◆郭宇晴 李 想

（河北工业大学 天津 300401）

在进行图像分割操作时，需要借助多种算法来确保对目标对象的有效分离。其作业的实质是在特定的图像背景中，将目标对象进行有效获取和分离。在实际运用图像分割技术时，往往会受到图像内容的限制，使得图像分割的精确性受到较大影响。通常所采用的自动化分割技术不能保证对图像内容的有效识别与分离，无法满足大部分图像分割操作的质量需求，相对来说通用性较差。因此，吴琳等人以及杨娟等人等众多学者将交互式分割技术带进医学图像分割，与以往的自动化分割方式相比，表现出了良好的适用性。本文基于交互式分割技术，获得更多的分割信息，同时借助相应的算法实现对目标图的快速辨别与分离。

1 Graph Cuts算法现存问题分析

Graph Cuts算法通常将数据项和光滑项作为重要的能量参数，将图像形成一个映射的带权图。通过标号的方式实现对带权图的求解与转化。实际操作图像分割时，会通过用户提供的图像内容标号来确定相应的像素点和图像分割对象。其中的数据项主要用来表现标红和处理数据的一致性。光滑项是对相邻像素点的有效约束，具体表现为对于图像区域连续性边界的有效辨别， Graph Cuts能量函数如下式所示。

1.1 前景与背景重叠问题

在处理图像的前景颜色与背景颜色存在重叠现象时，该算法中的观察数据值对于颜色分布状况的估算会存在不合理现象，图像分割后，很容易产生目标图像不完整的问题。陈科尹等[1]等多篇文章中将因数据估算不合理所产生的图像分割问题，称之为gainful learning现象。通过系统设计的faithful learning算法可有效解决此种问题，但该算法与常规算法相比，存在复杂性的特征，很难保证此算法的大范围推广应用。

1.2 shrinking bias现象问题

当分割对象为呈现细长结构的边界图形时，采取Graph Cuts算法极易形成shrinking bias现象。针对此类问题，可以在初步分割完成的情况下，与用户建立有效的交互沟通，获取更多的图像信息。同时借助Dijkstra算法来找出相对较短的边界连通路线。但实际应用时，该种方式会进一步提升用户交互的复杂性，使图像处理工作过于烦琐，很难被用户接受。

1.3 计算量问题

该算法在进行图像分割时，需要首先获取图像的像素点，这就为图像分割操作带来了大量的计算量。为此，也应对其交互的时效性进行综合考虑。

2 算法改进措施

通过上述分析可以发现，借助Graph Cuts算法进行图像分割时，存在多方面的影响因素，会对图像分割的质量造成较大影响，为了改善Graph Cuts算法存在的问题，我们提出以下几点改进措施：

2.1 借助Mean Shift算法进行图像预处理

与Graph Cuts算法不同，Mean Shift进行图像分割时，利用核函数预算的方式，对图像中的分割对象进行目标追踪。相对于其他算法来说，该算法极少产生超出目标对象分割界限的问题，可以有效提升目标对象的完整性。采取五维特征向量空间的算法，对三维的颜色空间和二维的坐标进行提取，所获得的坐标分布形式为χ=（χs，χr）其中的χs和χr分别代表像素坐标和三维颜色向量。

通过相关的运算可以得出，当 hs空域和 hr色域带宽相对较大时，所获得的分割区域数目越小。同时，针对较弱边缘的识别能力也会降低。对比利用Mean Shift算法得出的图像，图像的边缘部位较为清晰，目标对象的完整性得到有效保障。借助该算法实现对目标图像的有效追踪可以进一步增强 Graph Cuts算法的应用效率，进而达到提升图像分割操作整体速度的目的。

2.2 视觉显著图计算方式的应用

显著图指的是，在分割图像中，一眼就能分辨的图像内容。相关学者根据视觉显著性提出了视觉显著图的计算方式，应用该种方式对图像目标对象进行提取，并创建了以视觉注意力为基础的模型，实际上就是通过对人的视觉原理进行模拟所形成的显著性计算方式。因此，在此理论上形成了多种显著性的图像分割方式，包括周静波等[2]提出的基于视觉显著性的非监督图像分割，肖小龙等[3]提出的视觉显著性检测算法研究。GBVS算法在视觉显著性原理上，借助显著图进行图像分割，同时应用了马尔可夫链，采取数学计算的方式得出相应的数值，得出的显著值较为准确。此外，该种运算方式还能达到抑制噪声的目的，使图像分割更为准确，也可保证目标分割对象边界的光滑性。

一般而言，当图像分割要求较低的情况下，显著图的计算方式也可直接用于图像分割。但受到目标对象变化量的影响，所获取的目标对象质量也会存在较大的差异。而在与Graph Cuts算法进行联合应用的过程中，可以发挥显著图的颜色分割优势，使图像分割质量得到显著提升。

2.3 合理应用视觉显著性的约束数据项

通过分析Graph Cuts算法的运算方式和图像分割效果可知，在出现前景和背景颜色重叠的现象时，很难借助单一的颜色数据项来实现对目标对象的准确获取。此种情况下，就会造成目标对象边界缺失的问题。而在借助能量函数对边界线进行获取时，因能量函数的特性决定了其会优先考虑边界少的分割操作，同样也会对图像分割效果造成影响。为了改善上述问题，减少因颜色数据项分析对目标对象获取质量所造成的影响，可以借助显著性的约束数据项，利用用户的视觉显性来分析目标对象的可能性，即对显著区域进行优先获取。可根据图像颜色交叉的状况和颜色差异对判定数据项进行敏感度的调节，使其能够更加准确的拾取目标对象边界，以免因背景和前景颜色差距较小而形成边界模糊的问题。

3 算法优势

本文融合Mean Shift和视觉显著图算法，当遇到背景颜色和前景颜色存在重叠的图像处理操作时，可以综合应用这两种算法弥补颜色数据项无法获取的目标对象边界。同时，借助Mean Shift算法对目标图像进行预处理，再结合视觉显著算法可高效完成图像分割操作。在一些目标对象较为复杂的图像分割操作中，图像细节部位会存在丢失的问题，究其原因，是在进行图像预处理时，对图像细长部位发生破损所导致的。综合分析图像处理效果，本文所研究的算法得到的目标对象更加清晰完整。

4 总结

针对因图像分割算法选择不当形成的shrinking bias现象，采取视觉显著性分割算法和Mean Shift分割算法，改善图割处理中存在的问题。实际应用中表明，文中算法可有效提升用户交互速度，较于Graph Cuts算法表现出了较好的应用性能。在本次的研究中，因Mean Shift算法中出现了细长结构的破坏问题，导致图像分割对出现细节部分的缺失。在后续发展中，为实现对图像分割对象的有效处理，我们应将Mean Shift算法中的细长结构处理问题作为重点研究内容。