摘要：为了克服传统的区域生长算法对初始种子像素选择及生长顺序的鲁棒性差等缺点，提出了基于蚁群算法优化区域生长的彩色图像分割方法。 首先，根据给定的阈值使用蚁群算法自动选择种子像素，然后根据相邻距离di和相似度值d(hi，Hj ) )的值选择生长和结束的基准，最后利用数学形态学方法优化分割结果。 与JSEG和SRG算法进行比较，发现所提出的改进算法在分割的正确性上有很大的优点。
0引言
图像分割[1]是图像处理领域的关键技术，通过将图像中感兴趣的对象与其他区域分离，可以利用跟踪、检测、识别等高阶视觉技术进一步处理感兴趣的对象。
彩色图像提供更丰富的信息，对人类视觉至关重要，因此彩色图像的分割研究备受关注。 在色彩模型系统中，RGB色彩模型可以与其他模型相互转换，RGB具有空间上连续、没有特异性等优点，因此采用了RGB色彩空间。
目前常用的图像分割算法有阈值分割方法、区域分割方法、混合算法分割方法等。 另一方面，区域生长算法(SRG )是一种混合算法，该算法可以直接作用于颜色空间，也可以利用图像空间连接性等特性，但该算法在分割过程中受到初始种子点的选择和生长顺序等问题的影响。 针对上述问题，杨家红等[2]提出了一种基于色相平均差的种子选择分割算法，但该方法复杂，不利于目标分割。 Chen Hejun等人[3]提出了使用Canny算子选择种子点的分割方法，但该方法容易产生伪边，计算量增加。 因此，在参考文献[3]的基础上，首先用蚁群算法提取种子点，然后用相对欧几里得距离改进生长和终止标准，最后用数学形态学方法对分割结果进行处理，通过实验，改进算法更好
1相关理论知识
1.1蚁群算法
蚁群算法是一种优化的搜索算法，主要思想是，蚁群在觅食过程中通过的路径上留下一种叫做信息素的物质进行信息传递，之后的蚂蚁通过分析信息素选择信息量较大的路径的概率相对较高在这个过程中有两个重要的因素。 转移概率矩阵和信息素矩阵的更新。 将蚂蚁的活动范围设为以r为半径的圆内，即{xs|dsjr，s=1，2，…，N}，将所有元素的初始值设为init，将蚂蚁xi选择到xj中的迁移概率设为：
其中，是信息素值； ij是启发信息，常数分别表示最初两者的相对重要度。
所有蚂蚁移动后，更新信息素矩阵，如式(2)所示。
其中，信息素的衰减系数。 并且，通过在信息素矩阵中使用阈值t，可以判断一个像素点是否满足边缘点的条件。
1.2区域生长算法
区域生长算法(SRG )是ADAMS R等人提出的图像分割方法(4)，算法的主要原理是将具有相似特征的像素逐种子粘贴，从而完成图像的分割。 其主要步骤有： (1)寻找合适的像素作为增长的种子点)2)确定增长基准(3)确定终止基准。
1.2.1初始种子像素提取
在区域生长算法中，初始种子的选择是否合适直接关系到后期区域分割和整合的效果。 在文献[5]中，将极小值区域作为种子点，但是这里的极小值区域是指所包含的像素数占总像素数的0.002 5的区域，但是在该方法中，没有充分考虑彩色图像的空间信息。
1.2.2区域发展标准
在区域增长算法中，区域增长基准的选择很重要，在分割算法中通常使用欧式距离定义增长基准。
其中，Ri、Gi、Bi是未标记的像素点的成分属性值，是种子附近的像素平均值。
1.2.3区域一体化准则
区域增长算法在分割过程中存在过度分割的不足。 为了克服这一缺点，为了抵消过度分割，通常采用区域融合的方式。 同样，地域融合也需要基准，本文使用欧风距离来定义相似度：
重复以上三个步骤，直到图像分割完成。
2算法的改进
2.1初始种子点提取的改进
综上所述，种子点的选择非常重要，因此在这方面很多人提出了改善的对策，但FAN J等人[6]主要提出了利用目标边界作为种子点的图像边界结合区域生长的图像分割方法，导致了计算量的增大和图像分割的不正确。 因此，本论文利用蚁群算法提取种子点。 根据实验得到的阈值T=0.006 5，如果lqddn点的像素大于t，则该点成为边缘点。 参考文献[7]可知，种子点必须是邻接区域高度相似属性的点，因此相似度判断的基准非常重要。 本文以曼哈顿距离作为测量相似性的基准，针对像素的3个属性成分的曼哈顿距离如下
其中，xi表示像素点，x0表示xi的8附近的中心点。 这里的T1是所设定的值，如果边缘点中的某个像素满足上式的条件，则该点成为种子点，根据彩色图像的相关理论，本文中T1=0.02。
2.2改善区域增长标准
p1、p2、…、pi为初期的种子像素点，Si表示pi与种子点对应的区域，区域Si上的各成分r、g、b的所有种子像素的平均值在本文中作为区域间的类似度采用相对欧几里得距离，如式(3)所示：
同样，为了克服过度分割的缺点，本文采用图像融合算法进行相应的完善。
2.3改善区域融合标准
本文采用相对欧式距离作为测量区域相
似度的依据，如式（4）所示：其中，
分别表示区域Hi、Hj的平均值，若d（Hi，Hj）<T2，则将两个区域合并为区域Hk，然后计算区域Hk与其相邻区域的相似度，进行判断；重复上述步骤，直至所有区域间的相似度满足条件时停止。对于阈值T2的选取是十分重要的，因为如果阈值过大，则会导致过度融合。根据实验数据，本文将选取阈值T2=0.15。
2.4 数学形态学处理
经实验发现，对于背景比较复杂的图像，分割的结果有时不是十分清楚，所以本文采取形态学中的算法来平滑分割的边缘。其中腐蚀和膨胀中使用的“掩膜”是半径为3个像素的圆形区域。
2.5 算法的步骤
（1）确定相应的参数及启发信息素ij；
（2）利用式（1）、（2）确定转移概率矩阵p及信息素矩阵τn的更新；
（3）重复步骤（2）直至选取合适的种子点；
（4）根据式（7）、（8）完成区域生长及合并，直至分割完成；
（5）对分割结果进行优化处理。
3 实验及分析
本文的实验环境为Window 8操作系统，实验是在MATLAB R2009b系统上实现的。参数设置：初始蚂蚁数：512，循环600次，迭代5次，常数?琢和?茁分别取0.9和0.1，信息素挥发系数为0.1，信息素衰减系数为0.05，初始信息素值为为0.000 1。实验图像是从Berkeley Data[9]中随机选取的。
3.1 实验与分析一
本文设定阈值T=0.006 5，T1=0.02，然后对彩色图像进行边界和初始种子像素的提取，其边界和种子像素点提取如图1所示。其中，图1（a）是原始图像；图1（b）是阈值T=0.006 5时提取的边界，从图中可以看出提取目标边界时没有过度提取；图1（c）是阈值T1=0.02时所提取的种子像素。
3.2 实验与分析二
从Berkeley Data[8]任意选择3张彩色图像，分别为：“山”、“熊”、“马”，它们的大小都为：481×321。阈值T2=0.15。本文利用所提出的算法成功地对彩色图像进行了分割，并且提高了分割的质量。为了更好地说明本算法的优势，本文将该算法与传统的分割方法SRG[8]、JSEG[9]相比较，其分割图如图2所示。
参考文献[5]给出了一种比较图像分割结果的方法，查准率（P）、查全率（R）和F-值。其中查准率P是用来检测图像分割中正确分割的比率，查全率R是用来检测正确分割被提取的比率，P与R的取值范围都为[0，1]，而且值越大说明分割效果越好；另外，除了这两个标准以外，还可以利用P和R的几何平均值F进行比较，计算公式为：
其中，根据F值就可以看出算法的效果。其具体数据如表1所示。
表1中的N表示分割的区域数，由表中的数据可以发现，在图“山”中，图（d）的分割效果比图（b）差，但相较SRG效果提高了3.3%，这是由于JSEG算法计算量过大导致的过度分割引起的。在图“马”中，本文算法分割效果比JSEG效果提高了9.6%，比SRG效果提高了16%，这是因为图（b）分割十分模糊，边界不精确。图（c）相比较而言比较清晰，但是，在马的腹部存在过度分割的现象。
4 结论
本文在区域生长算法的基础上，针对种子像素过度选取而导致的分割效果不精确等问题，提出了利用群算法进行种子的选取，通过仿真实验结果发现，该算法不仅可以使计算量减少，而且有助于搜索全局最优种子像素，改善分割结果，提高分割效率。另外，在区域生长和终止准则方面，本文利用相对欧式距离作为相似度的标准，经过实验检验，这种改进方法较以欧式距离作为相似度标准得到的结果更好。
参考文献
[1] 冈萨雷斯.数字图像处理（第3版）（英文版）[M].北京：电子工业出版社，2010.
[2] 杨家红，kfdzjy，drdlh，等.结合分水岭与自动种子区域生长的彩色图象分割算法[J].中国图象图形学报，2010，15（1）：63-68.
[3] Chen Hejun， Ding Haiqiang. Color image segmentation based on seeded region growing with canny edge detection[J]. IEEE， 2014 12th International Conference on Signal Processing（ICSP） Hangzhou， 2014：683-686.
[4] ADAMS R， BISCHOF L. Seeded region growing[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，1994，16（6）：641-647.
[5] Wang Tong． Intelligent Mosacis algorithm of overlapping images[C]. The Proceeding of the 1st International Conference on Natural Computation（ICN′05）， Changsha，China，2005：938-942．
[6] FAN J， YAU D K Y， ELMAGARMID A K， et al. Automatic image segmentation by integrating color-edge extraction and seeded region growing[J]. IEEE Transactions on Image Processing（2001），10（10）：1454-1466.
[7] SHIH F Y， Cheng Shouxian. Automatic seeded region growing for color image segmentation[J]. Image and Vision Computing， 2005，23（10）：877-886.
[8] MARTIN D， FOWLKES C， TAI D， et al. A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics[J]. Proceedings of Eighth IEEE International Conference on Computer Vision， 2001， ICCV 2001， 2001，2（7）：416-423.
[9] rrdwg，ssdrg，糊涂的服饰，等.基于改进JSEG算法的高分辨率遥感图像分割方法[J].计算机科学，2012，39（8）：284-286.