彩色图像处理的研究.docxVIP

彩色图像处理的研究 1 图像的均匀性 图像分割是图像分析和模式识别的主要问题之一，也是图像处理的经典问题之一。这不仅是图像分析和模式识别系统的重要组成部分，也是图像最终分析质量和模式识别的结果。所谓图像分割是指将图像中具有特殊意义的不同区域分开来,并使这些区域相互不相交,且每个区域应满足特定区域的一致性条件。 定义对一幅图像g(x,y)(0≤x≤xmax,0≤y≤ymax)进行分割就是将图像划分为满足如下条件的N个子区域 (2)gi(x,y)是连通的区域,连通性是指在该区域内存在连接任意两点的路径; (3)gi(x,y)∩gj(x,y)=?(i,j=1,2…,N,i≠j),即任意两个子区域不存在公共元素; (4)区域gi(x,y)满足一定的均匀性条件,所谓均匀性(或相似性)是指区域内所有像素点满足灰度、纹理、颜色等特征的某种相似性准则。 因为人眼对亮度具有适应性,即在一幅复杂图像的任一点上只能识别几十种灰度级,但可以识别成千上万种颜色,所以许多情况下,单纯利用灰度信息无法从背景中提取出目标,还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富的信息,因此随着计算机处理能力的快速提高,彩色图像处理正受到人们越来越多的关注。 2 彩色图像分割结构 众所周知,人眼所感知的色彩是由通常称为三基色的红(R)、绿(G)、蓝(B)3种颜色混合而成。RGB适合于显示系统,但不适合于图像分割和分析,因为R、G、B 3个分量是高度相关的,即只要亮度改变,3个分量都会相应改变,而且,由于RGB是一种很不均匀的颜色空间,所以两种颜色之间的知觉差异(色差)不能表示为该颜色空间中两点间的距离,而利用线性或非线性变换,则可以由RGB颜色空间推导出其他的颜色特征空间。目前虽有多种颜色空间用于彩色图像处理,但由于无论哪一种都无法替代其他的颜色空间而适用于所有彩色图像处理,故选择最佳的颜色空间是彩色图像分割的一个难题。 线性变换空间有YIQ、YUV、I1I2I3等,它们部分消除了RGB的相关性,由于其是线性变换,因此计算量小,其中,Y分量常用于边缘检测,而I1I2I3则能够有效地用于彩色图像处理。 非线性变换空间有HSI(HSB、HSL、HSV为HSI的变形)、归一化RGB(normalized RGB,Nrgb )、YT1T2(另一种归一化颜色空间)、均匀颜色空间CIE(L*a*b*)及CIE(L*u*v*)等,其中HSI与人眼的色彩感知相吻合,其在一些照明不均的场合特别有用,因色调与高亮、阴影无关,色调对区分不同颜色的物体非常有效;Nrgb虽降低了图像亮度对色彩的影响,但不足之处是在低亮度情况下对噪声敏感;CIE是一种均匀颜色空间,能够直接用颜色空间的几何距离进行不同颜色的比较,因此可有效地用于测量小的色差。虽然非线性变换空间消除了3个颜色分量间的相关性,适合于图像处理,但由于其是非线性变换,因此计算量较大,且颜色空间存在奇异点问题。 3 无监督彩色图像分割 目前,彩色图像分割有多种分类方法,如把图像分割问题看作是基于颜色和空间特征的分类问题,可以分为有监督和无监督分类问题。Power等将有监督学习算法用于不同的颜色空间(RGB、HSI、Nrgb、混合颜色空间)进行果实图像分割。有监督算法包括最大似然、决策树、K-最近邻、神经元网络等。Hance等比较了自适应阈值法、模糊C-均值、球坐标变换/中心分裂、主分量变换(principal components transform, PCT)、分裂合并、多分辨率等6种无监督彩色图像分割方法在边界识别算法中的效率,结果显示,自适应阈值法、主分量变换具有较低的错误分割率,若将不同的方法相结合则可以进一步提高肿瘤边界的正确识别率,并且在合并过程中加入启发算法还可以潜在地提高成功率。Pal等对彩色图像分割进行了简要介绍,并称彩色图像可以作为多光谱图像的一个特例,且任何适用于多光谱图像的分割方法都可以用于彩色图像分割。 另外,大部分的灰度图像分割技术(如直方图阈值法、聚类、区域增长、边缘检测、模糊方法、神经元网络等)也可以扩展到彩色图像。目前,许多彩色图像分割方法不仅把灰度图像分割方法应用于不同的颜色空间,而且可以直接应用于每个颜色分量上,其结果再通过一定的方式进行组合,即可获取最后的分割结果。本文将按图1所示的分类方法对彩色图像分割展开论述。 3.1 基于多峰概率密度函数的图像中,一般分为3个步骤,和3个样品。如果根据2维直方图进行识别,确定不同光谱图像,进行多频谱的融合 直方图阈值法是灰度图像广泛使用的一种分割方法,它基于对灰度图像的这样一种假设:目标或背景内部的相邻像素间的灰度值是相似的,但不同目标或背景上的像素灰度差异较大,其反映在直方图上,就是不同目标或背景对应不同的峰。分割时,选取的阈值应位于直方图两个不