一种基于最大类间方差和区域生长的图像分割法

第3卷第2期信息与电子工程V o1．3，No．2 2005年6月 INFORMATION AND ELECTRONIC ENGINEERING Jun．，2005一种基于最大类间方差和区域生长的图像分割法

张玲，郭磊民，何伟，陈丽敏

（重庆大学通信工程学院，重庆 400044）

摘要：提出一种基于一维最大类间方差和区域生长的图像分割法。首先用一维最大类间方差法确定最佳分割阈值，再用改进的区域生长法分割得到目标。实验结果表明，该分割算法不仅

适用于简单的图像分割问题，而且对于背景复杂、光照不均匀的图像也能取得较好的分割效果。

该算法计算量小，实时性和分割精度均有一定优势，在提取目标的同时，不留下任何背景像素，

使下一步的目标识别更为简单。

关键词：信息处理技术；图像分割；最大类间方差；区域生长法；最佳分割阈值；生长规则；

生长策略

中图分类号：TN911.73 文献标识码：A 文章编号：1672-2892(2005)02-091-03

An Image Segmentation Algorithm Based on Maximal Variance

Between-Class and Region Growing

ZHANG Ling，GUO Lei-min，HE Wei，CHEN Li-min

（College of Communication Engineering，Chongqing University，Chongqing 400044，China）Abstract: A segmentation algorithm based on the technique of one-dimension maximal variance between-class and region growing method is proposed in this paper．Firstly，the method of one-dimension maximal variance between-class

is used to obtain the optimal segmenting threshold．Then，the target is segmented from the original image by the

improved region growing method．The experiments indicate that the segmentation method presented in this paper is not

only fit for the segmentation of the simple image，but also fit for those images with complex background and uneven

light．Moreover，this segmentation algorithm has advantages of real time and segmentation precision．With this method，

the target can be extracted without any pixel of the background．Therefore，the target recognition in the next step will be

simple．

Key words: information processing technology；image segmentation；maximal variance between-class；region growing method；optimal segmenting threshold；growing rule；growing strategy

1 引言

对于目标和背景都在运动且背景复杂多变的视频跟踪图像序列，如何将目标从背景中分割出来，一直是人们关注的难点问题。常用的图像分割方法可归纳为阈值法和区域生长法两大类。然而无论这两类方法中的任何一种，都难以取得令人满意的分割效果。如采用阈值法，无论所选取的阈值多么精确，都不可避免地会留下和目标灰度接近的背景区域，给进一步的目标特征提取和识别带来困难；而尽管传统的区域生长法在分割时可以减少背景的干扰，但是若目标区域内灰度分布不均匀，会使区域生长提前终止，造成欠分割；若目标的边界模糊又会使区域生长无法停止，造成过分割甚至分割失败。

分析这两类分割方法的优缺点[1]，结合实际应用中，尤其是在导弹视频跟踪系统中，目标成像的特点，本文提出了一种基于一维最大类间方差和区域生长相结合的图像分割方法，首先用一维最大类间方差法确定最佳分割阈值，以此作为区域生长规则的约束条件，然后采用改进的区域生长法将目标精确、完整地分割出来。

2 最大类间方差和区域生长相结合的图像分割法

分割阈值的选取是阈值法的关键，最大类间方差法作为常用的阈值选取方法之一，被认为是最优的阈值自动选取方法，而其他常用的方法(如：直方图[2]、最大熵[3]等)在确定阈值时，常存在这样或那样的问题。由于实际图像噪声干扰等因素的影响，直方图通常会出现单峰或具有宽且平的峰谷的情况，这时很难根据直方图的峰谷来选择分割阈值；最大熵法对诸如对比度和直方图分布这类图像特征敏感，且涉及到对数函数运算，计算量大。

收稿日期：2004-10-08；修回日期：2005-01-12

92 信 息 与 电 子 工 程 第3卷 另外，通过对目标图像序列的观察和分析，我们发现，由于目标内部或背景内部的像点之间相关性很强，像点的灰度值和它的邻域平均灰度非常接近；而在目标和背景的边界附近像点，它的灰度值和邻域平均灰度间差异明显。即，图像目标与背景这两类的总体灰度之间存在差距。

因此，本文采用的是最大类间方差法来确定目标区域的最佳分割阈值。该方法可分为一维[4-5]和二维最大类间方差[6]两种，后者由于同时考虑了像点邻域的灰度，因此分割的效果要比前者的好，然而运算量的增加使其不能满足视频跟踪系统实时性的要求，因此，本文采用的是前者，即一维最大类间方差法。

2.1 基于一维最大类间方差的局部阈值的确定

设图像灰度变化范围为1到L ，用集合表示为{}1,2,3,,S L =L ，灰度级为i 的像素数设为i n ，则图像的全部像素数为：i

i S N n ∈=∑，各像素概率为：i i n p N

=。 取集合S 中的T 作为阈值，把图像分割为两个灰度级集合：{}11,2,3,,S T =L 和{}21,2,,S T T L =++L 的两类1C 和2C ， 其概率为：k k k P ()(1,2)r i i S C p k ω∈==

=∑，其灰度均值1µ，2µ，方差21σ，22σ可分别由下式得出：

(/)(1,2)k k k i i S k r k i S i i S i n

i P i C k n ∈∈∈==

=∑∑∑µ (1)

222()()(/)(1,2)k k k k i i S k k r k i S i

i S i n i p i C k n ∈∈∈−=−=

=∑∑∑µ

σµ (2) 图像的整体灰度平均值T µ、总体方差2T σ分别为： T i i S i p µ∈=∑，22()T T i i S

i p σµ∈=−∑，可求得类内方差

2W σ和类间方差2B σ分别为：2221122W σωσωσ=+ ，222B T W =−σσσ。则22

B W σσ最大的灰度级T 即为最佳分割

阈值：

22()()MAX ()B W T T T ⎡⎤=⎢⎥⎣⎦

σησ (3) 2.2 改进的区域生长法

基本思想：以选定的生长点作为目标的起始像素，从生长点出发，按照这种带约束条件的生长规则，以本文提出的新的生长顺序对生长点附近的像素进行一致性检测，即判断其3×3邻域的灰度均值是否满足一致性准则，把这些通过一致性测试的像素并入生长区中，从而完成目标的分割。

a) 生长点的获取

首先采用一维最大类间方差法获得最佳分割阈值并分割图像，然后对分割后的各子区域进行聚类，得到各类的中心，即为生长点。从各生长点开始生长分割图像，对分割得到的各子区域计算其特征参数（主要有：扁率、面积、周长、方向角等），计算其与模板参数的可信度，可信度最高的子区域即为目标。

b) 对生长规则的改进

令已生长得到区域为R ，有均值及标准方差m 、σ，作为衡量灰度一致性的特征量。其中，

(,)1(,)k l R m f k l n ∈=∑， σ= 。 生长点灰度均值为：1111Gray(seed)((seed

,seed ))/9k l j i f j i =−=−=++∑∑ (4)

一维最大类间方差比确定的最佳分割阈值为1T ，灰度变化阈值为2(1)c T T m σ=−

，其中c T 是反映生长条件

苛刻程度的量。