林开颜，徐立鸿，吴军辉.快速模糊C均值聚类彩色图像分割方法[J].中国图象图形学报，2004，9（2）：159-163.

[10] 纪则轩，潘瑜，陈强，等.无监督模糊C均值聚类自然图像分割算法[J].中国图象图形学报，2011，16（5）：773-783.

[11] NOOKALA M V， ANURADHA B. A novel multiple-kernel based fuzzy C-means algorithm with spatial information for medical image segmentation[J]. International Journal of Image Processing，2013.

[12] FREY B J， DUECK D. Clustering by passing messages between data points[J]. Science，2007，315：972.

[13] 许晓丽，卢志茂，张格森，等.改进近邻传播聚类的彩色图像分割[J].计算机辅助设计与图形学学报，2012，24（4）：514-519.

[14] LIU L X， TAN G Z， SOLIMAN M S. Color image segmentation using mean shift and improved ant clustering[J]. Journal of Central South University，2012，19（4）：1040-1048.

[15] 李浩，何建农.结合蚁群和自动区域生长的彩色图像分割算法[J].微型机与应用，2015（16）：36-38.

[16] 刘俊，马燕，陈坤.一种改进的基于区域生长的彩色图像分割方法[J].计算机应用与软件，2012（11）：288-291.

[17] 冷美萍，鲍苏苏.基于色调直方图和区域合并的彩色图像分割算法[J].计算机应用，2010，30（3）：653-656.

[18] 张长青，葛文英，刘国英.一种基于区域分级合并的彩色图像分割方法[J].计算机工程与应用，2012，48（17）：203-206.

[19] 高丽，杨树元，李海强.一种基于标记的分水岭图像分割新算法[J].中国图象图形学报，2007，12（6）：1025-1032.

[20] 张海涛，李雅男.阈值标记的分水岭彩色图像分割[J].中国图象图形学报，2015，20（12）：1602-1611.

[21] VINCENT L， SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，1991，13（6）：583-598.

[22] 鄧子建，李弼程.基于直观分水岭定义的图像分割算法[J].计算机工程与应用，2005，41（26）：43-47.

[23] 余旺盛，侯志强，王朝英，等.基于改进滤波和标记提取的分水岭算法[J].电子学报，2011，39（4）：825-830.

[24] 洪志令，姜青山，王声瑞，等.基于分水岭和重叠率衡量的多级彩色图像分割[J].中国图象图形学报，2008，13（9）：1740-1749.

[25] CHRIST M J J， PARVATHI R M S. Segmentation of medical image using clustering and watershed algorithms[J]. American Journal of Applied Sciences，2011，8（12）：1349-1352.

[26] 杨治明，王晓蓉，彭军，等.BP人工神经网络在图像分割中的应用[J].计算机科学，2007，34（3）：234-236.

[27] 温长吉，王生生，于合龙，等.基于改进蜂群算法优化神经网络的玉米病害图像分割[J].农业工程学报，2013，29（13）：142-149.

[28] 何伟，蒋加伏，齐琦.基于粗糙集理论和神经网络的图像分割方法[J].计算机工程与应用，2009，45（1）：188-190.

[29] 常发亮，刘静，乔谊正.基于遗传算法的彩色图像二维熵多阈值自适应分割[J].控制与决策，2005，20（6）：674-678.

[30] 张国权.基于遗传算法的彩色图像多阈值分割方法研究[J].电子设计工程，2011，19（9）：43-45.

[31] 宋家慧.基于遗传算法的最大熵阈值的图像分割[J].信息化研究，2005，31（2）：60-63.

[32] 刘俊，马燕，陈坤，等.融合多颜色空间分量的自适应彩色图像分割[J].计算机工程与应用，2014，50（5）：185-189.

[33] 杨康叶，邬春学.基于RGB模型颜色相似性的彩色图像分割[J].计算机系统应用，2013，22（3）：128-131.

[34] WANG S. Color image segmentation based on color similarity[C].International Conference on Computational Intelligence and Software Engineering. IEEE Xplore，2010：1-4.

[35] 庞晓敏，闵子建，阚江明.基于HSI和LAB颜色空间的彩色图像分割[J].广西大学学报：自然科学版，2011，36（6）：976-980.

[36] YE Q X， GAO W， WANG W Q， et al. A color image segmentation algorithm by using color and spatial information[J]. Journal of Software，2004，15（4）：522-530.

[37] 时永刚，王东青，刘志文.字典学习和稀疏表示的海马子区图像分割[J].中国图象图形学报，2015，20（12）：1593-1601.

（责任编辑：黄 健）