基于区域级隶属度函数的图像分割评估分析

李奇泽

关键词：图像分割；隶属度函数；超像素；区域限制

中图分类号：TP391 文献标识码：A

0 引言

在计算机视觉分析及图像处理领域，快速且精准分割图像早已是重点研究内容，图像信息处理基本上都是以该技术作为支撑完成的[1-2]。学者提出不同的图像分割算法，研究结果显示分割效果均表现良好[3]。近年来，图像应用技术发展十分迅速，因此开发了一些新的分割算法[4-6]。在遥感测试与医学分析领域，聚类方法不同于上述学者提出的分割方法，其具有直观性强、步骤简单的优势，因而近年来应用十分广泛，图像预处理效果可通过结合各类方法得到显著增强[7-8]。作为一种软分割方法，模糊C 均值聚类（FCM）相较于k-means 等多数硬分割方法，其主要优势体现在模糊鲁棒性表示良好，并且能保证图像原始信息在分割阶段得以充分保留，该方法早已作为主流聚类技术得到广泛应用[9]。然而需要注意的是，由于图像各项空间数据均未被充分考虑，导致噪声及成像伪影对FCM 产生严重影响，进而造成区域一致性条件无法由实际获取的图像分割结果所满足。为解决上述问题，需要将研究重点放在如何将空间信息融入FCM 聚类过程。还有学者为提高抗噪性能，在空间信息中融入通过改进方法[10] 修改的FCM 目标函数。

本文以高阶能量模型为基础构建聚类分析方法，在分析像素区域级隶属度时以超像素的区域一致性为标准，获取点对先验概率采用均值模板技术，在此基础上对实际超像素与区域级隶属度函数或主标签之间的联系进行分析，分割结果区域一致性目标需要参考此分析结果和超像素信息来实现。

1 图像分割评估方法

在计算像素级与区域级隶属度函数时，以高阶能量模型为依据构建HMRF/FCM 方法，该方法的理论基础为自适应隶属度，根据区域一致性条件，通过区域级隶属度函数对区域级隶属度函数与像素自适应隶属度函数的点对先验概率进行计算，确保分割质量可通过此方法得到有效改善。

本文首先确定超像素生成，并且按照式（1）对区域级迭代与像素级的目标函数进行计算，最后再针对超像素像素贡献度c_j 进行计算。

2 实验结果及分析

合成图像实例如图1 所示。含有噪声信号的图像以及原始数据合成图像均可通过观察获取，在测试采用人工分割无法解释随机量时可利用这种方法实现。

2.1 参数设置

FCM 算法与本文所选方法具有相同设置，错误率ε 为0.95， 分别按照3×3 与5×5 的标准设置合成图像测试集与Berk 图像集的邻域窗口；参数Q 分别设置为0.85 与0.99；按照最小区域面积ar=80、空间带宽hs=10、范围带宽hr=10 的标准设置超像素生成算法参数。

2.2 结果与分析

对谷歌数据库图像集进行测试，自然图像在该图像集中共有300 幅，大量人工标记结果均可提供。FCM 算法和图像分割评估方法（简称“本文算法”）的分割结果如图2 所示。由于不同分割难度的图像包含在BSD 图像集中，按照人工标记最小聚类数量为各幅图像设定聚类个数，从而实现对算法有效性的分析。

300 幅图像经过两种算法的分割处理数据如表1 所示。采用3 种主流的评价指标函数：概率兰德指数（probabilistic Rand index，PRI）、信息变差（variation of information，VoI）和全局一致性错误（global consistency error，GCE）。对比表1 数据得出，从各项评估指标来看，相较于FCM 算法，本文采用的方法可实现更优的性能。经分析发现，特定隶属度函数可用于对超像素内像素标签一致性进行判断，在同一种标签像素在超像素中的数量超过设定阈值的情况下，将会用同一种标签替代各像素隶属度函数，再对点对先验概率完成计算，通过此过程使主标签聚类个数的先验概率得到进一步强化。

由于各个区域在谷歌数据库人工标记结果中均被划分为同一种类型，从3 种评估指標来看，在重标记后均得到显著提升。采用分割处理的方式处理两种未被重标记的比较算法，分割图像性能评估结果如表2 所示，可以看出，相较于FCM 算法，采用本文算法效果更佳。

在分析不同参数对采用本文算法的影响效果时，当Q 值设定值不同时，分割300 幅图像获得的评估结果如表3 所示，同时还测试了不同情况下3 种评估指标。经对比分析得出，采取本文算法获取的分割效果在Q 值降低后更佳。该结果产生的主要原因是：超像素的区域一致性由该算法有效发挥，各像素在同一超像素中可迅速聚集得到有效保证，然而由于像素差异性并未在区域中得以充分考虑，从而造成超像素生成质量严重影响实际分割质量；超像素主标签随着Q 值不断增大获得难度将更大。

总之，由于像素级隶属度函数在超像素内十分容易受到噪声的影响，那么初期在进行迭代时，如果Q 值过小，则很容易导致在分割超像素中像素的过程中产生较大失误，进而导致错误信息被传输，得到错误的分割结果。因此为避免上述问题的产生，需要确保所选的Q 值较大，区域一致性仅在用同一种标签标记大部分超像素的情况下才可满足。

3 结论

本文开展基于区域级隶属度函数的图像分割评估分析，取得如下结果。

（1）相较于FCM 算法，本文算法可实现更优的性能，设定的隶属度函数可用于对超像素内像素标签性能判断。

（2）采取本文算法获取的分割效果在Q 值降低后更佳，各像素在同一超像素中可迅速聚集并得到有效保证。