一种自适应边界生长的彩色图像分割方法.docVIP

一种自适应边界生长的彩色图像分割方法 　　摘要：本文介绍了一种自适应边界生长的彩色图像分割方法，将HSI空间中的图像，经过自适应调整边界阈值参数，通过边界生长的方法，将所需要的目标识别、分割，最终获得较为全面的目标分割结果。 　　关键词：自适应 边界生长 HSI空间 阈值参数 　　引言 　　数字图像处理技术问世不久，人们就开始了图像分割技术的研究。图像分割就是给定的图像按照某种准则划分为互不相交的有意义的子图的过程。在图像分析中，图像分割方法一般有以下四种[1]。 　　本文利用HSI空间中的针对特定颜色的目标进行识别，通过自适应阈值进行边界生长的方法，针对一类与背景颜色区别较大、具有弧面反光特征的目标欠分割的情况效果较好。实验结果证明这种方法比较有效。 　　1.简述 　　彩色图像分割可以根据图像中的色彩特征来完成，文中采用模式识别理论结合图像处理的方法进行彩色图像在HSI空间的分割。本文针对由于具有弧面的物体反光形成的颜色渐变，造成的欠分割或目标识别不完全的情况，提出了一种自适应阈值边界生长方法。 　　文中的主要思路如下： 　　1）首先给出一个初始图像进行HSI色彩空间转换。经过中值滤波进行初步处理，以色彩特征H、饱和度S为主阈值分量，对图像进行分割，生成一个二值化的新表。 　　2）确定生长阈值系数 。 　　3）以阈值 进行边界生长，得到一次生长后的图像。 　　4）检测当前图像中检测出独立目标数，与样本已知目标数是否相等，如不相等，通过均值、方差和自适应参数 重新确定生长阈值参数 ，重新执行步骤（3）。如相等，则分割结束。 　　2. 具体图像分割步骤 　　2.1 HSI色彩空间和滤波 　　在图像处理中广泛使用的颜色空间主要有RGB、HIS和YUV等。HIS颜色空间更接近人眼对颜色的感知，它将采集的信心分为色调、饱和度和亮度三种属性。从原理上说，HSI比较RGB颜色空间更适合用作识别处理的基础[2]。将RGB色彩空间转化为HSI空间，其转换关系如下： 　　此时，针对转换完成HSI空间的S分量和I分量进行中值滤波，将图像亮度和饱和度进行平滑，而对主参考分量H不进行滤波，作为初始分割的主要参考依据。将经过色彩空间转换和滤波获得的HSI空间图像定义为图像A0。 　　2.2 初始分割 　　选取目标颜色，确定对应的H和S作为主参考分量，确定该目标在样本图像A0中的数目N。以H和S作为参考值对图像进行严格筛选，判定样本图像A0中第X行第Y列的像素点对应的P（X，Y）[H，S]与参考H、S的值在一个较小的可变阈值空间内，产生一个与样本图像对应的二值化新表A1，如果符合条件，则在表A1中的对应第X行第Y列点置“1”，不满足置“0”。对图像全部像素点进行扫描，获得第一次分割后的图像信息。 　　2.3 确定初始阈值参数 　　根据样本图像A0和初始处理后获得的二值图像A1进行计算，对样本图像中全体像素点的I分量求均值和方差，再由A1中分割出来“1”的所有点，对它们的I分量求均值 和方差 　　。取初始自适应参数2.4 边界生长法 　　初始分割图像确定后，对分割后的图像分别进行逐行扫描和逐列扫描，具体方法如下（以第行逐列扫描为例）： 　　第一步：在A1中，由第1个“0”点开始向右扫描，检测到跳变点（由“0”到“1”，即为目标左边界）P1（i，j），在A0中，找到相对应的点P0（i，j）。 　　第二步：在A0中，由点P0（i，j） 开始向左以一定步长针对H、S分量进行检索，如果符合生长阈值内，则该点在A1中的对应点置“1”，直到检测到2个不符合的点，停止左侧边界生长。 　　第三步：回到第一步中检测到的P1（i，j），继续向右扫描，检测到跳变点（由“1”到“0”，即为目标右边界）P1（i，j+n），在在A0中，找到相对应的点P0（i，j+n）。 　　第四步：重复步骤二，将向左检索改为向右。 　　重复上述步骤，逐行进行逐列扫描完成后，按相同的方法，逐列进行逐行扫描。从而产生新的边界生长后的目标图像A2。 　　2.5 自适应参数调整 　　判定新的目标图像A2中彼此独立的目标数N2，判断N2与原始样本图像A0中目标数N的关系，如不相等，则重新整定自适应参数 ，进行2.2的步骤。如相等，则实验完成。 　　3. 实验结果 　　下面给出了一些实验结果，图1为BMP格式实验原图，图2为RGB色彩空间下传统方法进行分割的效果图，图3为本文应用自适应边界生长算法进行分割后的结果，其中图3-a为N=1时分割后的结果，图3-b为N=2时分割后的结果，图3-c为N=3时分割后的结果。本实验程序采用C++编程，所使用IDE为Virsual C++ 6.0。 　　图3 本文应用自适应边界生长算法分割结果 　　实验