RGB向量空间的图像分割方法

结课论文课程名称：数字图像处理专业：应用物理班级：09及应用物理班姓名：指导老师：时间：2011-12-11RGB向量空间的图像分割方法）摘要：彩色图像的复杂程度要比单色或灰度图像多得多，而且RGB彩色图像的R、G、B三个分量的相关性高，所以一般的分割方法都会有一些不可避免的的偏差。因此，对于彩色图像分割，目前还没有一种实用的、比较普适的方法。本文在总结、分析了前人的部分分割方法如直方图阀值法[1]、聚类法[2]、基于区域生长的方法、边缘检测、模糊方法以及神经网络的方法[3]等等后，对基于边缘检测的分割方法，融合了阀值方法，对RGB彩色图像的分割的算法做了一定的改进，使基于RGB向量空间的图像分割结果有了一定的改善。关键字：彩色图像分割；RGB向量空间；边缘检测；阀值.MethodsofImageSegmentationonRGBVectorSpaceMingRui-lin(SchoolofMathematicsandPhysics,HuangshiInstituteofTechnology,HubeiHuangshi435000)Abstract:Therearesomeunavoidableerrorsingeneralsegmentationofcolorimagesbecausetheyaremuchmorecomplexthansingle-colororgrey.Moreover,thethreecomponentsR、G、BofRGBcolorimagesarecorrelatedclosely.Therefore,sofarnopracticalanduniversalmethodologyisaccessibleforsegmentationofcolorimages.Tosomeextent,TheessayentailsthatwehaveachievedprogressonalgorithmaboutsegmentationofcolorimagesbyintegratingBasedonEdgeDetectionwithThresholdonthebasisofsummarizingandanalyzingpartofpredecessors’segmentationofcolorimages,suchasHistogramThreshold[1]、Clustering[2]、MethodsBasedonRegionGrowing、EdgeDetection、Fusionimage、NeuralNetworkApproach[3]andsoon,tomakesomeimprovementonVectorSpaceBasedonRGB.Keywords:SegmentationofimagesonRGBVectorSpace;EdgeDetection;Threshood.前言图像分割[3]是图像处理中一个关键步骤，也是我们获取图像细节信息的一个重要渠径。图像分割在实际生活中也有广泛的应用[4],比如：在医学上应用与对身体的拍照检查、在工业上，用于对某些产品的分析等等。随着计算机技术的发展，彩色图像分析的需求越来越突出。彩色图像的信息容量比一般的灰度图像的信息容量要多得多。对于灰度图像的分割来说，我们解读出图像的边缘信息是最用价值的。可是，据文献[1]介绍，人的视觉对明亮度的感觉一般只有20级左右[4]。彩色图像不仅提供了明亮度的信息，还包括有图像的色调、饱和度。彩色图像对人眼的视觉感知效果最好，因此，对彩色图像的的分割的研究引起了诸多研究者的关注，在这方面也取得了很多成就。彩色图像的分割研究的主要内容有两方面：一是针对不同的需求选择合适的彩色空间；二是选择合适的算法和策略[2]对图像进行分割。彩色空间是描述颜色的一种方法，不同的彩色空间选择常常根据不同的需求、场合来确定。现在比较常用的彩色空间有：NTSC彩色空间、YcbCr彩色空间、HSV彩色空间、CMY和CMYK彩色空间、HIS彩色空间和RGB彩色空间。图像分割的方法主要包括直方图阀值法[1]、聚类法[2]、基于区域生长的方法、边缘检测、模糊方法以及神经网络的方法[3]等。本文主要结合前人的研究方法，基于边缘检测，结合阀值方法，通过对阀值的调节，对RGB向量空间中各个分量进行分割处理，最后融合得出效果有所提高的的分割图。其中，对于边缘检测，函数edge[5]中可用的边缘检测器有：Sobel边缘检测器、Prewitt边缘检测器、Roberts边缘检测器、LoG边缘检测器、Canny边缘检测器。本文尝试通过不同的边缘检测器，选出一种效果比较好的检测器，以优化分割结果。1RGB彩色空间定义[6]RGB彩色空间是一种十分常用的彩色显示空间。其常用于电视机、监视器和数码相机等电子产品上。它以红、绿、蓝3原色为基色，然后按照不同的比例相加合成其他的颜色，其配色方程为：a,b,c≥0，其中C为任意一种颜色，R、G、B分别代表红、绿、蓝3种基色，a、b、c则是3基色的权值，因此，RGB彩色空间实际上是一种颜色相加而成的彩色空间。2.图像分割的概念描述图像分割是根据需要，将图像的不同特性的区域分割出来，可以进行边界或区域上的分割，从而获得我们感兴趣的区域。图像分割可以借助集合的感念来作具体的解释[3]。将整幅图像记为集合R，对图像的分割可以看作是将集合R分成若干不同的非空子集R1、R2、R3、......Rn。（1）所有的非空子集的并集iniR1=R；（2）对所有的i和j，当i≠j时，有iRjR=；（3）对i=1,2,3，…..n，有P（iR）=TRUE；（4）对i≠j，有P（iR∪jR）=FALSE；（5）对i=1,2,3，……n，iR是连通的区域。其中P（iR）是对所有的在子集iR中的元素的逻辑词，是数学上的空集。3.彩色图像分割方法3.1.现有的分割方法综述（1）.直方图阀值直方图阀值法是使用得比较广泛的单色图像分割技术之一[7]。直方图阀值法认为在单色图像中不同区域之间的灰度级是不同的，因此，可以绘制单色图像的直方图，以其相邻的两个峰之间的谷作为阀值来进行图像分割。而彩色图像，我们可以建立对个二维直方图，对各个直方图进行阀值分割，再融合分割结果，得到最后的分割结果；也可以建立一个多维直方图，对其选取阀值来进行分割，但在这方面的研究还比较有限[8]。总体上，直方图阀值法比较简单，常常用于要求不高的图像分割。其缺点是对于一幅图像的直方图的波峰和波谷没有明显的区别时，难以找到合适的阀值；且在分割时没有考虑图像的空间位置信息，无法保证分割的区域是连续的。文献[8]提出了一种应用于彩色图像分割的直方图多阀值法。其针对RGB彩色空间，建立了RG、RB、GB三个直方图，对这三个直方图进行平滑和抽取后，通过定点选取方法为三个直方图各选取一个阀值，分别对图像进行分割，然后对分割得到的结果进行融合，得到最后分割结果。（2）.聚类法聚类法的基本思想是将一幅彩色图像聚为直方图的几簇，每一簇对应着图像中的目标。聚类时，开始应得到图像中各点的颜色值，然后将点划分到与其颜色最近似的簇中去。聚类法实质是递归或迭代的，大多可以产生较光滑的区域边界，而且不易受到噪声和局部边界变化的影响。但是，聚类法也有一些缺点：（1）相邻簇常常重叠，导致像素分类错误；（2）较难确定簇的总量。文献[2]采用了一种基于形态学的聚类方法,其主要采用的是分水岭算法。分水岭算法基本过程是二次腐蚀，从而产生一幅距离图，可将该图当作山脉，最大值为山峰，最小值为山谷，这些山谷即为分水岭。将分水岭连接起来就得到图像的分割结果。该方法首先计算了直方图的对数函数，并用高斯滤波器对其进行平滑，然后用形态学方法去掉过多的极小值；最后，应用分水岭算法进行分割。对处理后的直方图中每一像素，分别对R、G、B在标签L下求和，取使得和最大的标签Lm为该像素的标签，每个像素都标上标签之后，就得到一个分割结果了。同时，文献[2]中指出，该方法甚至在难以分割的彩色图像上都能得到较好的结果；但缺点在于：1）空间和时间消耗较大；2）其基于像素是否属于某个簇的取值是二值的即1或0的事实而聚集，而真实图像的各个目标的边界并非如此清晰明确。（3.）基于区域的方法[9]基于区域的分割技术主要依赖于图像中区域的连续性，一般包括区域生长、分裂和合并以及它们的混合等技术。区域生长的基本思想是组合邻近的像素或者收集具有相似特征的像素，从而将具有相似性质的像素集合起来构成区域。首先在每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中。分裂和合并技术的思想是将整个图像分成若干个互不交叠的图像块，对每块进行分割，然后根据块与块分割特征进行聚合。甚至可以一开始就把每一个像素看成一块，然后再不断聚合。基于区域的技术既考虑到彩色空间中颜色的贡献，又考虑到与邻近像素之间的联系。基于区域的方法将像素归类为一致区域。当区域一致准则比较容易定义时，这种方法能取得较好的效果，并且比基于边缘的方法更能抗干扰。基于区域的方法的缺点是：1）其在时间和空间上代价都比较大；2）区域生长本质依赖于种子像素的选取以及像素和区域检测的顺序，而适合的种子和检测顺序比较难以选择；3）而由于分裂算法的原故，其区域分裂产生的分割结果太趋于正方形。（4）.基于边缘的方法[9]图像边缘检测技术通常分为串行和并行两大类。并行技术意味着确定一个点集是否在边界上与其它点集的状态无关；而串行边缘检测技术则是按顺序搜索边界点进行判断，而且结果好坏与初始点的选取有很大关系。一旦图像中的边缘被识别出来之后，图像则能够被分割成基于这些边缘的许多区域。基于边缘的技术的优点是：边缘定位准确，运算速度快；其缺点是：对噪声敏感，而且边缘检测方法只使用了局部信息，难以保证分割区域内部的颜色一致且不能产生连续的闭区域轮廓。另外当边界定义不良时，算法不能很好的分割，其在图像分割的应用中有两大难点：1）不能保证边缘的连续性或封闭性；2）在高细节区存在大量琐细边缘，难以形成一个大区域。因此，边缘检测需要后续处理或与其它分割算法结合起来完成分割任务。（5）.模糊方法模糊算子、模糊性质、模糊数学和推理规则在图像分割上广泛应用。近年来，模糊理论在彩色图像分割上的应用越来越多[10]。聚类法是将一幅彩色图像聚为几簇，每一簇都对应着图像中的目标，每个像素归为某一个簇类，传统聚类方法要基于像素是否属于某个簇的取值是二值的即1或0的事实，而真实图像的各个目标的边界并非如此清晰明确。引入模糊理论进行图像分割，允许了目标边界的不确定性。它通过计算一点到每个簇中心点的距离来判断该点属于该簇的可能性。文献[11]提出了一种新的FFT(FuzzyFeatureTuning)方法，结合分水岭分析和特征调整，对彩色图像进行分割，文中认为以往的分割方法忽略了这样一个事实，即彩色图像的内在特征不仅仅包含在彩色空间中三个维各自的非线性特征中，还与三个维之间的相互依赖性有关。因此，它采用了两步分割的方案，第一步，用分水岭分析方法分割彩色图像的特征平面，因为分水岭方法可以简单有效地找到封闭的边界。第二步采用FFT算法来处理上一步带来的过分割问题。同时通过FCM聚类算法来确定两个相邻的区域是否可以合并为同一个区域。这种方法独特之处在于：1）分割结果符合人眼视觉特征，因为对输入特征的变换都是依赖于经验观察，符合生物学的；2）分割的区域都是封闭的；3）计算简单。（6）.神经网络方法人工神经网络是模式识别的一种重要工具和方法，一个神经网络由一组相互连接的相同节点（处理单元，processingelement，PE）构成，每个PE从网络上游的PE接受输入，产生一个标量输出并送到下游的PE中。神经网络一般有一个输入层，一个输出层和若干个隐含层，神经网络一般要用训练样本对其进行训练。图像分割可以看作一个约束满足问题（CSP），并利用约束满足神经网络来解决。常用的NN有Hopfield神经网络（HN