作者 杨顺波，龙永红，姚佳成，向昭宇(湖南工业大学 电气与信息工程学院，湖南 株洲 421007)
摘要：通常在进行图画处理时，并不需求对整幅图画进行处理，往往咱们感兴趣的部分只要图画中的某个区域。快速、有用地将方针区域切割出来，不只能下降运转时刻，并且能为后续处理工作打下根底。因而，本文将对方针区域切割算法进行研讨，别离选用大津法(OTSU)、K-means聚类法、分水岭算法进行研讨，经过试验比照发现，布景较单一时，大津法相对来说作用较好。
要害词：方针切割;大津法;K-means聚类法;分水岭算法
0 导言
跟着人工智能技术的鼓起，无论是工业上仍是生活上，人们对智能化的要求变得越来越高。那么关于出产一个智能化的产品而言，它首要应该考虑到问题便是要感知外部国际，现在感知外部国际主要有依据视觉、红外、雷达、温度等传感器以及各传感器混合运用的办法。当布景较为单一时，依据视觉的办法作用较好，并且价格也廉价。
可是，大多数情况下，咱们并不需求整幅图画的一切信息，咱们感兴趣的区域[1](ROI, Region of
Interest)仅仅图画中的一部分。为进步后续处理的功率，本文将对大津法[2](OTSU)、K-means聚类法[3]、分水岭方针切割办法[4]进行研讨，经过试验比较三者之间的好坏，为更好的改善区域切割算法打下根底。
1 OTSU算法研讨
1.1 OTSU算法的阈值切割
OTSU最早是在1979年被提出来，凭借灰度直方图，经过阈值的办法将图画进行分类，然后核算各类之间的方差，选取使类间方差最大时阈值作为最优阈值。本文试验的方针布景单一，只需求进行单阈值就能将方针区域从图画中切割出来。下面将要点剖析OTSU算法的阈值切割。
原理剖析如下：设图画有L个灰度级，ni为第个灰度级所包括的像素个数，N为总的像素个数，则有
，Pi为第i个灰度级呈现的概率，表明为
，则有
。设定一个阈值t，将图画按灰度级划分为C0和C1两类，其间
。用w0，w1别离表明C0，C1两类的概率散布。
其间别离表明类间方差、类内方差和总方差，详细表明如下：
此刻，问题转化为怎么寻觅一个最优t，使得三个判别函数最大。因为
，因而a，b，g之间的关系式能够转化为：
由上式可知，三个判别函数单调性共同，又因为能快速核算且与t无关。因而将作为剖析方针最为简略，又，所以能进一步简化剖析函数，行将作为分类判别函数：
其间
。
假定最佳时的阈值为t*，则有：
因为本文试验方针布景单一，只需求凭借一维灰度直方图就能很好完成切割，且不需求考虑像素空间方位等其它信息。因而，这儿只对一维大津阈值法进行介绍，不对二维阈值办法进行介绍。
1.2 改善型OTSU算法
Otsu算法最要害的部分在于找一个适宜的阈值t。t值过大，会丢掉部分方针点;t值过小，则会发生一些伪方针点。可见，t值过大、过小都会影响方针区域切割作用，进而为后边处理带来影响。
鉴于上文剖析的根底上，对Otsu算法进一步改善。Otsu算法的基本原理是使得切割出来的类间间隔较大，而类内之间尽可能坚持必定的聚合性，也便是各类中像素与类中心之间的间隔尽量较小。依据以上要求，能够假定一个满意上述要求的公式，即与各类之间的均值间隔差成正比，与各类内间间隔之和成反比。当取最大时，此刻的t就为所求的最佳阈值。表达式如下：
其间P0(t)，PB(t)别离为方针，布景均值d0(t)，d1(t)，别离为方针、布景均匀方差：
最佳阈值t对应X(t)取最大值时的t。别离对四个方向图画进行处理，成果如图1所示。
2 K-means聚类切割法
2.1 K-means算法剖析
K-means算法是由Macqueen在1967年提出的，是一种具有无监督学习功能的聚类算法。因为K-means算法简略、易于完成，且对规划较大的数有很好的聚类切割作用，因而，遭到中外学者广泛运用，并对它进行不断改善。其间心思维在于对每个类进行重复迭代运算，直到迭代成果满意一个安稳值。该算法对接连型数据处理作用较好，对离散型数据处理作用不是很抱负。
K-means算法完成的是内类类似最大化，类间类似最小化，与Otsu算法正好相反，Otsu算法是使内类到达方差最小化，内类方差最大化。K-means算法一起也存在着缺乏，在履行此算法时，首要需求选取初始聚类中心，还需求确认聚类数目(算法中的k值)和算法需求迭代的次数。假如所选初始中心为噪声点或离散点，则算法很简单堕入部分聚类最优值。当处理数据较大时，也易导致聚类时刻延伸，为此，又提出来许多改善K-means算法。Huifeng
Cheng等人经过色彩转化将RGB图转化成HIS图，初始聚类中心以及初始聚类数经过均匀方差确认，进行K-means算法聚类之后，运用粗糙集理论将五颜六色成分快速自动地切割出来。Shiv
Ram
Dubey等人依据生果色彩特征，提出了K-means无监督缺点切割办法，该办法是一种二维聚类法，运用了生果的色彩信息和空间信息进行聚类。该办法的一大长处是：能将分好的小区域兼并成较大的区域，削减了算法处理时刻。
2.2 K-means算法流程
K-means算法流程图如图2所示。
①随机从数据样本n中取k个数据作为初始聚类中心;
②对数据样本n中的每个数据进行分类，以间隔最小为依据，将每个数据与初始聚类中心核算，将数据归为间隔最小的那一类;
③对新构成聚类中的数据不断的求均值，将得到的均值作为聚类中心;
④若每次更新得到的均值不收敛，则回来第2步，以当时均值为聚类中心从头核算，直到均值收敛停止，此刻均值即为聚类中心;
⑤得到k个聚类类别。
2.3 K-means算法最佳判别函数
设数据集为，其间xi表明由d维特征组成的向量。K-means算法将数据集划分为k类，构成聚类集，设第Ck个类对应的聚类中心为mk，界说数据点到恣意聚类中心mk的间隔为：
则一切在Ck类中的数据点与聚类中心mk之间的间隔之和可表明为：
上式为单个聚类集判别函数。那么将各聚类集的最小欧式间隔求和一次，便得到了整个数据集的最小欧式间隔，也即K-means算法的最佳判别函数：
上式中
。明显，要使J最小，则应满意J对恣意聚类中心求偏导为0，即：
式中
，因而能够看出J最小时，聚类中心为各类内样本数据的均匀值，此刻能得到最好的聚类作用。取不同k值时，成果如图3所示。
3 分水岭切割法
3.1 分水岭算法剖析
分水岭法[8]算最早是Digabel和Lantuejoul等人将其引进数字图画处理，该算法是一种依据数学形态学的切割办法。起先因为该算法被用于图画的二值化，并没有引起研讨人员的广泛重视，后来Vincent和Soille等人将像素灰度值当作地势高度值，模仿水浸没进程完成分水岭算法，尔后该算法的优势便得以闪现，一起遭到学者们的广泛重视。
依据浸水型的分水岭算法是模仿底部浸水进程，逐渐浸水直到找到方针物边际。它是将图画灰度值当作地面点高度值，因而灰度图画就能够当作一幅上下崎岖的地势图。每个“积水盆地”之间的“山脉”被称为“分水岭”，浸水型分水岭算法完成原理如下：
①在各“积水盆地”最低点处刺孔;
②将水经过孔洞逐渐注入“积水盆地”;
③跟着水逐渐的涌入，水位逐渐上升，当水行将漫过盆地进入其它盆地时，在此即为该盆地的分水岭;
④当水位行将漫过深度最深的盆地时，一切的盆地浸水进程完毕，即完成的分水岭操作。
当然，这仅仅分水岭算法最基本的过程。因为该算法对噪声适当灵敏，极易引起过切割，因而有必要在进行分水岭算法之前对图画滤波处理;一起分水岭算法本身就存在着严峻的过切割，该算法处理后会发生若干个非必要区域，严峻影响处理作用，因而在处理之后加上一个兼并操作，将类似区域进行兼并，削减切割区域。浸水型分水岭算法流程图如图4所示。
3.2 改善型分水岭切割算法
因为分水岭算法存在一些缺乏(噪声灵敏、过切割等)，对此，人们开端着手研讨其改善算法。改善的算法要点考虑怎么很好的处理图画过切割现象。研讨发现，依据符号理论的分水岭算法能有用按捺过切割现象。与传统的分水岭算法比较，该算法预先符号极小值(像素)点，较好的按捺了图画过切割。从本质上看，是运用一种先验常识来处理过度切割的问题。
依据符号的分水岭算法完成过程：
①对图画进行去噪处理;
②对图画进行梯度处理，核算处理后图画中各“积水盆地”方位;
③运用imextendedmin函数取得符号符;
④运用watershed函数对符号好的图画进行切割处理;
⑤兼并过切割区域。
传统办法与改善办法处理作用如图5所示。
4 试验成果与剖析
上述试验均是依据VS2015+Opencv3.1.0试验渠道。依据图1能够看出，对四个不同方向图画处理后，跟着相机与方针物之间夹角的增大，切割出来的方针物误差也在增大。误切割主要是发生在两个旁边面，旁边面光线较暗，算法处理时两个旁边面部分被当作布景，没有切割出来。依据图3有：取不同的k值进行试验，k值较小时处理作用较好。这也与本试验所在的场景相吻合，即布景单一，聚类中心少，所需k值小。一起跟着k值的增大，算法处理时刻也有相应延伸。依据图5有：改善的分水岭算法较传统算法有了较大进步，依据符号的切割法对分水岭算法的过切割现象有很好的按捺作用。相关试验数据如表1所示，其间OTSU算法取a图数据，K-means算法取k=2时的数据。
5 定论
经过对三种不同的切割算法进行比较，当布景区域较为单一时，大津阈值法相对来说作用较好。可是，图画的布景往往都比较杂乱，因而非常有必要对布景较杂乱的图画进行研讨。接下来的研讨工作的要点是对杂乱布景下图画切割算法剖析与改善。
参考文献
[1]吕怅然,陈洁,张立保,等.依据明显特征聚类的遥感图画感兴趣区域检测[J].光学学报,2015,35(A01):103-108.
[2]曹亮.依据 Otsu 理论的图画切割算法研讨[D].武汉:武汉理工大学,2008.
[3]刘小丹,牛少敏.一种改善的 K—means 聚类五颜六色图画切割办法[J]. 湘潭大学自然科学学报, 2012, 34(2): 90-93.
[4]王宇,陈殿仁,沈美丽,等.依据形态学梯度重构和符号提取的分水岭图画切割[J].中国图象图形学报, 2008, 13(11):
2176-2180.
[5]Patel B C, Sinha D G R. An adaptive K-means clustering algorithm for
breast image segmentation[J]. International Journal of Computer Applications,
2010, 10(4): 35-38.
[6]Paul T U,Bandhyopadhyay S K. Segmentation of Brain Tumor from Brain MRI
Images Reintroducing K–Means with advanced Dual Localization Method[J].
International Journal of Engineering Research and Applications (IJERA), 2012,
2(3): 226-231.
[7]王雪光,陈淑红.依据K均值聚类的老练草莓图画切割算法[J].农机化研讨, 2013, 35(6): 51-54.
[8]孙惠杰,邓廷权,李艳超.改善的分水岭图画切割算法[J].哈尔滨工程大学学报,2014, 35(7): 857-864.
[9]Soille B V. Watershed in Digital Spaces: An Efficient Based on Immersion
Simu-lations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,
1991,13(6) : 583–598.
[10]郭昱杉,刘庆生,刘高焕,等.依据符号操控分水岭切割办法的高分辨率遥感印象单木树冠提取[J].地球信息科学学报,
2016,18(9):1259-1266.
本文来源于科技期刊《电子产品国际》2019年第2期第64页，欢迎您写论文时引证，并注明出处
