基于Lab色彩模型FCM图像分割探究.docVIP

基于Lab色彩模型FCM图像分割探究 　　摘要摘要：为了解决彩色图像的准确分割问题，研究了不同颜色模型特别是Lab模型对彩色图像分割效果的影响。将同一彩色图像转换到不同颜色模型下，并使用传统模糊C均值聚类图像分割算法对其进行分割处理。通过对多幅彩色图像进行分割实验，结果表明，虽然Lab颜色模型在数字图像处理中使用广泛程度不及RGB颜色模型，但在该模型下处理MSRA_10K彩色图像数据集时的图像分割效果整体优于RGB颜色模型 关键词关键词：Lab；RGB；模糊C均值聚类；图像分割 DOIDOI：10.11907/rjdk.171456 中图分类号：TP317.4 文?I标识码：A文章编号文章编号2017）005018303 0引言 图像分割就是把图像分成若干个特定的、具有独特性质的区域并从中提取出感兴趣目标的过程，是由图像处理到图像分析的关键步骤。目前，已有很多图像分割方法，主要有以下几种：基于阈值分割方法、基于区域的分割方法、基于边缘的分割方法、基于聚类的分割方法等 模糊C均值聚类（FCM）算法是一种经典的模糊聚类分析方法，它在图像分割领域已引起广泛关注。其算法简单、收敛速度快、局部搜索能力强。但由于它属于一种局部搜索算法，初始时随机地选取聚类中心，以致对于初值和噪声较为敏感、容易陷入局部最优，进而影响了该算法的使用效果 随着自动化技术的发展，对机器视觉的要求也越来越高。为了精准地获取数字图像中的目标，研究者们提出了多种图像分割方法。为了实现对彩色图像信息更加详尽的记录，也提出了多种颜色模型：例如RGB、HSI、HSV、Lab等。目前在图像处理领域，采用最多的是RGB色彩空间，本文将通过实验分析Lab颜色模型在图像分割中的重要作用 1Lab色彩 1.1Lab色彩模型 RGB颜色模型并不是均匀的颜色模型，即R、G、B分量改变相同的色差，对于人眼来说其颜色变化程度是不一样的。而Lab是一个均匀的颜色模型[1]，自然界中任何一点的颜色在Lab空间都能表达出来，其色彩空间比RGB色彩空间要大，因此RGB能描述的色彩信息皆能映射到Lab空间中。与RGB 相比，Lab是一种不常用的色彩模型，它是一种与设备无关的颜色系统，用数字化的方法表示人的视觉感应 Lab色彩模型使用b、a和 L坐标轴定义色彩模型。L代表光亮度，其值从[0，100]； a为红绿色度轴，取值为[127，-128]，正数表示红色，负数表示绿色；b为黄蓝色度轴，取值范围为[127，-128]，正数表示黄色，负数表示蓝色。Lab色彩模型如图1所示 Lab色彩模型比计算机显示器，甚至人类视觉系统的色域都要大。虽然平时使用RGB模型多一些，但这不能表示Lab就没用，在数字图像处理中，它比RGB模型的表现更好。Lab色彩模型比计算机显示器，甚至人类视觉系统的色域都要大 1.2Lab色彩分量分析 Lab由L、a、b 3个分量组成，其优势是将a、b表示色彩的分量与L表示亮度的分量分离开。Lab相对于常用的RGB更加符合人类对色彩的实际感受。图像从RGB转换到Lab的方法如文献[2] 从图2中可以看出，L分量表示整幅图的亮度值，a分量表示红-绿分量的值，b分量表示黄-蓝分量的值，其中a、b分量不再受到亮度的影响。而RGB模型下的R、G、B 3个分量皆受到了亮度的影响。从原图中可以发现，原图的4条边缘处存在光照不均的情况，体现为四边附近的图像较为灰暗即亮度低，这将严重影响数字图像处理结果 为了研究分析Lab模型的潜在优势，在此进行对比试验，对比分析同一幅图像在Lab和RGB模型下进行目标分割的不同效果。文中使用的图像分割方法为FCM算法 传统FCM算法存在对初值敏感、易陷入局优的缺陷[3]，有很多学者对其进行了改进，如与蚁群算法结合[4]、与粒子群算法结合[5]、与遗传算法结合[6]等。在此需要验证不同色彩模型对分割结果的影响，故采用未经改过的FCM算法即可 2FCM图像分割 2.1传统的FCM算法 FCM（模糊聚类算法）是一种迭代聚类算法。算法策略是通过迭代不断更新目标函数，当目标函数收敛于极小值时则寻得全局最优解[7]。其目标函数如下： J（U，V）=∑nj=1∑ci=1umijd2（xk，vi）（1） ∑ci=1uij=1（2） 其中，X={x1，x2，…，xn}为待分类数据集，n为待分类数据项的个数，c为聚类中心个数，uij为第j项数据对于第i类的隶属度，m为模糊系数，vi为第i个聚类中心。在式（2）的约束下，对目标函数进行拉格朗日求导，即可得uij和vi的计算公式 FCM算法步骤[8]： （1）初始化聚类中心个数c，模糊系数m，迭代