摘  要： 為了剔除籃球視頻圖像的觀眾席區域，保留感興趣的比賽場地區域，提出了一種自適應籃球視頻圖像分割方法。首先采用雙峰法對源圖像進行二值化；再利用分塊像素點密度統計原理設計了自適應分割算法，對源圖像進行自適應分割。實驗結果表明，該方法達到了很好的分割效果。

關鍵詞： 自適應籃球視頻圖像分割；二值化；二值圖；分塊像素點密度統計

　　隨著籃球娛樂事業的蓬勃發展，研究籃球視頻圖像的人也越來越多，而從籃球視頻中獲取到幀圖像之后，首先要做的工作就是對源圖像進行必要的分割。這是因為，通常籃球視頻圖像上都有很大一部分的觀眾席，而研究者的感興趣區域只是比賽場地部分，所以有必要最大限度地將這兩部分切割開來。對籃球視頻進行分割有兩個作用：一是大大減少了后續研究的工作量；二是消除了這部分數據對后續研究的干擾，有利于后續的圖像分析[1]，從而使得籃球賽事視頻的鏡頭分割工作進展更加順利。

　　圖像分割[2]是指把圖像分成互不重疊的區域，并提取出感興趣目標的技術。它是提取圖像特征之前非常重要的一部分工作，圖像分割的好壞直接影響到圖像的分析結果。而關于圖像分割技術的研究也有著比較悠久的歷史，目前積累了很多經典的圖像分割算法，其中有些分割運算可以直接應用于許多圖像，而另一些分割運算只能用于分割特殊類別的圖像。分割圖像時，通常可以根據圖像的兩種特性進行分割，一種是根據各個像素點的灰度不連續性進行分割，另一種是根據同一區域具有相似的灰度進行分割[3]。這兩種方法都有各自的優缺點，常見的分割算法有閾值分割[4]、邊緣檢測[5]、邊緣跟蹤[6]、區域分裂與合并[7]等。除了依照圖像自身特點進行分割之外，還可以借助于其他學科的方法來完成分割，例如基于數學形態學的圖像分割[8]、基于統計模式識別的分割[9]、基于神經網絡的分割[10]、基于信息論的分割[11]等。但是需要指出的是，目前還沒有一種或者幾種完善的分割算法可以按照人們的意愿去準確分割任何一種圖像。

　　鑒于已有各種方法都不能很好地對籃球視頻圖像進行分割，本文在研究前人工作成果的基礎之上，提出了一種自適應籃球視頻圖像分割算法。首先采用雙峰法對源圖像進行二值化；再利用分塊像素點密度統計原理設計了自適應分割算法，對源圖像進行自適應分割。實驗表明，該方法具有良好的分割效果。

　　1 雙峰法圖像二值化

　　圖像的二值化方法很多，對于不同類型的圖像，二值化后的效果各異。針對籃球視頻的特點，經大量實驗發現，籃球視頻圖像的一維灰度直方圖有很明顯的雙峰結構，所以從視頻中獲取源圖像之后，采用雙峰法[12]對其進行二值化效果更佳，其過程如下。

　　（1）圖像灰度化

　　從視頻中獲取的源圖像是彩色圖像，如圖1所示，首先要得到其相應的灰度圖像，如圖2所示。

　　（2）計算一維灰度直方圖

　　計算圖2的一維灰度直方圖，如圖3所示。圖3有很明顯的雙峰結構，也就是像素點灰度值對應的比較多的兩個區域，所以更適合于采用雙峰法進行圖像二值化。

　　（3）平滑一維灰度直方圖

　　計算得到的原始一維灰度直方圖里，各像素值對應的像素點個數參差不齊，不能用于檢測雙峰之間的谷底，所以要對原始直方圖數據進行半徑為1（窗口大小為3）的平滑[13]，最終的平滑結果如圖4所示。此時可以求出雙峰之間的谷底，從而得到其對應的像素值作為閾值。

　　（4）檢測雙峰之間的谷底

　　這一步是一個迭代的過程，每次處理前需要對直方圖數據進行判斷，看其是否已經是一個雙峰的直方圖，如果不是，則對直方圖數據進行平滑。若迭代了一定的次數后仍未獲得一個雙峰的直方圖，則迭代失敗；如果成功獲得，則取雙峰之間的谷底點對應的像素值作為閾值。

　　（5）二值化

　　掃描圖2中的像素點，將其每點的灰度值和閾值作比較，大于閾值的重新賦值為255，小于閾值的重新賦值為0，即：I（i，j）=255，I（i，j）>閾值0  ，I（i，j）<閾值，其中I（i，j）表示圖2中點（i，j）的灰度值。遍歷完圖2就達到了二值化[14]的目的，實驗結果如圖5所示。

　　本文使用大津法[15]和雙峰法分別對籃球視頻圖像進行二值化對比實驗，結果如圖5和圖6所示。雖然整體上沒有明顯區別，但局部點集還是有明顯區別的，如圖6的黑色區域里常常摻有白色的小花塊或者花點，但是圖5就在這方面有了很大的改進，原來的白色小花塊變得更小或者沒有了，而原來的白色花點幾乎都沒有了。圖5、圖6兩者之間的差值如圖7所示。實現表明，雙峰法二值化取得了更好的效果。

　　2 基于分塊像素點密度統計的自適應分割

　　通過雙峰法獲取到源圖像的二值圖后，實驗表明已有方法都不能很好地完成籃球視頻圖像的分割操作，所以本文提出了一種基于分塊像素點密度統計的自適應分割算法，其過程如下。

　　（1）分塊

　　對二值圖進行h×w的分塊操作[16]，其中h表示分塊的行數，w表示分塊的列數，但是要保證h、w能分別被圖像的高度和寬度整除。

　　（2）計算子塊像素點密度

　　分塊完成后，原二值圖就被分割成若干個子塊，再分別統計每個子塊區域內灰度值為0的像素點個數n0，并計算其點密度ρ=■，其中N總是子塊區域內的像素點個數。

　　（3）子塊灰度化處理

　　計算得到每個子塊的點密度ρ之后，將其與給定的點密度閾值ρ0作比較，若ρ≥ρ0，則將相應的子塊區域內所有像素點的灰度值都重新賦為一個適中的灰度值value；若ρ<ρ0，則不作任何處理。即：H（i，j）=value，ρ≥ρ0原值，ρ<ρ0，其中H（i，j）為相應的子塊區域內像素點（i，j）的灰度值。每行子塊處理完之后，統計該行被灰度化處理了的子塊個數N子塊，如果N子塊不小于灰度化子塊個數閾值N閾值，則繼續處理下一行子塊，否則回滾最后一行的灰度化操作，返回該行子塊的高度下邊界作為圖像分割線。實驗結果如圖8所示，可以看出比較精確地定位到了分割線的位置，區分了觀眾席區域和后續研究的感興趣區域。

　　圖9是對圖2的一個全局灰度化處理，凡是二值圖上點密度大于閾值的子塊都被灰度化處理了。從圖9可以發現，感興趣區域被灰度化處理的子塊個數較少，而觀眾席區域的子塊基本都被灰度化處理了，所以可以通過統計每行被灰度化處理的子塊個數來定位分割線的位置，實驗結果也表明這是一種很簡便有效的方法。

　　（4）切割源圖像

　　前面3步已經精確定位到了分割線的位置，根據這個位置信息對源圖像進行相應的切割操作，實驗結果如圖10所示。很明顯，切割的效果還是很令人滿意的，最大限度地剪去了觀眾席區域，保留了感興趣區域。

　　3 實驗結果分析

　　基于以上算法，本文以Microsoft Visual Studio 2010與OpenCV 2.3為實驗平臺，以2013年NBA總決賽“熱火vs馬刺”第7場第1節錄像和2013年CBA總決賽“山東vs廣東”第4場第1節錄像作為實驗素材，視頻分辨率為1 280×720，實驗結果如表1所示。NBA視頻右半場的實驗結果圖在前文展示出來了，而第1列是NBA視頻左半場的實驗結果圖，第2列與第3列分別是CBA視頻左、右半場的實驗結果圖。

　　從表1可以很明顯地看出：（1）雙峰法圖像二值化在籃球視頻圖像的處理上比大津法圖像二值化有明顯優勢；（2）從分割結果可以看出，都在理想的分割位置上對源圖像進行了切割，最大限度地剔除了觀眾席，保留了感興趣區域，說明本文提出的自適應籃球視頻圖像分割方法確實簡便有效，取得了良好的分割效果。

　　本文在研究前人有關圖像分割技術的基礎上，結合籃球視頻圖像本身的特點，提出了一種自適應籃球視頻圖像分割算法，實驗表明該方法簡便實用，取得了很好的分割效果，從而為后續籃球視頻鏡頭分割工作做一些鋪墊，讓更多的籃球視頻圖像研究工作者從中受益。雖然實驗結果表明該方法取得了一定的成功，但同時也存在一些問題有待改進：（1）該方法在實現過程中依賴了4個閾值：圖像分割的尺寸h與w、點密度閾值ρ0和灰度化子塊個數閾值N閾值，閾值的選取對實驗結果影響較大；（2）該方法沒有引用到一些經典的高深算法，可能略顯工程性太強，理論支撐與理論創新不足。

　　參考文獻

　　[1] Jiang Xiaoyi. Performance evaluation of image segmentation algorithms. Handbook of Pattern Recognition and Computer Vision（3rd Edition），2005：525-542.

　　[2] 宋寅卯，劉磊.圖像分割研究方法及進展[J].電腦學習，2010（2）：1-3.

　　[3] 許勇剛.復雜光照條件下人臉識別關鍵技術研究[D].成都：電子科技大學，2013.

　　[4] 張冬生.基于閾值的圖像分割算法研究[D].大慶：東北石油大學，2011.

　　[5] 尹平，王潤生.自適應多尺度邊緣檢測[J].軟件學報，2000，17（7）：990-994.

　　[6] KUO H C， WU L J. An image tracking system for welded seams using fuzzy logic[J]. Journal of Materials Processing Technology， 2002，120（5）：169-185.

　　[7] 程帥.區域分裂合并法在圖像分割中的應用[J].福建電腦，2013（6）：105-106.

　　[8] LEE C K， WONG S P. A mathematical morphological approach for segmenting heavily noise corrupted images[J].Pattern Recognition，1996，29（8）：1347-1358.

　　[9] 崔冰，王衛星.基于統計模式識別的巖石節理圖像分割方法[J].計算機工程與應用，2006（10）：213-215.

　　[10] 馬兆敏，黃玲，胡波，等.基于神經網絡的雜草圖像分割算法[J].計算機工程與應用，2009（24）：216-218.

　　[11] KIM J， FISHER J W， YEZZI A， et al. A nonparametric statistical method for image segmentation using information theory and curve evolution[C]. IEEE Transactions on Image Processing，2005，14（10）：1486-1502.

　　[12] 楊修國.關于直方圖雙峰法的研究與改進[J].電子設計工程，2012（12）：176-179.

　　[13] KO S J， LEE Y H. Center weighted median filters and their applications to image enhancement[C]. IEEE Transac-tions on Circuits and Systems，1991，38（9）：984-993.

　　[14] BERNSEN J. Dynamic thresholding of gray-level images[C]. Proceedings of the 8th International Conference on Pattern Recognition，1986：1251-1255.

　　[15] 胡斌，宮寧生.一種改進的Otsu閾值分割算法[J].微電子學與計算機，2009（12）：153-155.

　　[16] 李了了，鄧善熙，丁興號.基于大津法的圖像分塊二值化算法[J].微計算機信息，2005，21（8-3）：76-77.