彩色圖像分割技術(shù)研究畢業(yè)論文

1、<p>　　本科畢業(yè)設(shè)計(jì)（論文）</p><p>　?。?2012 屆 ）</p><p>　　題 目 彩色圖像分割技術(shù)研究</p><p>　　學(xué) 院 物理與電子工程學(xué)院</p><p>　　專 業(yè) 電子信息工程</p><p>　　班 級(jí) 08電子信息工程（2）班<

2、/p><p>　　學(xué) 號(hào) </p><p><b>　　學(xué)生姓名XXX</b></p><p>　　指導(dǎo)教師 講師</p><p>　　完成日期 2012年3月</p><p><b>　　摘要</b></p><p>　　隨著計(jì)算機(jī)

3、處理能力的提高，彩色圖像分割技術(shù)受到研究者們?cè)絹?lái)越多的關(guān)注。許多研究者在這方面付出了巨大的努力，并取得了相應(yīng)的成果。本文對(duì)目前的彩色分割方法研究的基礎(chǔ)上，提出了一種無(wú)監(jiān)督的彩色圖像分割算法，即合理結(jié)合邊緣提取、區(qū)域生長(zhǎng)和區(qū)域合并的方法，實(shí)現(xiàn)彩色圖像的分割。實(shí)驗(yàn)結(jié)果表明，獲得了良好的分割效果，并且易于實(shí)時(shí)性的實(shí)現(xiàn)。</p><p><b>　　關(guān)鍵詞</b></p><p&

4、gt;　　彩色圖像分割；邊緣檢測(cè)；區(qū)域生長(zhǎng)與合并</p><p><b>　　Abstract</b></p><p>　　With the increasing in computer processing capabilities, the color image segmentation techniques more and more are concerne

5、d with by researchers. Many researchers have paid a huge effort in this regard, and obtained the corresponding results. On the basis of the current color segmentation method, an unsupervised color image segmentation algo

6、rithms have been proposed in this paper, combining of edge detection, region growing and region merging method to achieve the segmentation of color images. T</p><p><b>　　Key words</b></p>

7、<p>　　Color Image Segmentation; Edge Detection; Regional Growth and Merging</p><p><b>　　目 錄</b></p><p><b>　　1. 引言1</b></p><p>　　1.1．課題的研究背景和意義1<

8、/p><p>　　1.2．彩色圖像分割的現(xiàn)狀2</p><p>　　1.3．本文的內(nèi)容安排5</p><p>　　2．彩色圖像分割研究6</p><p>　　2.1．?dāng)?shù)字圖像處理概述6</p><p>　　2.2．常用的顏色空間7</p><p>　　2.3．彩色圖像分割方法9</

9、p><p>　　2.3.1．閾值化方法10</p><p>　　2.3.2．基于邊緣的分割方法10</p><p>　　2.3.3．基于區(qū)域的分割方法12</p><p>　　3．無(wú)監(jiān)督彩色圖像分割13</p><p><b>　　3.1．概述13</b></p><p&

10、gt;　　3.2．顏色空間的轉(zhuǎn)換14</p><p>　　3.3．Sobel算子邊緣提取15</p><p>　　3.4．種子的選取16</p><p>　　3.5．區(qū)域生長(zhǎng)與合并17</p><p>　　4．實(shí)驗(yàn)結(jié)果與分析18</p><p><b>　　5．結(jié)論20</b><

11、/p><p><b>　　參考文獻(xiàn)21</b></p><p><b>　　謝　辭23</b></p><p><b>　　1. 引言</b></p><p>　　1.1．課題的研究背景和意義</p><p>　　在人類所接收的信息中，有80%是來(lái)自視覺(jué)

12、的圖形信息，對(duì)獲得的這些信息進(jìn)行一定的加工處理也是目前一種廣泛的需求，圖像分割就是將圖像中感興趣的部分分割出來(lái)的技術(shù)。在圖像分割的基礎(chǔ)上，才能對(duì)目標(biāo)進(jìn)行特征提取和參數(shù)測(cè)量，使得更高層的圖像分析和理解成為可能。因此，對(duì)圖像分割的研究在圖像處理領(lǐng)域具有非常重要的意義。</p><p>　　圖像分割作為圖像分析的基礎(chǔ)，是圖像分析過(guò)程中的關(guān)鍵步驟。圖像分割，顧名思義是將圖像按照一定的方法劃分成不同的區(qū)域，使得同一區(qū)域內(nèi)像

13、素之間具有一致性，不同區(qū)域間不具有這種一致性。</p><p>　　因?yàn)槿搜蹖?duì)亮度具有適應(yīng)性，即在一幅復(fù)雜圖像的任何一點(diǎn)上只能識(shí)別幾十種灰度級(jí)，但可以識(shí)別成千上萬(wàn)種顏色，所以許多情況下，單純利用灰度信息無(wú)法從背景中提取出目標(biāo)，還必須借助于色彩信息。由于彩色圖像提供了比灰度圖像更加豐富多彩的信息，因此隨著計(jì)算機(jī)處理能力的提高，彩色圖像處理正受到人們?cè)絹?lái)越多的關(guān)注。</p><p>　　自數(shù)字

14、圖像處理問(wèn)世不久就開(kāi)始了圖像分割的研究，吸引了很多研究者為之付出了巨大的努力，在不同的領(lǐng)域也取得了很大的進(jìn)展和成就，現(xiàn)在人們還一直在努力發(fā)展新的、更有潛力的算法，希望實(shí)現(xiàn)更通用、更完美的分割結(jié)果。目前，針對(duì)各種具體問(wèn)題已經(jīng)提出了許多不同的圖像分割算法，對(duì)圖像分割的效果也有很好的分析結(jié)論。但是，由于圖像分割問(wèn)題所面向領(lǐng)域的特殊性，而且問(wèn)題本身具有一定的難度和復(fù)雜性，到目前為止還不存在一個(gè)通用的分割方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)

15、準(zhǔn)。對(duì)于尋找一種能夠普遍適用于各種復(fù)雜情況的準(zhǔn)確率很高的分割算法，還有很大的探索空間。對(duì)圖像分割的深入研究不僅會(huì)不斷完善對(duì)自身問(wèn)題的解決，而且有助于推動(dòng)模式識(shí)別、計(jì)算機(jī)視覺(jué)、人工智能等計(jì)算機(jī)科學(xué)分支的發(fā)展。</p><p>　　早期由于設(shè)備的限制，主要處理的是灰度圖像。因此針對(duì)灰色圖像的分割算法比較多，也比較成熟。隨著彩色圖像的需求和應(yīng)用以及人們生活水平的提高，人們?cè)絹?lái)越關(guān)注彩色圖像分割，也提出了一些分割方法，但

16、這些方法大部分是灰色圖像分割方法擴(kuò)展出來(lái)的，因此還不能滿足人們的要求。在彩色圖像分割這個(gè)領(lǐng)域，由于缺少理論和評(píng)估系統(tǒng)的支持，必須經(jīng)過(guò)大量的實(shí)驗(yàn)來(lái)驗(yàn)證一種分割算法。雖然研究者已經(jīng)提出了一些有意義的算法，但還沒(méi)有一種能適應(yīng)大部分圖片的算法，所以進(jìn)一步研究專門用于彩色圖像分割的方法，并且使它具有通用性和更好的分割效果是人們努力的方向。</p><p>　　1.2．彩色圖像分割的現(xiàn)狀</p><p&g

17、t;　　事實(shí)上，人們對(duì)灰度圖像進(jìn)行的研究較早，算法也相對(duì)成熟。隨著計(jì)算機(jī)處理速度的提高和對(duì)圖像處理技術(shù)的進(jìn)步，彩色圖像使用越來(lái)越多，彩色圖像分割在最近幾年越來(lái)越引起了人們的重視，與灰度圖像相比，彩色圖像不僅包括亮度信息，而且還有更多的有效信息，如色調(diào)、飽和度，實(shí)際上同樣景物的灰度圖像所包含的信息量與彩色圖像難以相比，人類對(duì)色彩的感知更敏感，一幅質(zhì)量較差的彩色圖像似乎比一幅完美的灰度圖像更具有吸引力。因此，對(duì)彩色圖像分割方法的研究有利于克

18、服傳統(tǒng)的灰度圖像分割方式的不足，是一個(gè)更加廣闊的研究領(lǐng)域。</p><p>　　圖像分割的難點(diǎn)在于如何消除噪聲和圖像本身模糊的干擾。前面已經(jīng)講到目前還沒(méi)有一種或者幾種完善的分割方法可以按照人們的想法分割任何一幅圖像。所有現(xiàn)存分割方法只能針對(duì)某一類型的圖像，分割的質(zhì)量必須靠效果和實(shí)際的應(yīng)用場(chǎng)景來(lái)判斷。幸運(yùn)的是人類已經(jīng)積累了很多經(jīng)典的圖像分割方法，雖然不適用所有類型的圖像分割，但是這些方法卻是圖像分割方法進(jìn)一步發(fā)展的

19、基礎(chǔ)。正是因?yàn)槲覀冋驹诰奕说募绨蛏?，從而產(chǎn)生了新的更有效率更準(zhǔn)確的圖像分割算法。</p><p>　　在早期的圖像處理的研究中，圖像分割的方法一般被分為2類：一類是邊界法，這種方法是假設(shè)圖像一定有邊緣存在；另一類是區(qū)域法，這種方法認(rèn)為被分割后的圖像區(qū)域一定會(huì)具有某些相同的特性，不同的區(qū)域的像素則會(huì)有不同的特性。</p><p>　　圖像分割的技術(shù)主要有4種：并行邊界分割技術(shù)、串行邊界分割技

20、術(shù)、并行區(qū)域分割技術(shù)和串行區(qū)域分割技術(shù)。如下圖1-1所示：</p><p>　　所謂的串行圖像分割是指對(duì)圖像的每一個(gè)像素上所做的運(yùn)算或者處理不依賴圖像中其他像素點(diǎn)處理的結(jié)果。而在并行算法中，對(duì)圖像每一個(gè)像素的處理依賴其他像素處理后的結(jié)果。</p><p>　　圖1-1　經(jīng)典圖像分割方法框架</p><p>　　對(duì)普通的電腦處理器來(lái)說(shuō)，串行分割方法當(dāng)然比并行分割有明顯

21、的優(yōu)勢(shì)，因?yàn)椴⑿蟹指畋仨氃诿總€(gè)圖像點(diǎn)完成相同的計(jì)算以后再?zèng)Q定是否繼續(xù)處理或者放棄處理這個(gè)像素點(diǎn)或者區(qū)域。這種技術(shù)明顯導(dǎo)致了時(shí)間復(fù)雜度，但理論上它更可靠更準(zhǔn)確。而串行分割則簡(jiǎn)單，方便一些。</p><p>　　目前對(duì)彩色圖像的分割已經(jīng)提出了很多算法，最簡(jiǎn)單的彩色圖像分割方法是直接將彩色圖像的各個(gè)分量進(jìn)行適當(dāng)?shù)慕M合轉(zhuǎn)化為灰度圖像，然后利用灰度圖像的分割方法進(jìn)行分割，該方法由于忽略了顏色信息和亮度信息之間的關(guān)聯(lián)，因而分

22、割效果并不十分理想。因此后來(lái)人們專門針對(duì)彩色圖像又提出了很多分割方法，如直方圖閾值法、基于區(qū)域的提取方法、邊緣檢測(cè)的分割方法、基于主動(dòng)輪廓模型方法、神經(jīng)網(wǎng)絡(luò)方法等等。而且分割的圖像的種類也各有不同，分割中用到的圖像的模型不同（有物理模型和隨機(jī)模型），分割的目的不同等，這些圖像分割方法的分類也不盡相同。把圖像分割方法的發(fā)展劃分為兩個(gè)階段：灰度圖像分割方法階段和彩色圖像分割方法階段。</p><p>　　對(duì)于灰度圖像

23、的分割方法，人們從不同的角度提出了如直方圖閾值法，區(qū)域生長(zhǎng)法，邊緣檢測(cè)法，基于分水嶺的方法和神經(jīng)網(wǎng)絡(luò)的方法等等。其中直方圖法和區(qū)域生長(zhǎng)法處理的對(duì)象是像素；邊緣檢測(cè)和分水嶺方法則是對(duì)圖像紋理基元進(jìn)行處理；神經(jīng)網(wǎng)絡(luò)的方法是利用分類的思想對(duì)圖像分割的方法。無(wú)論是基于哪種分割方法，灰度圖像的分割方法都發(fā)展得比較成熟了。</p><p>　　對(duì)于彩色圖像的分割方法總的來(lái)說(shuō)可以分為以下三類：基于顏色特征空間的分割方法，基于紋

24、理特征空間的分割方法和基于混合特征的分割方法。基于顏色特征空間的分割方法即是在某一種顏色空間，如RGB顏色空間或者CIE顏色空間通過(guò)顏色距離標(biāo)準(zhǔn)來(lái)融合像素，這種方法只適合于結(jié)構(gòu)簡(jiǎn)單并且顏色不多的圖像；基于紋理特征空間的分割方法是通過(guò)提取圖像的像素問(wèn)顏色差異，將原圖像轉(zhuǎn)換為紋理特征圖像然后將具有相似紋理特征的像素合并起來(lái)，達(dá)到分割的效果，這種方法不能直接使用在彩色紋理圖像中，因而提出了基于混合特征的分割方法，這種方法融合了前面兩種方法的思

25、想，達(dá)到對(duì)圖像的最佳分割效果。</p><p>　　彩色圖像分割與灰度圖像分割的算法相比，大部分算法在分割思想上是一致的，都是基于像素值的相似性和空間的接近性，只是對(duì)像素屬性的考察以及特征提取等技術(shù)由一維轉(zhuǎn)向了多維。這是由于灰度圖像和彩色圖像存在一個(gè)主要的區(qū)別，即對(duì)于每一個(gè)像素的描述，前者是在一維亮度空間上，而后者是在三維顏色空間上。大部分彩色圖像的分割方法或思想都是從灰度圖像分割方法繼承的，因此彩色圖像的一部分

26、方法與灰度圖像基本相同。但經(jīng)過(guò)試驗(yàn)證明這些直接繼承下來(lái)的方法不太適合于大部分彩色圖像，所以人們對(duì)這些方法作了一些改進(jìn)。總的來(lái)說(shuō)彩色圖像分割方法發(fā)展到目前階段，主要采用的分割方法有：</p><p>　　(1) 基于閾值的分割方法</p><p>　　由于彩色圖像不僅有灰度這一個(gè)屬性，所以使用直方圖閾值法會(huì)出現(xiàn)很大的不同。大多數(shù)方法都是對(duì)彩色圖像的每個(gè)分量分別采用直方圖閾值法。由于彩色信息通

27、常由R、G、B或它們的線性或非線性組合來(lái)表示，所以用三維數(shù)組來(lái)表示彩色圖像的直方圖并在其中選出合適的閾值，并不是一件簡(jiǎn)單的工作，另一方面確定圖像中目標(biāo)的數(shù)目計(jì)算量也很大。但這種分割方法不需要先驗(yàn)信息，分割簡(jiǎn)單。目前，人們通過(guò)研究提出了很多新方法：文獻(xiàn)[5]從目標(biāo)和背景的類間差異性出發(fā)，提出通過(guò)貝葉斯公式估計(jì)背景和目標(biāo)的概率，尋找這兩類概率兼得最大交叉熵的方法；文獻(xiàn)[6]提出了基于量化直方圖的最大熵閾值的方法。</p>&l

28、t;p>　　(2) 基于邊緣的分割方法</p><p>　　邊緣檢測(cè)是灰度圖像分割廣泛使用的一種技術(shù)，它是基于在區(qū)域邊緣上的像素灰度變化較劇烈，試圖通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)解決圖像分割問(wèn)題。在灰度圖像中，邊緣的定義是基于灰度級(jí)的突變，而且兩個(gè)區(qū)域的邊緣當(dāng)亮度變化明顯時(shí)才能被檢測(cè)出來(lái)。在彩色圖像中，用于邊緣檢測(cè)的信息更加豐富，如具有相同亮度、不同色調(diào)的邊緣同樣可以被檢測(cè)出來(lái)，相應(yīng)地，彩色圖像邊緣的定義也是基于

29、3維顏色空間的不連續(xù)性。</p><p>　　目前，彩色圖像的分割以轉(zhuǎn)移到如何有效的綜合利用彩色圖像的三通道信息方面。SergeyN.Krjukov等[7]提出了使用神經(jīng)網(wǎng)絡(luò)進(jìn)行彩色圖像的分割方法。他們?cè)赗GB顏色空間中將圖像的每個(gè)像素表示為一個(gè)由R、G、B本身的值及其均值和方差這幾個(gè)特征分量組成的特征向量，并作為神經(jīng)網(wǎng)絡(luò)的輸入層進(jìn)行圖像分割，其輸出層神經(jīng)元對(duì)應(yīng)于預(yù)先定義的要分割的顏色數(shù)。采用SergeyN.Kr

30、jukov的方法，存在兩個(gè)限制：第一、它需要有一個(gè)學(xué)習(xí)過(guò)程，即預(yù)先要給定一幅示教圖像讓其學(xué)習(xí)，以產(chǎn)生正確的輸出；第二、必須給出輸出層結(jié)點(diǎn)的神經(jīng)元數(shù)量，也就是說(shuō)事先必須知道分割出的圖像的顏色數(shù)。事實(shí)上，許多圖像輸出的顏色數(shù)是不一致的，對(duì)于一幅復(fù)雜的圖像其顏色數(shù)也難以確定。因此，這一算法在很大程度上受到了限制。</p><p>　　文獻(xiàn)[8]中提出了用聚類分析進(jìn)行彩色圖像的分割方法。聚類分析最常用的方法是k-均值法和

31、模糊c-均值聚類方法。目前，基于聚類的彩色圖像分割技術(shù)一般選擇RGB空間作為顏色空間，但采用該顏色空間存在一個(gè)缺陷，即它的顏色分量與人的視覺(jué)不一致。另外，顏色聚類一般是在三維空間進(jìn)行的。</p><p>　　應(yīng)用領(lǐng)域的不同、圖像質(zhì)量的好壞及圖像色彩的分布和結(jié)構(gòu)的差別決定了很難找到一種通用的分割方法來(lái)解決由于這些客觀因素所引起的圖像分割問(wèn)題。目前普遍采用的技術(shù)是根據(jù)實(shí)際情況組合不同的方法，分層次的分割圖像，針對(duì)可能

32、遇到的特殊問(wèn)題，研究新的方法策略。實(shí)際情況反映了今后彩色圖像分割的一種發(fā)展趨勢(shì)。</p><p>　　1.3．本文的內(nèi)容安排</p><p>　　想要進(jìn)一步對(duì)圖像進(jìn)行分析、識(shí)別、跟蹤、理解、壓縮編碼等高級(jí)處理，圖像分割是必不可少的前提，分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性，所以分割算法十分重要。本文針對(duì)彩色圖像的分割問(wèn)題進(jìn)行了研究，由于彩色圖像不僅包括亮度信息，而且還有更多的有用信息，如

33、色調(diào)、飽和度，為了充分利用這些信息讓圖像得到更好的分割效果，本文采取一種融合了顏色和空間信息的分割方法。首先輸入原真彩色圖像，由于彩色圖像一般都是使用RGB空間，但是RGB空間存在顏色均勻性差的缺點(diǎn)，所以在本文中把RGB顏色空間轉(zhuǎn)換為HIS顏色空間，HIS顏色空間是從人的視覺(jué)系統(tǒng)出發(fā)用色調(diào)(H)、色飽和度(S)和亮度(I)來(lái)描述色彩。該顏色模型可在彩色圖像中從攜帶的彩色信息(色調(diào)和飽和度)里消去強(qiáng)度分量的影響，這種彩色描述對(duì)人來(lái)說(shuō)是自然

34、的、直觀的。由于人的視覺(jué)對(duì)亮度的敏感程度遠(yuǎn)強(qiáng)于對(duì)顏色濃淡程度，為了便于色彩處理和識(shí)別，經(jīng)常采用HIS空間，它比RGB顏色空間更符合人的視覺(jué)特性。進(jìn)行空間轉(zhuǎn)換后，提取邊緣，選取種子，再進(jìn)行區(qū)域生長(zhǎng)與合并，最后就得到了分割的結(jié)果。</p><p>　　本文的研究?jī)?nèi)容主要包括：</p><p>　　(1) 針對(duì)當(dāng)前主流的彩色圖像分割算法進(jìn)行了分析、分類、歸納與總結(jié)，首先對(duì)多年來(lái)彩色圖像分割領(lǐng)域中

35、出現(xiàn)的彩色空間進(jìn)行了總結(jié)，指出了各類彩色空間在彩色圖像分割中的優(yōu)缺點(diǎn)，為人們進(jìn)行彩色圖像分割時(shí)選擇合適的彩色空間提供了依據(jù)。</p><p>　　(2) 本文中討論了直方圖閾值法、聚類法、基于區(qū)域的分割方法、邊緣檢測(cè)的分割方法、基于模糊集理論的方法，并且分析了各類方法的優(yōu)缺點(diǎn)。為人們?cè)诓煌膽?yīng)用領(lǐng)域及不同的圖像數(shù)據(jù)條件下選擇不同的分割算法提供了一定的依據(jù)。</p><p>　　(3) 提出

36、一種基于區(qū)域生長(zhǎng)法的彩色圖像分割算法，并在Matlab中實(shí)現(xiàn)一幅彩色圖像的分割，進(jìn)而分析此算法的優(yōu)越性和特點(diǎn)。</p><p>　　2．彩色圖像分割研究</p><p>　　2.1．?dāng)?shù)字圖像處理概述</p><p>　　圖像在人類的感知當(dāng)中扮演著非常重要的角色，人類隨時(shí)隨時(shí)都要接觸圖像。據(jù)統(tǒng)計(jì)，在人類接受的信息當(dāng)中，視覺(jué)信息占70%以上。在許多場(chǎng)合，圖像所傳遞的信息

37、比其他任何形式所傳遞的信息更加豐富和實(shí)際。由此可見(jiàn)圖像傳遞的信息是非常重要的。</p><p>　　圖像就是采用各種觀測(cè)系統(tǒng)獲得的，能夠?yàn)槿祟愐曈X(jué)系統(tǒng)所感覺(jué)的實(shí)體。人的視覺(jué)系統(tǒng)也是一個(gè)觀測(cè)系統(tǒng)，它得到的圖像就是客觀景物在人們心目中的有形想象。數(shù)字圖像處理是指使用數(shù)字計(jì)算機(jī)對(duì)圖像進(jìn)行處理。數(shù)字圖像處理技術(shù)起源于20世紀(jì)20年代，采用數(shù)字壓縮技術(shù)，通過(guò)海底電纜從英國(guó)倫敦傳輸了一幅照片到美國(guó)紐約。20世紀(jì)50年代，人們

38、開(kāi)始對(duì)數(shù)字圖像處理技術(shù)進(jìn)行系統(tǒng)的研究。1964年，美國(guó)的噴氣推進(jìn)實(shí)驗(yàn)室使用數(shù)字計(jì)算機(jī)，處理了太空船“旅行者7號(hào)”發(fā)回的月球照片，這是數(shù)字圖像處理技術(shù)的一個(gè)重要的里程碑，標(biāo)志著第三代計(jì)算機(jī)問(wèn)世后數(shù)字圖像處理概念開(kāi)始得到了應(yīng)用。到了20世紀(jì)70年代初，數(shù)字圖像處理已經(jīng)形成了較完善的學(xué)科體系，并成為一門獨(dú)立的新學(xué)科。近來(lái)，隨著相關(guān)學(xué)科的發(fā)展，以及各領(lǐng)域?qū)D像處理的要求越來(lái)越高，數(shù)字圖像處理技術(shù)得到了更加廣泛和迅速的發(fā)展。目前，數(shù)字圖像處理已成

39、為人們認(rèn)識(shí)世界和改造世界的重要方法。</p><p>　　數(shù)字圖像處理學(xué)科所涉及的知識(shí)相當(dāng)廣泛，具體的方法種類很多。數(shù)字圖像處理研究方向主要集中在圖像獲取、圖像變換、圖像增強(qiáng)、圖像恢復(fù)、壓縮編碼、圖像分割和圖像邊緣提取等方面。</p><p>　　2.2．常用的顏色空間</p><p>　　顏色特征是圖像的最基本的特征，也是最容易被識(shí)別的特征。顏色特征是圖像分割中應(yīng)

40、用最為廣泛的特征。與其他特征相比，顏色特征對(duì)圖像本身的尺寸、方向和觀察角度的依賴性很小，顏色特征的提取也相對(duì)容易，所以基于顏色特征的圖像分割研究受到廣泛的重視。圖像顏色特征的表達(dá)涉及若干問(wèn)題，本章在介紹最常用的顏色空間，轉(zhuǎn)換、量化等基本問(wèn)題的基礎(chǔ)上，討論了顏色特征的提取方法。</p><p>　　(1) RGB顏色空間</p><p>　　對(duì)于彩色圖像，它的顯示必須從三原色RGB概念說(shuō)起。

41、自然界中的所有顏色都可以由紅，綠，藍(lán)(R,G,B)三原色組合而成。某些顏色含有紅色成分更多，其他成分少一些。針對(duì)含有紅色成分的多與少，可以將彩色圖像人為地分成0到255共256個(gè)等級(jí)，0表示包含紅色成分255表示含有100%的紅色成分。同理可得綠色和藍(lán)色也被分為256個(gè)等級(jí)。這樣，根據(jù)紅、綠、藍(lán)各種不同的組合我們就能表示出256*256*256(約1600萬(wàn))種顏色。當(dāng)一幅圖中每個(gè)像素被賦不同的RGB值時(shí)，就能呈現(xiàn)五彩繽紛的顏色了，這就

42、形成了彩色圖像。最強(qiáng)的紅，綠，藍(lán)三原色相加產(chǎn)生了白色。1600多萬(wàn)種顏色好像已經(jīng)夠多了，可與可見(jiàn)光譜的色域范圍相比還是要狹窄很多。</p><p>　　RGB顏色空間是基于三基色理論開(kāi)發(fā)的顏色相加的顏色模型，它的物理意義很清晰，且顏色的生成不難實(shí)現(xiàn)，因此RGB顏色空間是電子輸入設(shè)備使用最多的顏色語(yǔ)言，如顯示器，掃描儀和數(shù)碼相機(jī)等。RGB顏色空間是和設(shè)備無(wú)關(guān)的，不同的RGB設(shè)備再現(xiàn)的顏色不可能完全相同。因?yàn)橐曈X(jué)對(duì)顏

43、色的感知是非線性的，所以顏色的指定并不真切，這使它的應(yīng)用范圍受到了局限。</p><p>　　(2) CMY顏色空間</p><p>　　CMY色彩系統(tǒng)也是一種常用的色彩表示方式，與RGB顏色空間有兩點(diǎn)不同：第一，CMY的三基色分別為青，品紅，黃(C,M,Y)；第二，計(jì)算機(jī)屏幕的顯示通常用RGB顏色系統(tǒng)，它通過(guò)三種顏色的相加來(lái)產(chǎn)生其他顏色，這種方法被稱作加色合成法，而CMY顏色空間通過(guò)顏色

44、的相加減來(lái)產(chǎn)生其他顏色，這種方法被稱為減色合成法，</p><p>　　CMY顏色空間應(yīng)用于印刷技術(shù)，印刷品通過(guò)發(fā)射光線的原理再現(xiàn)色彩。</p><p>　?。?）YIQ,YUV顏色空間</p><p>　　YIQ和YUV都產(chǎn)生一種亮度分量信號(hào)和兩種色度分量信號(hào)。YIQ顏色空間應(yīng)用于北美的電視系統(tǒng)。這里的Y不是指黃色，而是指顏色的明適度，就是亮度。其實(shí)Y就是圖像的灰

45、度值：而I和Q則是指色調(diào)，即描述圖像色彩及飽和度的屬性。</p><p>　　（4）HIS顏色空間</p><p>　　相對(duì)于RGB空間來(lái)說(shuō)HIS彩色空間更符合人眼對(duì)顏色的感覺(jué)和認(rèn)知。其中H(hue)，S(samration)，I(intensity)分別表示色調(diào)，飽和度和亮度。色調(diào)是描述純色的屬性(純黃色、橘黃或紅色)，飽和度給出一種純色被白光稀釋的程度的度量，亮度是一個(gè)主觀的描述子，實(shí)

46、際上它是不可能測(cè)量的。HSI的幾種變體：HSB，HSL，HSV［9］。</p><p>　　HSI彩色空間可以用一個(gè)圓柱體來(lái)表示，如圖2-1所示。色調(diào)H由角度表示，其取值范圍：0~360°，設(shè)0°表示紅色，則60°表示黃色，120°表示綠色，240°表示藍(lán)色，360°表示品紅色或絳紅色。飽和度S分量是HIS顏色空間中軸線到彩色點(diǎn)的半徑的長(zhǎng)度。強(qiáng)度I用在軸

47、線方向上的高度表示，圓柱體的軸線描述了灰度級(jí)。如強(qiáng)度取最小值時(shí)為黑色，強(qiáng)度取最大值時(shí)為白色。每個(gè)和軸線正交的切面上的點(diǎn)，其強(qiáng)度都是等值的。</p><p>　　圖2-1　HIS彩色空間</p><p>　　從RGB到HIS的轉(zhuǎn)換為：</p><p><b>　　(2.1)</b></p><p>　　上面三個(gè)式子中如果強(qiáng)

48、度為零，飽和度就沒(méi)有定義，如果飽和度為零，色調(diào)就沒(méi)有意義。</p><p>　　由于HIS模型可以直觀的將圖像的彩色信息用H和S兩個(gè)分量表示出來(lái)，而不受強(qiáng)度分量的影響，所以HIS空間對(duì)于彩色描述圖像處理方法是一個(gè)理想的工具。</p><p>　　(5) CIE彩色空間</p><p>　　CIE彩色空間是由國(guó)際照明委員會(huì)提出的，CIE空間有三個(gè)基本量X、Y、Z,通過(guò)

49、X、Y、Z能夠表示任何一種顏色，X、Y、Z可以利用R、G、B線性表示出來(lái)：</p><p><b>　　(2.2)</b></p><p>　　2.3．彩色圖像分割方法</p><p>　　彩色圖像分割是彩色圖像處理的首要問(wèn)題，分割彩色圖像可以看作是灰度圖像分割技術(shù)在彩色模型上的應(yīng)用。目前，大多灰度圖像分割技術(shù)都可以擴(kuò)展到彩色圖像，許多的彩色圖

50、像分割方法不僅可以灰度圖像分割方法應(yīng)用于不同的彩色模型，還可以直接應(yīng)用于每個(gè)顏色分量上，其結(jié)果再經(jīng)過(guò)一定的方法進(jìn)行組合，就可得到最終的分割結(jié)果。常用的彩色圖像分割方法有閾值化方法、基于邊緣的方法、分水嶺方法、區(qū)域生長(zhǎng)法和區(qū)域合并法等[10-14]。</p><p>　　2.3.1．閾值化方法</p><p>　　閾值化是最簡(jiǎn)單的分割處理，計(jì)算代價(jià)小速度快，是廣泛應(yīng)用于灰度圖像的一種分割技術(shù)

51、。當(dāng)物體或圖像區(qū)域表征為不變的反射率或其表面光的吸收率時(shí)，則可以確定一個(gè)亮度常量閾值來(lái)分割物體和背景。閾值的選擇是閾值分割成功的關(guān)鍵，在整個(gè)圖像上可以施加單個(gè)閾值，也可以使用依賴圖像部分而改變的閾值，通常用是利用直方圖來(lái)選擇。閾值化方法對(duì)物體彼此不接觸，且物體與背景有著明顯差異的灰度值時(shí)，反映在直方圖上就是物體和背景都有不同的峰，選取的閾值就應(yīng)位于直方圖兩個(gè)不同峰之間的谷上，以便于工作將各個(gè)峰分開(kāi)，得到的分割結(jié)果也會(huì)更理想。</p

52、><p>　　對(duì)彩色圖像而言，由于它有3個(gè)譜段，其直方圖是一個(gè)3維數(shù)組，在這樣的直方圖中確定閾值則比較困難。一種有效的解決方法就是給每個(gè)譜段計(jì)算一個(gè)平滑的直方圖，在每個(gè)直方圖中找到一個(gè)最顯著的峰，確定兩個(gè)閾值分別對(duì)應(yīng)于該峰兩側(cè)的局部最小值。根據(jù)這些閾值對(duì)各個(gè)譜段進(jìn)行分割，最后將各個(gè)譜段的每個(gè)分割投影到多光譜分割中。</p><p>　　閾值化方法不需要先驗(yàn)信息，且計(jì)算量較小，但缺點(diǎn)是：(1)單

53、獨(dú)基于顏色分割得到的區(qū)域可能是有缺陷的；(2)在復(fù)雜圖像的各個(gè)分量直方圖中并可能不存在明顯的谷，用來(lái)進(jìn)行閾值化分割；(3)當(dāng)像素顏色映射到3個(gè)直方圖的不同點(diǎn)時(shí)，顏色信息會(huì)發(fā)散；(4)沒(méi)有利用局部空間信息[15]。</p><p>　　2.3.2．基于邊緣的分割方法</p><p>　　基于邊緣的分割方法依賴于由邊緣檢測(cè)子找到的圖像邊緣，邊緣檢測(cè)得到的圖像結(jié)果并不能作為分割結(jié)果，需要采用后續(xù)

54、處理將邊緣合并為邊緣鏈，最終得到物體或圖像部分的邊緣鏈。不同的邊緣檢測(cè)子所得到的邊緣圖像是不同的，基于邊緣的分割方法常用的有以下幾種：</p><p>　　(1) 邊緣閾值化[16]</p><p>　　因?yàn)閹缀鯖](méi)有0值像素，但小的邊緣值對(duì)應(yīng)于由量化噪聲、弱且不規(guī)則照明等引起的非顯著的灰度變化的邊緣圖像，所以就應(yīng)該對(duì)邊緣圖像做簡(jiǎn)單的閾值化處理去除這些小數(shù)值的邊緣。簡(jiǎn)單檢測(cè)子會(huì)是邊緣變粗，如

55、果邊緣帶有方向信息，就可以通過(guò)應(yīng)用邊緣數(shù)據(jù)的非最大抑制來(lái)抑制單個(gè)邊界領(lǐng)域內(nèi)的多個(gè)響應(yīng)，以實(shí)現(xiàn)部分矯正。在邊緣圖像的8-鄰域內(nèi)，每個(gè)非0幅值的像素，考察由邊緣方向指出的兩個(gè)鄰接像素，假如兩個(gè)鄰接像素的幅值都超過(guò)當(dāng)前考察像素的幅值，就將它們標(biāo)記出去除，直到所有像素都考察過(guò)。</p><p>　　(2) 邊緣松弛法[17]</p><p>　　邊界受圖像噪聲影響較大的邊緣圖像，在處理的時(shí)候很可能

56、會(huì)遺漏重要的部分，可以對(duì)邊緣進(jìn)行上下文鄰域的邊緣信度評(píng)價(jià)來(lái)解決這個(gè)問(wèn)題。在兩個(gè)強(qiáng)邊緣間的一個(gè)弱邊緣構(gòu)成的一個(gè)上下文里，位于其間的弱邊緣就很可能屬于結(jié)果邊界的一部分。如果一個(gè)邊緣沒(méi)有上下文鄰域，那么它有可能就不屬于任何邊界的一部分。在邊緣圖像中，裂縫邊緣就是進(jìn)行上下文鄰域評(píng)價(jià)的經(jīng)典例子。邊緣松弛法是一個(gè)迭代的過(guò)程，邊緣信度或者收斂到0或者收斂到1。在迭代的第一次，每個(gè)邊緣e的信度c(1)(e)可以定義為規(guī)范化的裂縫邊緣幅值，規(guī)范化可以是基

57、于整幅圖像裂縫邊緣的全局最大值，也可以是基于該邊緣某個(gè)大鄰域內(nèi)的局部最大值。首先對(duì)邊緣圖像中的所有裂縫邊緣計(jì)算一個(gè)信度c(1)(e)，在每個(gè)邊緣的上下文鄰域內(nèi)，再根據(jù)邊緣信息c(k)(e)確定其邊緣類型，然后根據(jù)每個(gè)邊緣的類型和前面的信度c(k)(e)更新它的信度c(k+1)(e)，直到所有的邊緣信度全都收斂到了0或者1。</p><p>　　(3) 邊界跟蹤法[18]</p><p>　

58、　如果區(qū)域的邊界未知，而區(qū)域本身在圖像中已定義，則邊界可以唯一地被檢測(cè)出來(lái)。邊界跟蹤法從作為邊界元素概率高的像素開(kāi)始搜索它的相鄰像素，把最可能成為下一個(gè)邊界元素的像素加到邊界，從而逐步檢測(cè)出邊界。</p><p>　　(4) Hough變換[19]</p><p>　　當(dāng)圖像是由已知形狀和大小的物體組成時(shí)，分割可以看成是在圖像中尋找物體的問(wèn)題。Hough變換就是解決該問(wèn)題的典型方法，它通過(guò)

59、在圖像中移動(dòng)一個(gè)合適形狀和大小的掩模，尋找圖像與掩模間的關(guān)聯(lián)，它還可以用于重疊的或部分遮擋的物體的分割。Hough變換可以用來(lái)檢測(cè)任意形狀的物體，如果待搜索形狀的解析公式并不存在，廣義Hough變換就會(huì)根據(jù)在學(xué)習(xí)階段中檢測(cè)到的樣本情形構(gòu)建一個(gè)參數(shù)曲線描述。</p><p>　　基于邊緣的分割最常見(jiàn)的問(wèn)題是由于圖像噪聲或圖像中不恰當(dāng)信息，而造成在沒(méi)有邊界的地方出現(xiàn)了邊緣以及在存在邊界的地方卻沒(méi)有出現(xiàn)邊緣的情況。&l

60、t;/p><p>　　2.3.3．基于區(qū)域的分割方法</p><p><b>　　(1) 分水嶺方法</b></p><p>　　數(shù)學(xué)形態(tài)學(xué)理論在圖像分割的應(yīng)用中有代表性的是分水嶺算法。分水嶺算法是一種利用圖像形態(tài)學(xué)、基于區(qū)域的分割技術(shù)。相比于簡(jiǎn)單的閾值分割，分水嶺算法是一種自適應(yīng)迭代閾值分割算法。</p><p>　　分水

61、嶺算法的思想來(lái)源于地理學(xué)（如圖2-2所示），它將梯度幅值圖像看成一幅地形圖，而梯度幅值對(duì)應(yīng)海拔高度，圖像中不同梯度值的區(qū)域就對(duì)應(yīng)于山峰和山谷間的盆地。它將圖像中每個(gè)物體都看成單獨(dú)的部分，并要求在每個(gè)物體的內(nèi)部至少要有一個(gè)標(biāo)記。標(biāo)記是根據(jù)應(yīng)用的關(guān)于該物體的知識(shí)，操作者手工或者通過(guò)自動(dòng)程序選擇的。物體經(jīng)標(biāo)記后就可以用形態(tài)的分水嶺變換進(jìn)行區(qū)域生長(zhǎng)。</p><p>　　圖2-2 三維空間中的分水嶺和集水盆地示意圖<

62、;/p><p>　　分水嶺的分割算法主要分為兩步：排序和泛洪。排序，像素點(diǎn)按梯度值遞增排序，相同梯度值的點(diǎn)作為一個(gè)梯度層級(jí)。泛洪，根據(jù)排序掃描像素構(gòu)建集水盆地，每個(gè)集水盆地分派不同的標(biāo)記，不同積水盆地的水流入就匯集成了壩。分水嶺分割后的圖像是由幾個(gè)互不重疊的區(qū)域構(gòu)成。</p><p><b>　　(2) 區(qū)域生長(zhǎng)法</b></p><p>　　區(qū)域

63、生長(zhǎng)就是在圖像被分成多個(gè)區(qū)域以及每個(gè)區(qū)域中像素的位置已知的情況下，從一個(gè)已知像素也就是種子像素開(kāi)始，根據(jù)一致性準(zhǔn)則向鄰接區(qū)域生長(zhǎng)，將滿足準(zhǔn)則的像素合并到種子像素所在區(qū)域中。當(dāng)新的點(diǎn)被合并后再用新的區(qū)域重復(fù)這一過(guò)程，直到?jīng)]有滿足條件的像素可被接收時(shí)生長(zhǎng)過(guò)程終止。</p><p>　　區(qū)域生長(zhǎng)示例如圖2-3，圖2-3(a)給出需要分割的圖像，選定兩個(gè)種子像素（下劃線標(biāo)識(shí)），進(jìn)行區(qū)域生長(zhǎng)。生長(zhǎng)過(guò)程是：當(dāng)所考察的像素與種

64、子像素顏色值差的絕對(duì)值小于給定閾值T時(shí)，就將該像素標(biāo)記為與種子像素相同的顏色值。圖2-3(b)給出了T＝3時(shí)的區(qū)域生長(zhǎng)結(jié)果，圖像被較好的分成了兩個(gè)區(qū)域。</p><p>　　(a) (b)</p><p>　　圖2-3　區(qū)域生長(zhǎng)例圖</p><p><b>　　(3) 區(qū)域合并法</b></p&

65、gt;<p>　　區(qū)域歸并方法是指在通過(guò)某種初始化分割方法得到的很多小區(qū)域上，根據(jù)一定的歸并標(biāo)準(zhǔn)將滿足歸并標(biāo)準(zhǔn)的兩個(gè)鄰接區(qū)域合并為一個(gè)區(qū)域，直到所有滿足歸并標(biāo)準(zhǔn)的鄰接區(qū)域都被歸并起來(lái)。</p><p>　　在用分割方法分割圖像后，結(jié)果中可能會(huì)出現(xiàn)過(guò)分割，利用區(qū)域歸并方法則可以進(jìn)一步將相鄰的區(qū)域按照合并準(zhǔn)則合并成起來(lái)。制定合并準(zhǔn)則是進(jìn)行合并的重點(diǎn)。</p><p>　　3．無(wú)監(jiān)

66、督彩色圖像分割</p><p><b>　　3.1．概述</b></p><p>　　本章主要介紹本文所采用的彩色圖像分割方法。輸入一幅彩色圖像，輸出結(jié)果是分割后的圖像，具體步驟如下：先將彩色圖像轉(zhuǎn)換為HIS顏色空間，接下來(lái)檢測(cè)圖像邊緣，然后選取種子，最后進(jìn)行區(qū)域生長(zhǎng)算法，得到最終分割結(jié)果。</p><p>　　分割方法框圖如圖3-1所示：&l

67、t;/p><p>　　圖3-1　分割方法框圖</p><p>　　3.2．顏色空間的轉(zhuǎn)換</p><p>　　圖像分割最終效果好壞是由人來(lái)判別的，所以在對(duì)原圖像進(jìn)行分割時(shí)，應(yīng)選擇與人的視覺(jué)一致的顏色空間，即在顏色空間計(jì)算的距離應(yīng)該與人觀察到的顏色距離一致。第二章介紹的眾多顏色空間中，HIS色彩空間根據(jù)人的視覺(jué)系統(tǒng)，用色調(diào)、飽和度、亮度來(lái)描述色彩的。這種顏色空間反映了人觀

68、察彩色的方式。在HIS系統(tǒng)中，I是指感覺(jué)到的顏色明暗程度的量。強(qiáng)度折確定了像素的整體亮度，而不管是什么顏色H和S是包含彩色信息的兩個(gè)參數(shù)。</p><p>　　在計(jì)算機(jī)中，彩色數(shù)字圖像的存儲(chǔ)一般都是RGB顏色空間。而本文的算法采用HIS顏色空間，因此要將圖像由RGB顏色空間轉(zhuǎn)換到HIS顏色空間。RGB轉(zhuǎn)換為HIS坐標(biāo)的轉(zhuǎn)換關(guān)系為：</p><p><b>　　(3.1)</

69、b></p><p>　　RGB顏色空間轉(zhuǎn)換為HIS顏色空間的主要程序如下：</p><p>　　rgb=im2double(rgb); </p><p>　　r=rgb(:,:,1); </p><p>　　g=rgb(:,:,2); </p><p>　　b=rgb(:,:,3); </p>&

70、lt;p>　　num=0.5*((r-g)+(r-b)); </p><p>　　den=sqrt((r-g).^2+(r-b).*(g-b)); </p><p>　　theta=acos(num./(den+eps)); </p><p><b>　　H=theta; </b></p><p>　　H(b>

71、;g)=2*pi-H(b>g); </p><p>　　H=H/(2*pi); </p><p>　　num=min(min(r,g),b); </p><p>　　den=r+g+b; </p><p>　　den(den==0)=eps; </p><p>　　S=1-3.*num./den; </p&

72、gt;<p>　　H(S==0)=0; </p><p>　　I=(r+g+b)/3;</p><p>　　3.3．Sobel算子邊緣提取</p><p>　　為了實(shí)現(xiàn)無(wú)監(jiān)督的圖像分割并合理確定分割區(qū)域，采取邊緣與區(qū)域想結(jié)合的方法，邊緣部分的準(zhǔn)確提取決定了分割的準(zhǔn)確度。</p><p>　　Sobel算子是邊緣檢測(cè)器中最常用的算

73、子之一。采用3*3鄰域可以避免在像素之間內(nèi)插點(diǎn)上計(jì)算梯度?？紤]如圖3-2所示的點(diǎn)[i,j]周圍點(diǎn)的排列。Sobel算子也是一種梯度幅值：</p><p><b>　　(3.2)</b></p><p>　　其中的偏導(dǎo)數(shù)用下式計(jì)算：</p><p><b>　　(3.3)</b></p><p>&l

74、t;b>　　(3.4)</b></p><p><b>　　其中常數(shù)c=2。</b></p><p>　　和其他的梯度算子都一樣，sx和sy可用卷積模板來(lái)實(shí)現(xiàn)：</p><p>　　圖3-2　用于說(shuō)明Sobel算子的鄰域像素點(diǎn)標(biāo)記</p><p>　　edge函數(shù)實(shí)現(xiàn)的語(yǔ)法格式如下：</p>

75、<p>　　BW=edge(I,’sobel’)</p><p>　　BW=edge(I,’sobel’,thresh)</p><p>　　BW=edge(I,’sobel’,thresh,direction)</p><p>　　[BW,thresh]=edge(I,’sobel’…)</p><p>　　Sobel算子邊緣

76、檢測(cè)效果如圖3-3所示：</p><p>　?。╝） （b）</p><p>　　圖3-3　Sobel算子邊緣檢測(cè)效果圖</p><p><b>　　3.4．種子的選取</b></p><p>　　區(qū)域生長(zhǎng)算法中，種子的選取非常重要，在本文中的算法中種子的選取有

77、三個(gè)原則：</p><p>　　(1) 種子的鄰域像素不是任何尺度的邊緣像素點(diǎn)。</p><p>　　(2) 種子與其鄰域像素有高度的顏色相似性，通過(guò)顏色距離并選擇合適的閾值判斷。</p><p>　　(3) 種子與其鄰域像素有高度的紋理相似性，通過(guò)紋理距離并選擇合適的閾值判斷。</p><p>　　假如一個(gè)像素點(diǎn)滿足上述三個(gè)條件即可最為種子

78、像素點(diǎn)，由此可知種子的選取選擇在邊緣圍起的區(qū)域內(nèi)，使得種子區(qū)域生長(zhǎng)更為合理，從而能是最終的分割效果更為準(zhǔn)確。</p><p>　　種子選取效果如圖3-4所示：</p><p>　　圖3-4　種子選取效果圖</p><p>　　3.5．區(qū)域生長(zhǎng)與合并</p><p>　　區(qū)域生長(zhǎng)中選用像素間顏色和紋理的相對(duì)歐氏距離作為相似度函數(shù)，其相似度表達(dá)式

79、為</p><p><b>　　(3.5)</b></p><p><b>　　(3.6)</b></p><p>　　式中Dc和Dt分別為相對(duì)顏色距離和相對(duì)紋理距離，在區(qū)域生長(zhǎng)過(guò)程中，判定閾值不應(yīng)選地太大，否則容易產(chǎn)生過(guò)分割。</p><p>　　區(qū)域生長(zhǎng)之后，會(huì)產(chǎn)生多個(gè)區(qū)域，將這些區(qū)域中屬于同一

80、區(qū)域的進(jìn)行區(qū)域合并，把像素之間特征相對(duì)距離變成兩個(gè)區(qū)域平均特征的相對(duì)距離判定就可。如圖3-5所示為區(qū)域生長(zhǎng)和區(qū)域合并的效果圖。</p><p>　　(a)區(qū)域生長(zhǎng) (b)區(qū)域合并</p><p>　　圖3-5　區(qū)域生長(zhǎng)和區(qū)域合并效果圖</p><p><b>　　4．實(shí)驗(yàn)結(jié)果與分析</b></p>

81、<p>　　在實(shí)驗(yàn)中選取Berkeley圖像庫(kù)中的彩色圖像，像素分辨率為321*481。因?yàn)槊糠N算法分割出的區(qū)域不一致，采用人工涂色往往會(huì)造成不同算法的同一區(qū)域顯示不一樣的顏色，為了更好對(duì)比分割后的效果，在分割的區(qū)域內(nèi)使用該區(qū)域內(nèi)像素的平均值涂色。</p><p>　　將原圖像進(jìn)行保持邊緣信息的自適應(yīng)濾波，將濾波后的圖像進(jìn)行Sobel邊緣檢測(cè)，因?yàn)槠淦揭撇蛔冃?，在變換域求得多尺度邊緣和融合的紋理特征，在

82、區(qū)域生長(zhǎng)和合并中，顏色特征的閾值分別選擇為0.222和0.3。紋理特征的閾值選擇分別為0.33和0.44。由于本文的算法是以顏色和紋理特征計(jì)算像素與種子，區(qū)域與區(qū)域之間的相對(duì)距離，并且種子的選取遠(yuǎn)離邊緣。如圖4-1所示的分割效果看，本文的算法是有效和準(zhǔn)確的。同時(shí)如圖4-2提取指定目標(biāo)的輪廓與區(qū)域，這樣為彩色圖像的目標(biāo)匹配，跟蹤與識(shí)別奠定了不錯(cuò)的基礎(chǔ)。</p><p>　　本文闡述了一種基于Sobel算子提取邊緣和

83、紋理特征，結(jié)合了區(qū)域生長(zhǎng)和區(qū)域合并的方法實(shí)現(xiàn)了彩色圖像的分割，而且能準(zhǔn)確提取目標(biāo)的輪廓與區(qū)域，為機(jī)器視覺(jué)中的目標(biāo)匹配、跟蹤和識(shí)別打下了很好的基礎(chǔ)。在實(shí)驗(yàn)中采用Berkeley圖像庫(kù)中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法具有很好的效果。</p><p>　　(a)原圖像 (b)分割結(jié)果</p><p>　　(c) 原圖像

84、 (d) 分割結(jié)果</p><p>　　(e) 原圖像 (f) 分割結(jié)果</p><p>　　(g) 原圖像 (h) 分割結(jié)果</p><p>　　圖4-1　圖像分割效果圖</p><p><b>　?。?/p>

85、a）目標(biāo)輪廓</b></p><p><b>　?。╞）目標(biāo)區(qū)域</b></p><p>　　圖4-2　本文方法提取指定目標(biāo)的輪廓和區(qū)域</p><p><b>　　5．結(jié)論</b></p><p>　　本文論述了彩色圖像分割的目前方法，并提出了一種基于結(jié)合邊緣提取、區(qū)域生長(zhǎng)和合并方法的

86、無(wú)監(jiān)督分割算法，并能準(zhǔn)確提取目標(biāo)圖像的輪廓與區(qū)域，為機(jī)器視覺(jué)中的目標(biāo)匹配、跟蹤與識(shí)別打下良好的基礎(chǔ)。在試驗(yàn)中選用Berkeley圖像庫(kù)中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法實(shí)現(xiàn)分割的效果良好，論證了本文算法的有效性和準(zhǔn)確性。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 曾璐. 彩色圖像分割技術(shù)研究[D].武漢：武漢理工大學(xué)碩

87、士論文.2010.</p><p>　　[2] 劉杰. 基于分水嶺與區(qū)域生長(zhǎng)的彩色圖像分割算法研究[D]. 長(zhǎng)沙：湖南師范大學(xué)碩士論文，2009.</p><p>　　[3] 章三妹. 基于聚類和區(qū)域生長(zhǎng)的彩色圖像分割方法[D].成都：成都理工大學(xué)碩士論文，2008.</p><p>　　[4] 王佳男. 采用基于區(qū)域的自動(dòng)種子區(qū)域生長(zhǎng)法的彩色圖像分割方法[D].

88、長(zhǎng)春：東北師范大學(xué)碩士論文.2007.</p><p>　　[5] Y.Nakagawa，A.Rsenfeld.Some experiments　on　variable　thresholding[J]．Pattern Recognition.1979,11(3):191-204．</p><p>　　[6] 嚴(yán)學(xué)強(qiáng)，葉秀清，劉濟(jì)林基于量化圖像直方圖的最大熵閾值處理算法[J]．模式識(shí)別與

89、人工智能．1998,11(3)：352-358．</p><p>　　[7] sergey N.Krjukov,Tatjana O.Semenkova.Backpropagation neural network for adaptive color image segmentation.SPIE 1997 Vol．3030，70-74．</p><p>　　[8] Arthur R.We

90、eks,G..Eric Hague.Color Segmentation in the HIS color space using the k-means algorithm.SPIE 1997 Vol．3026，143-154．</p><p>　　[9] K M Kim，C S Lee，Y H Ha．Color image quantization using weighted distortion meas

91、ure of HVS color activity[C]．IEEE International Comference on Pattern Recognition．1996：1035-1039．</p><p>　　[10] 林開(kāi)顏，吳軍輝，徐立鴻．彩色圖像分割方法綜述[J]．中國(guó)圖象圖形學(xué)報(bào)，2005，1(10)：1-10．</p><p>　　[11] 付煒，黃志高，張瑞芳．基于閾值化

92、分割與小波變換的彩色數(shù)字水印算法[J]．電子測(cè)量技術(shù)，2006，6(29)：129-131．</p><p>　　[12] 金軍．基于子塊的區(qū)域生長(zhǎng)的彩色圖像分割算法[J]．計(jì)算機(jī)工程與應(yīng)用，2008，44(1)：82-83．</p><p>　　[13] 柳萍，陽(yáng)愛(ài)民．一種基于區(qū)域的彩色圖像分割方法[J]．計(jì)算機(jī)工程與應(yīng)用，2007，43(6)：37-39，64．</p>

93、<p>　　[14] 龔巍，林茂松．一種改進(jìn)的邊緣生長(zhǎng)彩色圖像分割方法[J]．微電子學(xué)與計(jì)算機(jī)，2007，24(6)：194-197．</p><p>　　[15] Geman,D. & S.Geman. Stochastic relaxation,Gibbs distribution and Bayesian restoration of images[J]．IEEE Transactions

94、 on pattern Analysis and Machine Intelli-gence，1984(6) ：721-741．</p><p>　　[16] 劉平，陳斌，阮波．基于邊緣信息的圖像閾值化分割方法[J]．計(jì)算機(jī)應(yīng)用，2004，9</p><p>　　(24)：28-37．</p><p>　　[17] 陳勝，楊新，姚麗萍，孫錕．多網(wǎng)格法解總變分問(wèn)題及在

95、醫(yī)學(xué)圖像增強(qiáng)中的應(yīng)用[J]．中國(guó)圖象圖形學(xué)報(bào)，2004，7(9)：787-792．</p><p>　　[18] 劉梅華，汪東，柳惠秋．一種改進(jìn)的輪廓跟蹤算法[J]．機(jī)械設(shè)計(jì)與制造，2008，5：45-47．</p><p>　　[19] 田岳鑫．Hough變換在小目標(biāo)檢測(cè)中的應(yīng)用[J]．激光與紅外，2008，11（38）：1141-1143．</p><p>&l

96、t;b>　　謝　辭</b></p><p>　　本文是在我的導(dǎo)師xx講師的悉心指導(dǎo)下完成的。從論文的選題、研究思路的確定、論文的撰寫直到論文修改的整個(gè)過(guò)程中，xx老師傾注了大量的心血和精力。在幾年的學(xué)習(xí)生活中，感謝xx老師給予我的關(guān)心、指導(dǎo)和培養(yǎng)。這三年來(lái)，xx老師嚴(yán)謹(jǐn)求實(shí)的治學(xué)態(tài)度、誨人不倦的師德和一絲不茍的工作作風(fēng)使我受益匪淺；他樸實(shí)的生活作風(fēng)、淵博的學(xué)識(shí)以及對(duì)科學(xué)研究事業(yè)執(zhí)著追求的精神給我

97、留下了深刻的印象，并使我終生受益，也是我未來(lái)學(xué)習(xí)的榜樣！</p><p>　　在這里還要感謝物電學(xué)院的所有領(lǐng)導(dǎo)和老師三年來(lái)對(duì)我的培養(yǎng)和關(guān)懷，是他們?yōu)槲姨峁┝肆己玫膶W(xué)習(xí)環(huán)境和機(jī)會(huì)。</p><p>　　感謝我的父母和家人，沒(méi)有你們的鼓勵(lì)和支持我將一事無(wú)成。</p><p>　　最后，感謝各位專家和評(píng)委的耐心審閱，他們提出了很多寶貴意見(jiàn)和建議。</p>&

98、lt;p><b>　　附 件</b></p><p><b>　　程序清單：</b></p><p><b>　　主程序：</b></p><p>　　function tu=keyprogram( ) </p><p>　　rgb=imread('tree.p

99、ng');</p><p>　　figure;imshow(rgb);</p><p>　　rgb=im2double(rgb); </p><p>　　r=rgb(:,:,1); </p><p>　　g=rgb(:,:,2); </p><p>　　b=rgb(:,:,3); </p><

100、;p>　　num=0.5*((r-g)+(r-b)); </p><p>　　den=sqrt((r-g).^2+(r-b).*(g-b)); </p><p>　　theta=acos(num./(den+eps)); </p><p><b>　　H=theta; </b></p><p>　　H(b>g

101、)=2*pi-H(b>g); </p><p>　　H=H/(2*pi); </p><p>　　num=min(min(r,g),b); </p><p>　　den=r+g+b; </p><p>　　den(den==0)=eps; </p><p>　　S=1-3.*num./den; </p>

102、;<p>　　H(S==0)=0; </p><p>　　I=(r+g+b)/3; </p><p>　　S=im2uint8(S);</p><p>　　H=im2uint8(H);</p><p>　　I=im2uint8(I);</p><p>　　S=double(S);H=double(H);I

103、=double(I);</p><p>　　[m,n]=size(S);</p><p>　　figure;imshow(uint8(S));figure;imshow(uint8(H));figure;imshow(uint8(I));</p><p><b>　　S1=S;</b></p><p>　　h1=H;i1

104、=I;</p><p><b>　　for i=1:m</b></p><p><b>　　for j=1:n</b></p><p>　　if (S(i,j)>=100)</p><p>　　S1(i,j)=255;</p><p>　　else S1(i,j)=0;

105、</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　figure;imshow(uint8(S1));</p><p><b>　　for i

106、=1:m</b></p><p><b>　　for j=1:n</b></p><p>　　if (S1(i,j)==0)</p><p><b>　　H(i,j)=0;</b></p><p><b>　　end</b></p><p>

107、<b>　　end</b></p><p><b>　　end</b></p><p>　　H1=meanshift(H);</p><p>　　figure;imshow(uint8(H1));</p><p><b>　　for i=1:m</b></p>&

108、lt;p><b>　　for j=1:n</b></p><p>　　if (S1(i,j)==255)</p><p><b>　　I(i,j)=0;</b></p><p><b>　　end</b></p><p><b>　　end</b>&

109、lt;/p><p><b>　　end</b></p><p>　　I1=meanshift(I);</p><p>　　figure;imshow(uint8(I1));</p><p><b>　　for i=1:m</b></p><p><b>　　for j=

110、1:n</b></p><p>　　if (S1(i,j)==0)</p><p>　　H1(i,j)=h1(i,j);</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</

111、b></p><p><b>　　for i=1:m</b></p><p><b>　　for j=1:n</b></p><p>　　if (S1(i,j)==255)</p><p>　　I1(i,j)=i1(i,j);</p><p><b>　　en

112、d</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　hsi=cat(3,H1,S1,I1);</p><p>　　figure;imshow(uint8(hsi));</p><p><b&

113、gt;　　end</b></p><p><b>　　子程序：</b></p><p>　　function p=meanshift(im)</p><p>　　[r,c]=size(im);</p><p><b>　　f=im;</b></p><p>　　n

114、ew_f_x=zeros(r,c);new_f_y=new_f_x;</p><p>　　new_f_gray=f;</p><p>　　hs=7;hr=35;</p><p>　　c1=-hs:hs;c1=repmat(c1,2*hs+1,1);</p><p><b>　　r1=c1';</b></p&