1、 向日華 等:一種基于高斯混合模型的距離圖像分割算法 2.6 處理Jump點 1255 如前所述,圖像中還剩一些 Jump 點未分配區域標號.由于此時區域分割的大局已定,我們直接按 K-NN 原則 給這些 Jump 點分配其八鄰域中最多的標號,即若 Jump 點的八鄰域皆為 Jump 點,則該點不合并,作為非區域散 點保留;若 Jump 點的八鄰域存在有效區域點,則給它分配有效區域標號最多的標號. 我們最后簡單地小結一下算法步驟: (1 指定距離值門限 Tjump,在全圖中分辨出 Jump 點(距離跳變點; (2 指定距離門限 Tpoint 和窗口尺寸 M,逐像素計算距離圖像中的法向矢量,并歸

2、一化; (3 指定最大類別數 Kmax,最小法向角度差 Tangle,在聚類合并策略中用 EM 算法從抽樣數據中估計多個 高斯混合模型; (4 從估計出的多個模型中根據改進的 BIC 準則挑選一個作為模型輸出結果,將圖像中所有非 Jump 點按 照特征空間歐氏距離最近聚類,形成初始分割; (5 指定區域最小面積門限 Tarea,進行區域合并; (6 處理 Jump 點. 3 實驗結果 實驗中的真實距離圖像來自于美國南佛羅里達大學的距離圖像分割比較工程6.該工程提供 ABW 結構光 相機距離圖像和 PERC 激光雷達距離圖像,并且還發展了一套距離圖像分割算法的客觀評價方法.它以人工分 割的圖像作

3、為標準分割圖像(稱為 Ground-Truth,按照算法分割結果中的區域與 Ground-Truth 圖像中對應區域 的匹配程度,將算法分割結果中的區域分為 5 類:正確分割區域、過分割區域、欠分割區域、漏分割區域和噪 聲區域,然后根據這 5 類區域的平均數目進行算法比較.進一步的信息參見文獻2,6. 算法實驗參數針對 ABW 圖像取值為 Tjump=10,Tpoint=10,M=19,Kmax=20,Tangle=8,Tarea=200;針對 PERC 圖像取值為 Tjump=12,Tpoint=10,M=19,Kmax=20,Tangle=12,Tarea=250.實驗結果與幾種流行算法進

4、行了客觀比 較,平均結果如圖 4 和圖 5 所示.圖中從左到右依次為正確分割區域、過分割區域、欠分割區域、漏分割區域 和噪聲區域的平均數目,其中 GMM 表示本文的基于高斯混合模型(Gaussian mixture model的算法,比較容忍度 為 80%時的平均結果的數值見表 1 和表 2. Average correct detections 14 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.5 0.6 0.7 0.8 0.9 1 12 GMM UE USF WSU UB Average under segmentations 16 0.9 Average over

5、 segmentations 1 0.8 GMM UE USF WSU UB 10 0.6 8 6 4 0.5 GT-Reg GMM UE USF WSU UB 0.6 0.7 0.8 0.9 1 0.4 0.2 0 0.5 0.6 0.7 0.8 0.9 1 Tolerance 11 Tolerance GMM UE USF WSU UB 10 Tolerance GMM UE USF WSU UB Average missed regions Average noise regions 0.7 0.8 0.9 1 10 9 8 7 6 5 4 3 2 1 0.5 9 8 7 6 5 4 3

6、 2 1 0.6 0.5 0.6 0.7 0.8 0.9 1 Tolerance Tolerance Fig.4 Average results of five algorithms on 30 ABW test images 圖 4 5 種算法分割 30 幅 ABW 測試圖像的平均結果 1256 16 Journal of Software 軟件學報 2003,14(7 Average over segmentations Average correct detections 1.8 1.6 1.4 1.2 1 14 12 10 8 6 4 2 0.5 0.6 0.7 0.8 0.9 GT-

7、Reg GMM UE USF WSU UB GMM UE USF WSU UB Average under segmentations 1.2 1 GMM UE USF WSU UB 0.8 0.6 0.4 0.8 0.6 0.4 0.2 0.5 0.6 0.7 0.8 0.9 1 0.2 1 0 0.5 0.6 0.7 0.8 0.9 1 Tolerance 12 Tolerance GMM UE USF WSU UB 11 Tolerance GMM UE USF WSU UB Average missed regions Average noise regions 0.7 0.8 0.9

8、 1 10 9 8 7 6 5 4 3 2 1 0.5 10 8 6 4 2 0.5 0.6 0.6 0.7 0.8 0.9 1 Tolerance Tolerance Fig.5 Average results of five algorithms on 30 ABW test images 圖 5 5 種算法分割 30 幅 ABW 測試圖像的平均結果 Table 1 Average results of five algorithms on the ABW images at 80% compare tolerance 表 1 5 種分割算法在比較容忍度為 80%的情況下對 ABW 圖像的

9、平均結果 Algorithm USF WSU UB UE GMM GT regions 15.2 15.2 15.2 15.2 15.2 Correct detection 12.7 9.7 12.8 13.4 12.2 Angle difference (standard deviation 1.6(0.8 1.6(0.7 1.3(0.8 1.6(0.9 5.7(6.5 Over segmentation 0.2 0.5 0.4 0.4 0.2 Under segmentation 0.1 0.2 0.1 0.2 0.3 Missed 2.1 4.5 1.7 1.1 2.1 Noise 1.

10、2 2.2 2.1 0.8 2.2 Table 2 Average results of five algorithms on the PERC images at 80% compare tolerance 表 2 5 種分割算法在比較容忍度為 80%的情況下對 PERC 圖像的平均結果 Algorithm USF WSU UB UE GMM GT regions 14.6 14.6 14.6 14.6 14.6 Correct detection 8.9 5.9 9.6 10.0 8.4 Angle difference (standard deviation 2.7(1.8 3.3(1.

11、6 3.1(1.7 2.6(1.5 2.6(1.3 Over segmentation 0.4 0.5 0.6 0.2 0.5 Under segmentation 0.0 0.6 0.1 0.3 0.2 Missed 5.3 6.7 4.2 3.8 5.1 Noise 3.6 4.8 2.8 2.1 4.4 4 算法總結 根據性能評價,對比 WSU 算法 (也是基于聚類技術的方法,本文的算法所有性能都要好一些,而且聚類計算 的次數要少一半以上.對比 USF,開始比較容忍度較寬松時,USF 正確分割多,對于噪聲較大的 PERC 圖像,當比較 容忍度較嚴格時(達到 80%及以上,USF 算法的性能下降很快,而本算法性能下降緩慢,且正確分割數目開始比 它多了,幾乎達到最好的 UE 算法的性能,也就是說,本算法分割出來的區域比 USF 分割的區域要準確,說明基于 聚類技術的分割算法確實比基于區域生長的算法對于數據全局的把握要準確一些 ,受噪聲干擾要小一些 .即使 對比性能最好的 UE 算法,本文的性能也差得不遠,仔細分析了我們的算法分割錯誤的區域,主要是由于聚類算 法收斂時未收斂到全局最優導致的欠分割區