一种基于CB模型的彩色图像分割方法

合集下载

一种基于骨架的彩色图像分割方法

ｓｎａｉｎ．ｅｓｔｏ，
ＫＥＹＷＯＲＤＳ：ｍａｅｓｇｎａｉｎ；ｈｄｗ；ｋｌｔｎＩｇｅｍｅｔｔｏＳａｏＳｅｅｏ
ｓｇｅｔｉｆａｒｌｃｎ，ｄｏｔｉａｓｔｆｃｒｇｅｔｉｓｌｃｎｉｅｔｉｕａ ’ ｂｅｔｅｖｓａｅｎｔｎｏｎｔａｓｅｅａｂａｎｉａｔｙｓｍｎａｏｒｕｔｏｓｔｔｈｍｎＳｕｊｃｖｉｌｍａｏｕｎａｓｏｅｔｎｅｓｎｗｈｓｉｕ
ｄｎｈａｇｔｒｇｏｓｉｈｄｗａｅ）ａｏｎｈｉａｅｅｔｔｎｒｓｌａｅｍｅｇｄｉｒｔｅｙｉｔｉｇｒｒ－ｉｇｔｅｔｅｉｎｎａｓａｏｒａｒｕｄｔｅｉｔｓｇｎａｉｅｕｔｒｅｔａｉｌｎｏａｂｇｅｅｒｅｎｉｌｍｏｒｅｖ
ｏｅｃｅｆｏｏａｄｔｔｒｉｅｐｏｅｇｅｔｈｐｔｍｇ，ｄｔｎｔｅｔｇｔｅｉａｄｄｔｉｃ－ｎｔｕｓｌｎｘｅｓｍｌｄｔｓｍｎｔｅｉｕｉａｅａｅｒｅｒｇｎｃｎｉａｓ（ｎｌｈｏｃｒｅｕｙｏｅｎｎｈｈａｏｅｕ
ｇｏｃｏｄｎｈｋｌｔｎｍｏｅｆｔｅｔｒｅｎｅｅｆａｗｒｆｈｐｔｅｉａｄｖｒｃｔｎｈｘｅｉｎｉｎａｃｒｉｇｔｔｅｓｅｅｏｄｌｏａｇｔｄｒｔｒｍｅｏｋｏｙｏｓｓｎｅｆａｉ．Ｔｅｅｐｒｍｅ－ｏｈｕｈｈｉｉｏｔｅｕｔｈｗｔａｈｔｏｆｃｉｅｔａａｔｌｎｔｅｉｕｎｅｏｌｍｉａｉｎｖｒｔｎｏｅｉｇｌａｒｓｌｓｏｔｅｍｅｈｄｉｅｅｔ．Ｉｃｎｐｒｌｅｉａｅｔｎｅｃｆｌｓｈｔｓｖｙｍｉｈｆｌｉｕｎｔａｉｉｎｔｍａｅｏａｏｈ

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

标，再进行测量。
∑ｕ１＝，
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
（ｎ６ｉｅｕｃ）ｍｙ８６＠ｂｔｄ．ｎ１．
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ＨＶ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：ｒ３１４文献标识码：，９．１ＰＡ
果可以用一个模糊隶属度矩阵Ｕ＝｛Ｒｕ｝ “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

割方法具有较好的分割性能关键词：图像分割；征抽取；均散ｘｌｈｔｈｖｉｌｆａｕｅｌｂｅａｅｒｕ．ｉａｌｆａｈｇｏｐｗｅＴｉｄｙ，ｈｓｉｅｓｔａａｅｓｍｉｅｔｒｓｗｉｅｒｇｄｄａｇｏｐＦｎｌ，ｒｅｃｒｕｅｓｇｅｔｐｘｌｇｉｃｏｄｎｒａｌｒｙｏｍｎｉｅｓａａｎａｃｒｉｇ
维普资讯
ＣｍｕｒＥｇｎｅｉｎｐｌａｏｓ计算机工程与应用ｏｐｔｎｉｒｇａｄＡｐｉｔｎｅｅｎｃｉ
２０，３６０７４（）
３７
一
种基于区域的彩色图像分割方法
ｐｒｏｍａｃ．ｅｆｒｎｅ
Ｋｅｒｓｍａｅｓｇｅｔｔｎ；ａｕｅｅｔａｔｎ；ｖｒｇｃｔｒｄｇｅａｅａｅｄｖｄｄｄｇｅｙｗｏｄ：ｉｇｍｎｉｆｔｒｘｒｃｏａｅａｅｓａｔｅｒｅ；ｖｒｇｉｉｅｅｒｅｅａｏｅｉｅ
２Ｈｕａｉｅｉｃｅｃｎｅｈｏｏ，ａｇａＨｕａ１２，ｈｎ．ｎｎＵｎｖｒｔｏＳｉｎｅａｄＴｃｎｌｇＸｉｎｔｎ，ｎｎ４０１Ｃｉａｓｙｆｙ１Ｅ－ｉ：ｓｍｍ＠１３ｃｍｍａｌｃｐ６．ｏ
柳萍．阳爱民一．
ＬＩＵＰｎ，ｉｇＹＡＮＧ－ｍｉＡｉｎ

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。

一种改进的基于区域生长的彩色图像分割方法_刘俊

图1
算法流程图
域将像素合并到它最近的种子区域。 7］提出的方法，本文中，我们改进了文献［将区域合并优考虑到了未被处理的种子点的合并，并提出了自己的合并方化，法。我们合并了不相关的像素点、优化了区域合并方法，从而得
收稿日期： 2011 － 11 － 14 。校世博专项（ SK201053 ）；校基金项目（ SK201028 ）。刘俊，硕士生，主研领域：图像处理，模式识别。马燕，教授。陈坤，硕士生。
摘
要
提出一种改进的基于区域生长的彩色图像分割方法。首先，将图像从 RGB 颜色空间转换到 YCbCr 颜色空间。其次，自
动选取种子点，利用区域生长法进行分割。最后，使用改进区域合并算法合并相似的、小尺寸的区域。对网上随机抽取的图像进行实验结果证明了提出方法的有效性。了测试，关键词中图分类号彩色图像分割 TP301 种子点区域生长 A 区域合并
表 1 阈值选取与种子个数关系表
Cb， Cr 的标准方差：第二步：分别计算 3 × 3 邻域像素的 Y， σx =
第三步：计算总标准方差：
槡
1 9
∑（ x
i =1
i
－ x）
2
（ 3）
σ = σ Y + σ Cb + σ Cr 准方差的最大值： σ N = σ / σ max 第五步：求出该像素与邻域像素的相似性 H： d max = max8 i = 1 （ di ）
Cb = Cr
Y
－ 39 ． 797 － 74 ． 203 112 × － 93 ． 786 － 18 ． 214 112

彩色图像工程中常用颜色空间及其转换

彩色图像工程中常用颜色空间及其转换
彩色图像工程是涉及图像处理、计算机视觉和多媒体通信等多个领域的综合性学科。在彩色图像工程中，颜色空间是用来描述和表示图像中颜色信息的数学模型。不同的颜色空间适用于不同的应用场景，并在图像处理中发挥关键作用。本次演示将介绍一些常用的颜色空间，并阐述它们的基本概念和特点，同时讨论不同颜色空间之间的转换关系及实现方法。
参考内容
在图像处理和计算机视觉领域，彩色图像分割是一种重要的预处理步骤，其目标是将图像分割成多个区域或对象。基于RGB颜色空间的彩色图像分割方法是最常见的一种。
一、RGB颜色空间
RGB（Red，Green，Blue）颜色空间是彩色图像处理中最基础的色彩表示方法。它通过三个通道——红色、绿色和蓝色，来描述像素的颜色。每个像素的RGB 值都对应于一个特定的颜色。
实现方法：首先计算色度和饱和度，然后根据色度计算红、绿、蓝的分量。
3、RGB到YUV转换
RGB到YUV的转换公式为：
Y = 0.299R + 0.587G + 0.114B U = -0.R - 0.G + 0.436B V = 0.615R 0.G - 0.*B
实现方法：根据公式直接计算Y、U、V的分量。
不同颜色空间之间的转换
在实际应用中，往往需要将图像从一种颜色空间转换到另一种颜色空间。这种转换是有损的，可能会造成颜色的损失或变化。不同颜色空间之间的转换关系可以通过相应的转换公式和算法来实现。下面列举几种常见的颜色空间转换方法：
1、RGB到HSV转换
RGB到HSV的转换公式为：
H = arccos[(R-G+B)/3] / π S = max(R,G,B) - min(R,G,B) / max(R,G,B) V = max(R,G,B)

色调分离的原理和应用

色调分离的原理和应用1. 背景介绍色调分离，也称为色调分割或色调分解，是一种在图像处理和印刷领域中常用的技术。

它的原理是将彩色图像的每个像素分解为色调通道，以获取图像中各种颜色的分布情况。

这种分离使得可以对不同色调的像素进行独立处理，以达到更好的图像效果、色彩平衡和色彩调整。

2. 原理解析色调分离的原理基于彩色图像的色彩模型。

常见的色彩模型包括RGB（红绿蓝）模型、CMYK（青黄洋红黑）模型和HSV（色调、饱和度、亮度）模型等。

在RGB模型中，一个像素由红、绿、蓝三个通道的数值组成。

通过色调分离，可以将每个像素的RGB值转换为色调属性，并分别计算每个像素在不同色调通道上的数值。

在进行色调分离时，首先将彩色图像转换为灰度图像，然后通过一系列的计算和转换，得到色调通道的数值。

常用的色调分离算法包括基于统计的色调分离、基于波长的色调分离和基于人眼感知的色调分离。

这些算法的具体实现方式因应用场景和需求各异。

3. 应用场景色调分离在许多领域具有广泛的应用，以下是一些常见的应用场景：3.1 印刷和印刷品质控制在印刷领域，色调分离可以帮助确定出版物的颜色准确性和品质。

通过将图像分解为色调通道，可以检测和校正印刷机的颜色偏移、油墨密度和传输质量等问题。

3.2 色彩修正和滤镜效果色调分离可以用于对图像的色彩进行修正和调整。

通过独立处理不同色调的像素，可以改变图像的整体色调、亮度和饱和度等属性。

此外，色调分离还可以实现滤镜效果，例如黑白照片的生成和特殊效果的添加。

3.3 图像分割和目标识别利用色调分离，可以将图像中的目标物体与背景进行分离和提取。

这对于图像分割和目标识别非常有用。

通过将图像像素按颜色分离，可以更好地识别和分析图像中的目标，例如在医学图像分析和计算机视觉中的应用。

3.4 艺术和设计色调分离在艺术和设计中也具有重要的作用。

通过将图像分解为色调通道，可以创建独特的艺术效果和设计效果。

设计师可以根据需要调整不同色调的亮度和饱和度，以实现视觉效果的差异化和个性化。

彩色图像分割方法综述

彩色图像分割方法综述一、本文概述图像分割是计算机视觉领域中的一个核心问题，其目标是将数字图像细分为多个图像子区域，这些子区域在某种特性或属性上呈现出一致性，如颜色、纹理、形状等。

彩色图像分割作为图像分割的一个重要分支，由于其在许多实际应用中的关键作用，如目标识别、场景理解、图像检索等，而备受关注。

本文旨在对彩色图像分割方法进行全面的综述，以期对该领域的最新进展、主要方法和技术难点有一个清晰的认识。

我们将首先介绍彩色图像分割的基本概念和基本原理，包括颜色空间的选择和表示、分割准则的确定等。

接着，我们将重点回顾和分析近年来的主要分割方法，如基于阈值的分割、基于区域的分割、基于边缘的分割、基于聚类的分割以及基于深度学习的分割等。

对于每种方法，我们将详细讨论其基本原理、实现步骤、优缺点以及在实际应用中的表现。

我们还将对彩色图像分割面临的挑战和未来的研究方向进行讨论和展望。

通过本文的综述，我们期望能够为读者提供一个全面而深入的彩色图像分割方法的知识体系，帮助读者更好地理解和掌握该领域的核心技术和方法，同时也能够为相关研究人员提供有益的参考和启示。

二、彩色图像分割基础彩色图像分割是图像处理领域中的一个重要任务，旨在将图像划分为多个具有相似性质的区域，这些区域在颜色、纹理或其他特征上有所不同。

相比于灰度图像，彩色图像提供了更为丰富的信息，使得分割过程更加复杂但也更加精确。

在进行彩色图像分割之前，首先需要了解不同的彩色空间表示。

常见的彩色空间有RGB、HSV、YUV等。

RGB空间基于红、绿、蓝三种基本颜色来混合形成各种颜色，是最常用的彩色空间之一。

然而，在图像处理中，HSV空间往往更为直观和有效，因为它将颜色分为色调（Hue）、饱和度（Saturation）和亮度（Value）三个独立的部分，便于进行颜色分析和分割。

彩色图像分割方法可以分为基于阈值的方法、基于边缘的方法、基于区域的方法和基于机器学习的方法等。

基于阈值的方法是最简单的方法，通过设定不同的颜色阈值来将图像划分为不同的区域。

一种基于Lab空间的彩色图像阈值分割方法[发明专利]

(10)申请公布号(43)申请公布日 (21)申请号 201510018987.4(22)申请日 2015.01.15G06T 7/00(2006.01)(71)申请人北京天航华创科技股份有限公司地址100085 北京市海淀区学清路9号汇智大厦A310b(72)发明人李保国(54)发明名称一种基于Lab 空间的彩色图像阈值分割方法(57)摘要本发明公开一种彩色图像分割方法，通过把RGB 彩色图像转换到Lab 空间进行图像分割，分离出亮度L，并在ab 两个颜色通道上进行OSTU 阈值分割，不仅考虑到了不同类型的前景图像的颜色特征，也适用于光照变化场合下的彩色图像分割，提高彩色图像分割准确性和鲁棒性。

(51)Int.Cl.(19)中华人民共和国国家知识产权局(12)发明专利申请权利要求书1页说明书3页(10)申请公布号CN 104574405 A (43)申请公布日2015.04.29C N 104574405A1.本发明公开一种彩色图像分割方法，通过将RGB彩色图像转换到Lab空间进行彩色图像阈值分割，其特征在于，包括以下步骤：（1）把待分割的彩色图像和已知的背景彩色图像转换到Lab颜色空间；（2）提取出Lab图像，分离亮度L，在ab通道上，将待分割的图像和已知的背景图像作差分，得到两个背景差分图像的灰度图像；（3）将（2）的灰度图像在ab两个颜色通道上进行OSTU 阈值分割处理，得到两个最优的阈值；（4）采用（3）得到的两个最优阈值，对ab通道上的背景差分图像的灰度图进行二值化处理；（5）把二值化分割后的区域进行合并；（6）对合并后的区域，进行形态学滤波，得到彩色图像分割的结果。

2.根据权利要求1所述的基于Lab空间的彩色图像阈值分割，其特征在于，所述步骤（1）把彩色图像转换到Lab颜色空间的具体步骤：先将RGB色彩空间转换为XYZ空间，如下式：。

3.根据权利要求1所述的基于Lab空间的彩色图像阈值分割，其特征在于，所述步骤（3）OSTU阈值分割法得到最佳阈值T的具体方法：对图像Image，记t为前景与背景的分割阈值，前景点数占图像比例为W0，平均灰度为U；背景点数占图像比例为W1，平均灰度为U 1；图像的总平均灰度为：u=W×U+W1×U1；从最小灰度值到最大灰度值遍历t，当t使得值g=W0×(U-u)2＋W1×(U1-u)2 ，最大时t即为分割的最佳阈值T。

基于CB模型的彩色图像混合噪声去除方法

基于CB模型的彩色图像混合噪声去除方法周千;李文胜【摘要】将分数阶偏微分理论和CB模型相结合应用于图像去噪，提出了一种基于分数阶偏微分方程和CB模型的彩色图像混合噪声去除方法。

对于添加混合噪声（高斯噪声和椒盐噪声）的彩色图像，首先，利用MCM模型去除图像中的椒盐噪声，然后将处理后的彩色图像分解为色度C和亮度B两部分，用分数阶偏微分模型处理亮度B，而对于色度C，由于其受到单位长度的限制，在处理时非常困难，利用拉格朗日乘数法并通过添加辅助变量，将色度转化为两个近似的子问题，从而得到色度的近似处理方法，最后将处理后的亮度B和色度C合成为新的彩色图像。

最后通过实验证明了该方法的有效性。

%Combining fractional-order differential theory with Chromaticity-Brightness(CB)model in order to deal with the mixture of the salt&pepper and Gaussian noises,a novel color image denoising model is proposed,which is based on fractional-order partial differential equation and CB model. For a color image with mixed noises(salt &pepper and Gaussian noises),the salt & pepper noise can be eliminated by the MCM model effectively. Then ,the processed color image is decomposed into chromaticity component and brightness component. Secondly ,we use fractional-order differential model for brightness component. For chromaticity component ,we use Lagrange multiplier method and add an auxiliary variable to approximate the chromaticity. Thirdly ,the retorted image is got by multiplying the recovered chromaticity with recovered brightness. Finally,we prove the validity of the proposed model through the experiments.【期刊名称】《河南科学》【年(卷),期】2016(034)007【总页数】7页(P1037-1043)【关键词】彩色图像去噪;分数阶偏微分方程;CB模型【作者】周千;李文胜【作者单位】西安航空学院理学院，西安 710077;西安航空学院理学院，西安710077【正文语种】中文【中图分类】TP391图像去噪是图像处理和图像分析领域中的一个重要研究课题.针对不同的噪声，各种去噪方法应运而生.高斯白噪声和椒盐噪声是研究者考虑最多的两种噪声.然而，现有的去噪方法大多是针对某一特定噪声的，在混合噪声情形下效果不理想.鉴于此，美籍韩国学者Seongjai Kim提出了一种混合PM模型［1］、TV模型［2］和MCM模型的αβϖ（ABO）模型［3］，利用MCM模型能够有效地去除椒盐噪声，而PM模型、TV模型则能够去除高斯噪声，因此，该模型能够有效地平滑混合了高斯噪声和椒盐噪声的图像.然而，无论是PM模型还是TV模型，都是基于整数阶偏微分对图像进行去噪处理.而分数阶微分作为整数阶微分的一种推广，已经在数学、医学等许多研究领域得到了广泛的应用［4-10］.利用分数阶微分进行图像去噪，可以大幅提升图像的高频成分、增强图像的中频成分、非线性保留图像的低频成分，因此可以较好地保留图像平滑区域中灰度变化不大的纹理细节信息，同时，还可以避免二阶非线性扩散所特有的“阶梯效应”［11］.在图像处理的研究进程中，一般的图像去噪模型都是针对灰度图像进行处理［12-13］.然而，在实际生活中，人们接触到的图像主要是彩色图像，因此，对彩色图像进行去噪处理具有非常重要的现实意义［14-18］.传统的彩色图像处理方法都是采用RGB空间，分别对彩色图像的红、绿、蓝三分量进行处理，最后再将处理后的三个分量合成彩色图像.虽然这种方法具有实现过程简单、处理速度快等特点，但由于彩色图像的三个分量原本是一个有机的整体，相互之间具有很高的相关性，将RGB三个分量分开处理往往会导致最终得到的彩色图像失真，降低去噪后彩色图像的质量.受上述文献的启发，为了能够有效去除彩色图像中的高斯噪声和椒盐噪声，同时能够更好地保持图像的边缘纹理特征等细节信息，将分数阶偏微分理论和CB （Chromaticity-Brightness）模型相结合应用于彩色图像的混合噪声去噪.首先，将一幅彩色图像I分为色度C（Chromaticity）和亮度B（Brightness）两部分，其中，这里：‖‖∙表示L2范数.亮度B表示RGB彩色向量的长度，色度C用来存储单位长度上的彩色信息.对于亮度B，大多数的研究者采用TV模型（全变分图像去噪模型）进行处理，但TV模型属于二阶偏微分方程的范畴，去噪结果会出现阶梯效应，本文采用分数阶偏微分方程对亮度B进行处理；对于色度C，由于其受到单位长度的限制，在处理时非常困难，本文利用拉格朗日乘数法并通过添加辅助变量，将色度转化为两个近似的子问题，从而得到色度的近似处理方法，然后将处理后的亮度B和色度C合成新的彩色图像.最后通过实验证明了该方法的有效性.为了能够有效地去除高斯噪声和椒盐噪声，Seongjai Kim提出了一种混合PM模型、TV模型和MCM模型的αβϖ（ABO）模型［3］，如下：其中：u表示图像，u0为初始图像，ut为第t次选代后的图像，在数学上的定义是一样的，都是梯度模.之所以写成不同的符号，是因为Seongjai Kim对给出了不同的差分格式.在模型（1）中，当α=ϖ=0时，模型退化为TV模型，而当α=1,β=ϖ=0时，则退化为MCM模型，当α=0,ϖ＞0时，则成为PM模型.特别地，当α=1+ϖ,ϖ＞0,β＞0时，称为强化的TV模型.2.1 基于分数阶偏微分方程的混合去噪模型为了能够有效去除高斯噪声和椒盐噪声，同时能够更好地保持图像的边缘纹理特征等细节信息，受到αβϖ（ABO）模型的启发，提出如下的去噪模型：在式（2）中为分数阶梯度算子为分数阶梯度模.当ε=1时，即变为αβϖ（ABO）模型.因此，式（2）是αβϖ（ABO）模型的推广，称之为E-αβϖ（ABO）模型.类似于文献［19］中的方法，当离散该模型时，采用自适应时间步长并忽略时间t 的迭代.因此，在式（2）中，令ut=0，则式（2）可改写为：因此，可以通过离散方程（3）来代替方程（2），这样可以大大减少计算的复杂程度.2.2 彩色图像的CB模型在RGB空间，一幅彩色图像可以看作一个映射：大多数的图像去噪方法是建立在RGB空间体系上，CB模型也是来源于RGB颜色空间，它把I分为色度C（Chromaticity）和亮度B（Brightness）两部分，其中，这里：‖‖∙表示L2范数；亮度B表示RGB彩色向量的长度；色度C用来存储单位长度上的彩色信息.对于亮度B，采用基于分数阶偏微分方程的图像去噪模型式（2）进行处理，分数阶微分可以大幅提升图像的高频成分、增强图像的中频成分、非线性保留图像的低频成分，因此可以较好地保留图像平滑区域中灰度变化不大的纹理细节信息，同时，还可以避免二阶非线性扩散所特有的“阶梯效应”.而对于色度C的去噪，首先将C表示为C=（C1,C2,C3），然后考虑：其中:；而x=（x1,x2）表示图像区域Ω中的坐标；C0为色度的初始值；λ为参数.对式（5），利用拉格朗日乘数法可得到一个无条件极值问题：其中：μ（x）是在点x∈Ω的拉格朗日乘数.为了有效地解决问题（6），仿照文献［16］中的方法，添加一个新的变量U来近似地代替色度C，从而获得了问题（6）的一个近似问题：其中：θ为参数.首先来求拉格朗日乘数μ.式（6）对应的Euler-Lagrange方程是：式中，i=1,2,3.给上式两端同时乘以Ci，并对i进行求和，可得：因为||C=1，即，故上式可变形为：式中：＜C,C0＞表示向量C与C0的内积.又，故可得到：进一步地，这样.从而，所以，，因此，方程（10）可简化为：故其次，来求色度C.对于式（6）的近似问题（7），利用交替最小化方法可以将其分解为两个子问题.首先固定U，在式（7）中对C求导可得：变形可得：最后，确定U.在式（7）中，固定C，则可得到关于U的子问题：这是一个典型的ROF模型，利用文献［2］的方法可求得：其中：τ为比例系数；表示梯度算子∇ε的共轭算子.本文算法实现主要包括以下三个步骤：ⓐ先用MCM模型去除混合噪声中的椒盐噪声；ⓑ把去除椒盐噪声后的彩色图像分解为色度C和亮度B两部分.对于亮度B，将其代入式（3）中进行处理，而对于色度C则利用式（14）、（15）、（17）、（18）进行迭代求解；ⓔ最后，将处理后的色度C和亮度B合成新的彩色图像.为提高方程的去噪能力并同时保护图像的细节，对|∇u|的离散常常采用一些特殊的方法.Seongjai Kim提出了ENoD（Essentially non-dissipative）的差分格式来离散MCM模型中的扩散因子|∇u|，这可以有效地消除椒盐噪声并保护图像的边缘纹理特征［3］.ENoD差分格式定义如下：给定一个网格点P（i,j），设的8-邻域中的点之一.令对上述8个差分值按从小到大进行排序：则在P（i,j）点计算|∇u|的ENoD差分格式为：ENoD差分格式综合了两个最小的差分值去逼近梯度值，因此，它不是数学意义上的梯度模的精确值，即当网格的空间步长趋于零时，它不一定趋于该点的梯度模，但是，从数值实验结果来看，它能有效地保护图像的边缘纹理细节等信息.为了求解模型式（3）、（14）、（17）、（18），先对进行离散.数字图像的分数阶偏微分定义如下［14］：为了计算的方便，选取分数阶微分定义的前三项作为分数阶微分的近似：而，也可以使用上式进行离散.此外，为了避免在计算过程中||∇εu=0，在计算时用来代替，其中a为一个很小的正数.为了验证本文模型的有效性，在Matlab7.0的平台下进行了两组比较实验.实验结果主要通过计算去噪后图像的峰值信噪比（PSNR）作为去噪性能的客观评价标准. 第一组实验是将本文方法与传统的基于RGB三通道的图像去噪算法进行比较，实验结果如图1所示.选取标准的Pepper图像进行实验，（a）是原图，（b）是添加均值为0，方差为0.01的高斯噪声图，PSNR=17.346 0.（c）是基于RGB三通道的图像去噪算法处理的结果，从图中可以看出，该方法处理后的彩色图像有明显的失真现象，特别是在图中红色辣椒的部分，从而降低了去噪后彩色图像的质量，其原因是彩色图像RGB三个分量原本是一个有机的整体，相互之间具有很高的相关性，将RGB三个分量分开处理势必会导致图像失真.（d）是本文方法处理的结果，选取参数α=0.001,β=0.01，ϖ=0.02,ε=0.6，τ=4,θ=0.25,λ=0.7，从图中可以看出，本文方法处理后的图像更加接近于原图，视觉效果较好.最后，从实验结果也可以看出，在噪声强度相同的条件下，本文模型处理后得到的图像的PSNR=27.460 7高于基于RGB三通道的图像去噪算法处理后得到的图像的PSNR=24.810 6，进而从客观角度说明了本文模型的有效性和优越性.第二组实验是将本文方法与αβϖ（ABO）模型进行比较，实验结果如图2所示.选取标准的Lena图像进行实验，（a）是添加均值为0，方差为0.01的高斯噪声，以及密度为0.02的椒盐噪声图，PSNR=23.958 7.（b）是基于ENoD差分格式的MCM模型去除椒盐噪声后的图像，可以看出，MCM模型能够较好地去除椒盐噪声，并能够保护图像的边缘和细节.对于剩下的高斯噪声，则分别采用αβϖ（ABO）模型与本文方法进行平滑，结果如图2（c）和（d）所示，在αβϖ（ABO）模型中，选取参数α=0,β=0.04,ϖ=0.02，去噪后图像的PSNR=31.136 5，本文方法中，选取参数α=0.001,β=0.01,ϖ=0.02,ε=0.6,τ=4,θ=0.25,λ=0.7，去噪后图像的PSNR=34.083 0，无论是视觉方面，还是客观的数据比较，本文方法都要优于αβϖ（ABO）模型.本文将分数阶偏微分理论和CB模型相结合应用于图像去噪，提出了一种基于分数阶偏微分方程和CB模型的彩色图像混合噪声去除方法.首先，利用基于ENoD差分格式的MCM模型去除混合噪声中的椒盐噪声，然后将处理后的彩色图像分解为色度C和亮度B两部分，利用E-αβϖ（ABO）模型处理亮度B，仿照文献［8］的方法，利用拉格朗日乘数法并通过添加辅助变量，将色度转化为两个近似的子问题，从而得到色度的近似处理方法，最后将处理后的亮度B和色度C合成为新的彩色图像.实验结果表明，本文提出的方法既能有效地加强图像的纹理信息，并能获得更好地视觉效果.【相关文献】［1］Perona P，Malik J.Scale-space and edge detection using anisot ropic diffusion ［J］.IEEE Trans on Pattern Analysis and Machine Intelligence，1990，12（7）：629-639. ［2］Rudin L，Osher S，Faatemi E.Nonlinear total variation based noise removal algorithms［J］.Physica D，1992，60（4）：259-268.［3］Seongjai Kim.PDE-based image restoration：a hybrid model and color image denoising［J］.IEEE Transaction on Image Processing，2006，15（5）：1163-1170.［4］Bai Jian，Feng Xiangchu.Fractional-Order anisotropic diffusion for image denoising ［J］.IEEE Trans Image Process，2007，16（10）：2492-2502.［5］张富平，周尚波，赵灿.基于分数阶偏微分方程的彩色图像去噪新方法［J］.计算机应用研究，2013，30（3）：946-949.［6］蒋伟.基于分数阶偏微分方程的图像去噪新模型［J］.计算机应用，2011，31（3）：753-756.［7］黄果，许黎，陈庆利，等.基于空间分数阶偏微分方程的图像去噪模型研究［J］.四川大学学报：工程科学版，2012，44（2）：91-98.［8］杨柱中，周激流，郎方年.基于分数阶微积分的噪声检测和图像去噪［J］.中国图象图形学报，2014，19（10）：1418-1429.［9］高朝邦，周激流.基于四元数分数阶方向微分的图像增强［J］.自动化学报，2011，37（2）：150-159.［10］李博，谢巍.基于自适应分数阶微积分的图像去噪与增强算法［J］.系统工程与电子技术，2016，38（1）：185-192.［11］You Y L，Xu W，Tannenbanm A，et al.Behavioral analysis of anisotropic diffusionin image processing［J］.IEEE Trans on Image Processing，1996，5（11）：1539-1553. ［12］Catte F，Lions P L，Morel J M，et al.Image selective smoothiung and edge detection by nonlinear diffusion［J］.SIAM J Num Anal，1992，29（1）：182-193. ［13］Alvarez L，Lions P L，Morel J M.Image selective smoothiung and edge detectionby nonlinear diffusion［J］.SIAM J Num Anal，1992，29（3）：845-866.［14］Chan T F，Kang S H，Shen J.Total variation denoising and enhancement of color images based on the CB and HSV color models［J］. Vis Commun Image R，2001，12（4）：422-435.［15］Tang B，Sapiro G，Caselles V.Color image enhancement via chromaticity diffusion ［J］.IEEE Trans Image Process，2001，10（5）：701-707.［16］杜宏伟，张翼.基于偏微分方程的彩色图像去噪综合模型［J］.云南民族大学学报：自然科学版，2011，20（6）：497-499.［17］陈北京，戴慧，刘全升，等.基于四元数表示的彩色图像泊松噪声去除［J］.东南大学学报：自然科学版，2013，43（4）：717-723.［18］孙莉.一种基于平均曲率的彩色图像去噪分裂模型［J］.兰州大学学报：自然科学版，2012，48（3）：128-132.［19］Tony F Chan，Stanley Osher，Shen Jianhong.The digital TV filter and nonlinear denoising［J］.IEEE Transaction on Image Processing，2001，10（2）：231-241.。

一种改进CB模型的彩色图像混合噪声去除方法

一种改进CB模型的彩色图像混合噪声去除方法周千;李文胜【期刊名称】《计算机与数字工程》【年(卷),期】2017(045)001【摘要】将分数阶偏微分理论和CB模型相结合应用于彩色图像混合噪声去除.对于添加混合噪声的彩色图像,首先,利用MCM模型去除图像中的椒盐噪声,然后将处理后的彩色图像分解为色度C和亮度B两部分,用分数阶偏微分模型处理亮度B,而对于色度C,由于其受到单位长度的限制,在处理时非常困难,因此,在角度域中平滑色度C,这样可以避免计算时的困难,并能够提高平滑的效率,然后将处理后的亮度B和色度C合成为新的彩色图像.最后通过实验证明了该方法的有效性.%Combing fractional-order differential theory with Chromaticity-Brightness (CB) model,in order to deal with the mixture of the salt & pepper and Gaussian noises,a novel color image denoising model is proposed.For a color image with mixed noises,the salt & pepper noise can be eliminated by the MCM model effectively.Then,the processed color image is decomposed into chromaticity component and brightness component.Secondly,fractional-order differential model is used for brightness component.The chromaticity component will be smoothed in angle domain to avoid the difficulty and to improve efficiency.Thirdly,the retorted image is got by multiplying the recovered chromaticity with recoveredbrightness.Finally,we proved the validity of the proposed model through the experiment.【总页数】5页(P147-151)【作者】周千;李文胜【作者单位】西安航空学院理学院西安710077;西安航空学院理学院西安710077【正文语种】中文【中图分类】TP391【相关文献】1.一种去除图像混合噪声的新方法 [J], 杨辉;唐建锋;陆世专2.一种用于图像匹配识别的高斯-脉冲混合噪声去除方法 [J], 杨博;耿伯英;樊妃九;宋睿3.一种新的去除混合噪声的变分模型及其应用 [J], 罗志宏;冯国灿4.一种基于CB模型的彩色图像分割方法 [J], 王志豪;汪继文5.基于CB模型的彩色图像混合噪声去除方法 [J], 周千;李文胜因版权原因，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。