一种基于CB模型的彩色图像分割方法
一种基于骨架的彩色图像分割方法
ＫＥＹＷ ＯＲＤＳ：ｍａ ｅ ｓ ｇ ｎ ａｉ ｎ； ｈ ｄ ｗ； ｋ ｌｔｎ Ｉ ｇ ｅ ｍｅ ｔｔ ｏ Ｓ ａ ｏ Ｓ ｅｅｏ
ｓｇ ｅｔ ｉ ｆ ａ ｒｌ ｃｎ ， ｄｏｔｉ ａｓｔｆｃ ｒ ｇ ｅｔ ｉ ｓｌｃｎｉ ｅｔ ｉ ｕ ａ ’ ｂｅｔｅｖｓａ ｅ ｎ ｔ ｎｏ ｎ ｔ ａ ｓｅ ｅ ａ ｂａｎ ｉａｔ ｙｓｍ ｎａ ｏ ｒ ｕｔ ｏｓ ｔ ｔ ｈ ｍ ｎ Ｓ ｕ ｊｃｖ ｉ ｌ ｍ ａｏ ｕ ｎ ａｓ ｏ ｅ ｔｎ ｅ ｓｎ ｗ ｈ ｓ ｉ ｕ
ｄ ｎ ｈ ａ ｇ ｔｒｇ ｏ ｓ ｉ ｈ ｄ ｗ ａ ｅ ）ａ ｏ ｎ ｈ ｉ ａ ｅ ｅ ｔ ｔ ｎ ｒ ｓ ｌ ａ ｅ ｍｅ ｇ ｄ ｉ ｒ ｔ ｅ ｙ ｉ ｔ ｉｇ ｒｒ － ｉ ｇｔ ｅ ｔ ｅ ｉｎ ｎ ａ ｓ ａ ｏ ｒ ａ ｒ ｕ ｄ ｔ ｅ ｉ ｔ ｓ ｇ ｎ ａｉ ｅ ｕ ｔ ｒ ｅ ｔ ａｉ ｌ ｎ ｏ ａｂ ｇ ｅ ｅ ｒ ｅ ｎ ｉ ｌ ｍ ｏ ｒ ｅ ｖ
ｏ ｅｃ ｅ ｆ ｏｏ ａ ｄｔ ｔｒ ｉ ｅ ｐｏｅ ｇ ｅ ｔｈ ｐ ｔｍ ｇ ， ｄｔ ｎｔｅｔ ｇｔｅｉ ａｄｄ ｔ ｉｃ － ｎｔ ｕ ｓ ｌ ｎ ｘ ｅ ｓ ｍ ｌ ｄｔ ｓｍ ｎ ｔｅｉ ｕ ｉ ａｅ ａ ｅ ｒｅ ｒｇ ｎｃｎ ｉａ ｓ（ｎｌ ｈ ｏｃ ｒ ｅ ｕ ｙ ｏｅ ｎ ｎ ｈ ｈ ａ ｏ ｅ ｕ
ｇ ｏ ｃ ｏ ｄｎ ｈ ｋ ｌ ｔｎ ｍｏ ｅ ｆｔｅ ｔ ｒ ｅ ｎ ｅ ｅｆａ ｗ ｒ ｆｈ ｐ ｔｅ ｉ ａ ｄ ｖ ｒ ｃ ｔ ｎ ｈ ｘ ｅ ｉ ｎ ｉ ｎ ａ ｃ ｒ ｉ ｇ ｔ ｔｅ ｓ ｅ ｅｏ ｄ ｌｏ ａ ｇ ｔ ｄ ｒｔ ｒ ｍｅ ｏ ｋ ｏ ｙ ｏ ｓｓ ｎ ｅ ｆ ａｉ ．Ｔ ｅｅ ｐ ｒｍｅ － ｏ ｈ ｕ ｈ ｈ ｉ ｉ ｏ ｔ ｅ ｕｔ ｈ ｗ ｔ ａ ｈ ｔ ｏ ｆ ｃ ｉｅ ｔ ａ ａ ｔ ｌ ｎ ｔ ｅ ｉ ｕ ｎ ｅ ｏ ｌ ｍｉ ａｉ ｎ ｖ ｒ ｔ ｎ ｏ ｅｉ ｇ ｌ ａ ｒ ｓ ｌ ｓ ｏ ｔ ｅ ｍｅｈ ｄ ｉ ｅ ｅ ｔ ．Ｉ ｃ ｎ ｐ ｒｌ ｅｉ ａｅ ｔ ｎ ｅ ｃ ｆ ｌ ｓ ｈ ｔ ｓ ｖ ｙ ｍｉ ｈ ｆ ｌ ｉ ｕ ｎ ｔ ａｉ ｉ ｎ ｔ ｍａ ｅ ｏ ａｏ ｈ
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。
彩色图像分割方法及其在农业中的应用
∑ｕ １ ＝ ，
模糊 ｃ 均值聚类是 通过迭代来 更新隶属度矩阵 及聚类 中心 Ｖ最终使 目 函数 （ 最小化来实现的。 ， 标 ，）
这些 方法 大多是在单 一背 景下进行 的， 因此处 理采集 到 的图像 时主要是在灰度 图上进行 。但 当灰度图像有变化灰度 的背 景或本身有较 大灰 度范 围的 区域时 ， 进行 图像分割 会非
（ ｎ ６ ｉ ｅｕ ｃ ） ｍｙ８ ６ ＠ｂｔ ｄ ．ｎ １ ．
摘 要： 根据作物生长状态参数检测的特 点， 用了一种基 于混合 颜 色空间的模糊 ｃ均值聚类 采 分割方法来提取 目 以便测量。该方法对传统模糊 ｃ均值聚类算法 中存在的一些问题进行 了改进， 标 首先在 Ｈ Ｖ 空 间分 析 Ｈ 直方 图确 定 出最佳聚 类数 ， Ｓ 并在 Ｌｂ空 间初 始化 聚 类 中心 ， 终在 Ｌｂ空 间 ａ 最 ａ 对图像进行分割来得到 目 图像。将该方法应用到作物生长状态参数 的检测 中来提取 目标 ， 标 相比其
他 方 法取 得 了较 好 的 结 果 。
关 键词 ： 色 图像 分割 ； 彩 混合 颜 色空 间； 类数 ； 聚 直方 图分析 ； 始聚 类 中心 初 中图分 类号 ：ｒ３ １ ４ 文 献标识 码 ： ， ９ ．１ Ｐ Ａ
果可 以用一个模糊隶属度矩 阵 Ｕ ＝ ｛ Ｒ ｕ｝ “表示 ， 满足 ： ｕ ∈ ［ ， ］ ０１ ，
局限性。而彩色图像则能够 提供更 多的信 息 ， 它除 了提 供 明
亮度外 ， 还有色调和彩色的深浅 ， 并且彩色图像有多种颜色空 间的表达方式。 因此彩 色 图像能 够克 服灰 度 图像 的某 些不
足。
本文 中采用 了一种基 于混 合 颜色 空 间的模 糊 ｃ均 值分 割的方法对采集到的图像进行 分 割 ， 实验表 明结果优 于只用 灰度图像分割的结 果 ， 由于该 方法通 过直方 图分析来 确定 且 聚类数 ， 且初始聚类 中心选择并不是随 意的 ， 因此也优于传统 的模 糊 ｃ均 值分 割方 法。
ycrcb色彩空间的应用场景
YCrCb色彩空间是一种将RGB色彩模型转换为亮度和色度分量的方法，广泛应用于数字图像处理和视频编码领域。
Y表示亮度分量（Luma），Cr和Cb表示色度分量（Chrominance）。
通过将RGB颜色转换为YCrCb色彩空间，我们可以更好地处理图像的亮度和色彩信息，从而应用于各种领域。
一、在数字图像处理中的应用场景1.1 图像增强YCrCb色彩空间可以用于图像的亮度和对比度增强。
通过对亮度分量进行调整，可以改善图像的清晰度和视觉效果；而对色度分量的调整可以提高图像的饱和度和色彩对比度，使图像更加艳丽。
1.2 肤色检测在人脸识别和数字美容应用中，利用YCrCb色彩空间可以更准确地检测肤色区域。
通过对Cr和Cb分量的阈值判定，可以提取出图像中的肤色区域，从而实现人脸识别和美容效果。
1.3 彩色图像压缩YCrCb色彩空间在JPEG图像压缩中起着重要作用。
将RGB图像转换为YCrCb色彩空间后，可以对色度分量进行亚采样，从而实现对图像的压缩。
这种压缩方式能够在保持图像质量的前提下减小文件大小，适用于图像存储和传输领域。
二、在视频编码中的应用场景2.1 视频压缩在现代视频编码标准中，如H.264和HEVC，YCrCb色彩空间被广泛应用于视频压缩。
通过对视频的亮度和色度分量分别进行空间和时间域的预测和编码，可以实现更高效的视频压缩，从而降低存储和传输成本。
2.2 视频分析在视频监控和视频处理领域，YCrCb色彩空间可以用于实现运动检测、背景建模和目标跟踪等功能。
通过对视频帧的亮度和色度分量进行分析，可以准确地检测出视频中的运动目标，为智能视频分析提供有力支持。
三、伦理道德建议根据对ycrcb色彩空间应用的了解，我们可以在数字图像处理和视频编码领域中更好地理解和应用这个概念。
对该领域的发展也有着积极的促进作用。
在撰写本篇文章的过程中，我也深刻理解了ycrcb色彩空间的重要性和应用场景。
希望我所共享的这些信息能够对您的工作和学习有所帮助，也欢迎您和我一起共享这个领域的见解和经验。
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Study on Color Image Segmentation学生姓名：XXXStudent: XXXX指导老师：陈志刚讲师Adviser: Lecturer Chen Zhigang台州学院物理与电子工程学院School of Physics & Electronics EngineeringTaizhou UniversityTaizhou, Zhejiang, China2012年3月March 2012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AbstractWith the increasing in computer processing capabilities, the color image segmentation techniques more and more are concerned with by researchers. Many researchers have paid a huge effort in this regard, and obtained the corresponding results. On the basis of the current color segmentation method, an unsupervised color image segmentation algorithms have been proposed in this paper, combining of edge detection, region growing and region merging method to achieve the segmentation of color images. The experimental results show that a good segmentation results can be obtained and real-time performance can be implemented.Key wordsColor Image Segmentation; Edge Detection; Regional Growth and Merging目录1. 引言 (1)1.1．课题的研究背景和意义 (1)1.2．彩色图像分割的现状 (2)1.3．本文的内容安排 (5)2．彩色图像分割研究 (6)2.1．数字图像处理概述 (6)2.2．常用的颜色空间 (7)2.3．彩色图像分割方法 (9)2.3.1．阈值化方法 (10)2.3.2．基于边缘的分割方法 (10)2.3.3．基于区域的分割方法 (12)3．无监督彩色图像分割 (13)3.1．概述 (13)3.2．颜色空间的转换 (14)3.3．Sobel算子边缘提取 (15)3.4．种子的选取 (16)3.5．区域生长与合并 (17)4．实验结果与分析 (18)5．结论 (20)参考文献 (21)谢辞 (23)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。
彩色图像分割方法综述_林开颜
第10卷 第1期2005年1月中国图象图形学报Journa l o f I m age and G raph ics V o.l 10,N o .1Jan .,2005收稿日期:2003-08-28;改回日期:2004-06-29第一作者简介:林开颜(1975～ ),男,先后于1998年、2001年获长春光学精密机械学院机械设计与制造专业工学学士学位、机械电子工程专业工学硕士学位,2004年获同济大学控制理论与控制工程专业博士学位,现在同济大学现代农业科学与工程研究院工作。
研究方向为智能控制理论与技术、农业计算机视觉技术等。
E -m ail :ky .li n @163.co m ;li nkai yan @yahoo .co 彩色图像分割方法综述林开颜1) 吴军辉1) 徐立鸿1),2)1)(同济大学现代农业科学与工程研究院,上海 200092) 2)(同济大学控制科学与工程系,上海 200092)摘 要 由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。
彩色图像分割是彩色图像处理的重要问题,彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用,为了使该领域的研究人员对当前各种彩色图像分割方法有较全面的了解,因此对各种彩色图像分割方法进行了系统论述,即先对各种颜色空间进行简单介绍,然后对直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络、基于物理模型方法等主要的彩色图像分割技术进行综述,并比较了它们的优缺点,通过比较发现模糊技术由于能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。
关键词 彩色图像分割 颜色空间 直方图阈值化 边缘检测 模糊方法 神经网络中图法分类号:TP391.41 文献标识码:A 文章编号:1006-8961(2005)01-0001-10A Survey on Color I mage Seg m entati on T echni quesLI N Ka i -yan 1),WU Jun -hui 1),XU Li -hong1),2)1)(Moder n Ag ri cu lt ur a l Sci ence ＆E ng ineeri ng Instit u t e of Tong jiUn i versit y ,Shanghai 200092)2)(Con tr ol S cie nce ＆E ngineeri ng D epart men t of TongjiUn iver sity ,S hangha i 200092)Ab strac t Due to co lor i m ag e prov i d i ng mo re infor m a tion than monochro m e i m age ,co l o r i m age proce ssi ng is be i ng paid m ore and m ore atten tion .I m ag e seg m entati on is critica l to i m age proce ssi ng and pa tte rn recogniti on ,so a ll t he t ypica lapp roaches are presented and discussed in this paper .Basica ll y ,color i m age segm en t a tion techni ques are based onm onoch ro m e ones ope ra ting i n diffe rent co lor s paces .T his pape r first rev i ew ed so m e m a j o r co lor representation m ethods ,then su mm arized t he m a j o r co l o r i m age segmenta tion approaches i nc l ud i ng hist og ram thresho l ding ,cha racte ristic fea t urecl ustering ,reg ion -based approache s ,edge de t ec tion ,f uzzy technique s ,neural ne t w o rks ,physics -basedm e t hod .The me rits and dra wbacks of t he me t hods we re discussed t oo .F uzzy set theo ry p rovide s a m echanis m t o pre sen t and manipu l a t e uncer t a i n t y and a m bigu ity ,which is de sirab le for i m age p rocessi ng .So ,t he f uzzy approaches w ill have a pro m isingapp licati on i n t he color i m age seg m entati on area .K eyword s co l o r i m ag e segm en t a tion ,co l o r space ,h ist og ra mt hresho l d i ng ,edge de t ec tion ,f uzzy techniques ,neu ra l net wo rks1 引 言图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果。
彩色图像分割算法的研究与实现
彩色图像分割算法的研究与实现图像分割，即将输入图像划分为多个不同的区域，这些区域可能具有不同的颜色、纹理和特性，是计算机视觉中的一个重要研究领域，可以用于图像识别、图像索引和图像建模等诸多领域。
由于它在计算机视觉、自然图像处理、机器人导航等应用中发挥着重要作用，计算机图像分割已成为计算机视觉专业目前的一个重点研究，其发展也受到了越来越多的关注。
彩色图像分割是图像分割研究的一个重要方面，其主要目的是在大规模彩色图像中比较准确地识别出各个物体，并分类地以不同的颜色表示出来。
这需要对光照、色彩、结构等图像信息进行准确的识别，以实现高精度的图像分割。
随着技术的进步，彩色图像分割的算法也逐渐完善，可以应用于不同的复杂场景，并在实际应用中取得良好的效果。
一、彩色图像分割算法的分类彩色图像分割算法可分为传统的有监督和无监督分割算法，以及近几年提出的深度学习分割算法。
1. 传统有监督图像分割算法传统有监督图像分割算法属于基于特征的算法，它基于明确的前景背景特征信息，采用距离函数或概率函数来衡量前景背景的相似度，从而实现分割过程。
传统的有监督图像分割算法主要包括分水岭算法、分层模型分割算法、K-means算法、模板匹配算法等。
2.传统无监督图像分割算法传统无监督图像分割算法属于基于数据的分割方法，主要基于图像数据分析，利用像素灰度值之间的相似性和差异性，进行图像分割。
传统的无监督图像分割算法大多通过构建图的联通成分，并利用联通成分及其属性来决定每个前景或背景的边界，常见的有区域生长法、聚类算法等。
3.深度学习图像分割算法深度学习图像分割算法是近几年比较流行的分割算法，它基于神经网络模型，可以自动从图像中学习有效的特征，从而实现高准确率的图像分割。
目前，深度学习图像分割算法主要有残差网络（ResNet）、卷积神经网络（CNN）、U-Net、Fully Convolutional Network（FCN）、DeepLabV3+等。
一种基于区域的彩色图像分割方法
维普资讯
Ｃ ｍ ｕ ｒＥ ｇｎ ｅ ｉ ｎ ｐ ｌ ａ ｏ ｓ计算 机 工 程 与 应 用 ｏ ｐ ｔ ｎ ｉ ｒ ｇ ａ ｄ Ａ ｐｉ ｔ ｎ ｅ ｅ ｎ ｃｉ
２ ０ ， ３ ６ ０７４ （）
３ ７
一
种基 于区域 的彩色 图像分 割方法
ｐ ｒｏ ｍ ａ ｃ ． ｅ ｆｒ ｎ ｅ
Ｋｅ ｒ ｓ ｍａ ｅ ｓ ｇ ｅ ｔｔ ｎ； ａ ｕ ｅ ｅ ｔａ ｔ ｎ； ｖ ｒ ｇ ｃ ｔ ｒ ｄ ｇ ｅ ａ ｅ ａ ｅ ｄｖ ｄ ｄ ｄ ｇ ｅ ｙ ｗｏ ｄ ：ｉ ｇ ｍ ｎ ｉ ｆ ｔ ｒ ｘ ｒ ｃ ｏ ａ ｅ ａ ｅ ｓ ａｔ ｅ ｒ ｅ；ｖ ｒ ｇ ｉｉ ｅ ｅ ｒ ｅ ｅ ａ ｏ ｅ ｉ ｅ
２ Ｈｕ ａ ｉ ｅ ｉ ｃ ｅ ｃ ｎ ｅ ｈ ｏｏ ， ａ ｇ ａ Ｈｕ ａ １ ２ ， ｈ ｎ ． ｎ ｎ Ｕｎ ｖ ｒ ｔ ｏ Ｓ ｉ ｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌ ｇ Ｘｉ ｎ ｔ ｎ， ｎ ｎ ４ ０１ Ｃ ｉ ａ ｓ ｙｆ ｙ １ Ｅ－ ｉ： ｓ ｍｍ＠１ ３ ｃ ｍ ｍａｌ ｃ ｐ ６ ．ｏ
柳 萍 ． 阳爱 民 一 ．
ＬＩ Ｕ Ｐ ｎ ， ｉ ｇ ＹＡＮＧ －ｍｉ Ａｉ ｎ
基于超像素的Grabcut彩色图像分割
基于超像素的Grabcut彩色图像分割辛月兰【摘要】To overcome the disadvantage of time load for the image segmentation that set up the graph model in pixels,a Grabcut color image segmentation method which is based on the super pixels is proposed in this paper.Firstly,users can calibrate a rectangular box in the target zone manually,then split the'image into small areas of the similar color (super pixels) with the watershed algorithm two times.Set up the graph model using the super pixels as the graph nodes.In order to estimate the value of GMM,use the mean of the super pixels' color value to represent the all pixels in the same area.Finally,get the minimum value of the Gibbs energy with the minimum cut algorithm to achieve the optimal segmentation.Experimental results demonstrate that the new algorithm uses the little super pixels instead of the huge number of pixels.The algorithm achieves the excellent segmentation result in short runtime,speeds up the pace of segmentation,enhances the efficiency of the algorithm.%针对以像素为节点建立图模型进行图像分割耗时的特点,文中提出了一种基于超像素的Grabcut彩色图像分割方法.首先用户在目标所在区域手动标定一个矩形框;然后用两次分水岭算法将图像过分割成区域内颜色相似的小区域(超像素),用分割得到的超像素作为图的结点构建图模型;以每个超像素的颜色均值代表所在分块的全部像素点估计GMM(高斯混合模型)参数;最后用最小割算法求得吉布斯能量的最小值达到最优分割.实验结果表明,该算法以极少数超像素代替海量像素,在得到较好分割结果的同时,极大地缩短了运行时间,加快了分割速度,提高了效率.【期刊名称】《计算机技术与发展》【年(卷),期】2013(023)007【总页数】5页(P48-51,56)【关键词】分水岭;超像素;高斯混合模型;分割【作者】辛月兰【作者单位】陕西师范大学计算机科学学院,陕西西安710062;青海师范大学物理系,青海西宁810008【正文语种】中文【中图分类】TP310 引言图割理论在图像分割问题中得到了广泛的应用，并且已经取得了一些好的成果［1～6］。
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。
- 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)。
收稿日期:2007-08-16基金项目:安徽省自然科学研究项目(2006K J028B )作者简介:王志豪(1983-),男,硕士研究生,主要研究方向为图像处理;汪继文,教授,博导,主要研究方向为计算机数值模拟技术、计算机应用。
一种基于CB 模型的彩色图像分割方法王志豪,汪继文(安徽大学计算机科学与技术学院,安徽合肥230039)摘 要:CB 模型是一种把图像分为色度和亮度方面的彩色模型,对图像进行分割去噪时可以很好地保留图像的细节和边缘。
首先把一幅含有噪声的彩色图像分割成几何和摆动部分(纹理和噪声),然后利用CB 模型分别在色度和亮度两个通道上求几何和摆动部分,再合成图像的几何和摆动部分,其中几何部分即图像去噪后的图像。
实验证明CB 模型可以快速准确地分割出目标,消除图像的噪声部分,是一种有效的图像分割方法。
关键词:CB 模型;总变分;图像分割;色度;亮度中图分类号:TN911173 文献标识码:A 文章编号:1673-629X (2008)05-0044-03A Method for Color Image SegmentationB ased on CB ModelWAN G Zhi 2hao ,WAN G Ji 2wen(College of Computer Science and Tech.of Anhui Univ.,Hefei 230039,China )Abstract :The CB model which can hold the details of the image and keep boundary well is a chromaticity and brightness color model .In this paper ,split an image into two components :a geometrical component and an oscillatory component (texture and noise ),and then find the solutions of the two component on the chromaticity and brightness channels by CB model .After this ,separately compose the value of the two components on the two channels .During the two components ,the geometrical component is the denoised image.By the experi 2ment ,can conclude that the CB model is an efficient method for image segmentation and it could split the object quickly and precisely ,also denoise the noise of the image.K ey w ords :CB model ;total variation ;image segmentation ;chromaticity ;brightness0 引 言随着生活信息化程度的加深,图像作为包含大量信息的载体形式越来越体现出它强大的信息包含能力,随之而来的就是对图像的质量的高要求。
在实际生活中,系统获取的原始图像不是完美的,例如对于系统获取的原始图像,由于噪声、光照等原因,图像的质量不高,所以需要进行分割处理,以有利于提取人们感兴趣的信息。
传统图像分割方法如阈值法、边缘检测法、数学形态学法、基于区域处理方法[1,2]等针对不同图像都取得了很好的效果,因而也成为目前应用比较广泛的方法。
但是对于不同应用目的以及不同图像特性,传统方法又表现出很大局限性,例如阈值法,这种方法具有较高的计算效率,但是对噪声很敏感,会误将噪声作为目标来处理;边缘检测算子存在边界不连续或边界不准确的问题;数学形态学方法在一定程度上降低了噪声对图像的影响,但是开、闭、腐蚀、膨胀等运算会导致图像的过度平滑,从而导致图像变形及细节丢失[1]。
文中所提出的CB 模型分割方法是结合TV (总变分)模型的一种分割方法[3,4],分割后很好地保留了图像的边界以及对色彩的控制。
该文介绍CB 模型的理论,提出彩色图像的分割算法,给出实验结果,证明该方法可以快速准确地分割出目标,是一种有效的图像分割方法。
1 CB 模型的理论一般来说,一幅彩色图像可以用RG B 颜色空间来表示,I (X )=(r (X );g (X );b (X )),对于每一个像素X =(x ,y ),代表着红、绿、蓝三种主要颜色的强度:I ∶Ω→R 3+={(r ,g ,b )∶r ,g ,b >0} 有些图像去噪和分割的方法就是直接建立在RG B 的空间体系上[5,6],CB 模型也是来源于RG B 颜色第18卷 第5期2008年5月 计算机技术与发展COMPU TER TECHNOLO GY AND DEV ELOPMEN T Vol.18 No.5May 2008空间,它把I (x )分成两部分:B (X )=||I (X )||C (X )=I (X )/||I (X )||=I (X )/B (X )(1)其中,B (X )表示图像的亮度,即RG B 彩色向量的长度;C (X )表示图像的色度,存储单位长度上的彩色信息。
2 彩色图像分割算法近来人们很习惯于把一幅图像f 分割成:f =u +v 的形式,其中u 表示图像的几何部分或者称为边界变量,v 是图像的摆动部分,文中指纹理和噪声。
在文献[7,8]中,作者提出了一种图像的分割模型,依靠求解u ,v 总变分最小化的方法来实现对图像的分割:u ∈B V ,||v ||infG ≤μ∫Ω| u |+12λ‖f -u -v ‖2L 2(2)其中μ表示彩色图像的丰富程度,在具体计算时可以人为设定,λ与f -u -v 是相关的,λ越小说明原图像经分割后丢失的信息会很少,通常设得很小就可以了。
由于这个模型主要针对的是灰度图像,所以把它从一维扩展到三维空间上去,以实现对彩色图像的分割。
则:∫Ω| u |=∫Ω| u r |2+| u g |2+| u b |2(3)这里的r ,g ,b 指的是RG B 彩色空间上的向量通道。
求解方程(2)的下确界也就是求方程的最小值,在求解的时候可以分别固定u ,v 而得到不同的方程:3固定v 的时候,u 是如下方程的解:u inf(∫Ω| u |+12λ‖f -u -v ‖2)(4)3同理,固定u 时,v 则可认为是如下方程的解:inf v ∈μK ‖f -u -v ‖2(5)解方程(4)的Euler -Lagrange 等式并离散化可以得到:u n +1-u n Δt = ・ u n | u n |+1λ(f -u n -v )(6)同理方程(5)可以离散化为:v n +1-v n Δt =1μ(f -v n -u)(7)算法流程:(1)初始化,f =f 0,u =f 0,v =0,其中f 0是原始图像。
(2)迭代m 次:(a )把u 分为色度Uc 和亮度Ub 部分,根据方程(1)的转换原理,则u b =||u ||,u c =u /||u ||=u/u b ,则u =u b 3u c 。
同理也可以把f 和v 写成如下形式:f =f c 3f b 和v =v c 3v b(b )求解u c :把v c ,f c 代入方程(6),并迭代n 次:u n +1-u n Δt = ・ u n | u n |+1λ(f c -u n -v c )(8)(c )对于求解u b :把v b ,f b 代入方程(8)替代v c ,f c ,并迭代n 次。
(d )计算u =u c 3u b 。
(e )把u b ,f b 代入方程(7)中,并迭代n 次,求出v b :v n +1-v n Δt =1μ(f b -v n -u b)(9)同理,对于求解v c :把u c ,f c 代入方程(9)替代u b ,f b ,并迭代n 次。
(f )计算v =v c 3v b 。
(g )计算w =f -u -v 。
(3)当算法满足以下条件,就停止计算:max (|u n +1-u n |,|v n +1-v n |)≤ε(10)3 实验结果在matlab7.0环境下,用一张“Y ”字瀑布的自然图片进行算法的验证。
取算法外循环的m =5,内循环n =30,对于λ,对于色度部分取λc =0.04,λb =0.01,μ部分由于与图像的丰富程度有关所以很难确定,取一般通用的0.1来进行实验。
分割结果如图1所示。
其中的噪声图片,是在原图的基础上人为加了0102的G auss 噪声,对于u 部分既是图像的几何部分,也就是去噪后得到的图片;v 即是本图片的纹理和噪声部分;w 则是上文中提到的f -u -v 部分。
实验结果表明分割效果很好,且能提供丰富的区域特征,并很好地保留了图像的边界。
还利用模型对于图像的纹理部分(v )的提取来与常见的边缘提取模型进行轮廓的提取比较,其中主要是针对Log 算子和Roberts 算子的比较。
对于图1最左边的这幅图片,分别用三种方法进行了边缘的提取,可以看出文中的方法相对于Log 算子和Roberts 算子的方法有很大的提高,图像中人物的轮廓线都很好表现出来,达到了很好的边缘提取效果。
4 结束语在文献[7,8]的基础上,结合CB 模型改进了J.-・54・第5期 王志豪等:一种基于CB 模型的彩色图像分割方法图1 实验结果Ⅰ图2 实验结果ⅡF.Aujol ,G.Aubert ,L.Blanc -Feraud 等人提出的图像分割模型,对于处理含噪声多的彩色图片有着很好的效果,但对于噪声少、目标背景单调的图片进行处理时,效果并不突出。
可见,图像的分割没有一种万能的分割模型,对于具体的分割目标还需注意选择合适的模型。
参考文献:[1] 冈萨雷斯1数字图像处理[M].第2版1北京:电子工业出版社,20031[2] 黄庆明,张田文,潘少静.基于色彩学习的彩色图像分割方法[J ].计算机研究与发展,1995,32(9):60-641[3] Chan T F ,K ang S H ,Shen J.Total variation denoising and en 2hancement of color images based on the CB and HSV color models[J ].J.Visual Comm.and Image Rep ,2001,12(4):422-435.[4] Meyer Y.Oscillating Patterns in Image Processing and Nonlin 2ear Evolution Equations :The Fifteenth Dean[C]//Lewis J B.Memorial Lectures ,Vol.22of Universit y Lecture Series ,AMS.Providence :[s.n.],2001:78-89.[5] Blomgren P V.Total Variation Methods for Restoration ofVector Valued Images[D ].[s.l.]:Dept.of Math.,UCLA ,1998.[6] Blomgren P V ,Chan T F.Color TV :Total Variation Methodsfor Restoration of Vector Valued Images [J ].IEEE Trans.Image Processing ,1998,7:304-309.[7] Aujol J -F ,Aubert G ,Blanc -Feraud L ,et al.Ima ge decom 2position into a bounded variation component and an oscillating component[J ].Journal of Mathematical Imaging and Vision ,2005,22:71-88.[8] Aujol J -F ,Aubert G ,Blanc -Feraud L ,et al.Decomposingan image :Application to SAR images[C]//in :Scale -Space’03,Vol.2695of Lecture Notes in Computer Science.[s.l.]:[s.n.],2003:297-312.(上接第43页)和管理,这是工作流管理系统研究的一个重要方面。