用HSI进行图像分割
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。
HSI空间和改进C-means的彩色人民币号码分割方法
ｓ ａ ｅ ａ ｄ ｉ ｒ ｖ ｄ ｃｕ ｔｒｎ ｌｏ ｉ ｍ ｏ ｐ ｃ ｎ ｍｐ ｏ ｅ ｌ ｓｅ ｉ ｇ ａ ｇ ｒｔ ｈ ｆ ｒ ＲＭ Ｂ ｎ ｍｂ ｒｃ ｌｒ ｉ ｇ ｅ ｍｅ ｔｔ ｎ ｉ ｐ ｏ ｏ ｅ ．Ｔ ｅ ＨＳ ｐ ｃ ｓ ａ ｕ ｅ ｏ ｏ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｓ ｒ ｐ ｓ ｄ ｈ Ｉｓ ａ ｅ ｉ ｏ
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。
基于颜色特征的交通标志图像分割研究
基于颜色特征的交通标志图像分割研究摘要：本文分别基于rgb色彩空间和hsi色彩空间采用阈值分割法，对不同光照条件下采集到的交通标志图像进行颜色分割，并根据实际检测效果进行改进，得出了颜色分割效果较好的阈值空间。
关键词：交通标志颜色特征图像分割一、引言智能交通系统中先进车辆控制与安全系统研究热点主要集中在交通标志识别、视觉增强等方面。
道路交通标志识别主要是通过在机动车上安装的摄像机捕获自然场景图像，再对图像进行检测，对图像中的标志加以识别，这样可以辅助驾驶员从外界环境中获取信息，提高驾驶安全性。
交通标志主要利用图形、颜色与字符结合，向人们传递信息，具有一定的特殊性，在识别时可充分利用交通标志自身的颜色、形状等方面的特征，进行处理、提取加以识别。
交通标志按其作用可分两大类：主标志和辅助标志，本文主要研究主标志中的警告标志、禁令标志和指示标志。
二、基于rgb色彩空间的交通标志分割在面向硬件设备时rgb是最常用的色彩模型，但rgb三个分量间存在较高的相关性，并且三个分量对光照亮度有一定的依赖性，亮度值发生变化会引起rgb三个分量值的改变。
但交通标志牌的检测根据颜色的色度分割即可，不需要考虑颜色受亮度的影响，因此只需知道rgb之间的相对值即可[1]，可将rgb三分量作标准化处理。
在r，g，b色度坐标系中，r+g+b=1，r，g，b分别表示为：r=r/（r+g+b）g=g/（r+g+b）b=b/（r+g+b）我国交通标志主要由红、黄、蓝三种颜色组成，在r、g、b彩色空间中对这几种颜色有规范的定义，但在实际应用中，为了增强算法的健壮性，可根据采集到图像对分割这几种颜色的阈值进行适当的调整。
通过对rgb彩色空间研究发现，不同颜色的r、g、b三分量之间的差值能够保持在一定的范围之内。
本文在归一化的rgb 彩色空间下，采用将不同颜色的r、g、b三分量的差值控制在适当阈值范围内进行分割的算法进行有效分割，实验发现在实际光照条件下，黄色更偏向于黄红色，在对红色进行提取时黄色被误认为是红色也提取出来了。
基于颜色空间的图像分割算法研究
基于颜色空间的图像分割算法研究一、简介图像分割是数字图像处理中的重要内容，其目的是将一张图像分成不同的部分或区域。
图像分割在计算机视觉、机器人、医学图像以及自然图像的分析等方面有着广泛的应用。
基于颜色空间的图像分割算法是图像分割领域中的一种常见方法，本文将从该方法的原理、实现及优化方面进行研究。
二、基于颜色空间的图像分割算法原理基于颜色空间的图像分割算法的原理是：在RGB、HSI、HSV、LAB等颜色空间中，将图像像素的颜色信息利用聚类分析的方法分类，从而得到不同的区域。
其中，RGB色彩空间以红、绿、蓝三原色的亮度为基础，可以展现出色彩的真实性，但缺乏人眼的视觉特性；HSI色彩空间是将RGB色彩空间转换至色相（H）、饱和度（S）、强度（I）三方向，用于描述颜色的感性特征。
HSV色彩空间是将RGB色彩空间转换至色调（H）、饱和度（S）、亮度（V）三方向。
LAB色彩空间是基于三个属性：L（亮度）、A（色彩在绿-红轴上的位置）、B（色彩在蓝-黄轴上的位置）。
三、基于颜色空间的图像分割算法实现基于颜色空间的图像分割算法的实现步骤如下：1.选择合适的颜色空间转换成灰度图像；2.确定聚类中心，对灰度图像进行聚类，确定不同的区域；3.利用聚类得到的分割结果对原图像进行分割，得到不同的区域。
四、基于颜色空间的图像分割算法优化基于颜色空间的图像分割算法的优化主要从以下几个方面：1. 颜色空间选择：应选择适合特定应用场合的颜色空间。
例如，应选择HSV颜色空间来提取彩色图像中特定颜色物体的信息；2. 聚类算法：应选择合适的聚类算法，不同聚类算法适用于不同的分割结果；3. 深度学习方法：利用深度学习方法实现图像分割可以提高分割的准确性和效率；4. 视频图像分割：对于视频图像分割，可以将前一帧的分割结果作为后一帧的初始聚类中心，以减少重复计算。
五、总结基于颜色空间的图像分割算法是图像分割领域中的常见方法之一，在医学图像、机器人、计算机视觉等领域有着广泛的应用。
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。
hsi 使用 -回复
hsi 使用-回复使用HSI（色彩模型），以及为什么HSI对于图像处理和计算机视觉是重要的。
第一步：介绍HSI色彩模型HSI（色相、饱和度、强度）是一种广泛应用于图像处理和计算机视觉领域的色彩模型。
它与其他常见的色彩模型（例如RGB和CMYK）不同，其特点在于将颜色信息分解为人类感知颜色的主要特征。
第二步：解释HSI的三个分量1. 色相（H）：色相表示的是颜色的基本属性，它对应于颜色在色谱上的位置。
色谱是一个环形的颜色表示空间，其中将红、橙、黄、绿、青、蓝和紫等颜色按一定顺序排列。
色相的取值范围是0到360度，表示了颜色的类型。
2. 饱和度（S）：饱和度表示的是颜色的纯度或鲜艳程度。
饱和度越高，颜色越鲜艳，反之则越灰暗。
饱和度的取值范围是0到1之间，取0表示灰阶（无色彩），取1表示完全饱和的颜色。
3. 亮度（I）：亮度表示的是颜色的明暗程度。
较高的亮度值对应于明亮的颜色，而较低的亮度值则对应于较暗的颜色。
亮度的取值范围是0到1之间，取0表示黑色，取1表示白色。
第三步：HSI与其他色彩模型的比较相较于RGB色彩模型，HSI色彩模型更直观地反映了人类感知颜色的方式。
在RGB模型中，颜色由红、绿、蓝三个通道的混合来描述，不易理解。
而在HSI模型中，色相对应于常见的颜色名称，饱和度反映了颜色的纯度，亮度则直接表示颜色的明暗程度。
此外，HSI模型还具备一些其他优点。
首先，HSI模型对颜色进行了分离，使得对图像进行颜色处理变得更加方便。
可以通过单独调整色相、饱和度和亮度，来实现对图像的不同色彩调整。
其次，HSI模型对图像处理中的色彩不变性问题提供了一种解决方案。
由于HSI模型将色彩信息和明暗信息分开，因此在进行各种图像处理操作时，可以针对不同的颜色和亮度区域进行处理，而不必担心色彩信息的丢失。
第四步：HSI在图像处理和计算机视觉中的应用HSI模型在图像处理和计算机视觉领域中有广泛应用。
以下是几个例子：1. 目标检测和跟踪：HSI模型可以用于在图像中分离出目标物体和背景。
基于HSI图像分割的AGV道路标线中心线提取
第 一作 者 简 介 ： 汉 荣 ， ， 士 研 究 生。Ｅ ｍ ｉ ｍ ｊ ３５ ＠ 姜 男 硕 ・ ａ ： ｎ ８ ３５ ｌ ７
１ ３ ｃ ｒ。 ６ ．ｏ ｎ
科
学
技
术
与
工
程
１ １卷
图像 增强 、 图像 的几何 校正处 理等 内容 。
在预处 理之 后 ， 图像 数据 进 行 图像 分 割 。 图 对
Ｒ Ｂ图像转换成 Ｈ Ｉ Ｇ Ｓ 图像 ， 在此基础上完成 图像分 割。 图像分割所获得的单色位图， 经过 图像形 态学的处 理 ， 开运算、 包括 腐
蚀、 差运算等 ， 最终可提取 出道路标线 的中心线。对实 际道路 图像数据 的实验验证 了该方 法的有效性 。与原有方 法相 比， 该 方 法所 需运 算简单 ， 实现该方法所需硬 件资源消耗 小， 适合基于嵌入式系统开发的视觉导航 Ａ Ｖ。 Ｇ 关键词 自动导引车 中图法分类号 视觉 导航 Ｈ Ｉ图像 Ｓ 文献标志码 形 态学 Ｔ ３ １７ ； Ｐ ９ ．６ Ａ
Ａ Ｖ的视觉 引导 系统 的一 个 重 要 功 能 是 对 图 Ｇ 像 进行 处理 ， 现 对 道 路 标 线 中 心 线 的有 效 检 测 。 实 实现 道路标 线 中心线 检测 的子 系统 功 能框 图如 图 １
Ｊ
ｌ
图分 像割
ｌ
ｆ
ｌ 中线测 心检 Ｊ
图 １ 道路标 线中心线 检测子系统功能框 图
像形 态学 的 图像 增 强技 术 提 出了一 种 用 于道 路 引，
所示。在这个子 系统 中， Ｃ Ｃ Ｄ摄 像机 获取 图像数 据， 并通过视频采集卡传送到计算机或者微型控制
器 中【 。计算 机或 者微 控制器 首先 对获 取 的 图像 数 据进 行必 要 的预处 理 ， 后 通 过 图像 分 割 将 感 兴 然
hsi分类综述 -回复
hsi分类综述-回复什么是HSI 分类？HSI（Hue-Saturation-Intensity）分类是一种基于图像颜色和亮度的分类方法。
它将图像的颜色信息转换为颜色空间中的向量，并使用这些向量来区分不同的类别或类型。
HSI分类是一种常见的计算机视觉任务，它在许多领域中得到了广泛的应用，如图像处理、计算机视觉、图像识别等。
HSI 颜色空间基础HSI 颜色空间是一种二维的圆柱坐标系，在这个坐标系中，颜色信息被表示为色相（Hue）、饱和度（Saturation）和强度（Intensity）三个分量。
色相表示颜色的基本属性，是纯色的唯一属性，范围从0-360度。
饱和度表示颜色的纯度和鲜艳程度，从0-1之间的值。
强度表示颜色的亮度，也从0-1之间的值。
HSI 分类的一般步骤HSI 分类的一般步骤包括图像预处理、特征提取、特征选择和分类器设计。
1. 图像预处理图像预处理是任何图像分类任务的第一步，其目的是对图像进行一些基本操作，以提高分类算法的效果。
常用的图像预处理操作包括去噪、平滑处理、边缘检测等。
去噪操作可以去除图像中的噪声，使得分类器更准确地提取特征。
平滑处理可以降低图像的噪声级别，并改善特征的稳定性。
边缘检测可以提取图像的边缘信息，有助于区分不同类别的样本。
2. 特征提取特征提取是从图像中抽取有意义的信息用于分类的过程。
在HSI分类中，常用的特征提取方法包括直方图特征、纹理特征和颜色特征。
直方图特征是在HSI颜色空间中统计不同颜色区域的像素数量，可以反映出图像的色彩分布情况。
纹理特征可以利用灰度共生矩阵等方法来描述图像的纹理信息。
颜色特征可以通过计算图像中不同颜色在HSI颜色空间内的分布情况来区分不同类别的图像。
3. 特征选择特征选择是从提取的特征中选择最具有代表性的特征，以提高分类器的分类准确率和效率。
常用的特征选择方法包括信息增益、互信息和卡方检验等。
这些方法可以评估特征与目标类别之间的相关性，选择最具有判别能力的特征。
基于HSI颜色空间分割彩色图像的聚类算法
科技信息．
高校 理科 研 究
基 于 Ｈ ｌ 色空 间分 割 彩色 图 像昀 聚 类算 法 Ｓ颜
河南省 开封人 民警察 学校 陈 良庚
［ 摘 要］ Ｉ Ｈｓ 色彩 空间是从人 的视 觉 系统 出发 ， 用色调 （ ｅ、 Ｈｕ）色饱 和度（ａ ｒｔ ｎ或 ｃｈ０ 和亮度 （ ｔｎｉ Ｓｔ ａｏ ｕ ｉ ｒＩ ｍ） Ｉ ｅｓｙ或 Ｂｒ ｈｎ ｓ来描述 ｎ ｔ ｉ ｔｅｓ ｇ ） 色彩 。本 文提 出 了一种 新 的彩 色 图像 分割 方 法 ， 据 ＨＳ 颜 色空 间 色调 和 亮度 的 二 维 直 方 图进 行 分 割 。 根 Ｉ ［ 关键词 ］ 色图像分割 ＨＳ 聚类 二 维直方 图 波峰查找 彩 Ｉ
、
。
图像分割和分析。通 常需要把 Ｒ Ｂ 色空 间变换到其他颜色空间 ， Ｇ 颜 以 便进行更好地分割。 现有 的颜色空间有很多 ，其 中 ＨＳ 颜色空 间是一种和人眼的视觉 Ｉ 感知相吻合的色彩空间 ， 的三个颜色分量相对独立［ 其中色调 、 和 它 ４ １ ， 饱 度和亮度信息分别由分量 Ｈ、 、表示。 ｓＩ 色调表示了基本 的颜色 ； 饱和度 是颜色纯度的测度 ， 表示 了混入 白光的 比例 ； 亮度则 描述了图像的明亮 程度 。 把颜色信息和亮度信息分离开来 ， 能更好的进行 图像分割。 ＨＳ 可以由 Ｒ Ｂ颜 色空 间转换而来， Ｉ Ｇ 转换公式 ： 为
图像分割技术的理论及应用
图像分割技术的理论及应用图像分割是计算机视觉中的一个基本问题，它是指将一幅图像分成若干个不同的、具有一定意义的区域的过程。
图像分割技术的应用非常广泛，其中包括物体识别、图像压缩、医学图像处理等领域。
本文将探讨图像分割的理论和应用。
一、图像分割的基础理论1、色彩空间图像分割需要用到一种称为色彩空间的概念。
色彩空间是表示图像颜色的一种数学模型。
常见的色彩空间包括RGB色彩空间、LAB色彩空间、HSI色彩空间等。
RGB色彩空间是最常用的一种色彩空间，它由红、绿、蓝三个颜色通道组成。
在RGB色彩空间中，每个像素点的颜色是由它在红、绿、蓝三个颜色通道中的取值决定的。
LAB色彩空间是另一种常用的色彩空间，它将颜色的亮度（L）、绿红分量的变化（A）和蓝黄分量的变化（B）分别表示出来。
相比RGB色彩空间，LAB色彩空间更符合人类视觉系统的特征。
2、图像分割方法图像分割是一种复杂的问题，常用的图像分割方法包括阈值法、边缘检测法、区域生长法、图论方法等。
阈值法是一种基础的图像分割方法，它将像素点的灰度值与一个预设的阈值进行比较，并将像素点分为两类。
这种方法简单易懂，但是会存在阈值选择不合适的情况。
边缘检测法是另一种常用的图像分割方法，它通过检测边缘进行图像分割。
边缘检测法的基本思想是在图像中找到明显的灰度变化，例如图像中的物体边缘。
实现该方法的常用算法包括Sobel算法、Laplacian算法等。
区域生长法是一种基于像素相似度的图像分割方法。
该方法首先选择一组种子像素，然后向周围探测像素，将像素组成的区域分为一类。
该方法对噪声敏感，但是对不规则物体分割效果很好。
图论方法是一种先进的图像分割方法，其核心思想是把图像看作一个图，然后在图上进行分割。
该方法可以将复杂的图像分割任务转化为图上的最优化问题，在处理复杂图像时效果明显优于其他方法。
二、图像分割技术的应用1、物体识别在计算机视觉领域，物体识别是一个非常重要的问题。
彩色图像分割
二值、灰度形态学
二值形态学中的运算对象是集合。设A为图像集合，S为结 构元素，数学形态学运算是用S对A进行操作。需要指出，实际 上结构元素本身也是一个图像集合。对每个结构元素可以指定 一个原点，它是结构元素参与形态学运算的参考点。应注意， 原点可以包含在结构元素中，也可以不包含在结构元素中，但 运算的结果常不相同。以下用阴影代表值为1的区域，白色代表 值为0的区域，运算是对值为1的区域进行的。二值形态学中两 个最基本的运算——腐蚀与膨胀，如图所示。
基本符号和术语
1. 元素和集合
在数字图像处理的数学形态学运算中，把一幅图像称为一个 集合。对于二值图像而言，习惯上认为取值为1的点对应于景 物中心，用阴影表示，而取值为0的点构成背景，用白色表示， 这类图像的集合是直接表示的。考虑所有值为1的点的集合为 A， 则A与图像是一一对应的。对于一幅图像A，如果点a在A
y S1
O
y
x X
X○ S1 X○ S2
O S2
x
(a)
(b)
X (c)
图 (a) 结构元素S1和S2
(b) X○S1
(c) X○S2
y S1
O
y
x
S1 X
X● S1
X● S2
O S2
x
X
S1
(a)
(b)
图 (a) 结构元素S1和S2
(c)
(b) X●S1； (c) X●S2
印刷电路板彩色图像分割算法研究
印刷电路板彩色图像分割算法研究摘要：针对印刷电路板图像颜色种类较少，色彩不连续且边界变化较快，并且焊盘层和碳路层与背景颜色差别较大，而线路层和背景颜色比较接近的特征，提出了一种阈值分割方法。
该方法基于hsi 颜色空间，针对不同对象进行分割时，根据其特点，采用不同的方法计算阈值进行分割。
关键词：图像分割；阈值；颜色空间；印刷电路板中图分类号：tp391 文献标识码：a 文章编号：1009-3044（2013）15-3634-03在印刷电路板（printed circuit board，pcb）缺陷自动检测系统中，图像处理软件是重要的核心部分，它包括图像预处理、图像分割、缺陷检测和定位。
图像分割是图像分析处理软件的核心。
近年来，彩色图像分割[1]与边缘提取技术越来越为人们所重视，其中阈值法[2]是最具代表性的方法之一。
该文在对印刷电路板彩色图像的颜色特征进行分析后，发现印刷电路板图像颜色种类较少，色彩不连续且边界变化明显，且焊盘层和碳路层与背景色差别很大，而线路层和背景颜色比较接近.针对以上特征，本文提出了针对不同对象而采取不同方法的一种阈值分割方法。
1 颜色空间转由于目前数码设备采集到的pcb图像是rgb图像，但在彩色图像处理的中，由于hsi颜色空间更接近人眼对颜色的感知，也与物体本身的特性有关，因此，该文pcb图像分割是在hsi空间进行。
从rgb到shi的转换关系为[3]：2 颜色量化本文研究的印刷电路板彩色图像单层裸板，其图像是由有限块区域组成，并且相同区域内颜色相似相近，实际需要处理的颜色数目较少，因此本文采用颜色量化的方法将相似相近的颜色归类处理。
量化后，图像由不超过256种颜色所组成。
3 pcb图像分割算法利用上述方法将rgb图像转换成hsi图像后，分别对电路板上的焊盘、线路以及碳线层进行分隔，具体方法如下：3.1 焊盘的双阈值分割算法标准焊盘显金黄色，其图像在hsi空间下色调s的范围为17—32，hsi空间上下限为固定值，因此可以利用双阈值对其进行分割。
RGB与HSI颜色空间下番茄图像分割的对比研究_尹建军
RGB与HSI颜色空间下番茄图像分割的对比研究尹建军，毛罕平，王新忠，陈树人，张际先（.江苏大学农业工程研究院，江苏镇江 212013）摘要：该文针对番茄收获机器人视觉系统在自然光照条件下对田间成熟番茄图像进行分割的问题，研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法，并对其进行了对比分析。
在RGB颜色空间，首先提取RGB彩色图像的R、G分量并作代数减运算得到色差灰度图像RG，然后对该色差灰度图像RG使用Otsu阈值法进行自适应分割；在HIS颜色空间下，统计番茄与叶子的H色调分布差异，然后对H色调灰度图像进行阈值分割。
通过大量试验表明，基于(R-G)色差特征的阈值分割方法能实现自适应阈值处理，能对不同自然光照强度下的生长状态为相互分离的多目标番茄图像进行有效分割，同时对番茄的成熟度及品种差异也具有很好的鲁棒性，其性能大大优于基于HSI 颜色空间H色调的统计阈值分割。
关键词：机器视觉；番茄；图像分割中图分类号：0 引言*在机器视觉技术中，图像分割是视觉识别的前提和关键，分割结果的优劣直接影响着后续处理过程［5］。
对于番茄采收机器人，把在自然生长状态下成熟番茄从复杂自然背景中识别出来并准确计算其形心位置及外形尺寸，是实现目标空间定位并进行机械手操作的基础。
赵杰文等［7］研究了HIS颜色空间下基于色调统计的阈值分割，没有实现番茄图像的自动分割；杨国彬等［8］直接使用R、G、B三分量作为贝叶斯分类器的输入进行目标与背景的分类，由于图像的复杂性,其效果并不稳定；张瑞合［9］等利用图像的二维直方图，经腐蚀与膨胀后提取背景区边缘的拟合曲线来实现彩色图像的分割。
本文综合考虑了自然生长状态下的番茄图像中番茄的成熟度以及品种差异、植株叶子状况和番茄茎秆直立的支撑物，以及图像受光照条件、噪声、摄取角度和距离等因素的影响，研究了基于(R-G)色差特征的阈值分割方法和基于HSI颜色空间H色调的统计阈值分割方法，并对其进行了对比分析。
一种基于HLS的快速图像分割算法
一种基于HLS的快速图像分割算法【摘要】本文提出了一种新的基于HLS的快速图像分割算法。
通过分析HLS 颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区域。
在图像的预分割过程中起到了快速定位的作用。
与基于MEANSHIFT 的图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速的，良好的的特性。
【关键词】预分割；图像分割；HLS颜色空间1.分割的意义与现状图像分割是计算机图像处理与机器视觉研究领域中的基本问题之一。
随着计算机硬件和计算机理论的不断取得突破进展，数字图像处理技术和计算机视觉技术得到了广泛的应用。
在对图像进行研究和应用中，前景提取或前景分割是一个重要的研究组成部分。
在应用的过程中，往往只对图像中某些部分某些区域感兴趣，这些部分通常称之为前景。
前景是图像中特定的，具有某些特性的区域，或者说是具有更高层次语义的区域。
例如人，桌子等等自然物体，也可能是人身体的一部分，如头发，脸等等。
为了进一步的研究分析，需要把前景区域单独提取出来，作为下一步的算法的输入。
所以说图像分割算法是指将某些特定区域从背景中分割出来的算法。
图像分割是数字图像处理与计算机视觉研究领域中的基本问题之一，也是热点之一。
在每一次交互式的过程中，我们并不需要对整幅图像进行处理，只需要对交互处周围的像素点进行分析即可。
这样不仅仅是因为处理的像素点减少，从而可以节省大量的处理时间，同时在处理过程中，可以去掉不相似点的干扰，在处理速度上，在收敛性上，也可以节省大量的时间。
所以如果能明确处理的区域，可以提高处理速度，从而保证算法的实时性。
如果定义一个固定的矩形或者圆形等形状的话，对于不同的物体显然具有不同的效果。
如果物体比所定义的矩形框大，则不能一次性的分割出相邻的区域。
如果物体比所定义的矩形框小很多的时候，不仅仅是处理速度上变慢，分割效果会降低。
所以使用简单的分割算法进行粗定位，确定下一步的处理范围，对整个交互式过程来说是一个非常重要的步骤。
基于HSI空间的车牌字符分割
如果 ２ Ｏ ＜ ５ｌ ＞ １ ＆受 ２ ２ （ １ ０ ・ ５ ｌ ０
返 回 白色 ： 如 果 １ ＯｓＨ ＜２ ０＆ ＆Ｓ＞０ １ ９ ４ ．
Ｑ Ｄ
返回蓝色 ： ． （ ） 通 车 牌一 共 有 ７个 字 符 。第 一个 字 符 为 汉 字 。 二个 １普 第 如果 ２ ５ ＜５ ＆ ＆Ｓ ＞０ ３ ５ ．５ 字 符 为 字母 ， 三 和 第 四 个 字 符 为 字母 或 者 数 字 。 三 个 字 符 为 第 后 返回黄色 ： 数 字 小 型 车辆 的后 车 牌 的 样 式 为 单层 车牌 。 车牌 的标 准 规 格 其 返 回其 他 颜 色 ： 尺 寸 为 ４ ０ ｍ＊４ ｍ 所 有 的 字符 外 接 矩 形 大 小 相 等 ， 二 个 ４ ｍ １ ０ ｍ。 第 对 车牌 类 型 判 断 为 ：定 义 一 个 变 量 ｎ＇￣ 用 于 记 录颜 色 的 ＇ｔ ｌ ｙ 和 第 三 个 字 符 之 问 问隔 最 大 ． 且 有一 个 问 隔 点 ． 他 字 符 问 隔 类 型 ． 义 一 个 数 组 ｃｌ Ｔ ｐ 于 记 录 每 个 颜 色 类 型 的 像 素 点 并 其 定 ｏ ｒｙｅ用 ｏ 相 等 。 型 车辆 的后 车 牌 样 式 为 双 层 车牌 ． 车牌 的标 准规 格 尺 数量 ； 各 颜 色类 型 的像 素 数 量 进 行统 计 。 大 到小 进 行 排 列 ； 大 其 对 由 寸 为 ４ ０ ｍ＇２ 咖 。 层 字 符 的 大 小 分 别 相 等 ， 层 两 个 字 符 根 据排 列 前 两 位 的 颜 色 确定 车 牌 类 型 。 ４ ｍ ２０ 每 上 偏小 。 正方形 。 为 ４车 牌 字 符 分 割 ． （ ） 牌颜 色包 括车 牌 字 符 颜 色 和 车牌 底 色 。 ２车 车牌 颜 色 种类 车 牌 字 符 分 割 是 指 将 车 牌 区域 分 割 成 各 个 单 个 的 字 符 区 少 ， 配 固定 。所 有 种 类 的 车 牌共 有蓝 色 。 色 ， 色 。 色 以及 域 。 如果 某 一 列 都 是 背 景 点 ， 样 的 列 我 们 定 义 为 空 格 线 。 搭 黄 黑 白 这 由相 红 色 五 种颜 色 。 牌 字 符 区域 的 颜 色 对 比度 很 强 。 车 一般 有黑 底 白 邻 的空 格 线 组 成 的区 域 称 为空 格 区 ．非 空格 区域 即有 投 影 值 的 字。 黄底 黑 字 。 底 白字 。 底 红 字等 。 蓝 白 （ ） 进 行 车牌 图像 采 集 时 。 ３在 车牌 区域 的 大小 可 能 随 着 摄像 机 采 集 的 角 度 的 不 同 而有 所 变 化 ．但 在 交 通 系统 的正 常采 集 情 况下 ． 摄像 机与 车 牌 基 本 垂 直 ． 牌 区域 的长 。 ， 比 例是 固定 车 宽 高 的， 字符区域的长宽 比。 符问的间距和每个 字符 的长宽比也是 字 图 １二 值 车 牌 投影 基 本 固定 的 。这 些 可 作为 字 符 分割 的一 个 先 验 知 识 。 分 析 投 影结 果 ． 图像 中存 在 相 互 问 隔 的 投 影 区 和 空 格 区 两 个 序 ３基 于 颜 色 空 间判 断车 牌 类 型 ． 记录空格区的左右边界位置 ， 为向量 Ｐ ＾ ． 其中 设 ｏ ｐ ｐ ， 般 的方 法 是 用 牌 照 颜 色 中 的 ＲＧ Ｂ分 量 的 相对 差 值 来 判 列 ， ，。 Ｐ 。为 空 格 区左 边 界 ，矗为 空 格 区 右 边 界 ，空 格 区 数 量 为 ｍ２ Ａ Ｐ ／。 断 牌 照 的颜 色 ， 而 在 实 际 环 境 中 。 于光 线 的 变 化 （ 暗 或 太 然 由 太 每 个 投 影 区 不都 是 字 符 。 投影 区包 括 字 符 区 域 和 非字 符 区域 。 这 亮 ） 导致 了牌 照 Ｒ Ｂ值 变 化 。 很 多 情 况 下会 形成 误 判 。 而 Ｇ 在 一是 由 于车 牌 左 右 边 界 不 能 精 确 到字 符 。 而 因 ＨＩ 型 用 色 度 （ ｅ 。 和 度 （ａｕａ ｏ ） 亮 度 （ ｔ ｓｙ 里 存 在 两个 情况 ： ｓ模 Ｈｕ ） 饱 Ｓｔ ｔｎ ， ｒｉ Ｉｅ ｉ） ｎｎｔ 或 产 二 来 描 述 颜 色 。 度描 述 出 色 的 属性 。 和度 给 出一 种 纯 色 被 白光 包 含 部 分 车 身 区域 。 者 车 牌 污 损 ， 生 非 字 符 的投 影 区 ； 是 色 饱 车牌污损或车牌褪色 的影 响 ． 可能造成车牌字符 稀 释 的 程 度 的 度量 。 度 为 图 像 的 灰度 值 信 息 。 三 个 分 量 是 独 由于光照条件、 亮 这 即多 个 字 符 只 产 生一 个投 影 区 。 立 的。 因此 该 模 型可 以在 消 除 亮 度 影 响 的情 况下 提 取 彩 色 信 息 。 连 结 。 分 割 车 牌 的 步骤 如下 ： 从 Ｒ Ｂ模型到 ＨＩ Ｇ Ｓ模型的转 换公式 如下 ： １ 图像 预 处 理 。 车 牌 图 像 进 行 灰 度化 。 值 化 。 数 学 形 ） 对 二 用 Ｈ ∈［， ） ０２ 态 学Ｄ 行 图像 优 化 等 一 系 列预 处 理 ：
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。
非均匀图像亮度补偿的分割方法
非均匀图像亮度补偿的分割方法闻敬东;张轩雄;巨志勇【摘要】为消除非均匀光照对图像分割效果的影响,提出了改进的动态型高斯同态滤波的亮度补偿新方法.将非均匀图像置于HIS色系下,在频域内对其亮度分量进行同态滤波,同时引入改进后的高斯高通滤波传递函数,并保持色调和饱和度不变,得到光照均匀的图像,进而利用Otsu算法对增强后的均匀图像进行分割.实验结果表明,文中所提方法能够使得到补偿后的图像明暗适中、视觉感好,且分割的精度与速度都较为理想.【期刊名称】《电子科技》【年(卷),期】2017(030)009【总页数】4页(P12-15)【关键词】非均匀光照;亮度补偿;HIS色系;改进的动态型高斯同态滤波【作者】闻敬东;张轩雄;巨志勇【作者单位】上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093;上海理工大学光电信息与计算机工程学院,上海200093【正文语种】中文【中图分类】TN911.73;TP391.4图像分割目的就是将图像中的物体从背景中分离出来，方便于后面的分析、计算等处理。
通常情况下的图像分割是在均匀光照条件下采取的。
但是随着采集设备的发展及采集环境的影响，收集到的图像并非都是均匀的，而传统的图像分割方法大多是针对均匀图像而言的。
为使非均匀图像产生更好地分割效果。
本文提出了一种改进的动态型高斯同态滤波亮度补偿分割方法。
即在HSI色系下将改进后的高斯高通滤波器函数引入同态滤波中，设计出一种新的动态型高斯同态滤波器，保持色调和饱和度不变仅在频域内对亮度分量进行增强，削弱低频分量来实现非均匀图像的亮度补偿。
再采用Otsu 算法对得到的均匀图像进行二值化分割。
实验结果表明，改进的亮度补偿方法可以有效减少非均匀光照图像给传统分割算法带来的影响，大幅提高图像字符的识别率。
非均匀图像产生是因采集过程中光的反射形成的，一旦光源在图像上照射不均匀就会使光照强的地方亮，光照弱的地方暗。
基于HSI颜色空间的绝缘子图像的分割
．
大 连
— —民 族学 院学 报 ｔ Ｊ ｕ ｎ ｌｏ ｌａ ｔｏ ａ ｉｉｓ Ｕｎ ｖ ｒｉｙ ｏ ｒ ａ ｆＤａｉ ｎ Ｎａ ｉｎ ｌ ｅ ｉ ｅ ｓｔ
文章 编 号 ：０ ９—３５ ２ １ ）５— ４ １ ０ １０ １Ｘ（０ ０ ０ ０ ８ — ４
１１ ０２ ６ ６， Ｃｈ ｎ ｉ ａ；２． Ｍ ｏ ｅ ｕｃ ｔｏ ｌＴｅ ｈｎ ｌｇ ｎ ｅ ｄ ｍ Ｅｄ ａｉｎａ ｃ ｏｏ Ｃｅ ｔｒ，Ｄａｉ ｎ Ｎａ ｉｎ ｌｔｅ ｙ ｌａ ｔｏ ａ ｉｉｓ Ｕｎｉｅ ｓｔ ｖ ｒｉｙ，Ｄａｉｎ ｌａ
Ｌａｎｎ １６ ５ Ｃ ｉａ ３ Ｓ ａｘ ｇＰ ｗ ｒＢ ｒａ ， ｈ ｏｉ ｈｊ ｎ １００， ｈｎ ） ｉｏｉｇ１６ ０ ， ｈ ； ． ｈｏｉ ｏ ｅ ｕｅｕ Ｓ ａｘ ｇＺ ｅ ａｇ３２ ０ Ｃ ｉａ ｎ ｎ ｎ ｉ
ｇ ａ ｏ ｄ ｎ ｔ ｄ ｂ ｓ ｄ ｏ ｈ ｒ ｃｅ ｉｔｃ ｆｔ ｕ ｏ ｏ ｅ ｔ ｒ ｐｈ ｆｌ ｉ ｇ ｍｅｈｏ ａ ｅ ｎ ｃ ａ ａ ｔ ｒｓｉｓ ｏ ｈｅ ｈ ｅ ｃ ｍｐ ｎ ｎ ．Ｔｈ ｔ ｏ ｅ ｕｃ ｓｍｉ — ｅ ｍｅｈ ｄ ｒ ｄ ｅ ｓ— ｓ ｇ ｎ ａｉ ｎ ｏ ｈ ａ ｋ ｒ ｕ ｄ．Ｗ ｅ ｓ ｌ ｃｅ ｓ Ｓ ｔ ｒ ｓ ｌ ｉ ｇ ｍｅｈｏ ｏ ｅ ｍｅ ｔ ｔ ｎ．Ａ— ｅ ｍｅ ｔｔｏ ｆｔ ｅ ｂ ｃ ｇ ｏ ｎ ｅｅ ｔ ｄ Ｏｔｕ’ ｈ ｅ ｈｏｄ ｎ ｔ ｄ ｆ ｒｓ ｇ ｎ ａ ｉ ｏ ｇ ｉ ｓ ｈ ａ ｄ ｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｒ ｓ ｌｓｏ ｉ ｇｅ ｃ ｍｐ ｎ ｎ ｓ，Ｈ ｒＳ，ｗｅ ｐｒ ｐ ｓ ｄ ｔ ｎｄ ａ ｎ ｔｔ ｅ ｆ ｗｅ ｍａ ｅ ｓ ｇ ｎ ａｉ ｅ ｕ ｔ ｆｓｎ ｌ ｏ ｏ ｅ ｔ ｌ ｏ ｏ ｏ ｏ ｅ ｏ ｆ ｉ
HSI和区域生长结合的火灾图像分割方法
（ 山西大 学 物 理 电子 工程 学 院 ， 西 太原 ０００ ） 山 ３０６
摘 要： 森林 火灾 图像分 割是 火灾 特征 和识 别 的重要 前 提 ， 分 割 结果 将 直 接影 响 到 火灾 识 别 的准 确 率 。针对 常 用 的 图 其
像分 割方 法进 行 了分析 ， 在此 基础 上提 出 了 Ｈ Ｉ Ｓ 模型 和 区域生 长结 合 的森林火 灾 图像 分 割方 法 。该方 法 首先 将原 图像 转
（ ｅ ａ ｍｅｔ ｆ ｈ ｓ ｓａｄＥｅｔ ｎｃ Ｅ ｇｎｅｉｇ Ｓ ａｘ Ｕ ｉｅｓｙ Ｔ ｉｕｎ０ ００ ， ｈｎ ） Ｄ ｐ ｒ ｎ ｙｉ ｎ ｌ ｒ ｉｓ ｎ ｉｅｒ ，ｈ ｉ ｎｖｒｉ ，ａ ａ ３０ ６ Ｃ ｉａ ｔ ｏＰ ｃ ｃｏ ｎ ｎ ｔ ｙ
Ａｂｔａ ｔＴ ｅｉ ｇ ｅｍｅｔｔ ｎｏ ｒｓ ｆｅ ｅｍａｏ ｒｍｉ ｆ ｘ ａｔ ｎａｄｒｃｇ ｉｏ ｆ ｒ ｄｉ ｅｕｔ ｆ ｃ ｃｕａｙ ｓｒｃ： ｈ ｍａｅｓｇ ｎａｏ ｆ ｏｅｔｉ ｓｉ ｔ ｊｒｐｅ ｓ ｏ ｔ ｃ ｏ ｎ ｅｏ ｎｔ ｎｏ ｅａ ｓ ｓｌａｆ ｔ ａｃ ｒｃ ｉ ｆ ｒ ｓ ｈ ｅ ｅｒ ｉ ｉ ｉ ｆ ｎ ｔｒ ｅ ｓ
Ｒｅ ｅ ｒ ｈ ｎ Ｉ ａ ｅ Ｓ ｇ ｅ ｔ ｔｏ ｆＦｉｅ Ｂａ ｅ ｎ ｓａ ｃ ｏ ｍ ｇ ｅ ｍ ｎ ａｉｎ ｏ ｒ ｓ ｄ ｏ Ｈ Ｓ ｎｄ Ｒｅ ｉ ｎ Ｇ ｒ ｗｉ ｇ Ｉａ ｇ ｏ ｏ ｎ
ＬＩ ＡＮＧ ｉ ＺＨＡＮＧ — ｎ ＬＩＬｉ Ｊｅ， Ｌｉ ｈｏ ｇ， ｎ
ｏ ｒ ｄ ｎ ｉ ｃ ｔｏ ｉ ｃ ｙ Ｃｏ ｆ ｆ ｅ ｉ ｅ ｔ ａ ｉ ｎ ｄ ｒ ｔ ． ｍｍｏ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ ｒ ａｙ ｅ ｄ ａ ｎ ｗ ｍａ ｅ ｓ ｇ ｎ ｔ ｎ ｍｅｈ ｄ ｂ ｓ ｄ ｏ Ｉ ｉ ｉ ｆ ｅ ｌ ｎ ｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ｓ ａｅ ａ ｌ ｚ ｄ ａ ｅ ｉ ｇ ｅ ｍｅ ｔ ｉ ｔ ｏ ａ ｅ ｎ ＨＳ ｏ ｎ ｎ ａ ｏ ａ ｄ ｒ ｇ ｏ ｒ ｗｉ ｇ ｉ ｕ ｏ ｗａ ｄ Ｆ ｒ ｔ ｃ ｎ ｅ ｔ ｅ ｏ ｉ ｉ ａ ｍａ ｅ ｉ ｔ Ｉｓ ａ ｅ ａ ｄ ｅ ｔａ ｔＨ ， ｄ Ｉｃ ｍｐ ｎ ｎ ｆｔ ｅ ｉ ｇ ｅ ａ ｎ ｅ ｉ ｎ ｇ ｏ ｎ ｓ ｐ ｔ ｆ ｒ ｒ ． ｉｓ ， ｏ ｖ ￣ ｈ ｒｇ ｎ ｉ ｇ ｎ ｏ ＨＳ ｐ ｃ ｎ ｘ ｒ ｃ Ｓ ａ ｏ ｌ ｎ ｏ ｅ ｔｏ ｍａ ｅ ｓ ｐ — ｈ ｒ ｔ ｌ Ｔ ｅ ｃ ｏ ｓ ｅ ｓ ｅ ｎ ｏ ｉ ｉ ａ ｍａ ｅ ａ ｄ ｄ ｅ ｉ ｎ ｇ ｏ ｎ ｏ ｉ ， ｎ ｏ ａ ｅｙ． ｈ ｎ， ｈ ｏ ｅ ｔ ｅ ｄ ｉ ｒｇ ｎ ｌ ｈ ｉ ｇ ｎ ｏ ｒ ｇ ｏ ｒ ｗｉ ｇ ｔ ｔ Ｈ Ｓ ａ ｄ Ｉｃ ｍｐｏ ｅ ｔ Ａｔｌ ｓ ， ｏ ｓ ｎ ｎ ． ａ ｔ ｃ ｍｂ ｎ ａ ｈ ｉ ｇ ｆｒ ｇ ｏ — ｉ ｅｅ ｃ ｍａ ｅ ｏ ｅ ｉ ｎ ａ ｒ ｗｔ ｄ ｔ ｅｉ ｇ ｅ ｍｅ ｔ ｔ ｎ ｉ ａ ｅ ｉ ｏ ｔｉ ｅ ． ｅｎ ｗ ｔ ｏ ｏ ｌｇ ｏ ｈ ａ ｈ ｍａ ｅ ｓ ｇ ｎ ｉ ｎ ａ ｏ ｍ ｇ ｓ ｂ ａｎ ｄ Ｔｈ ｅ ｍｅ ｈ ｄ ｉ ｃ ｍｐ ｒ ｄ ｗｉ ｅ ｃ ｍｍｏ ｅ ｍｅ ｔｔ ｎ ｍｅ ｏ ． ｅｓｍｕ ｓ ａｅ ｔ ｔ ｏ ｈ ｈ ｎ ｓ ｇ ｎ ａ ｉ ｔ ｄ Ｔ ｉ － ｏ ｈ ｈ ｌｔ ｎ ｒ ｓ ｌ ｉ ｉａ ｅ ａ ｈ ｅ ｍｅ ｏ ａ ｅ ｔｒｐ ｒｏ ｍａ ｃ ｆｆ ｒ ｓ ｆｒ ｓｓ ｇ ｎ ａ ｉ ｎ ａ ｃ ｒ ｃ ｐ ｒ ｃ ｉ ｇ ａ ｄ ｉ ａｉ ｅ ｕ ｔ ｎｄ ｃ ｔ ｓ ｔ ｔｔ ｅ ｎ ｗ ｔ ｄ ｈ ｓｂ ｔ ｅ ｆ ｒ ｎ ｅ ｏ ｏ ｅ ｔｉ ｅ ｅ ｍｅ ｔｔｏ ｃ ｕ ａ ｙ ａ ｐ ｏａ ｈ ｎ ｍｍｕ ｉ ｉ ｍ－ ｏ ｈ ｈ ｅ ｎ ｎ ｔ ｓｉ ｙ