彩色图像分割技术研究本科毕业论文.docx

彩色图像分割技术研究本科毕业论文.docx

《彩色图像分割技术研究本科毕业论文.docx》由会员分享，可在线阅读，更多相关《彩色图像分割技术研究本科毕业论文.docx（32页珍藏版）》请在冰豆网上搜索。

彩色图像分割技术研究本科毕业论文

本科毕业设计（论文）

（2012届）

题目彩色图像分割技术研究

学院物理与电子工程学院

专业电子信息工程

班级08电子信息工程

（2）班

学号0830010006

学生姓名XXX

指导教师陈志刚讲师

完成日期2012年3月

彩色图像分割技术研究

StudyonColorImageSegmentation

学生姓名：

XXX

Student:

XXXX

指导老师：

陈志刚讲师

Adviser:

LecturerChenZhigang

台州学院

物理与电子工程学院

SchoolofPhysics&ElectronicsEngineering

TaizhouUniversity

Taizhou,Zhejiang,China

2012年3月

March2012

摘要

随着计算机处理能力的提高，彩色图像分割技术受到研究者们越来越多的关注。

许多研究者在这方面付出了巨大的努力，并取得了相应的成果。

本文对目前的彩色分割方法研究的基础上，提出了一种无监督的彩色图像分割算法，即合理结合边缘提取、区域生长和区域合并的方法，实现彩色图像的分割。

实验结果表明，获得了良好的分割效果，并且易于实时性的实现。

关键词

彩色图像分割；边缘检测；区域生长与合并

Abstract

Withtheincreasingincomputerprocessingcapabilities,thecolorimagesegmentationtechniquesmoreandmoreareconcernedwithbyresearchers.Manyresearchershavepaidahugeeffortinthisregard,andobtainedthecorrespondingresults.Onthebasisofthecurrentcolorsegmentationmethod,anunsupervisedcolorimagesegmentationalgorithmshavebeenproposedinthispaper,combiningofedgedetection,regiongrowingandregionmergingmethodtoachievethesegmentationofcolorimages.Theexperimentalresultsshowthatagoodsegmentationresultscanbeobtainedandreal-timeperformancecanbeimplemented.

Keywords

ColorImageSegmentation;EdgeDetection;RegionalGrowthandMerging

1.引言

1.1．课题的研究背景和意义

在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。

在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。

因此，对图像分割的研究在图像处理领域具有非常重要的意义。

图像分割作为图像分析的基础，是图像分析过程中的关键步骤。

图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域内像素之间具有一致性，不同区域间不具有这种一致性。

因为人眼对亮度具有适应性，即在一幅复杂图像的任何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多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。

自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。

目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。

但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功的客观标准。

对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割算法，还有很大的探索空间。

对图像分割的深入研究不仅会不断完善对自身问题的解决，而且有助于推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。

早期由于设备的限制，主要处理的是灰度图像。

因此针对灰色图像的分割算法比较多，也比较成熟。

随着彩色图像的需求和应用以及人们生活水平的提高，人们越来越关注彩色图像分割，也提出了一些分割方法，但这些方法大部分是灰色图像分割方法扩展出来的，因此还不能满足人们的要求。

在彩色图像分割这个领域，由于缺少理论和评估系统的支持，必须经过大量的实验来验证一种分割算法。

虽然研究者已经提出了一些有意义的算法，但还没有一种能适应大部分图片的算法，所以进一步研究专门用于彩色图像分割的方法，并且使它具有通用性和更好的分割效果是人们努力的方向。

1.2．彩色图像分割的现状

事实上，人们对灰度图像进行的研究较早，算法也相对成熟。

随着计算机处理速度的提高和对图像处理技术的进步，彩色图像使用越来越多，彩色图像分割在最近几年越来越引起了人们的重视，与灰度图像相比，彩色图像不仅包括亮度信息，而且还有更多的有效信息，如色调、饱和度，实际上同样景物的灰度图像所包含的信息量与彩色图像难以相比，人类对色彩的感知更敏感，一幅质量较差的彩色图像似乎比一幅完美的灰度图像更具有吸引力。

因此，对彩色图像分割方法的研究有利于克服传统的灰度图像分割方式的不足，是一个更加广阔的研究领域。

图像分割的难点在于如何消除噪声和图像本身模糊的干扰。

前面已经讲到目前还没有一种或者几种完善的分割方法可以按照人们的想法分割任何一幅图像。

所有现存分割方法只能针对某一类型的图像，分割的质量必须靠效果和实际的应用场景来判断。

幸运的是人类已经积累了很多经典的图像分割方法，虽然不适用所有类型的图像分割，但是这些方法却是图像分割方法进一步发展的基础。

正是因为我们站在巨人的肩膀上，从而产生了新的更有效率更准确的图像分割算法。

在早期的图像处理的研究中，图像分割的方法一般被分为2类：

一类是边界法，这种方法是假设图像一定有边缘存在；另一类是区域法，这种方法认为被分割后的图像区域一定会具有某些相同的特性，不同的区域的像素则会有不同的特性。

图像分割的技术主要有4种：

并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。

如下图1-1所示：

所谓的串行图像分割是指对图像的每一个像素上所做的运算或者处理不依赖图像中其他像素点处理的结果。

而在并行算法中，对图像每一个像素的处理依赖其他像素处理后的结果。

图1-1　经典图像分割方法框架

对普通的电脑处理器来说，串行分割方法当然比并行分割有明显的优势，因为并行分割必须在每个图像点完成相同的计算以后再决定是否继续处理或者放弃处理这个像素点或者区域。

这种技术明显导致了时间复杂度，但理论上它更可靠更准确。

而串行分割则简单，方便一些。

目前对彩色图像的分割已经提出了很多算法，最简单的彩色图像分割方法是直接将彩色图像的各个分量进行适当的组合转化为灰度图像，然后利用灰度图像的分割方法进行分割，该方法由于忽略了颜色信息和亮度信息之间的关联，因而分割效果并不十分理想。

因此后来人们专门针对彩色图像又提出了很多分割方法，如直方图阈值法、基于区域的提取方法、边缘检测的分割方法、基于主动轮廓模型方法、神经网络方法等等。

而且分割的图像的种类也各有不同，分割中用到的图像的模型不同（有物理模型和随机模型），分割的目的不同等，这些图像分割方法的分类也不尽相同。

把图像分割方法的发展划分为两个阶段：

灰度图像分割方法阶段和彩色图像分割方法阶段。

对于灰度图像的分割方法，人们从不同的角度提出了如直方图阈值法，区域生长法，边缘检测法，基于分水岭的方法和神经网络的方法等等。

其中直方图法和区域生长法处理的对象是像素；边缘检测和分水岭方法则是对图像纹理基元进行处理；神经网络的方法是利用分类的思想对图像分割的方法。

无论是基于哪种分割方法，灰度图像的分割方法都发展得比较成熟了。

对于彩色图像的分割方法总的来说可以分为以下三类：

基于颜色特征空间的分割方法，基于纹理特征空间的分割方法和基于混合特征的分割方法。

基于颜色特征空间的分割方法即是在某一种颜色空间，如RGB颜色空间或者CIE颜色空间通过颜色距离标准来融合像素，这种方法只适合于结构简单并且颜色不多的图像；基于纹理特征空间的分割方法是通过提取图像的像素问颜色差异，将原图像转换为纹理特征图像然后将具有相似纹理特征的像素合并起来，达到分割的效果，这种方法不能直接使用在彩色纹理图像中，因而提出了基于混合特征的分割方法，这种方法融合了前面两种方法的思想，达到对图像的最佳分割效果。

彩色图像分割与灰度图像分割的算法相比，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间的接近性，只是对像素属性的考察以及特征提取等技术由一维转向了多维。

这是由于灰度图像和彩色图像存在一个主要的区别，即对于每一个像素的描述，前者是在一维亮度空间上，而后者是在三维颜色空间上。

大部分彩色图像的分割方法或思想都是从灰度图像分割方法继承的，因此彩色图像的一部分方法与灰度图像基本相同。

但经过试验证明这些直接继承下来的方法不太适合于大部分彩色图像，所以人们对这些方法作了一些改进。

总的来说彩色图像分割方法发展到目前阶段，主要采用的分割方法有：

（1）基于阈值的分割方法

由于彩色图像不仅有灰度这一个属性，所以使用直方图阈值法会出现很大的不同。

大多数方法都是对彩色图像的每个分量分别采用直方图阈值法。

由于彩色信息通常由R、G、B或它们的线性或非线性组合来表示，所以用三维数组来表示彩色图像的直方图并在其中选出合适的阈值，并不是一件简单的工作，另一方面确定图像中目标的数目计算量也很大。

但这种分割方法不需要先验信息，分割简单。

目前，人们通过研究提出了很多新方法：

文献[5]从目标和背景的类间差异性出发，提出通过贝叶斯公式估计背景和目标的概率，寻找这两类概率兼得最大交叉熵的方法；文献[6]提出了基于量化直方图的最大熵阈值的方法。

（2）基于边缘的分割方法

边缘检测是灰度图像分割广泛使用的一种技术，它是基于在区域边缘上的像素灰度变化较剧烈，试图通过检测不同区域的边缘来解决图像分割问题。

在灰度图像中，边缘的定义是基于灰度级的突变，而且两个区域的边缘当亮度变化明显时才能被检测出来。

在彩色图像中，用于边缘检测的信息更加丰富，如具有相同亮度、不同色调的边缘同样可以被检测出来，相应地，彩色图像边缘的定义也是基于3维颜色空间的不连续性。

目前，彩色图像的分割以转移到如何有效的综合利用彩色图像的三通道信息方面。

SergeyN.Krjukov等[7]提出了使用神经网络进行彩色图像的分割方法。

他们在RGB颜色空间中将图像的每个像素表示为一个由R、G、B本身的值及其均值和方差这几个特征分量组成的特征向量，并作为神经网络的输入层进行图像分割，其输出层神经元对应于预先定义的要分割的颜色数。

采用SergeyN.Krjukov的方法，存在两个限制：

第一、它需要有一个学习过程，即预先要给定一幅示教图像让其学习，以产生正确的输出；第二、必须给出输出层结点的神经元数量，也就是说事先必须知道分割出的图像的颜色数。

事实上，许多图像输出的颜色数是不一致的，对于一幅复杂的图像其颜色数也难以确定。

因此，这一算法在很大程度上受到了限制。

文献[8]中提出了用聚类分析进行彩色图像的分割方法。

聚类分析最常用的方法是k-均值法和模糊c-均值聚类方法。

目前，基于聚类的彩色图像分割技术一般选择RGB空间作为颜色空间，但采用该颜色空间存在一个缺陷，即它的颜色分量与人的视觉不一致。

另外，颜色聚类一般是在三维空间进行的。

应用领域的不同、图像质量的好坏及图像色彩的分布和结构的差别决定了很难找到一种通用的分割方法来解决由于这些客观因素所引起的图像分割问题。

目前普遍采用的技术是根据实际情况组合不同的方法，分层次的分割图像，针对可能遇到的特殊问题，研究新的方法策略。

实际情况反映了今后彩色图像分割的一种发展趋势。

1.3．本文的内容安排

想要进一步对图像进行分析、识别、跟踪、理解、压缩编码等高级处理，图像分割是必不可少的前提，分割的准确性将直接影响后续任务的有效性，所以分割算法十分重要。

本文针对彩色图像的分割问题进行了研究，由于彩色图像不仅包括亮度信息，而且还有更多的有用信息，如色调、饱和度，为了充分利用这些信息让图像得到更好的分割效果，本文采取一种融合了颜色和空间信息的分割方法。

首先输入原真彩色图像，由于彩色图像一般都是使用RGB空间，但是RGB空间存在颜色均匀性差的缺点，所以在本文中把RGB颜色空间转换为HIS颜色空间，HIS颜色空间是从人的视觉系统出发用色调（H）、色饱和度（S）和亮度（I）来描述色彩。

该颜色模型可在彩色图像中从携带的彩色信息（色调和饱和度）里消去强度分量的影响，这种彩色描述对人来说是自然的、直观的。

由于人的视觉对亮度的敏感程度远强于对颜色浓淡程度，为了便于色彩处理和识别，经常采用HIS空间，它比RGB颜色空间更符合人的视觉特性。

进行空间转换后，提取边缘，选取种子，再进行区域生长与合并，最后就得到了分割的结果。

本文的研究内容主要包括：

（1）针对当前主流的彩色图像分割算法进行了分析、分类、归纳与总结，首先对多年来彩色图像分割领域中出现的彩色空间进行了总结，指出了各类彩色空间在彩色图像分割中的优缺点，为人们进行彩色图像分割时选择合适的彩色空间提供了依据。

（2）本文中讨论了直方图阈值法、聚类法、基于区域的分割方法、边缘检测的分割方法、基于模糊集理论的方法，并且分析了各类方法的优缺点。

为人们在不同的应用领域及不同的图像数据条件下选择不同的分割算法提供了一定的依据。

（3）提出一种基于区域生长法的彩色图像分割算法，并在Matlab中实现一幅彩色图像的分割，进而分析此算法的优越性和特点。

2．彩色图像分割研究

2.1．数字图像处理概述

图像在人类的感知当中扮演着非常重要的角色，人类随时随时都要接触图像。

据统计，在人类接受的信息当中，视觉信息占70%以上。

在许多场合，图像所传递的信息比其他任何形式所传递的信息更加丰富和实际。

由此可见图像传递的信息是非常重要的。

图像就是采用各种观测系统获得的，能够为人类视觉系统所感觉的实体。

人的视觉系统也是一个观测系统，它得到的图像就是客观景物在人们心目中的有形想象。

数字图像处理是指使用数字计算机对图像进行处理。

数字图像处理技术起源于20世纪20年代，采用数字压缩技术，通过海底电缆从英国伦敦传输了一幅照片到美国纽约。

20世纪50年代，人们开始对数字图像处理技术进行系统的研究。

1964年，美国的喷气推进实验室使用数字计算机，处理了太空船“旅行者7号”发回的月球照片，这是数字图像处理技术的一个重要的里程碑，标志着第三代计算机问世后数字图像处理概念开始得到了应用。

到了20世纪70年代初，数字图像处理已经形成了较完善的学科体系，并成为一门独立的新学科。

近来，随着相关学科的发展，以及各领域对图像处理的要求越来越高，数字图像处理技术得到了更加广泛和迅速的发展。

目前，数字图像处理已成为人们认识世界和改造世界的重要方法。

数字图像处理学科所涉及的知识相当广泛，具体的方法种类很多。

数字图像处理研究方向主要集中在图像获取、图像变换、图像增强、图像恢复、压缩编码、图像分割和图像边缘提取等方面。

2.2．常用的颜色空间

颜色特征是图像的最基本的特征，也是最容易被识别的特征。

颜色特征是图像分割中应用最为广泛的特征。

与其他特征相比，颜色特征对图像本身的尺寸、方向和观察角度的依赖性很小，颜色特征的提取也相对容易，所以基于颜色特征的图像分割研究受到广泛的重视。

图像颜色特征的表达涉及若干问题，本章在介绍最常用的颜色空间，转换、量化等基本问题的基础上，讨论了颜色特征的提取方法。

（1）RGB颜色空间

对于彩色图像，它的显示必须从三原色RGB概念说起。

自然界中的所有颜色都可以由红，绿，蓝（R,G,B）三原色组合而成。

某些颜色含有红色成分更多，其他成分少一些。

针对含有红色成分的多与少，可以将彩色图像人为地分成0到255共256个等级，0表示包含红色成分255表示含有100%的红色成分。

同理可得绿色和蓝色也被分为256个等级。

这样，根据红、绿、蓝各种不同的组合我们就能表示出256*256*256（约1600万）种颜色。

当一幅图中每个像素被赋不同的RGB值时，就能呈现五彩缤纷的颜色了，这就形成了彩色图像。

最强的红，绿，蓝三原色相加产生了白色。

1600多万种颜色好像已经够多了，可与可见光谱的色域范围相比还是要狭窄很多。

RGB颜色空间是基于三基色理论开发的颜色相加的颜色模型，它的物理意义很清晰，且颜色的生成不难实现，因此RGB颜色空间是电子输入设备使用最多的颜色语言，如显示器，扫描仪和数码相机等。

RGB颜色空间是和设备无关的，不同的RGB设备再现的颜色不可能完全相同。

因为视觉对颜色的感知是非线性的，所以颜色的指定并不真切，这使它的应用范围受到了局限。

（2）CMY颜色空间

CMY色彩系统也是一种常用的色彩表示方式，与RGB颜色空间有两点不同：

第一，CMY的三基色分别为青，品红，黄（C,M,Y）；第二，计算机屏幕的显示通常用RGB颜色系统，它通过三种颜色的相加来产生其他颜色，这种方法被称作加色合成法，而CMY颜色空间通过颜色的相加减来产生其他颜色，这种方法被称为减色合成法，

CMY颜色空间应用于印刷技术，印刷品通过发射光线的原理再现色彩。

（3）YIQ,YUV颜色空间

YIQ和YUV都产生一种亮度分量信号和两种色度分量信号。

YIQ颜色空间应用于北美的电视系统。

这里的Y不是指黄色，而是指颜色的明适度，就是亮度。

其实Y就是图像的灰度值：

而I和Q则是指色调，即描述图像色彩及饱和度的属性。

（4）HIS颜色空间

相对于RGB空间来说HIS彩色空间更符合人眼对颜色的感觉和认知。

其中H（hue），S（samration），I（intensity）分别表示色调，饱和度和亮度。

色调是描述纯色的属性（纯黄色、橘黄或红色），饱和度给出一种纯色被白光稀释的程度的度量，亮度是一个主观的描述子，实际上它是不可能测量的。

HSI的几种变体：

HSB，HSL，HSV［9］。

HSI彩色空间可以用一个圆柱体来表示，如图2-1所示。

色调H由角度表示，其取值范围：

0~360°，设0°表示红色，则60°表示黄色，120°表示绿色，240°表示蓝色，360°表示品红色或绛红色。

饱和度S分量是HIS颜色空间中轴线到彩色点的半径的长度。

强度I用在轴线方向上的高度表示，圆柱体的轴线描述了灰度级。

如强度取最小值时为黑色，强度取最大值时为白色。

每个和轴线正交的切面上的点，其强度都是等值的。

图2-1　HIS彩色空间

从RGB到HIS的转换为：

（2.1）

上面三个式子中如果强度为零，饱和度就没有定义，如果饱和度为零，色调就没有意义。

由于HIS模型可以直观的将图像的彩色信息用H和S两个分量表示出来，而不受强度分量的影响，所以HIS空间对于彩色描述图像处理方法是一个理想的工具。

（5）CIE彩色空间

CIE彩色空间是由国际照明委员会提出的，CIE空间有三个基本量X、Y、Z,通过X、Y、Z能够表示任何一种颜色，X、Y、Z可以利用R、G、B线性表示出来：

（2.2）

2.3．彩色图像分割方法

彩色图像分割是彩色图像处理的首要问题，分割彩色图像可以看作是灰度图像分割技术在彩色模型上的应用。

目前，大多灰度图像分割技术都可以扩展到彩色图像，许多的彩色图像分割方法不仅可以灰度图像分割方法应用于不同的彩色模型，还可以直接应用于每个颜色分量上，其结果再经过一定的方法进行组合，就可得到最终的分割结果。

常用的彩色图像分割方法有阈值化方法、基于边缘的方法、分水岭方法、区域生长法和区域合并法等[10-14]。

2.3.1．阈值化方法

阈值化是最简单的分割处理，计算代价小速度快，是广泛应用于灰度图像的一种分割技术。

当物体或图像区域表征为不变的反射率或其表面光的吸收率时，则可以确定一个亮度常量阈值来分割物体和背景。

阈值的选择是阈值分割成功的关键，在整个图像上可以施加单个阈值，也可以使用依赖图像部分而改变的阈值，通常用是利用直方图来选择。

阈值化方法对物体彼此不接触，且物体与背景有着明显差异的灰度值时，反映在直方图上就是物体和背景都有不同的峰，选取的阈值就应位于直方图两个不同峰之间的谷上，以便于工作将各个峰分开，得到的分割结果也会更理想。

对彩色图像而言，由于它有3个谱段，其直方图是一个3维数组，在这样的直方图中确定阈值则比较困难。

一种有效的解决方法就是给每个谱段计算一个平滑的直方图，在每个直方图中找到一个最显著的峰，确定两个阈值分别对应于该峰两侧的局部最小值。

根据这些阈值对各个谱段进行分割，最后将各个谱段的每个分割投影到多光谱分割中。

阈值化方法不需要先验信息，且计算量较小，但缺点是：

（1）单独基于颜色分割得到的区域可能是有缺陷的；

（2）在复杂图像的各个分量直方图中并可能不存在明显的谷，用来进行阈值化分割；（3）当像素颜色映射到3个直方图的不同点时，颜色信息会发散；（4）没有利用局部空间信息[15]。

2.3.2．基于边缘的分割方法

基于边缘的分割方法依赖于由边缘检测子找到的图像边缘，边缘检测得到的图像结果并不能作为分割结果，需要采用后续处理将边缘合并为边缘链，最终得到物体或图像部分的边缘链。

不同的边缘检测子所得到的边缘图像是不同的，基于边缘的分割方法常用的有以下几种：

（1）边缘阈值化[16]

因为几乎没有0值像素，但小的边缘值对应于由量化噪声、弱且不规则照明等引起的非显著的灰度变化的边缘图像，所以就应该对边缘图像做简单的阈值化处理去除这些小数值的边缘。

简单检测子会是边缘变粗，如果边缘带有方向信息，就可以通过应用边缘数据的非最大抑制来抑制单个边界领域内的多个响应，以实现部分矫正。

在边缘图像的8-邻域内，每个非0幅值的像素，考察由边缘方向指出的两个邻接像素，假如两个邻接像素的幅值都超过当前考察像素的幅值，就将它们标记出去除，直到所有像素都考察过。

（2）边缘松弛法[17]

边界受图像噪声影响较大的边缘图像，在处理的时候很可能会遗漏重要的部分，可以对边缘进行上下文邻域的边缘信度评价来解决这个问题。

在两个强边缘间的一个弱边缘构成的一个上下文里，位于其间的弱边缘就很可能属于结果边界的一部分。

如果一个边缘没有上下文邻域，那么它有可能就不属于任何边界的一部分。

在边缘图像中，裂缝边缘就是进行上下文邻域评价的经典例子。

边缘松弛法是一个迭代的过程，边缘信度或者收敛到0或者收敛到1。

在迭代的第一次，每个边缘e的信度c

（1）（e）可以定义为规范化的裂缝边缘幅值，规范化可以是基于整幅图像裂缝边缘的全局最大值，也可以是基于该边缘某个大邻域内的局部最大值。

首先对边缘图像中的所有裂缝边缘计算一个信度c

（1）（e），在每个边缘的上下文邻域内，再根据边缘信息c（k）（e）确定其边缘类型，然后根据每个边缘的类型和前面的信度c（k）（e）更新它的信度c（k+1）（e），直到所有的边缘信度全都收敛到了0或者1。