彩色图像分割混合方法

合集下载

数字图像处理_实验报告书(八)彩色图像处理

rgb=cat(3,rgb_R,rgb_G,rgb_B);figure,imshow(rgb),title('RGB彩色图像');截图：（2）编写MATLAB程序，将一彩色图像从RGB空间转换为HIS空间，并观察其效果。

如例9.2所示。

程序：rgb=imread('LenaRGB.bmp');figure,imshow(rgb);rgb1=im2double(rgb);r=rgb1(:,:,1);g=rgb1(:,:,2);b=rgb1(:,:,3);I=(r+g+b)/3figure,imshow(I);tmp1=min(min(r,g),b);tmp2=r+g+b;tmp2(tmp2==0)=eps;S=1-3.*tmp1./tmp2;figure,imshow(S);tmp1=0.5*((r-g)+(r-b));tmp2=sqrt((r-g).^2+(r-b).*(g-b));theta=acos(tmp1./(tmp2+eps));H=theta;H(b>g)=2*pi-H(b>g);H=H/(2*pi);H(S==0)=0;figure,imshow(H);截图：（3）编写MATLAB程序，将一彩色图像在RGB空间进行彩色分割，并观察其效果。

如例9.11所示。

程序：rgb=imread('LenaRGB.bmp');figure,imshow(rgb);rgb1=im2double(rgb);r=rgb1(:,:,1);figure,imshow(r);g=rgb1(:,:,2);figure,imshow(g);b=rgb1(:,:,3);figure,imshow(b);r1=r;r1_u=mean(mean(r1(:)));[m,n]=size(r1);sd1=0.0;for i=1:mfor j=1:nsd1= sd1+(r1(i,j)-r1_u)*(r1(i,j)-r1_u);endendr1_d=sqrt(sd1/(m*n));r2=zeros(size(rgb1,1),size(rgb1,2));ind=find((r>r1_u-1.25*r1_d)&(r<r1_u+1.25*r1_d));r2(ind)=1;figure,imshow(r2);截图：（4）编写MATLAB程序，将一彩色图像在向量空间进行边缘检测，并观察其效果。

彩色图像分割在视频跟踪系统中的应用研究

ｔｃｎ．Ａｌｔｅｔａｉｇｔｓｓｂｓｄｏｍａｅｓｇｎａｏ．ｈｏｉｅｌｏｔｍａｈｇｓｒｉｇａｌｈｃｎａｋｉａｅｎｉｇｅｍｅｔｔｎＴｅｃｍｂｎｄａｇｒｈｔｔｃａｅｒｉｉｈｎｔｒｓｏｄｎａｅｎｈｓｏｒｍｔｒｓｏｄｎａｅｎＨＩｃｌｒｓａｅａｄｓｌｃｓｔｅｐｘｌｈｅｈｌｉｇｂｓｄｏｉｔｇａｉｏｔｅｈｌｉｇｂｓｄｏｉＨＳｏｏｐｎｈｎｃｅｅｔｉｅｓｎｈ
（ｍｐｔｒｃｅｃＣｏｕｅｉｎｅ＆ＥｇｎｅｉｇＣｏｌｇ。ａｎｎｓｉｔｆｅｈｏｏｙＪＢｈｌ１１０１Ｃｈｎ）ＳｎｉｅｒｎｌｅＬｉｏｉｇＩｔｕｅｏＴｃｎｌｇ，ｉｚｏｌ２０，ｉａｅｎｔ
ＫｅｒｓｃｌｒｉｇｅｍｅｔｔｎｃｌｒｓａｅＫ－ａｌｓｅｎ；ｈｅｈｌｉｇｍｏｐｏｏｙｗｏｄ：ｏｏｍａｅｓｇｎａｏ；ｏｏｃ；ｍｅｎｃｕｔｒｇｔｒｓｏｄｎ；ｒｈｌｇｉｐｉｙ
为特征，对彩色图像进行了分割：针对特定的视频跟踪系统，对各结果进行了比较，得出了结论，找出了较优算法——混合算法效果较理想，能够较有效的分割目标，为后续跟踪工作做好了前期处理工作。关键词：彩色图像分割；颜色空间；Ｋ均值聚类；阈值化：形态学中图分类号：ｎ叩５１文献标识码：Ａ文章编号：１０．００２０）１０２００５１９（０７０．２．４０

一种联合图像分割与背景建模的运动目标检测算法

Ｋｅｏｄ：ｉｅｕｖｉａｃ；ｏｉｂｅｔｅｅｔｎｂｃｇｏｎｏｅｉｇｍｘｕｅＧｕｓｎｍｄｌｙｗｒｓｖｄｏｓｒｅｌｅｍｖｇｏｊｃｄｔｉ；ａｋｒｕｄｍｄｌ；ｉｔｒａｓｉｏｅｌｎｎｃｏｎａ
智能视频监控系统实时监控场景，并对异常现象进行判断，产生报警信息通知值班人员及时采取有效的措施，减少值班人员的视觉负担，了监控系统的提高自动化水平。同时，采用只存储部分关键视频帧的策略，可以大大节约存储数据，减轻了监控存储器的负担。背景建模法是视频监控中广泛使用的方法，许多实际中成功应用的系统均使用这种方法。它的基本思想是建立背景的统计模型，然后将当前图像与背景图像做差提取出运动前景。ＡｕａｉｌｎｒＭｔ等人采用变带ｇｔａ宽核密度估计法建立背景模型… ，此方法可以取得较好的检测效果。缺点是需要较多的存储空间而且运算
ＳＯＮＧｈｎ－ｉＬＵＤａｇｈｉＺＮＧＬａＳｅｇｌ，Ｉｎ－ｕ，Ｅｕｎ
（ｈｃｄｍｆｑｉｍｎｏａｄａｄＴｃｎｌｇ，ｅｉｇ１１１，ｈｎ）ＴｅＡａｅｙｏｕｅｔｍｍｎｎｅｈｏｏｙＢｉｎ０４６ＣｉＥｐＣｊａ
维普资讯
・
３６・
《测控技术）０６２０年第２卷第５期５
一
种联合图像分割与背景建模的运动目标检测算法宋胜利， Nhomakorabea党辉，曾
（装备指挥技术学院，北京
峦
１１１）０４６
摘要：介绍了在混合高斯模型的基础上，采用每一个像素点及其邻域组成的集合作为特征矢量来描述图像，ＹＶ格式的彩色图像的不同颜色分量分别建立混合高斯模型，而确定是否有变化发生。为充对Ｕ从分利用空间信息，出将彩色图像分割与背景建模结合起来，提得到具有精确边缘的运动目标。实验结果表明，即使在前景纹理、色比较一致且与背景对比不是很明显的情况下，颜本方法也能完整地检测出运

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］。

多色调合成技巧 Photoshop中的通道分离方法

多色调合成技巧：Photoshop中的通道分离方法Photoshop是一种功能强大的图像处理软件，它提供了许多工具和功能，可以帮助我们实现各种各样的效果。

在本教程中，我将介绍一种被称为“通道分离”的技巧，用于实现多色调合成。

通道分离方法可以将一张彩色图像分解为单独的红、绿、蓝通道，并将它们分别处理后再合成，以获得不同的色调效果。

首先，打开一张你想要进行多色调合成的彩色图像。

然后，点击菜单栏的“图像”选项，选择“模式”，再选择“RGB颜色”。

这样，图像会被转换为RGB模式，以便我们可以分离通道。

接下来，点击菜单栏的“窗口”选项，选择“通道”。

在通道面板中，你将看到红、绿、蓝三个通道的缩略图。

现在，我们将分别对这些通道进行处理，以实现不同的色调效果。

选择红色通道，然后按下Ctrl + A（或Command + A）。

这将选中整个通道。

接下来，按下Ctrl + C（或Command + C），将该通道复制到剪贴板。

然后，按下Ctrl + V（或Command + V），将它粘贴回图像中。

现在，你将看到图像只包含红色通道的内容。

在右上角的图层面板中，将红色通道的混合模式设置为“正常”。

然后，通过菜单栏的“过滤器”选项，选择“其他”再选择“高斯模糊”。

调整模糊半径，使图像变得模糊。

这样，你就可以获得一种柔和的红色色调效果。

接下来，重复以上步骤，将绿色和蓝色通道分别复制粘贴回图像中。

然后，分别调整它们的混合模式和模糊效果，以获得不同的绿色和蓝色色调效果。

在进行了通道分离和处理后，你可以通过将红、绿、蓝三个通道的颜色混合起来，再次合成图像。

首先，点击菜单栏的“窗口”选项，选择“图层”。

在图层面板中，你会看到三个图层，分别对应红、绿、蓝三个通道。

点击其中一个图层，然后按下Shift键，点击其他两个图层，将它们同时选中。

接下来，点击图层面板中的“图层”菜单，选择“新建组”。

这样，你就创建了一个包含所有通道图层的组。

基于RGB色彩空间的彩色图像混合编码

ｏｏｇｎｏｓｄｓｒｂｔｎｏｈｏｎｔｍｆｈｔｔｍｐｎｎｔｔｅｗｏｃｍｐｎｎｓａｅｎｔｅｃｅｌｔｄｃｒｅａｆｈｍｏｅｅｕｉｉｕｉｆｃｒａｉｏａｈｃｏｅｔｈｏｈｒｔｏｅｔ．Ｂｓｄｏａｕａｅｒｌ－ｔｏｒｓｔｅｏｗｉｏｈｌｏｔｎｃｅｆｉｎｓｂｈｌｎｍｉｌｃｒｅａｉｎｆｎｔｎｎｅｅｙｓｂｅｉｎｈｏｉｏｈｔｅｗｏｃｍｐｎｎｓｂｃｍｅｉｏｆｉｅｔｙｔｐｙｏａｏｒｌｔｕｃｉｓｉｖｒｕｒｇｏ，ｔｃｄｎｆｒｔｅｏｈｒｔｏｏｅｔｏｓｏｃｅｏｏｏｅｇｅｔｅＣｄｏｃｒｅａｉｎｏｆｉｅｔ．ＤｕｉｇｄｃｄｎｈＯｉｆｏｌｔｃｆｉｎｓｏｅｃｒｅｏｉｇ，ｔｅｃｍｐｎｎｉｒｃｎｔｕｔｄｓｎｔｅｉｖｒｅｒｎｆｒｏｎｈｏｏｅｔＳｅｏｓｒｃｅｕｉｇｈｎｅｓｔａｓｍｆｏＪＥ００ＰＧ２０．Ｔｈｎａｃｒｉｏｔｉｅｏｓｒｃｅｍｐｎｎｄｔｅｏｓｒｃｅｏｅａｉｎｃｅｉｅｔ，ｔｔｅｗｏｃｍ－ｅｃｏｄｎｔｈｓｒｃｎｔｔｄｃｏｅｔｇｕｏｎａｈｒｎｔｔｄｃｒｌｔｆｃｎｓｈｏｈｒｔｅｃｕｏｏｉｅｏｐｎｎｓａｅｃｌｕａｅｕ．Ｅｐｒｎｅｕｔｈｗｈｔｔｉｍｅｈｄｉｆｈｇｏｉｇａｄｄｃｄｎａｅ，ａｄｉｉｎｌｔｏｅｔｒａｃｌｔｄｏｔｘｅｉｔｒｓｌｓｏｔａｈｓｔｏＳｏｉｈｃｄｎｅｏｉｒｔｓｎｔｓａｏｍｅｓｎｇＳｇｎｉａｉ，ｃｍｐｅｓｏａｅａｄｖｓｅｕｉｙａｅｂｔｅｈｎｔｏｅｏＩＤＧ００ｏｓｒｔｏｅｏｒｓｉｎｒｔｉｕｄｑａｔｒｅｔｒｔａｈｓｆ．ｎｌＰ２０．ＫｅｗｏｄＮｏｍｏｔｎｓｅｒｅｙｒｓｎｓｏｈｅｓｄｇｅ，Ｎｏ－ｏｒｌｔｎｄｇｅ，ｒｅａｅｃｅｆｃｅｔＰｌｎｍａｏｒｌｔｎｆｎｔｏｎｃｒｅａｉｅｒｅＣｏｒｌｔｏｆｉｉｎ，ｏｙｏｏｉｌｃｒｅａｉｕｃｉｎｏ

结合神经网络和MRF的彩色纹理图像分割方法

Ｄｉ１．９９Ｊｉｎ１０－０３．０２６下）２ｏ：３６／．ｓ．０９１４２１．（．３０ｓ
０引言
近年来，彩色图像分割正在受到更多研究者
函数，定义了一种间断白适应高斯马尔可夫随机场模型，实现图像的无监督分割。上述建模方法中特征场局部条件概率都是根据大数定律近似用高斯分布进行计算。但在实际
分割。文献［】图像特征场局部条件概率分布建６将６模为有限高斯混合模型，利用边缘信息构造能量
近似的高斯分布不能描述图像的真实特征。人工
神经网络的自学习特性使其可以通过大量样本学
以标记场为条件的特征场分布后，依各种图像分割
最优准则获取标记场后验概率，从而得到图像的分割。在ＭＲＦ分割方法中，以标记场为条件的特征
大大减少了聚类计算的次数，提高了算法性能。文献［］用在线高斯混合分布模拟背景图像，结５采
合颜色和纹理特征的线性组合，实现精确的运动
１神经网络￣ｉＦＩ：ＭＲ
１１Ｐ．Ｂ神经网络人工神经网络是一种模仿生物神经网络功能
而影响最终的结果。
和高斯混合模型曲。文献［］用多个不同的高４采斯分布作为距离图像中不同区域的法向矢量统计

图像分割阈值选取技术综述

图像分割阈值选取技术综述摘要图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域。

本文是在阅读大量国内外相关文献的基础上，对阈值分割技术稍做总结，分三个大类综述阈值选取方法，然后对阈值化算法的评估做简要介绍。

关键词图像分割阈值选取全局阈值局部阈值直方图二值化1．引言所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同[37]．简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。

阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。

在工业生产中，机器视觉运用于产品质量检测等等。

在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。

2．阈值分割的基本概念图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。

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)。

使用直方图c聚类混合方法的彩色图像分割摘要：本文提出了一种新的直方图阈值–模糊C-均值混合（htfcm）的方法，这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。

该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。

然后，使用模糊聚类（FCM）算法来提高这些均匀区域的聚类紧凑性。

实验结果表明，所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法，获得更好的聚类结果和分割结果。

1简介颜色是一个可以用来提取同类区域最重要的低级别的特点，多数时候与对象或对象的部分相关。

在24位真彩色图像中，特殊颜色数量通常超过图像大小的一半，可以达到16百万。

从人的感知上来说，这些颜色不能被人眼识别，只能靠内部认知空间的30种颜色来区分。

由于所有的特殊颜色在感知上非常接近，它们可以被组合来形成同性质的区域来代表图像中的目标对象，因此图像可以变得更有意义并且更容易分析。

在图像处理与计算机视觉中，图像分割是图像分析和模式识别的中心任务。

这是把一个图像分割成多个区域，这些区域相对于一个或多个特征是同类的。

虽然在科学文献中已经出现许多分割技术，它们可分为基于图像域，基于物理和基于特征空间的分割技术。

这些技术已经被广泛使用，但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割，这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。

基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割，他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。

因为色彩空间关系被忽略所以分割的区域通常是分散的。

但是，这种限制可以通过提高区域紧凑性来解决。

在计算机视觉和模式识别中，由于其聚类有效性和实施简单，模糊C均值（FCM）算法已被广泛用于提高区域的紧凑性。

它是一个将像素划分成群集的像素聚类过程，因此在同一集群中的像素最大可能的相似，那些不在同一组群的像素最大程度的不同。

由于在视觉上不同的区域尽可能不同，这与分割过程相一致。

但是，它的实现往往遇到两个不可避免的困难，确定聚类数和合理选择初始聚类中心。

这些初始化困难对分割质量有影响。

而聚类数的确定可能影响分割区域和区域性特征方差，获得初始聚类中心会影响聚类的紧凑性和分类的准确性。

最近，一些基于特征的分割技术采用蚁群算法（ACA）的概念对图像进行分割。

由于蚁群算法的智能搜索能力，这些技术可以实现图像分割结果的进一步优化。

但由于他们计算的复杂性会产生低效率。

除了获得良好的分割结果外，[26]提及的改进的蚁群算法（AS）提供了一个解决方案来克服FCM的聚类中心和聚类数初始化条件的敏感性。

然而，该技术在特征空间中没有达到非常紧凑的聚类结果。

为了提高蚁群算法的性能，[26]介绍了蚁群–模糊C-均值算法(AFHA)。

本质上，AFHA算法合并FCM算法和蚁群算法来提高特征空间中聚类结果的紧凑性。

然而，由于蚁群算法计算的复杂度它的效率仍然很低。

为了增加AFHA算法的效率，[26]介绍了改进的蚁群模糊C均值算法(IAFHA)。

IAFHA算法在AFHA算法上增加了一个蚂蚁的子采样的方法以减少计算的复杂性使算法具有更高的效率。

虽然IAFHA 的效率得到提高，但还存在较高的计算复杂度。

在本文中，我们提出了一个新的分割方法称为直方图阈值–模糊C-均值混合算法（htfcm）。

Htfcm方法主要分为两个模块，即直方图阈值模块和FCM模块。

直方图阈值模块用于获取FCM聚类中心和聚类数的初始条件。

与蚁群聚类相比这个模块的实现不需要很高的计算复杂度。

这就意味着该算法的简单性。

本文的其余部分安排如下：第2节详细地介绍了直方图阈值模块和FCM模块。

3节提供了算法实施程序的说明。

第4部分分析了本文提出的方法，同时把该方法和其他技术的结果进行比较。

最后，第5节总结本文的工作。

2建议方法在本文中，我们试图获得一个解决方案来克服FCM 聚类中心和聚类数对初始条件的敏感性。

从图像的全局信息考虑，采取直方图阈值模块克服了FCM 针对进行初始化弊端。

在这个模块中，图像的全局信息用于获得图像的所有可能区域，同时也可以获得所有可能的聚类中心和聚类数量。

然后FCM 模块用于提高了聚类的紧凑性。

在这种背景下，压实度是指从每个集群中取得每个聚类中心的最优化的标签。

2.1直方图阈值因为操作简单数字图像直方图是图像实时处理工具。

靠产生图像的全局信息，在图像处理中它作为一个很重要的统计学基础。

用RGB 表示的彩色图像，一个像素的颜色是红，黄，绿三原色混合形成。

每个图像的像素可以被看作是包含代表三种颜色图像像素的三维向量。

因此，全局直方图代表三原始成分，可以分别产生对整个图像的全局信息。

全局直方图的基本分析方向是在一个统一的区域形成相应的直方图峰值。

对于彩色图像，可以通过全局直方图的支配峰识别出特定区域。

因此，直方图阈值是一种流行的图像分割技术，这种方法寻找直方图的峰值和谷值[28,29]。

一种基于直方图分析的典型分割方法只需要判断支配峰能否在直方图中直接找出。

几种常用的寻峰算法利用了峰值的锐度或识别区域直方图中的峰值。

尽管这些寻找峰值的算法在直方图分析中通常是有用的，如果图像包含噪声或剧烈的变化，有时候他们不能得到很好的结果 [30,31]。

在本文中，我们提出了一种新的直方图阈值技术包含三相技术如寻峰技术，该区域的初始化和区域合并过程。

直方图阈值技术应用寻峰技术来确定全局直方图的支配峰。

寻峰算法可以正确地找到全局直方图中所有支配峰，已经通过大量彩色图像的测试证明这种方法是有效的。

因此，可以得到图像的特定区域。

因为图片中任何特定区域都包含3种代表RGB 彩色图像3种颜色的元素，每个特定区域的元素都标记了一个值，这个值对应于各自全局直方图的亮度级的峰值。

虽然成功地获得了特定的区域，特定区域在感官上很接近。

因此，使用区域合并合将这些地区合并在一起。

2.1.1寻找极值点让我们假设处理RGB 彩色图像，每个原始颜色分量的强度以n 位整数存储，在区间[ 0，L-1 ]给出一个可能的L =2n 强度级别。

让r （i ），g （i ）和b （i ）分别为红色分量，绿色分量和蓝色分量的直方图，让x i ，y i ，z i 分别表示与R （I ），G （I ）和B （I ）强度相关的像素个数，。

峰值寻找算法可描述如下：i.由以下方程表示红色分量，绿色分量和蓝色分量直方图：r(i)=xi (1)g(i)=yi (2)b(i)=zi (3)这里0<i<L-1，Ii.利用原来的直方图，建立以下方程的一个新的直方图曲线：((2)(1)()(1)(2))()5s i s i s i s i s i Ts i -+-+++++= (4)这里s 可以被r,g,b 代替并且2<=i<=L-3。

Tr(i)，Tg(i) 和Tb(i)是分别根据红绿蓝三通道得到的新的直方图曲线。

（注：基于对大量的图片的分析，窗口的一半大小可以设置的取值从2到5。

与原始直方图相比半窗大小小于2不能产生平滑的直方图曲线而过大可以产生平滑的直方图曲线的不同形状。

）iii.使用下面的公式确定所有的峰值：Ps i Ts i Ts i Ts i andTs i Ts i=>->+((,())()(1)()(1)（5）这里s可以被r,g,b代替并且2<=i<=L-2。

PR，PG和PB分别是由TR（I），TG（I）和Tb（I）确定的峰值。

iv.使用下面的公式确定所有的谷值：Vs i Ts i Ts i Ts i andTs i Ts i=<-<+((,())()(1)()(1))（6）这里s可以被r,g,b代替并且2<=i<=L-2。

VR，VG和VB分别是由TR（I），TG（I）和Tb （I）确定的谷值。

V.依据下面的聚类法则移动所有的波峰和波谷：IF（i is peak）AND (Ts(i+1)>Ts(i-1))THEN (Ts(i)=Ts(i+1))IF（i is peak）AND (Ts(i+1)<Ts(i-1))THEN (Ts(i)=Ts(i-1))IF（i is vally）AND (Ts(i+1)>Ts(i-1))THEN (Ts(i)=Ts(i-1))IF（i is vally）AND (Ts(i+1)<Ts(i-1))THEN (Ts(i)=Ts(i+1)) (7)这里s可以被r,g,b代替并且2<=i<=L-2vi.通过转折点具有积极的负梯度变化确定的Tr(i), Tg(i)和Tb(i)主导峰的来确定像素的数量比预定义阈值H的方法好。

（注：基于大量的数字图片的分析，典型值H设为20。

）2.1.2区域初始化在寻峰算法后，在红绿蓝三个直方图中分别获得了三个主导峰的强度水平。

让X，Y和Z 分别定义红绿蓝直方图中主导峰的个数，Pr,Pg和Pb分别为红色分量绿色分量和蓝色分量的直方图是设置的主导峰的强度水平。

在红色，绿色和蓝色分量的直方图中，一个统一的区域往往靠聚类中心形成一个主导峰值，该地区的初始化算法被描述如下：I.形成所有可能的聚类中心（注：在红色，绿色和蓝色直方图中每个组件聚类中心只能产生一个主导峰值。

因此，形成许多（x*y*z）可能的聚类中心的数目。

）Ii.将每个图像的像素分配到最近的聚类中心，将每一个像素分配到相应的聚类中心。

iii.消除所有分配给它们的像素数小于阈值V的聚类中心（注：减少初始聚类中心数，v值设置为0.006n 到0.008n ，n是图像中的像素的总数。

）iv.重新将每一个像素分配到最近的聚类中心。

（注：c1是聚类中心设置的l元素，x1是分配到c1的像素。

）V.分别根据像素xl的模型更新每一个聚类中心cl.2.1.3合并该区域的初始化算法后，根据他们各自的聚类中心得到统一的区域。

为了产生一个更简明的代表均匀区域的聚类质心，这些区域在感知上很接近，可以合并在一起。

因此需要一个算法基于颜色的相似性合并这些区域。

一个最简单的颜色相似性度量方法是欧氏距离，它被用来测量两个均匀区域之间的颜色差异。

让C=（C1，C2，...，Cm）是一系列聚类中心，M是聚类中心的数目。

在本文中，合并算法可描述如下：I.设置欧氏距离的最大阈值dc为一个正整数。

Ii.根据以下方程计算任何两种M 聚类中心的距离D ：222(,)()()(),,D cj ck Rj Rk Gj Gk Bj Bk j k =-+-+-∀≠ （8）这里1j M ≤≤和1k M ≤≤。

Rj ，Gj 和Bj 分别是红色，绿色和蓝色分量的第j 个聚类中心，和Rk ，Gk 和Bk 分别是红色,绿色和蓝色的第k 个聚类中心。