基于HSI模型修复植物叶片色彩.docVIP

基于HSI模型修复植物叶片色彩 　　摘要：本文根据叶肉颜色与虫蛀或其他原因导致叶片溃烂的像素点颜色，差异大的自然现象，通过对叶片图像聚类的方法，实现去除虫蛀点并且利用“复制粘贴”篡改方法复原叶片色彩。首先将植物叶片图像从RGB模型转换为HSI模型，然后通过在HSI颜色模型下对叶片图像聚类分析，去除叶片图像虫蛀点，最后利用“复制粘贴”对篡改区域进行像素复原。实验结果表明，此算法简单有效。 　　关键字：HSI模型，色彩修复，聚类，复制粘贴 　　中图分类号：TP391 文献标识码：A 　　1 前言 　　图像修复技术，指用图像中的已知部分区域来填充修补图像中的受损区域，比如污点，裂缝等。Bertalmio等人[1]在参考了修复者手工修复过程后，于2000年提出了数字图像修复这一概念。 　　2004年，Criminisi[2]等人提出一种基于样本块的修复方法。该修复方法同时考虑了图像的结构和纹理信息，采用SSD（sum of squared differences）来搜索最优匹配块的方法。其修复过程主要包括三个部分：计算、搜索、合成。Criminisi在论文中给出的修复效果说明，该算法不仅对破损区域较小时有效，对破损区域较大时修复效果同样很显著，其运行时间和其它算法相比也得到很大提高，成为图像修复领域里的经典算法。 　　2 理论概述 　　2.1 HSI颜色模型 　　HSI颜色模型是美国色彩学家孟塞尔（H.A.Munseu）于1915年提出的，它反映了人的视觉系统感知彩色的方式，以色调、饱和度和强度三种基本特征量来感知颜色。色调H（Hue）：与光波的波长有关，它表示人的感官对不同颜色的感受，如红色、绿色、蓝色等。饱和度S（Saturation）：表示颜色的纯度，饱和度越大，颜色看起来就会越鲜艳，反之亦然。亮度I（Intensity）：对应成像亮度和图像灰度，是颜色的明亮程度，是不可度量的，体现了无色的强度概念。通常把色调和饱和度合称为色度，用来表示颜色的类别与深浅程度。 　　由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度，为了便于色彩处理和识别，人的视觉系统经常采用HSI色彩空间，HSI模型完全反映了人感知颜色的基本属性，它比RGB色彩空间更符合人的视觉特性。在图像处理和计算机视觉中大量算法都可在HSI色彩空间中方便地使用，它们可以分开处理而且是相互独立的。因此，在HSI色彩空间可以大大简化图像分析和处理的工作量。 　　2.2 k-means聚类算法 　　K-means算法是最为经典的基于划分的聚类方法，属于非层次聚类法的一种。聚类属于无监督学习，K是我们事先给定的聚类数，拿星团模型来解释，就是要将所有的星星聚成k个星团，首先随机选取k个宇宙中的点（或者k个星星）作为k个星团的质心，然后第一步对于每一个星星计算其到k个质心中每一个的距离（欧氏距离），然后选取距离最近的那个，这样经过第一步每一个星星都有了所属的星团；第二步对于每一个星团，重新计算它的质心（对里面所有的星星坐?饲笃骄?）。 　　2.3 Criminisi算法 　　在介绍具体算法之前，先介绍算法中需要到的一些变量。I表示源图像，即需要修复的图像，φ为图像中的已知区域，即未受损区域，Ω为图像中的受损区域， 为已知区域与受损区域的边界，p为目前优先权最高的像素点，ψp为以p点为中心而确定的矩形块， 为p点的等照度线方向，np为与边界正交的单位向量。 　　步骤1：确定待修复区域和边界 　　步骤2：计算边界上所有像素点的优先权 　　步骤3：以优先权最大的像素点为中心形成形成待修复模块ψp，并在图像已知区域内寻找最匹配的模块ψq，用欧式距离来描述两个模块间的相似度。若目前优先权最大的像素点为p，以它为中心形成待修复模块ψp，找与其最相似的模块ψq，即是与其距离最小的模块。 　　步骤4：复制ψq中相应的像素点到ψp中 　　步骤5：更新ψp模块中像素点的置信度和边界等信息 　　每修复一个模块，那么该模块原来未知的像素点现在变成已知。通过对置信度的更新，可以重新计算该模块内像素点的优先权，以此决定下一阶段的修复顺序。 　　3 实验步骤与结果 　　由于实际中得到的植物叶片图像千差万别并且包含有大量的背景成分，因此在进行图像分析之前，首先要对其进行预处理。图像背景去除隶属于图像分割范畴，是大多数图像识别和分析问题中的预备性步骤。目前去除图像背景方法的研究已比较成熟，一般的背景去除算法是基于数学形态学的开运算和阈值分割的处理方法，如樊亚春[3]等为准确分离图像中的对象与背景信息，提出的改进图像背景减除算法。 　　异常点是数学统计学中的一个概念，换句话说即是一组数据中的一些残差很大的点，而叶片中的异常点指的是由于虫蛀或溃烂引起的叶片内部孔洞，统一