摘 要： 为了剔除篮球视频图像的观众席区域，保留感兴趣的比赛场地区域，提出了一种自适应篮球视频图像分割方法。首先采用双峰法对源图像进行二值化；再利用分块像素点密度统计原理设计了自适应分割算法，对源图像进行自适应分割。实验结果表明，该方法达到了很好的分割效果。

关键词： 自适应篮球视频图像分割；二值化；二值图；分块像素点密度统计

　　随着篮球娱乐事业的蓬勃发展，研究篮球视频图像的人也越来越多，而从篮球视频中获取到帧图像之后，首先要做的工作就是对源图像进行必要的分割。这是因为，通常篮球视频图像上都有很大一部分的观众席，而研究者的感兴趣区域只是比赛场地部分，所以有必要最大限度地将这两部分切割开来。对篮球视频进行分割有两个作用：一是大大减少了后续研究的工作量；二是消除了这部分数据对后续研究的干扰，有利于后续的图像分析[1]，从而使得篮球赛事视频的镜头分割工作进展更加顺利。

　　图像分割[2]是指把图像分成互不重叠的区域，并提取出感兴趣目标的技术。它是提取图像特征之前非常重要的一部分工作，图像分割的好坏直接影响到图像的分析结果。而关于图像分割技术的研究也有着比较悠久的历史，目前积累了很多经典的图像分割算法，其中有些分割运算可以直接应用于许多图像，而另一些分割运算只能用于分割特殊类别的图像。分割图像时，通常可以根据图像的两种特性进行分割，一种是根据各个像素点的灰度不连续性进行分割，另一种是根据同一区域具有相似的灰度进行分割[3]。这两种方法都有各自的优缺点，常见的分割算法有阈值分割[4]、边缘检测[5]、边缘跟踪[6]、区域分裂与合并[7]等。除了依照图像自身特点进行分割之外，还可以借助于其他学科的方法来完成分割，例如基于数学形态学的图像分割[8]、基于统计模式识别的分割[9]、基于神经网络的分割[10]、基于信息论的分割[11]等。但是需要指出的是，目前还没有一种或者几种完善的分割算法可以按照人们的意愿去准确分割任何一种图像。

　　鉴于已有各种方法都不能很好地对篮球视频图像进行分割，本文在研究前人工作成果的基础之上，提出了一种自适应篮球视频图像分割算法。首先采用双峰法对源图像进行二值化；再利用分块像素点密度统计原理设计了自适应分割算法，对源图像进行自适应分割。实验表明，该方法具有良好的分割效果。

　1 双峰法图像二值化

　　图像的二值化方法很多，对于不同类型的图像，二值化后的效果各异。针对篮球视频的特点，经大量实验发现，篮球视频图像的一维灰度直方图有很明显的双峰结构，所以从视频中获取源图像之后，采用双峰法[12]对其进行二值化效果更佳，其过程如下。

　　（1）图像灰度化

　　从视频中获取的源图像是彩色图像，如图1所示，首先要得到其相应的灰度图像，如图2所示。

　　（2）计算一维灰度直方图

　　计算图2的一维灰度直方图，如图3所示。图3有很明显的双峰结构，也就是像素点灰度值对应的比较多的两个区域，所以更适合于采用双峰法进行图像二值化。

　　（3）平滑一维灰度直方图

　　计算得到的原始一维灰度直方图里，各像素值对应的像素点个数参差不齐，不能用于检测双峰之间的谷底，所以要对原始直方图数据进行半径为1（窗口大小为3）的平滑[13]，最终的平滑结果如图4所示。此时可以求出双峰之间的谷底，从而得到其对应的像素值作为阈值。

　　（4）检测双峰之间的谷底

　　这一步是一个迭代的过程，每次处理前需要对直方图数据进行判断，看其是否已经是一个双峰的直方图，如果不是，则对直方图数据进行平滑。若迭代了一定的次数后仍未获得一个双峰的直方图，则迭代失败；如果成功获得，则取双峰之间的谷底点对应的像素值作为阈值。

　　（5）二值化

　　扫描图2中的像素点，将其每点的灰度值和阈值作比较，大于阈值的重新赋值为255，小于阈值的重新赋值为0，即：I（i，j）=255，I（i，j）>阈值0 ，I（i，j）<阈值，其中I（i，j）表示图2中点（i，j）的灰度值。遍历完图2就达到了二值化[14]的目的，实验结果如图5所示。

　　本文使用大津法[15]和双峰法分别对篮球视频图像进行二值化对比实验，结果如图5和图6所示。虽然整体上没有明显区别，但局部点集还是有明显区别的，如图6的黑色区域里常常掺有白色的小花块或者花点，但是图5就在这方面有了很大的改进，原来的白色小花块变得更小或者没有了，而原来的白色花点几乎都没有了。图5、图6两者之间的差值如图7所示。实现表明，双峰法二值化取得了更好的效果。

2 基于分块像素点密度统计的自适应分割

　　通过双峰法获取到源图像的二值图后，实验表明已有方法都不能很好地完成篮球视频图像的分割操作，所以本文提出了一种基于分块像素点密度统计的自适应分割算法，其过程如下。

　　（1）分块

　　对二值图进行h×w的分块操作[16]，其中h表示分块的行数，w表示分块的列数，但是要保证h、w能分别被图像的高度和宽度整除。

　　（2）计算子块像素点密度

　　分块完成后，原二值图就被分割成若干个子块，再分别统计每个子块区域内灰度值为0的像素点个数n0，并计算其点密度ρ=■，其中N总是子块区域内的像素点个数。

　　（3）子块灰度化处理

　　计算得到每个子块的点密度ρ之后，将其与给定的点密度阈值ρ0作比较，若ρ≥ρ0，则将相应的子块区域内所有像素点的灰度值都重新赋为一个适中的灰度值value；若ρ<ρ0，则不作任何处理。即：H（i，j）=value，ρ≥ρ0原值，ρ<ρ0，其中H（i，j）为相应的子块区域内像素点（i，j）的灰度值。每行子块处理完之后，统计该行被灰度化处理了的子块个数N子块，如果N子块不小于灰度化子块个数阈值N阈值，则继续处理下一行子块，否则回滚最后一行的灰度化操作，返回该行子块的高度下边界作为图像分割线。实验结果如图8所示，可以看出比较精确地定位到了分割线的位置，区分了观众席区域和后续研究的感兴趣区域。

　　图9是对图2的一个全局灰度化处理，凡是二值图上点密度大于阈值的子块都被灰度化处理了。从图9可以发现，感兴趣区域被灰度化处理的子块个数较少，而观众席区域的子块基本都被灰度化处理了，所以可以通过统计每行被灰度化处理的子块个数来定位分割线的位置，实验结果也表明这是一种很简便有效的方法。

　　（4）切割源图像

　　前面3步已经精确定位到了分割线的位置，根据这个位置信息对源图像进行相应的切割操作，实验结果如图10所示。很明显，切割的效果还是很令人满意的，最大限度地剪去了观众席区域，保留了感兴趣区域。

3 实验结果分析

　　基于以上算法，本文以Microsoft Visual Studio 2010与OpenCV 2.3为实验平台，以2013年NBA总决赛“热火vs马刺”第7场第1节录像和2013年CBA总决赛“山东vs广东”第4场第1节录像作为实验素材，视频分辨率为1 280×720，实验结果如表1所示。NBA视频右半场的实验结果图在前文展示出来了，而第1列是NBA视频左半场的实验结果图，第2列与第3列分别是CBA视频左、右半场的实验结果图。

　　从表1可以很明显地看出：（1）双峰法图像二值化在篮球视频图像的处理上比大津法图像二值化有明显优势；（2）从分割结果可以看出，都在理想的分割位置上对源图像进行了切割，最大限度地剔除了观众席，保留了感兴趣区域，说明本文提出的自适应篮球视频图像分割方法确实简便有效，取得了良好的分割效果。

　　本文在研究前人有关图像分割技术的基础上，结合篮球视频图像本身的特点，提出了一种自适应篮球视频图像分割算法，实验表明该方法简便实用，取得了很好的分割效果，从而为后续篮球视频镜头分割工作做一些铺垫，让更多的篮球视频图像研究工作者从中受益。虽然实验结果表明该方法取得了一定的成功，但同时也存在一些问题有待改进：（1）该方法在实现过程中依赖了4个阈值：图像分割的尺寸h与w、点密度阈值ρ0和灰度化子块个数阈值N阈值，阈值的选取对实验结果影响较大；（2）该方法没有引用到一些经典的高深算法，可能略显工程性太强，理论支撑与理论创新不足。

　　参考文献

　　[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，刘磊.图像分割研究方法及进展[J].电脑学习，2010（2）：1-3.

　　[3] 许勇刚.复杂光照条件下人脸识别关键技术研究[D].成都：电子科技大学，2013.

　　[4] 张冬生.基于阈值的图像分割算法研究[D].大庆：东北石油大学，2011.

　　[5] 尹平，王润生.自适应多尺度边缘检测[J].软件学报，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] 程帅.区域分裂合并法在图像分割中的应用[J].福建电脑，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，王卫星.基于统计模式识别的岩石节理图像分割方法[J].计算机工程与应用，2006（10）：213-215.

　　[10] 马兆敏，黄玲，胡波，等.基于神经网络的杂草图像分割算法[J].计算机工程与应用，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] 杨修国.关于直方图双峰法的研究与改进[J].电子设计工程，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，宫宁生.一种改进的Otsu阈值分割算法[J].微电子学与计算机，2009（12）：153-155.

　　[16] 李了了，邓善熙，丁兴号.基于大津法的图像分块二值化算法[J].微计算机信息，2005，21（8-3）：76-77.