一种图像分割方法与流程

本发明涉及一种图像处理方法，尤其涉及一种图像分割方法。

背景技术：

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割后提取出的目标可以用于图像语义识别，图像搜索等领域。

目前主要的图像分割方法有阈值分割、区域分割、边缘分割等，研究对象主要集中于形状规则且不易粘连挤压的物品的分割，如机械零部件、新鲜水果、大米等。如中国专利cn101556693公开了一种阈值法标记提取的分水岭sar图像分割方法，包括如下步骤：(1)对原图像img进行高斯低通滤波得滤波后图像gimg；(2)对滤波后图像gimg求梯度得梯度图pgimg；(3)对原图像img用otsu法提取内部标记limg；(4)对内部标记进行经典分水岭变换得外部标记wlimg；(5)用内、外标记对梯度图pgimg进行梯度修正。利用强制最小技术修正，以便局部最小区域仅出现在标记位置；(6)对修正后的梯度图进行分水岭变换，所得的图为最终的分割图rimg。该专利将otsu阈值法和标记分水岭结合，用阈值分割后的图像作为标记分水岭标记的来源，有效的消除了纹理信息的影响。

但是，针对一些不规则且易变形的物体样本，如葡萄干等柔软易变形干果的分割的研究则比较少。此类样本每一个的形状大小均有差别、颜色相同，且相邻两样本之间会出现互相粘连挤压变形，增加分割的难度。

技术实现要素：

本发明提供了一种图像分割方法，该方法可以对图像中的柔软易变形物品进行有效分割，准确计算物品样本的数量，并且受物品挤压变形的干扰小。

一种图像分割方法，所述图像具有物品像素和背景像素，所述图像分割方法包括：

(1)取待分割的图像，删除背景，然后对图像进行二值化处理；

(2)计算每个物品像素到距离最近的背景像素的欧式距离，并以所述欧式距离对该物品像素赋值；

(3)采用分水岭算法对所述图像进行分割，形成多个区域；

(4)用支持向量机识别每个区域的样本数量，如样本数量大于1，则对该区域再次用分水岭算法进行分割。

通过计算物品像素到最近的背景像素的欧式距离，以该欧式距离为物品像素赋值，可以形成图像梯度，并采用分水岭算法进行分割。

所述样本是指图像中物品的数量，样本数量大于1，说明分割不彻底，需要再次进行分割，再次分割时需要改变图像深度梯度h。

降噪前背景和样本中都会有噪声点，会影响分割的结果，优选的，删除背景后对图像进行降噪处理。

优选的，步骤(2)中，所述分水岭算法的图像深度值梯度h＝4并采用8连通。深度梯度选择过大，会丢失应有的低洼地，选择过小又会识别出过多的低洼地，造成过分割，这里选择4能得到较好的效果；采用8连通可以减少被侧对象的边缘像素的丢失。

优选的，所述的支持向量机的核函数采用径向奇函数，度数d＝4，核系数γ＝1/n，公差tol＝10^-6，误差参数c＝1.0。与其他函数相比(如sigmoid函数)，径向基函数不易出现过拟合的现象。

优选的，所述支持向量机的输入变量为样本的离心率、面积、质心横坐标、质心纵坐标、长轴、短轴、周长；输出变量为样本数量。以上7个参数能有效描述被测对象的形状特征。

优选的，步骤(3)中，所述的分水岭算法的图像深度值梯度h＝3并采用8连通。优选的，依次重复步骤(2)和(3)若干次后，再进行步骤(4)。

优选的，所述二值化处理，将物品像素设为1，将背景像素设为0。

所述图像为平铺粘连的葡萄干图像。

优选的，步骤(3)中，图像分割前，过滤局部最小值，避免图像过度分割。

本发明以物品像素到最近的背景像素的欧式距离对该物品像素进行赋值，然后采用分水岭算法进行图像分割，接着采用支持向量机识别分割区域的样本数量，如果样本有粘连则再次进行分割，相对于现有的分割方法能够将粘连较严重或粘连后形状会改变的物体分割开。

附图说明

图1为待分割的rgb图像。

图2为去除背景并降噪预处理后的图像。

图3为物品像素赋值欧式距离的结果图。

图4为运用分水岭算法分割图像的结果图。

图5a为局部最小值分布图。

图5b为采用过滤局部最小值后的分割结果图。

图6为采用支持向量机识别出的样本数量大于1的部分的分割结果。图6a为表1中第7行所代表的部分的分割结果图，图6b为表1中第17行所代表的部分的分割结果图，图6c是表1中第31行所代表的部分的分割结果图。

图7为支持向量机对每一部分样本数量的预测结果图。

图8为分割整体效果图。

具体实施方式

以玫瑰紫品种的葡萄干为例，采集葡萄干rgb图像(如图1所示)，葡萄干基本处于平铺状态，但相邻葡萄干有部分重叠粘连，因为葡萄干之间的色差、形状差异不明显，并且葡萄干比较柔软，易发生形变，采用传统方法不能很好的进行分割。

本发明方法首先采用差分法将图像的背景删除，然后采用均值滤波对图像进行噪声过滤，，接着对图像进行二值化处理，得到如图2所示的二值图，值为1的像素(白色)为葡萄干像素，值为0的像素(黑色)为背景像素。

再接着计算图像中每个葡萄干像素的欧式距离。对每个值为1的像素，寻找与其距离最近的零像素，按下式计算两个像素的欧式距离，并将计算结果赋值给原像素，结果如图3所示。欧式距离的计算公式为：

(2)采用h最小值变换函数将图像深度值梯度变换为4，并采用8连通分水岭算法对图像进行运算，结果如图4所示。为解决分水岭算法的过度分割问题，采用过滤局部最小值的方法，对每个分水岭分区选取两个局部最小值，结果如图5所示。

(3)将支持向量机用于识别每一个被分割部分的样本数量，将样本数量大于1的部分单独提取出来。支持向量机的核函数采用径向奇函数，度数d＝4，核系数γ＝1/n，公差tol＝10^-6，误差参数c＝1.0。支持向量机的输入变量为样本的7个特征值，分别包括离心率、面积、质心横坐标、质心纵坐标、长轴、短轴、周长，输出变量为样本数量。表1为支持向量机测试集的输入变量值、预测值、参考值。图7标注了被分割开的每一个部分的离心率。由表1和图7可以看出，支持向量机准确的识别出了表1中的第7、17、31行所对应的部分的样本数量为2，并且无其他的误识别项。

表1.支持向量机测试集的输入值、预测值、参考值

以上预测结果的精度用灵敏度、准确度和特异度三个指标来确定，三个指标分别用公式2、公式3和公式4计算。其中a是真阴性数量，b是假阳性数量，c是假阴性数量，d是真阳性数量。阳性指参考值为2，阴性参考值为1。表2显示了识别精度指标。

灵敏度＝d/(c+d)公式2

准确度＝d/(b+d)公式3

特异度＝a/(a+b)公式4

表2.样本数量识别的精度

(4)用分水岭算法对样本数量大于1的部分再次进行分割，即表1中第7、17、31行所代表的部分，分割结果如图6所示。整体的分割结果效果图如图8所示。