基于hsi空间彩色差的快速水平集分割方法
基于HSI色彩坐标相似度的彩色图像分割方法
基于HSI色彩坐标相似度的彩色图像分割方法作者：李宁许树成邓中亮来源：《现代电子技术》2017年第02期摘要：该文提出一种基于HSI彩色空间的图像分割方法。
欧氏距离作为图像分割中常用的衡量像素点之间彩色关系的依据，在HSI坐标系下却不能很好地反应两个像素点之间的关系。
因此，提出相似度代替欧氏距离作为一种新的衡量两个像素点之间彩色关系的依据。
算法通过确定HSI分量中占主导地位的分量，建立彩色图像分割模型，创建一个和原图尺寸一样的颜色相似度等级图，并利用相应的颜色相似度等级图的颜色信息对像素点进行聚类。
实验结果表明，所提出的分割算法具有很强的鲁棒性和准确性，在其他条件相同的情况下，基于相似度的分割方法优于基于欧氏距离为基准的彩色图像分割。
关键词：图像分割； HSI彩色空间；颜色相似度；欧氏距离中图分类号： TN911.73⁃34 文献标识码： A 文章编号： 1004⁃373X（2017）02⁃0030⁃04Abstract： A new method for color image segmentation which based on HSI color space is presented in this paper. Euclidean distance as a common basis of measuring the colour relationship between two pixels can not reflect the relationship between the two pixels in the HSI coordinate system. Therefore， the traditional Euclidean distance is abandoned， and the color similarity is proposed as a new basis of measuring the relationship between the two pixels. The algorithm is used to build the color image segmentation model by at determining the dominant component in the HSI components and create a color similarity level picture with the size same as the original picture. The color information of the corresponding color level diagram is adopted to cluster the pixel points. The experimental results show that the segmentation algorithm has strong robustness and high accuracy，and under the same conditions， the segmentation method based on similarity is better than the segmentation method based on Euclidean distance.Keywords： image segmentation； HSI color space； color similarity； Euclidean distance0 引言基于彩色信息的图像分割算法在计算机视觉中扮演着重要的角色，并广泛应用于各个领域。
基于HSI空间和K_means方法的彩色图像分割算法
Ql ( i) 代表第 i 次迭代后属于第 l 类的特征点集
合. 式 (1) 的含义即将每个特征点赋予均值离它最
近的类.
(3) 第 i 次迭代后 ,更新每个类的均值 μl ( i +1) :
∑ μil+1
=
1 Nl
x
g
∈Q( li)来自(x)(2)
式中 , N l 是 Q l ( i) 中的特征点个数.
(3) 在低饱和区由于 S 值较小 , 比较接近灰度 区域 ,因此可以利用亮度 I 对低饱和区进行分割.
通过以上分割步骤 , 可以看出其中 H 分量和 I 分量相对来说更重要 ,是直接实施图像分割的变量 , 所以必须重点研究. 因为受光源强度变化等原因 ,同 一物体表面的 I 分量并不唯一 ,而 H 值是受物体反 射表面自身的反射率所决定 ,所以其值唯一.
2 HSI 空间中的 K2means 聚类算法
2. 1 K2means 聚类算法
在特征空间中分成 K 个聚类的常用方法是 K2
均值法. 令 x = ( x 1 , x 2 , …, x n) 为 n 维特征空间中
的一点 , g ( x ) 为 x 处特征值 ,则 K2means 聚类算法
主要有以下步骤[6 ] :
C1 = 1 - 1/ 2 - 1/ 2 G
(3)
C2
0 - 3/ 2 3/ 2 B
HSI 中各分量值计算公式如下 :
I= Y
(4)
S = C21 + C22
(5)
Arc cos ( C2/ S )
C1 ≥0
H = 2π - Arc cos ( C2/ S ) C1 < 0
(6)
HSI 模型如图 1 所示 ,圆为色调的边界 ,标注出
基于HSI和LAB颜色空间的彩色图像分割
基于HSI和LAB颜色空间的彩色图像分割一、本文概述随着科技的发展，图像处理技术在众多领域中的应用日益广泛，如医疗影像分析、卫星遥感、机器视觉等。
在这些应用中，彩色图像分割作为图像处理的核心技术之一，其重要性不言而喻。
彩色图像分割旨在将图像中的像素划分为若干个具有相似特性的区域，从而便于后续的图像分析和理解。
本文主要探讨基于HSI（Hue, Saturation, Intensity）和LAB （Lightness, a, b）颜色空间的彩色图像分割方法。
HSI颜色空间更接近人类视觉感知，能够较好地反映颜色的本质特征，而LAB颜色空间则具有感知均匀性，能够更好地适应不同光照条件下的图像分割。
本文首先介绍HSI和LAB颜色空间的基本原理及其在彩色图像分割中的应用优势。
接着，详细阐述基于这两种颜色空间的彩色图像分割算法，包括预处理、特征提取、分割策略等关键步骤。
通过实验验证所提方法的有效性和准确性，并与现有方法进行比较分析，以展示其在彩色图像分割领域的应用潜力。
二、相关技术研究综述彩色图像分割是计算机视觉领域的一个重要任务，旨在将图像划分为多个具有相似性质的区域。
这一过程的实现依赖于颜色空间的选择和相应的分割算法。
在众多颜色空间中，HSI（色调、饱和度、强度）和LAB（亮度、a通道、b通道）因其与人类视觉感知的紧密关联而受到广泛关注。
HSI颜色空间以人类视觉系统对颜色的感知为基础，其中色调（Hue）描述了颜色的基本属性，如红色、绿色或蓝色饱和度（Saturation）表示颜色的纯度或鲜艳程度强度（Intensity）则与颜色的亮度或明暗程度相关。
这种颜色空间对于颜色分割特别有用，因为它与人类对颜色的直观感知更为接近。
LAB颜色空间则是一种基于人眼对颜色亮度和色差的感知而设计的颜色模型。
L通道表示亮度信息，而a和b通道则分别表示绿色到红色以及蓝色到黄色的色差。
LAB颜色空间的一个显著优点是它的色域比RGB更广，且其亮度通道与色度通道是分离的，这有助于在分割过程中保持颜色的一致性。
基于高斯分布估计的快速水平集分割方法研究
作 者 简 介 ：张 思 维 （ ９ ９பைடு நூலகம்） 男 ，河 南项 城 人 ，讲 师 ，硕 士 １７ 一 ，
・
１ ４・
张思维 ：基于高斯分布估计 的快 速水平集分割方法研究
图像分割方法［ ． Ｊ 电子信息 学报 ，０ ４１） １４ —１５ ． ］ ２ ０ （２ ：８ ９ ８ ５
快速水平集 方法 ，通过 引入 基于梯度和基 于阈值 的速 度项 ， 极大地 提高 了分割速度 ， 但难 以分 割复杂 目标 ． 本文将 高斯 分布估计思 想引入快速水平集模 型 ，
Ｉ （，）ｃ ｎ（ｘｙ）ｘ ｙ ｏ ｘ ～ｏ Ｏ ，） ｄ ＋ ［ ｌ （ ｄ Ｉ
Ｌ （ Ｙ一 （ ＨＯ ，） ｘｙ （ Ｉｘ ）ｃ １ （ｘ ）ｄｄ ， １ ｉ ， ｌ 一 （ｙ ） ）
摘 要 ：传 统 的 Ｃ Ｖ模 型 只 能 用 于分 割 灰 度 分 布 比 较 均 匀 、 目标 与 背 景 灰 度 均 值 差 异 较 大 的 图像 ， 因 需要 求 解 且
偏微 分方程导致 分割速度很 慢．文章在传统快速 水平集分割模型的基础上 ，将 高斯分布估计 引入速度 项 ， 使得快
灰度分 布不均匀 的图像 ，分割效果不理想 ；二是分割
函，当能量值 最小时对应的 曲线 即是 目标 轮廓线 ．早
期 ，演化 曲线是用参 数方程描述 的，这种方法下 ，曲 线 的拓 扑结构难 以改 变 ，灵活性差 ．水平集 理论 提 Ｊ 出后 ， 曲线 由原来 的参数方程描述变 为零水平集表 示 ． 水平集表示下 ， 能量泛 函求最值变为求解偏微分方 程 ，
其 中 ／≥ ， ， ＞０ ｃ 和 ｃ 分别 为轮廓 线 内部和外 ｔ ０ ，。 ｂ 部 的灰度平均值 ．（） １式右端 的前两项是平滑项 ，后两 项是驱 动 曲线 演化 的动力项 ． 由（） １式可 以看 出 ，Ｃ Ｖ
基于HSI色彩空间与FFCM聚类的葡萄图像分割
基于HSI色彩空间与FFCM聚类的葡萄图像分割宋西平1，李国琴1，罗陆锋1，2，邹湘军2，张丛1（1．天津职业技术师范大学机械工程学院，天津300222；2．华南农业大学工程学院，广州510642）摘要：为适应农业采摘机器人对葡萄对象快速准确识别的需要，提出了基于HSI色彩空间与以直方图信息为特征的快速模糊C－均值聚类（FFCM）算法相结合的葡萄图像分割方法。
该方法以H分量作为葡萄图像聚类分割的处理数据，根据FFCM算法对灰度图像聚类分割。
试验对夏黑葡萄果实在自然光、顺光、背光照射环境下拍摄的图像进行分割。
结果表明：葡萄图像分割方法能够快速且较好地从复杂自然环境中将葡萄目标分割出来，为葡萄采摘机器人的研制提供了重要参考。
关键词：葡萄；图像分割；HSI色彩空间；直方图；快速模糊C－均值聚类中图分类号：TP391．41；S663．1文献标识码：A文章编号：1003－188X（2015）10－0040－050引言图像分割是图像分析、计算机视觉等领域的关键问题，是利用某种相似性准则，将图像中具有不同意义的部分分割成互不相交区域的过程［1］。
自然图像的复杂多变性决定了从模糊聚类的角度来考虑图像分割是比较合理的［2］。
近年来，美国、日本、荷兰、比利时等国家成功研制出农业方面的采摘机器人，将机器视觉技术引入了农业采摘机器人的领域中［3－6］，也对适用于多种采摘对象的农业采摘机器人的发展提出了迫切需要。
农业采摘机器人的作业环境相对复杂，适合于以聚类算法来确定采摘对象。
其中，模糊C －均值聚类算法（FCM）图像分割算法是一种常用的聚类算法，其基本思想是根据图像像素和聚类中心的加权相似性测度，对目标函数进行迭代优化以确定最佳聚类［7］。
其虽然可有效地进行聚类分割，但由于样本数据量大，会增加迭代次数，且其给定的参数值不一定为最优值，导致无法达到快速、准确聚类分割，给农业采摘机器人的快速准确识别带来一定的困难。
因此，对于彩色图像的分割，从色彩空间中寻找适用于分割问题的颜色模型，成为近年的研究热点。
基于hsi空间彩色差的快速水平集分割方法
基于hsi空间彩色差的快速水平集分割方法在图像分割领域，很多研究者使用不同的算法来提高图像分割的准确度和效率。
水平集分割（Horizontal Segmentation）技术是一种有效的分割技术，它能够根据像素的垂直灰度梯度来快速分割图像。
但是，传统的水平集分割方法很难应用于彩色图像，因为其灰度变化不明显。
因此，为了在彩色图像上实现高效的分割，研究者提出了基于HSI空间彩色差的快速水平集分割（Fast HSI-Based Horizontal Segmentation）方法。
HSI空间是一种颜色空间，它是根据空间位置，像素灰度和色度变化组成的RGB空间，其把图像颜色分解为色彩（hue），饱和度（saturation）和亮度（intensity）三个因素。
随着HSI颜色空间的不断发展，研究人员开始开发基于该空间的图像处理算法，以解决图像分割等计算机视觉问题。
基于HSI空间彩色差的快速水平集分割方法将像素的颜色分为两个类别：一个类的颜色是彩色的，一个类的颜色是灰度的。
利用这种分类，基于HSI空间彩色差的快速水平集分割方法能够利用HSI空间的彩色差来检测图像的水平线。
根据检测的水平线，可以实现快速的图像分割。
基于HSI空间彩色差的快速水平集分割法的具体实现步骤如下：首先，将图像转换为HSI空间，然后，对每个像素的HSI空间进行彩色差分析，以检测图像的水平线。
最后，通过检测的水平线实现快速的图像分割。
与传统的水平集分割方法相比，基于HSI空间彩色差的快速水平集分割方法具有若干优点：首先，它可以提高图像分割的准确性，可以帮助更好地提取图像轮廓；其次，它可以有效减少图像分割消耗的时间，更快地实现分割；最后，它可以有效应用于彩色图像，从而更好地提取特征。
因此，基于HSI空间彩色差的快速水平集分割方法是一种有效的图像分割方法，它可以提高图像分割的准确性和效率，有效地处理彩色图像，并减少分割消耗的时间。
另外，在实现该方法时，还可以结合其他图像分割算法，如K-Means聚类算法，以进一步提高图像分割的性能。
一种彩色图像快速分割方法
一种彩色图像快速分割方法
杜建强;卢炎生
【期刊名称】《小型微型计算机系统》
【年(卷),期】2009(030)007
【摘要】提出一种基于HSI和FCM的彩色图像快速分割算法CISHF.首先将彩色图像从RGB色彩空间转换到HSI空间,然后联合利用S(饱和度)分量和 I(亮度)分量进行粗分割,最后针对H(色调)分量进行模糊聚类.根据色调数据的特点,修正了样本数据到聚类中心的距离计算公式,给出统计有效样本权重的算法,对于有效色调值进行样本加权聚类,加快了聚类速度.实验表明,CISHF算法的运算性能大大高于标准FCM算法,获得了较好的彩色图像分割效果.
【总页数】5页(P1412-1416)
【作者】杜建强;卢炎生
【作者单位】华中科技大学,计算机学院,湖北,武汉,430074;江西中医学院,计算机学院,江西,南昌,330006;华中科技大学,计算机学院,湖北,武汉,430074
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种结合像素空间信息和多维直方图的彩色图像快速分割算法 [J], 张改英;张讲社
2.一种快速的模糊C均值聚类彩色图像分割方法 [J], 杜海顺;汪凤泉
3.基于K均值聚类的彩色图像快速分割方法 [J], 蔡志华
4.一种快速彩色图像颜色分割算法 [J], 费峥峰;赵雁南
5.一种基于混合方法的彩色图像分割算法*----结合分水岭算法、种子区域生长和区域合并的混合方法 [J], 徐国雄;王海娜;胡进贤;王立强;卜应敏;;;;;
因版权原因，仅展示原文概要，查看原文内容请购买。
彩色图像分割算法的研究_2_2HSI颜色空间_18_20
102.2 HSI 颜色空间HSI 颜色空间是从人的视觉系统出发，用色调(Hue)、色饱和度(Saturation 或Chroma)和亮度 (Intensity 或Brightness)来描述色彩[]4。
HSI 颜色空间可以用一个圆锥空间空间来描述。
用这种 描述HSI 色彩空间的圆锥空间相当复杂，但确能把色调、亮度和色饱和度的变化情形表现得很清楚。
通常把色调和饱和度通称为色度，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 颜色空间，它比RGB 颜色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 颜色空间中方便地使用，它们可以分开处理而且是相互独立的。
因此，在HSI 颜色空间可以大大简化图像分析和处理的工作量。
HSI 颜色空间和RGB 颜色空间只是同一物理量的不同表示法，因而它们之间存在着转换关系。
HSI 空间如图2-2：图2-2 HSI 空间Fig.2-2 the space of HSI从RGB 到HSI 的空间转换：给定一幅RGB 彩色格式的图像，对任何三个归一化到[0, 1]范围内的R,G ,B 值，其对应的H,S,I 分量可用下面的公式得到：H =arcos ()()[]()()()[]⎪⎭⎪⎬⎫⎪⎩⎪⎨⎧−−+−−+−2122/B G B R G R B R G R (2-8) S=1-B G R ++3[min(R,G ,B )] (2-9)I =)(31B G R ++ (2-10) 另一方面，如果已知HSI 空间色点的H,S,I 分量，也可以将其转换到RGB空11间。
若设S, I 的值在[0,1]之间，R 、G 、B 的值也在[0,1]之间，则从HSI 到RGB 的转换公式为（分三段以利用对称性）：(1)当H 在[0 ,120 ]之间：B =I (1-S ) (2-11)R =I ()⎥⎦⎤⎢⎣⎡−+H H S 60cos cos 1 (2-12) G=3I-()R B + (2-13)(2)当H 在[120 ,240 ]之间：R =I (1-S ) (2-14)G =I ()()⎥⎦⎤⎢⎣⎡−−+H H S 180cos 120cos 1 (2-15) B =3I-(R +G ) (2-16)(3)当H 在[240 ,360 ]之间：G =I (1-S ) (2-17)B =I ()()⎥⎦⎤⎢⎣⎡−−+H H S 300cos 240cos 1 (2-18) R =3I-(B +G ) (2-19)HSI 空间有两个重要的特点。
一种自适应边界生长的彩色图像分割方法
一种自适应边界生长的彩色图像分割方法摘要：本文介绍了一种自适应边界生长的彩色图像分割方法，将HSI空间中的图像，经过自适应调整边界阈值参数，通过边界生长的方法，将所需要的目标识别、分割，最终获得较为全面的目标分割结果。
关键词：自适应边界生长HSI空间阈值参数引言数字图像处理技术问世不久，人们就开始了图像分割技术的研究。
图像分割就是给定的图像按照某种准则划分为互不相交的有意义的子图的过程。
在图像分析中，图像分割方法一般有以下四种[1]。
本文利用HSI空间中的针对特定颜色的目标进行识别，通过自适应阈值进行边界生长的方法，针对一类与背景颜色区别较大、具有弧面反光特征的目标欠分割的情况效果较好。
实验结果证明这种方法比较有效。
1.简述彩色图像分割可以根据图像中的色彩特征来完成，文中采用模式识别理论结合图像处理的方法进行彩色图像在HSI空间的分割。
本文针对由于具有弧面的物体反光形成的颜色渐变，造成的欠分割或目标识别不完全的情况，提出了一种自适应阈值边界生长方法。
文中的主要思路如下：1）首先给出一个初始图像进行HSI色彩空间转换。
经过中值滤波进行初步处理，以色彩特征H、饱和度S为主阈值分量，对图像进行分割，生成一个二值化的新表。
2）确定生长阈值系数。
3）以阈值进行边界生长，得到一次生长后的图像。
4）检测当前图像中检测出独立目标数，与样本已知目标数是否相等，如不相等，通过均值、方差和自适应参数重新确定生长阈值参数，重新执行步骤（3）。
如相等，则分割结束。
2. 具体图像分割步骤2.1 HSI色彩空间和滤波在图像处理中广泛使用的颜色空间主要有RGB、HIS和YUV等。
HIS颜色空间更接近人眼对颜色的感知，它将采集的信心分为色调、饱和度和亮度三种属性。
从原理上说，HSI比较RGB颜色空间更适合用作识别处理的基础[2]。
将RGB 色彩空间转化为HSI空间，其转换关系如下：此时，针对转换完成HSI空间的S分量和I分量进行中值滤波，将图像亮度和饱和度进行平滑，而对主参考分量H不进行滤波，作为初始分割的主要参考依据。
一种基于HSI空间的红外测量图像伪彩色编码方法
一种基于HSI空间的红外测量图像伪彩色编码方法李晓冰【摘要】Due to the severely unbalanced gray scales of infrared measurement images, the pseudo-color images generated by traditional HIS space coding are always confined to few colors. Combining threshold segmentation theory with the distribution of gray scale and requirements on image processing, this paper proposes a HIS-space-based pseudo-color coding method for infrared image to solve the above problem. The experimental results showed that the proposed method is fairly self-adaptive, easy to implement and the processed pseudo - color images are polychromic.%由于红外测量图像灰度分布极不均衡,采用传统的HSI空间(Hue Saturation Imensity,HSI)编码方法对红外测量图像进行伪彩色变换时,常常导致变换后的伪图像色彩仅仅局限于少数几种颜色.针对此问题,本文结合阈值分割理论,根据红外测量图像的灰度分布特性及图像处理要求,提出了一种基于HSI空间的红外测量图像伪彩色编码方法.实验结果表明:采用该方法编码的伪彩色图像色彩丰富,且方法具有较好的自适应性,易于实现.【期刊名称】《测试技术学报》【年(卷),期】2012(026)004【总页数】5页(P343-347)【关键词】测量图像;HSI空间;伪彩色编码;间值分割;灰度【作者】李晓冰【作者单位】中国人民解放军92941部队96分队,辽宁葫芦岛125000【正文语种】中文【中图分类】TP391.4由于红外传感器在光电经纬仪中的广泛应用,使目标的红外测量图像一般达到14位记录,其图像灰度达到214级,然而,人眼对灰度图像只能区分出数10种不同的灰度级,因此,制约了对测量图像的处理.但是,人眼对彩色的分辨率可达数百种甚至上千种,说明人眼对彩色的变化远比灰度的变化敏感[1],因而对灰度图像进行伪彩色变换是一种非常有效的图像增强技术[2].伪彩色变换中,基于HSI空间的伪彩色编码[3],由于算法简单、易于实现,得到广泛应用.但是,目前HSI空间伪彩色变换大多数都是围绕灰度分布范围进行线性编码,没有考虑到图像灰度像素的实际分布.而一般测量图像的分布都是极不均匀的,直接进行均匀灰度编码往往导致数量分布较少的像素占据较多的灰度级范围,而数量分布较多的像素占据较少的灰度级范围,造成图像色彩分布不均衡,图像细节损失较大.当然,文献[4,5]也提出了一种利用图像中最高灰度级和具有像素数最多的灰度级进行编码的方法,但是,由于图像噪声的问题,此方法对于直方图分布不均匀的图像效果并不好.基于以上原因,本文将灰度阈值分割理论应用到HSI空间编码中,对目标区域和背景区域分别进行编码,从而提出了一种基于HSI空间的红外测量图像伪彩色编码方法.1 传统HSI伪彩色编码在红外测量图像中的局限性物体的颜色可用色调、色饱和度及亮度来描述,即HSI,其中 H为色调,描述纯色属性;S为色饱和度,描述纯色被白光稀释的程度;I为亮度.目前较为通用的HSI空间伪彩色变换是基于直方图的方式[6],灰度图像直方图如图1所示,g i表示输入图像灰度级,g m表示输入图像的最高灰度级,g′表示图像最多像素对应的灰度级.对于具有 256级灰度的灰度图像来说,任意空间(x,y)处的灰度值可以用 f(x,y)来表示,其中0≤f(x,y)≤255.为了使伪彩色图像的亮度和灰度图像的灰度具有一致性,一般令为了使不同的灰度对应不同的颜色,一般色调的经典做法为这样,伪彩色的色调变化与灰度图像灰度分布相对应.式(2)中的系数是为了保证灰度级 f(x,y)在 0～255的范围内变化时,使 H值在0～2π的范围内变化.从式(2)可以看出:色调只是按灰度均匀分布的情况进行变换的,并与像素分布无关,当然,某些文献[3-5]采用统计灰度最大值和最小值的方法,即图1 直方图F ig.1 Histogram为了使伪彩色变换后图像亮度和灰度图像亮度具有一致性,令从式(4)可以看出:虽然可以限制灰度的整体变换范围,但是,对于范围内的灰度断点却无能为力,更谈不上将所有像素的灰度分布范围信息加以利用的程度上了.这样,对于灰度往往偏向一边,而且对于灰度分布范围内存在较大区域断点的红外测量图像,往往造成伪彩图像目标区域仅仅包含一种或有限的几种颜色,导致其处理的目标伪彩图像细节分辨效果还不如原始灰度图像,因此,传统HSI伪彩色编码对于测量图像存在着较大的局限性.2 改进的红外测量图像HSI伪彩色编码2.1 测量图像的自适应分割一般HSI伪彩色编码不能适应测量图像的主要原因是:编码方式按固定灰度变化,即使采用直方图信息,也仅仅利用了最多像素的灰度级和不同灰度级像素数分布信息.但是,由于测量图像一般目标所占像素数较少,自然目标区域所分的伪彩颜色数就更少了.基于红外测量图像的以上特性,本文首先对红外测量图像进行阈值分割,求取阈值,将图像分割为目标和背景两部分,虽然目前的分割方法还不能实现完全准确的目标分割,但是,其实际分割值往往在理想分割阈值附近.本文采用最大类间方差算法[7]计算图像的二值化阈值 T,它是由Otsu在1979年提出的一种受到广泛关注的阈值选取方法.基本思路是:选取最佳阈值,使得不同类间的分离性最好.该判决准则是基于灰度直方图的一阶统计特性,运算速度快.按照最大类间方差准则,从1～L改变k,并计算类间方差σ2,使式(7)最大的k即是红外测量图像伪彩色变换阈值 T.2.2 伪彩色的色彩分布由于红外测量图像主要是对测量目标进行处理,对背景内容的关心程度并不大,因此,在分配中可使目标区域的伪彩色密度大于背景区域.考虑到伪彩图像的人眼特性,进行伪彩色变换时将灰度级低的区域设置在蓝色附近,灰度级高的区域设置在红色附近,因为在红外测量图像中,灰度值越大其对应的温度也就越高,采用红色有使人发热高温的感觉,相反,在灰度值较低的区域采用蓝色为主色调.因此,本文将目标区域确定在黄色、红色和品红色区域,即暖色区域.将背景区域确定在蓝色、青色和绿色区域,即冷色区域.因为一般目标区域所占像素数较少,自然,分配后目标区域的色彩数大于背景区域,实现了增强目标区域的目的.2.3 伪彩色的彩色编码从HSI模型的横截面上可以看出:颜色按红、黄、绿、蓝顺序进行变换,以红色为变换起点.为了符合本文的色彩编码方式,本文将蓝色作为变换起点,按照由冷色向暖色过渡的方向变换,变换顺序为蓝、绿、黄、红.则编码方式如下从上面的编码过程中可以看出,对任意一个灰度级 f(x,y)来说,它对应于唯一一种颜色.色调分布以阈值 T为界,分为两个部分,小于 T的为背景部分,从蓝到绿;大于灰度T的为目标部分,从黄到品红.饱和度和亮度也遵循以阈值 T进行划分的原则,并且都是以阈值 T处为最大值.因为,对于测量图像来说,无论是目标定位还是目标跟踪,其目标边缘都是最重要的,因此,阈值处的灰度是变换的重点.3 实验结果与分析采用一帧红外火焰的8位灰度图像进行实验,图2为原始图像,图3为标准HSI伪彩色编码结果,图4为本文算法伪彩色编码结果.从图3(a)的标准HSI伪彩色编码结果图像中可以看到:其色彩内部无变化趋势,色彩衔接处没有过度,图像细节损失严重.这也可以从图3(b)、图3(c)和图3(d)的色度、饱和度及亮度图像中看出,因此,标准HSI伪彩色编码并不适合红外测量图像.从图4(a)的本文算法伪彩色编码结果图像中可以看到:色彩变化丰富,几乎包含整个色彩变换区域,能够清晰地变换出被测对象灰度变化的层次,符合被测对象温度的变换趋势.尤其是图2中心区域在灰度图像中仅仅表现为白色,但在图4(a)的伪彩色图像中可把白色边界区域细微的灰度变化体现出来.另外,从图4(b)的色度图像中也可以看到:其色调分布完全符合图2原始图像的灰度分布,反映了原始图像的细节信息,图4(c)和图4(d)的饱和度及亮度图像,变换趋势均匀,兼顾到目标和背景的所有区域,明显效果好于图3的标准HSI伪彩色编码结果.图3 标准 HSI伪彩色图像F ig.3 Pseudo-color image of standard H IS coding 图2 原始图像Fig.2 Origrinal image图4 本文算法伪彩色图像F ig.4 Pseudo-color image of th is paper coding实验证明:本方法所得到的伪彩色图像包含颜色丰富,符合实际温度由低向高变化的趋势.对比度明显提高,增强了图像的视觉效果.4 结论本文提出的基于红外测量图像的HSI空间伪彩色编码方法,解决了传统伪彩色编码中由于红外测量图像灰度分布不均衡,导致彩色数偏少的问题.其采用的自适应阈值技术,可适应于任何灰度不均衡的伪彩色图像,得到的伪彩色图像目标边缘色彩比较丰富,有利于目标的识别.因此,对于目标所占像素数较少的图像,其背景色彩有所减弱,但这对于测量图像的处理已经无关紧要了.参考文献:[1] Castleman K R.Digital image processing[M].Englew ood Cliffs:Prentice Hall,Inc.,1998.[2] 韩跃平,宋文爱.振动速度场测试系统及其伪彩色显示[J].测试技术学报,2002(4):252-254.Han Yueping,Song Wen'ai.Velocity fieldmeasuring system and it's disp lay in pseudo co lor[J].Journal of Test and MeasurementTechnology,2002(4):252-254.(in Chinese)[3] 曹茂永,郁道银.基于感知颜色空间的灰度图像伪彩色编码[J].光学技术,2002,28(4):367-371.Cao Maoyong,Yu Daoyin.Pseudocolor coding of gray imagebased on percep tualcolor space[J].Optical Technique,2002,28(4):367-371.(in Chinese) [4] 肖斌,王眩.基于直方图的HSI空间伪彩色编码研究[J].陕西师范大学学报(自然科学版),2007,35(1):61-63.Xiao Bin,Wang Xuan.A Gray image pseudo-color coding approach in HSIspacebased on image'shistogram[J].Journalof ShanxiNormal University(Natural Science Edition),2007,35(1):61-63.(in Chinese)[5] 秦文正,高爱华,刘卫国.基于直方图的红外图像互补伪彩色编码处理[J].激光与红外,2009,39(3):339-341.Qin Wenzheng,Gao Aihua,Liu Weiguo.Infrared image complementary pseudo-color coding based on histogram[J].Laser&Infrared,2009,39(3):339-341.(in Chinese)[6] 曹茂永,郁道银.基于H IS空间的灰度图像互补色伪彩色编码[J].光电工程,2002,29(2):63-66.Cao Maoyong,Yu Daoyin.G ray image comp lementary pseudo-color coding based on IHS space[J].Opto-electrooic Engineering,2002,29(2):63-66.(in Chinese)[7] Otsu N.A threshold selectionmethod from gray-levelhistogram[J].IEEE Trans.SMC,1979,9(1):62-66.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于hsi空间彩色差的快速水平集分割方法新技术的发明为人类的发展提供了必要的技术支持，图像处理技术的发展也极大地改变了人类的生活。
基于HSI空间彩色差的快速水平集分割方法是一种常用的图像处理技术，它可以快速有效地提取彩色图像中的不同部分。
本文首先综述了基于HSI空间彩色差的快速水平集分割方法的原理，然后详细介绍了HSI空间彩色差法的核心步骤，提出了一种新颖的快速水平集分割框架，并分析了实验结果。
HSI空间彩色差是一种基于颜色的图像处理技术，其基本原理是根据图像中的像素的颜色来分割图像。
一般而言，彩色图像是由许多由不同颜色组成的像素组成的，而每个像素可以在HSI空间表示为一个三维向量。
因此，HSI空间彩色差法可以利用HSI空间中像素之间的色彩差异来对图像进行分割。
HSI空间彩色差法的核心步骤主要包括以下几个部分：首先，将输入的彩色图像从RGB颜色空间转换为HSI颜色空间，以获得更准确的颜色表示；其次，计算输入图像中每个像素的HSI三维向量，并生成HSI空间的特征密度图像；然后，根据HSI空间的特征密度图像，聚类计算图像中各像素的分类概率向量；最后，利用类间最大分类概率差异来进行分割，即可获得分割结果。
为了更好地展示基于HSI空间彩色差的快速水平集分割方法，本文提出了一种新颖的快速水平集分割框架，该框架根据HSI颜色模型将彩色图像转换为HSI特征图像，然后采用K-means算法进行聚类，以计算彩色图像中每个像素的分类概率向量，并利用类间最大概率差
异来获得分割结果。
实验结果表明，本文提出的HSI空间彩色差快速水平集分割框架能够很好地适应彩色图像的变化，并在较短的计算时间内获得较高的分割效果，为实现彩色图像的有效分割提供了有效的技术支持。
综上所述，基于HSI空间彩色差的快速水平集分割方法无疑极大地改变了图像分割的效率，并为人们提供了更多的图像处理应用。
它不仅提供了一种有效的图像分割技术，还为大量的图像处理应用提供了有效的技术支持，从而使我们更好地实现我们的目标。