彩色图像分割-RGB模型
RGB彩色模型的理解及应用
RGB彩色模型的理解及在CDMA视频图像传应用080212629 张俊摘要：RGB彩色模型是数字图像处理中最常用的一种，是一种加色模型，是用三种原色──红色、绿色和蓝色的色光以不同的比例相加，以产生多种多样的色光RGB是从颜色发光的原理来设计定的，它的颜色混合方式就好像有红、绿、蓝三盏灯，当它们的光相互叠合的时候，色彩相混，而亮度却等于两者亮度之总和,越混合亮度越高，即加法混合。
有色光可被无色光冲淡并变亮。
如蓝色光与白光相遇，结果是产生更加明亮的浅蓝色光。
RGB是一种依赖于设备的颜色空间：不同设备对特定RGB值的检测和重现都不一样，因为颜色物质和它们对红、绿和蓝的单独响应水平随着制造商的不同而不同，甚至是同样的设备不同的时间也不同。
主要用于彩色显示器和彩色视频摄像机；最新RGB可在CDMA视频图像传输中应用！相信随着RGB得到更加成熟的应用，会给人们的生活带来更加丰富真实的色彩感受！关键词：RGB ；理解；应用一、RGB的理解RGB是一种加色模型，是用三种原色──红色、绿色和蓝色的色光以不同的比例相加，以产生多种多样的色光。
RGB模型的命名来自于三种相加原色的首字母（Red（红）,Green（绿）,Blue （蓝））。
RGB 颜色称为加成色，因为您通过将R、G 和 B 添加在一起（即所有光线反射回眼睛）可产生白色。
加成色用于照明光、电视和计算机显示器。
例如，显示器通过红色、绿色和蓝色荧光粉发射光线产生颜色。
绝大多数可视光谱都可表示为红、绿、蓝(RGB) 三色光在不同比例和强度上的混合。
这些颜色若发生重叠，则产生青、洋红和黄。
RGB 颜色模型的主要目的是在电子系统中检测，表示和显示图像，比如电视和电脑，但是在传统摄摄影中也有应用。
在电子时代之前，基于人类对颜色的感知，RGB颜色模型已经有了坚实的理论支撑。
在这种模式中有16种基本颜色：品红色，蓝色，青色，绿色，黄色，红色，紫色，深蓝色，鸭绿色，深绿色，橄榄色，栗色，黑色，灰色，银色，白色。
6彩色图象处理
• 216 种安全彩色用 RGB 值形成 • RGB 三元数组给出 (6)3 = 216 可能值
216 安全色中 RGB 分量的可用值
– 例如， FF0000 表示红色 (十进制表示 R=256, G=B=0) 000000 表示黑色 FFFFF 表示白色
SEIE-TJU
10
RGB 制彩色表示—彩色矢量空间
• 对于任意给定的彩色光 F，其配色方程可写成 F ＝ R[R] + G[G] + B[B] • 如果用相互垂直的三个坐标轴分别表示三个相互独立的 基色R、G、B，那么任意一个彩色就能用此三维空间中 的一个彩色矢量来表征。后面再详细讲述。
彩色矢量空间
• RGB 色度图就是用 r-g 直角坐标系来表示各种色度所画出 的平面图形。
SEIE-TJU 12
CIE RGB 色度图
• 由 [R]、[G]、[B] 三点连成的三角形称彩色三角形，其重心 E 即为等 能白光 E白 的位置。
– 在连接 [R] 和 [G] 的直线上，r、g 之和恒为 1，即 b = 0。 – 在彩色三角形内 r＋g≤1，r、g、b 均为正值，说明由三基色相加混合配出 的各种彩色均在三角形内。 – 对于某些饱和度很高的色光（例如绿、蓝色光），不论用怎样的 r、g、b 比例关系，均无法用正三基色相加配出，而必须用“负”的基色光，或 者说，色系数为负值。具有这类性质的彩色的色度坐标处在彩色三角形 之外。
– 颜料基色 紫色、青色、黄色 – 颜料合成色 红色、黄色、蓝色 – 颜色着色混合符合相减原理
颜料混合
(原色相减)
SEIE-TJU
9
彩色匹配 Grassman 定理
1. 2. 3. 4. 5. 6. 7. 8. 任何彩色可以用至多三种彩色光所匹配； 混合彩色的亮度是等于其混合分量的亮度之和; 人眼不能分解彩色混色的各分量; 在一个亮度水平上的彩色匹配将在很宽的亮度范围内保持; 匹配的彩色相加后仍然保持匹配; 匹配的彩色混合相减后仍然保持匹配; 彩色匹配的传递定理; 三种彩色匹配: 直接的和间接的。
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。
彩色图像肤色区域分割算法设计.
彩色图像肤色区域分割算法设计中文摘要人脸自动识别系统是目前计算机视觉领域的一个重要研究课题，而人脸自动识别系统中作为定位人脸的人脸检测是整个人脸识别系统正常及高效工作的基础。
由于人脸的非刚性，使人脸检测成为一个相当复杂的模式识别问题。
近年来，由于人脸检测在安全监视、基于内容的图像检索等领域的潜在应用价值，人脸检测已成为一个独立课题并受到众多研究人员的普遍重视。
肤色是人脸非常重要的一个特性。
研究表明:尽管不同种族、不同年龄、不同性别的人肤色看上去不同,但这种不同主要集中在亮度上,在去除亮度的色度空间里,不同的肤色分布具有聚类性。
为了利用肤色在色度空间的聚类性,本文在多种色彩空间中选取YCbCr色彩空间进行肤色提取。
本文针对复杂背景下的彩色图像，提出了一种应用YCbCr颜色空间的色度分量，建立肤色分布模型，进行肤色区域的分割。
即针对每幅图像，可自动优选对应的阈值，完成肤色区域的分割。
通过大量数据实验证明，这种分割算法是有效和可靠的。
分割后得到的肤色区域和仅利用选定的不变阈值分割方法相比，更加准确。
实验结果表明，本算法是有效的，具有较高的检测性能。
关键词人脸检测，彩色空间，肤色模型，图像分割Title Color image color region segmentation algorithmAbstractAutomatic recognition of human faces is an important research area of computer vision and image understanding in recent years. Human face detection that acts as one part of the automatic human face recognition system and is responsible of locating the faces is the prerequisite for the whole system to ensure it works normally and high efficiently. Due to human face' s variability, human face detection becomes a rather complex issue of pattern recognition. Recently, because of the potential value in most areas, such as security surveillance, content-based image retrieval, etc, human face detection has become a single research topic and attracted broad attention of more and more researchers.Facial skin color is a very important feature. The results show that: Although of different races, different ages, different sex color look different, but the difference is mainly concentrated in the brightness, the brightness of the color space in the removal, the different nature of the color distribution of cluster. In order to use color in the color space clustering, this paper in a variety of color space, YCbCr color space, select the color extraction.In this paper, color images under complex background, a YCbCr color space, color application component, the establishment of skin color distribution model for skin color regions segmentation. That for each image, automatically optimal threshold corresponding to complete the color region segmentation. Large amounts of data through experiments show that this segmentation algorithm is effective and reliable. The color segmented by region and only the constant use of the selected thresholding methods, more accurate.Experimental results show that the algorithm is feasible and effective.Keywords Human Face Detection, Color Space, Skin Color Model, Image Segmentation目录1．引言 (1)1.1 课题的背景、目标和意义 (1)1.2 课题的研究现状 (1)1.2.1 阈值分割方法 (2)1.2.2 边缘检测方法 (3)1.2.3 区域提取方法 (4)1.2.4 结合特定理论工具的分割方法 (5)1.3 论文完成的任务 (6)2．彩色图像分割的基本理论 (8)2.1彩色图像的分割的应用 (8)2.2 颜色模型 (9)2.2.1 RGB模型 (9)2.2.2 HSV颜色模型 (10)2.2.3 YCbCr模型 (10)2.3 颜色模型的选择 (11)2.3.1 颜色模型的选择 (11)2.3.2 基于YCbCr色彩系统下的肤色模型 (11)3．基于肤色的彩色图像分割 (15)3.1 肤色特征分析 (15)3.2 图像分割处理方法 (16)3.3彩色图像的肤色分割算法描述。
数字图像处理中的颜色分割技术研究
数字图像处理中的颜色分割技术研究数字图像处理是计算机科学中的一大分支，在日常生活和工作中广泛应用。
其中，颜色分割技术是数字图像处理中的一个热门研究领域。
本文将就数字图像处理中的颜色分割技术进行探讨，着重讨论其算法原理和实际应用。
一、颜色分割技术的基本原理1、RGB模型在颜色分割技术的研究中，最基本的是RGB模型。
RGB模型是指用红、绿、蓝三种基本颜色来描绘各种颜色的方法。
在RGB模型中，每一种颜色都由三个参数表示其红、绿、蓝三个分量的强度，三个参数之和为255。
2、HSV模型HSV模型是比RGB模型更直观的颜色模型。
HSV模型将颜色描述为三个参数——色相（H）、饱和度（S）、亮度（V）。
色相是指颜色的基本属性，它由一个0~360的角度值来表示；饱和度是指颜色的纯度，也可用一个0~100的值来表示；亮度是指颜色的明暗程度，亮度值越高，颜色越接近白色。
3、颜色分割原理颜色分割是通过对图像的颜色信息进行处理，将其分割为若干个不同的颜色块，达到分离、区分、计算和显现的目的。
其基本原理是，将图像中的各种颜色按照一定的规则分类，如将若干种类似的颜色划归为同一类，或将颜色分为若干颜色区间，达到数值统计或图像分割的效果。
二、颜色分割技术的研究和应用1、基于聚类算法的颜色分割技术聚类算法是数字图像处理中广泛应用的一种图像分割算法。
在基于聚类算法的颜色分割技术中，将图像颜色作为聚类的对象，以RGB模型为例，将图像中所有的颜色点映射到三维坐标系的立方体中，相同颜色的像素点会聚集在立方体的同一区域内。
然后，将立方体分割为若干不同的小立方体，每个小立方体中都包含一些像素点。
最后，将相同的小立方体划为同一类，即可得到分割出来的颜色块。
2、基于图像分割技术的颜色分割技术基于图像分割技术的颜色分割技术是将图像分割算法与颜色分割算法相结合而形成的。
在这种方法中，首先需要进行图像分割，然后再将分割后的图像中各个像素点的颜色进行分割。
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
基于RGB分量统计的可变区域彩色图像分割算法
关的灰度图像模型基础上提出了针对彩色图像的分割算法 。
1
问题提出
［7 ］ 本文的很多工作基于 Yezzi 的研究成果 。 该文提出 了 基
于图像灰度特征统计的分割模型， 同时利用了图像局部和全局 信息， 对噪声具有相当强的鲁棒性 。 其泛函表达式为
· 4342·
E （ c） = － 1 （ u － v） 2
2
计 算 机 应 用 研 究
（ 1）
第 27 卷
1 （ u － v） 2
2
行迭代来演化曲线， 直到式（ 1 ） 中 的 能 量 E （ c ） = －
Yezzi 用轮廓曲 线 将 待 分 割 的 图 像 R I 分 为 两 个 域， 即 Ru Rv 表 示 曲 线 外 部 的 区 和 R v 。 其中： R u 表示 曲 线 内 部 的 区 域， 域 。 可以得到关于图像灰度特征和曲线 C 的统计量：
［1 ， 2 ］ 基于物体边缘特征（ edge-based ） 的 活 动 轮 廓 模 型 首先
提出了一种基于
Mumford-Shah 和区域 生 长 法 的 分 割 模 型 ； Shah［11］ 把 曲 线 演 化
［12 ］ 和能量泛函应用到 了 彩 色 图 像； Chan 和 Sandberg 在边缘无
Ri Rj
（ 1 ≤ j ＜ i≤ N ）
由此， 可以计算式 （ 1 ） 中 的 参 量： u = S u / A u 表 示 曲 线 内 部 灰度的均值； v = S v / A v 表示曲线外部灰度的均值 。 基 于 以 上 的 用以演化曲线的梯度下降流并以偏微分方程（ PDE ） 的 形 公式， 式给出， 即求解式（ 1 ） 极值的优化算法：
基于RGB颜色空间的彩色图像分割
计算机工程应用技术本栏目责任编辑：梁书基于RGB 颜色空间的彩色图像分割洪梦霞，梁少华（长江大学，湖北荆州434020）摘要：颜色分割可用于检测身体肿瘤、从森林或海洋背景中提取野生动物的图像，或者从单一的背景图像中提取其他彩色物体，大数据时代背景下，颜色空间对于图像分析仍然非常有用，通过在RGB 和HSV 颜色空间可视化图像，可以看到图像颜色分布的散点图。
通过阈值分割，确定要提取的所有像素的阈值，在所有像素中获取期望的像素，得到分割后的图像。
实验结果分析，使用OpenCV 基于Python 中的颜色从图像中分割对象,可以达到简单、快速、可靠的目的。
关键词：颜色空间；颜色分割；阈值分割中图分类号：TP3文献标识码：A文章编号：1009-3044(2020)34-0225-03开放科学（资源服务）标识码（OSID ）：Image Segmentation based on Color Space HONG Meng-xia,LIANG Shao-hua(Changjiang University,Jingzhou 434020,China)Abstract:Color segmentation can be used to detect body tumors,extract wildlife images from forest or marine background,or ex⁃tract other color objects from a single background image.In the background of big data era,color space is still very useful for image analysis.By visualizing images in RGB and HSV color spaces,we can see the scatter map of image color distribution.Through threshold segmentation,the threshold of all the pixels to be extracted is determined,and the desired pixels are obtained from all pixels to obtain the segmented image.Experimental results show that using OpenCV to segment objects from images based on Py⁃thon color can achieve the purpose of simple,fast and reliable.Key words:color space;color segmentation;threshold segmentation图像分割是把图像分成若干个特定的、具有独特性质的区域并分割出感兴趣区域的过程。
彩色图象分割课程设计—RGB模型
彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作，其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。
为了研究基于全参考图像的RGB模型彩色图像分割方法及其质量的客观评价方法，依据RGB模型彩色图像分割后得到的颜色分量具有相关性，对于彩色图像，应用基于传统阈值分割算法分析，主要使用到imread获取图像的RGB颜色信息，函数makecform()和applycform()来实现，将彩色图像转换成灰度图像，进而实现基于RGB模型的彩色图像的分割。
实验结果表明，提出的算法均可用与一定目的的RGB模型彩色图像的分割，由给出一组基于误差的单位像素的分割质量的客观评价的计算公式计算出的数据可用于彩色图像的分割质量的客观评价，且与彩色图像的分割效果的主观质量评价结果是一致的，可用于彩色图像分割质量的评价。
关键字：Matlab；图像处理；RGB1设计目的及要求................................................... I I1.1设计目的 ......................................... 错误！未定义书签。
1.2设计要求 (1)2图像处理简介 (2)2.1图像处理技术 (2)2.2图像处理的内容 (2)3设计原理 (4)4 设计方案 (5)4.1设计思想 (5)4.1 设计流程 (8)5 代码实现 (9)6仿真与结果分析 (11)6.1 仿真结果 (11)6.2 结果分析 (12)结论 (13)参考文献 (14)彩色图象分割课程设计—RGB模型1设计目的及要求1.1 设计目的（1）综合运用相关课程中所学到的理论知识去独立完成设计课题。
（2）通过查阅手册和相关文献资料，培养独立分析和解决问题的能力。
（3）进一步熟悉Matlab运用和图像处理的知识，加深对专业知识和理论知识学习的认识和理解。
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)
实验四图像分割及彩色图像处理
实验四图像分割及彩色图像处理一、实验目的使用MatLab 软件进行图像的分割。
使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各种因素对分割效果的影响。
使用matlab如阿健对图像机械彩色处理，使学生通过实验熟悉彩色图像处理的相关方法，并体会到图像彩色处理技术及其对图像处理的效果。
二、实验要求要求学生能够自行评价各主要算子在无噪声条件下和噪声条件下的分割性能。
能够掌握分割条件(阈值等)的选择。
完成规定图像的处理并要求正确评价处理结果，能够从理论上作出合理的解释。
三、实验内容与步骤第一部分(1)使用Roberts 算子的图像分割实验调入并显示图像5.1.13.tiff中图像；使用Roberts 算子对图像进行边缘检测处理； Roberts 算子为一对模板：相应的矩阵为：rh = [0 1；-1 0]； rv = [1 0；0 -1]；这里的rh 为水平Roberts 算子，rv为垂直Roberts 算子。
分别显示处理后的水平边界和垂直边界检测结果；用“欧几里德距离”和“街区距离”方式计算梯度的模，并显示检测结果；对于检测结果进行二值化处理，并显示处理结果；提示：先做检测结果的直方图，参考直方图中灰度的分布尝试确定阈值；应反复调节阈值的大小，直至二值化的效果最为满意为止。
分别显示处理后的水平边界和垂直边界检测结果；将处理结果转化为“白底黑线条”的方式；给图像加上零均值的高斯噪声；对于噪声图像重复步骤b~f。
(2)使用Prewitt 算子的图像分割实验使用Prewitt 算子进行内容(1)中的全部步骤。
(3)使用Sobel 算子的图像分割实验使用Sobel 算子进行内容(1)中的全部步骤。
(4)使用LoG (拉普拉斯-高斯)算子的图像分割实验使用LoG (拉普拉斯-高斯)算子进行内容(1)中的全部步骤。
提示1：处理后可以直接显示处理结果，无须另外计算梯度的模。
提示2：注意调节噪声的强度以及LoG (拉普拉斯-高斯)算子的参数，观察处理结果。
融合RGB颜色空间的植物图像分割模型
!第"#卷第#期郑州大学学报!理学版"$%&’"#(%’#!)*#+年,月-./012340%56278.!(9:.;<7.=>."?9@.)*#+收稿日期!)*#AB*#B *,基金项目!国家自然科学基金项目!6#E*EC*,"$河南省教育厅科学技术重点研究项目!#,G ")*"))".作者简介!刘国奇!#+AE %"#男#河南封丘人#副教授#主要从事计算机视觉’图像分割研究#=B I 97&&&7535%O7*A*E*A N#C,.<%I $通信作者&邓铭!#++,%"#女#河南民权人#硕士研究生#主要从事计算机视觉’图像处理研究#=B I 97&&#""#D,*#C#*N#C,.<%I .融合SU A 颜色空间的植物图像分割模型刘国奇!!邓!铭!!李晨静!河南师范大学计算机与信息工程学院!河南新乡E",**D "摘要!针对植物图像分割中常见的受复杂背景影响’弱边界及连通性问题#提出一种改进的双凸模糊变分图像分割模型.该模型首先通过_V H 颜色空间模型将彩色植物图像划分为两个部分#令植物图像中的目标对象保持原来的颜色#其他部分则设置为与目标对象差异较大的颜色背景#并以提取出的目标对象轮廓作为初始轮廓$其次#使用&%3边缘检测算子提高对噪声的稳健性#并对植物图像进行图像增强处理$最后在双凸模糊变分模型的基础上提出了一种新的变分分割模型.实验结果表明#该方法把平均S )值提高到+"’CAW #实现对莲座植物图像中目标对象边缘轮廓的准确提取#有效解决了受复杂背景影响和像素间的连通性问题.关键词!图像分割$莲座植物$双凸模糊变分模型$_V H 颜色空间$图像增强中图分类号!PU ,+#’E 文献标志码!G 文章编号!#CD#B CAE#!)*#+"*#B **#AB *C !"#!#*’#,D*"Q R .7S S 2.#CD#B CAE#’)*#A**C$%引言图像分割是将.目标/区域与.背景/分开的技术#是图像处理和分析的基本组成部分(#X )).近几年#图像分割技术不断得到发展#应用到了许多不同的研究领域#其中对植物进行精确分割的研究也成为人们日渐关注的焦点.本文主要研究对象是莲座植物.为了实现对莲座植物图像的分割#文献(,)提出了经典分割方法#即Y $模型#但Y $模型存在如下缺点&计算量较大$对初始化敏感$必须周期性重新初始化为符号距离函数(E ).针对Y$模型的缺点#许多学者对此进行了改进.文献(")提出了基于高斯分布改进Y $模型的图像分割方法.文献(C )在自然场景下植物叶片图像分割方法研究中提出了基于阈值分割的双峰法#该方法虽然简单#计算量小#但它只适合背景简单’目标与灰度值差异大的图像.文献(D )提出了一种高效双凸模糊变分的图像分割方法#是在Y$模型的基础上加入了模糊逻辑的思想#较好地解决了Y $模型的缺点#并提高了计算效率.实验结果证明该模型仍存在一些问题&如该模型对噪声仍不够稳健#受弱边界和复杂背景的影响#导致分割后的植物叶片缺乏连通性.本文在该模型的基础上进行改进#使莲座植物图像分割结果更加精准.通过对同一莲座植物不同时期的图像进行分割#可以看出莲座植物生长部位的具体变化#对植物的识别’生长状况和疾病检测等方面有重要的研究意义#也为以后研究其他植物的生长状况打下坚实的基础.&%引入的分割方法目前#图像分割在许多应用中都是一项基本的任务(A ).为解决莲座植物图像的分割#我们引入了双凸模糊变分模型.该模型是在Y $模型的基础上加入了模糊逻辑的概念#其有两个方面的独特之处&#"构造了一个双凸对象函数#以简化求全局最优解的过程$)"使参数设置具有鲁棒性#并大大降低计算成本(D ).模型给出的能量泛函为>-(#,*@9!6.$#")>I#(),*!#.@"9!6.$)")>I#!第#期刘国奇#等$融合_V H 颜色空间的植物图像分割模型其中&@是隶属函数$9是正整数常量$(##()]*是拟合项的权重#式子右边保证了与原图像的相似程度$$##$)((*##)#则能量泛函式中当$#和$)固定时#相对于@严格为凸.最小化该能量泛函就可以得到目标对象的轮廓曲线.让隶属函数@作为水平集函数.传统的模型都是使用零水平集#为了更好地进行图像分割#所引入的模型采用了*’"水平集#如&@]*’"#72S 7>1Q $@-*’"#%2Q $@K *’"#%5:S 7>1Q1我们由梯度下降法(+X #*)可得到引入方法的能量泛函水平集演化方程为-@-"-9!.(#@9.#!6.$#")#()!#.@"9.#!6.$)")"#对其求解即为能量泛函的极小值#也就是我们所要提取的目标轮廓.但对于植物图像来说#该模型提取的目标轮廓都受背景的影响#以致不能准确地得到轮廓边界.如图#所示.+%提出的模型针对上述引入模型存在的问题#本文提出了一种融合_V H 颜色空间的植物图像分割模型.因为植物图像分割过程中常受到颜色分布不均匀和周围土壤环境的影响#所以首先通过_V H 颜色空间模型将彩色植物图像划分为两个部分#即要提取目标部分和背景部分.要提取植物的颜色一般是绿色的#我们对每个像素点的_V H 值进行判断#令植物图像中的目标对象部分保持原来的颜色#其他部分则设置为与目标对象颜色差异较大的颜色背景#并以提取出的目标对象轮廓作为初始轮廓.如图)所示#左边图像是本文利用_V H 颜色空间提取出的植物目标对象$右边是以提取的目标对象为基础设置的初始轮廓.虽然该方法设置的初始轮廓接近目标对象#可以避免背景噪声的影响#但是仍然存在内部噪声和连通性的问题.图&!引入模型分割结果’()*&!;13I 12:9:7%2@1S 5&:S %\:0172:@%>5<1>I %>1&图+!提取目标对象并设置初始轮廓’()*+!=‘:@9<:723:01:9@31:%ZR 1<:92>S 1::723:01727:79&<%2:%5@!!为了降低弱边界的影响#本文对图像进行增强处理#使用文献(##)中直方图均衡化的处理方法#在提出的模型中使用了&%3边缘检测算子以减少增强处理后噪声的影响.首先对图像做高斯滤波#然后再求其拉普拉斯二阶导数#就可以提高算子对噪声和离散点的鲁棒性#设置标准差+-*’"1原图像与高斯卷积的表达式为!Y +!I #C ",6!I #C "-!Y +!I#C ",6!I #C "-Q4Y ,6!I #C "1最后#为了使轮廓线更加接近目标对象#提取结果更加准确#提高运行效率#考虑同时计算活动轮廓线内部均值和外部均值与待分割图像的密度方差(#))#本文提出了一种基于双凸模糊变分模型的图像分割方法#定义了新的能量泛函为>-(),*(6.@9$#.$)!#.@"9))>I >C #固定$#’$)#通过梯度下降法可以得到该能量泛函的演化方程为-@-"-(!$#.$)"(6.$#@9.$)!#.@"9)1另外#考虑到图像均值$#’$)与图像是否接近是因图像自身而异的#所以用(#$#’()$)代替$#’$)分割结果更理想#则演化方程更改为-@-"-!(#$#.()$)"(6.(#$#@9.()$)!#.@"9)1因为数学形态学在图像处理中主要用于滤波’边缘处理’区域填充等(#,)#所以本文采用数学形态的思想对演化方程进行约束.即B 1"@-P ;7:8C !@"#B -5:P <5!@"#@-=<5<"<!B "#首先对@进行二值化处理#采用A 邻域法标记连通域#标记每一连通域的物体为不同值#如标记目标物体连通域的值为##其他依次为)#,#E #-$然后计算得到的每个物体连通域面积#删除二值图像中面积较小的对象.进行此约束后#使得到的函数@更光滑且具有连通性.本文提出的模型实现了对莲座植物弱边界图像的分割#并降低了噪声的影响#增加连通性#使分割效果更加符合图像分割的要求.+#郑州大学学报!理学版"第"#卷-%实验结果与分析通过实验对比了几种模型的分割效果.实验是在?9:&9Z_)*#CZ的环境下完成的#处理器为^2:1&Y%@1 )’"V T4#内存为E V H.仿真实验中#将提出的方法与经典的Y$模型’可变区域拟合!_;F"模型(#E)以及最近的双凸模糊变分模型进行比较.-,&%植物图像分割本文采用了两种莲座植物的图像数据集进行分割#即拟南芥和烟草数据集.两者都是在相同的环境条件下经过不同时期进行采集的#也就是莲座植物的一个生长过程.这两种数据集是在文献(#")中公布出来的. -,&,&%烟草植物图像!图,是烟草植物的分割结果.这些莲座植物图片含有噪声#且图像中部分背景灰度和目标灰度没有太大的差异.双凸模糊变分模型实现了对莲座植物图像的分割#其结果如图,的前,张#对莲座植物烟草来说#该模型基本实现了对莲座植物叶片的提取.但由于噪声影响#提取的结果仍有待提高.所提模型的分割效果如图,后,张所示#提出的方法明显地降低了噪声影响#得到了更好的分割结果.图-!烟草图像的分割结果’()*-!;13I12:9:7%2@1S5&:S%\:%Z9<<%7I931S-,&,+%拟南芥植物图像!图E是莲座植物拟南芥图像的分割结果.第#行为Y$模型的分割效果#可以看出#对莲座植物拟南芥图像选用Y$模型是不合适的#它并没有提取出所需要的轮廓#分割效果不理想.第)行是本文在Y$模型的基础上加入了_V H颜色空间模型的分割结果#虽然可以提取植物叶片#但提取的叶片与真实叶片差距较大#因为它没有精准地停在目标边界#而是受背景的影响过早收敛.第,行是_;F模型的分割结果#该模型提取了图像的局部灰度信息#构建了新的能量泛函#其在不经过任何处理的情况下受噪声的影响较大(#C)#且因为图像中光照不均匀的缘故#第#列中出现了断裂现象#第E’"列出现错分的现象.第E行是双凸模糊变分模型的分割效果#由图可以看出#这种模型对于莲座植物的分割效果明显好于其他模型#但它本身也存在一些缺点#如第)i"列#莲座植物拟南芥图像的分割中存在弱边界泄露和噪声的问题#影响了分割结果#使分割结果不准确.我们在此基础上对引入的模型进行了改进.第"行就是所提模型的分割结果#所提模型极大地减弱了噪声的影响#可以防止弱边界泄露#增加连通性#实现了对莲座植物较精确的分割.为了更清晰地显示出本文提出模型和各对比模型在莲座植物拟南芥图像分割时的区别#分别对这几种模型的提取结果进行了二值化处理.如图"所示#可以明显地看出各模型存在的问题.比如#由于弱边界和复杂背景的影响#Y$模型融合_V H颜色空间后#虽然能提取植物叶片#但精确度太低#会出现过早收敛的现象.第)行的_;F模型则出现提取噪声’轮廓断裂和错分割现象.双凸模糊变分模型的分割结果如第,行所示#每幅图片中均出现了提取的叶片不连通和受噪声影响的情况.这是因为弱边界处图像灰度对比度不明显#双凸模糊变分模型不能提取到这些弱边界#从而造成边界泄露#进而影响了分割的精确性.第E行是所提模型的分割结果#解决了弱边界的问题#并降低噪声影响#增加连通性#提高了分割结果的精准度.图C为另一组植物图像的实验结果#因为本文主要是与双凸模糊变分模型进行对比#所以这里只展示了它与所提模型的二值化处理图.再次体现了本文提出模型对连通性和复杂背景问题处理的优越性.-,+%量化评估为了客观地体现本文所提方法对植物图像分割的优越性#对分割结果进行了量化评价.即对图E中提到的模型的分割结果进行了量化评估.即对带标签图像和分割后的图像进行二值化处理#然后求其-9<<9@>相似度(#D)#公式为S)!H#U"-H.U L H/U#其中&U是真实数据$H是分割结果.S)值越大#相似度越*)!第#期刘国奇#等$融合_V H 颜色空间的植物图像分割模型图.!拟南芥图像的分割结果’()*.!;13I 12:9:7%2@1S 5&:S %\9@9Z7>%LS 7S 7I 931S高#趋向于获得更好的结果#而S )值不断减小时#相似度越低.结果如表#所示#本文所提出的方法对莲座植物图像具有较好的分割效果.%表&!各模型分割结果的S )值345*&!S )89&51S %\S 13I 12:9:7%2@1S 5&:S %\19<0I %>1&模型第#幅S )值第)幅S )值第,幅S )值第E 幅S )值第"幅S )值平均S )值Y $模型*’*CE D *’#*E ,*’#*D #*’,#"+*’)),#*’#C,*Y $k _V H 模型*’D),C *’A*E C *’D+#E *’+#D #*’AD,,*’A))*_;F 模型*’#)C #*’#+#)*’)#A C *’E#"+*’E+*C *’)AA "双凸模糊变分模型*’A*A #*’AC,**’AE"#*’AAE ,*’AA+)*’A"D +本文所提模型*’+E#)*’+",C*’+"*C*’+C""*’+D,,*’+"C A.%结论针对植物图像的分割#本文首先介绍了双凸模糊变分模型#该模型能够较好地实现对莲座植物图像的分割#但在植物图像分割方面存在弱边界泄露和背景噪声不够稳健的问题.为了减少弱边界和复杂背景噪声对图像分割的影响#本文对双凸模糊变分模型进行了改进#提出一种新的能量泛函#并利用_V H 颜色空间设置#)郑州大学学报!理学版"第"#卷图/!分割结果的二值图’()*/!P 01Z729@M 7I 931S %\:01S 13I 12:9:7%2@1S 5&:S图0!另一组拟南芥图像分割结果的二值图’()*0!G 2%:01@S 1:%\Z729@M 7I 931S %\S 13I 12:9:7%2@1S 5&:S %\9@9Z7>%LS 7S 7I 931S初始轮廓#最后对该模型的演化方程进行约束改进.本文的实验结果体现了改进后的方法明显地减少了背景噪声的影响#并且在弱边界提取方面有显著的改进#增加了轮廓的连通性.参考文献!(#)!aG (VgT #aG (f #]^_#1:9&.GI 5&:7B %ZR 1<:7I 931S 13I 12:9:7%2Y $I %>1&Z9S 1>%2@137%2>787S 7%292>3@9>712:357>1(-).-%5@29&%\87S 59&<%I I 527<9:7%292>7I 931@1L@1S 12:9:7%2#)*#C #,+&#**X #*C.())!刘洪普#杨乐#侯向丹#等.一种改进的模糊Y 均值图像分割算法(-).郑州大学学报!理学版"#)*#D #E+!)"&CC X D#.(,)!Y T G (P #$=;=].G 29<:781<%2:%5@I %>1&[7:0%5:1>31S (Y )"U @%<11>723S %\:01)2>^2:1@29:7%29&Y %2\1@12<1%2;<9&1B S L9<1P 01%@71S 72Y %I L5:1@$7S 7%2.]%2>%2&;L@7231@B $1@&93##+++&#E#X #"#.(E )!/T G (VbT #/T G (V]#;e (VT T #1:9&._1727:79&749:7%2B \@11&181&S 1:18%&5:7%2879@19<:7%2>7\\5S 7%2(-).^===:@92S 9<B:7%2S %27I 931L@%<1S S 723#)*#,#))!#"&)"A X )D#.(")!田杰#胡秋霞#马孝义.基于高斯分布改进Y B $模型的植物病斑彩色图像分割(-).农业工程学报#)*#,#)+!#C "&#CC X #D,.(C )!王萍#王立地.自然场景下植物叶片图像分割方法研究(-).农业科技与装备#)*##!)"&EA X "#.(D )!V e (V?V #P ^G (df #;6]/#1:9&.G 21\\7<712:Z7B <%281‘\544M89@79:7%29&7I 931S 13I 12:9:7%2I 1:0%>(-).^2\%@I 9:7%2)),)!第#期刘国奇#等$融合_V H颜色空间的植物图像分割模型S<712<1S#)*#"!)+,"&,"#X,C+.(A)!/T e6ga#T6G(Vg-#d6(Y G(-;#1:9&.G<:781<%2:%5@S[7:03@%5L S7I7&9@7:M(Y)"^===Y%2\1@12<1%2Y%I L5:1@$7BS7%292>U9::1@2_1<%327:7%2.e@13%2#)*#,&)+C+X)+DC.(+)!g^=gT.G<:781<%2:%5@723Z9S1>%23@9>712:81<:%@72:1@9<:7%292><%2S:@9721>&181&S1:>7\\5S7%2(-).^===:@92S9<:7%2S%2 7I931L@%<1S S723#)*#*##+!#"&#"E X#CE.(#*)e_d=$^Y p;;.G2%:1%29I5&:7L&7<9:781L9@9I1:1@S3@9>712:I1:0%>(-).G LL&71>I9:01I9:7<S92><%I L5:9:7%2#)*#C#)A, !)*"&+*X#*D.(##)王大凯#侯榆青#彭进业.图像处理的偏微分方程方法(?).北京&科学出版社#)**A.(#))罗志宏#冯国灿.一种新变分方法在图像分割中的应用(-).计算机科学#)*###,A!#)"&)C,X)C".(#,)蒋东升.基于数学形态学的边缘检测算法研究(d).成都&电子科技大学#)*#).(#E)]^Y?#b G eYf#V e_=-Y#1:9&.?727I749:7%2%\@137%2B S<9&9Z&1\7::723121@3M\%@7I931S13I12:9:7%2(-).^===:@92S9<B :7%2S%27I931L@%<1S S723#)**A##D!#*"&#+E*X#+E+.(#");Y T G__T#?^(=_$^(^?#F^;Y T H G Y T G#1:9&.G22%:9:1>7I931>9:9S1:S%\@%S1::1L&92:S(_).F%@S<0523S412:@5I R5&7B <0#!)*#EB*DB*A"()*#DB*+B#C).0::L&"0>&.092>&1.21:Q)#)A Q"AEA.(#C)元昌安#郑彦#覃晓#等.改进_;F主动轮廓模型的医学图像分割方法(-).郑州大学学报!理学版"#)*#D#E+!#"& ,E X,A.(#D)=$=_^(V T G??#V e e]]$#a^]]^G?;Yb^#1:9&.P01L9S<9&87S59&%ZR1<:<&9S S1S!$e Y"<09&&1231(-).^2:1@29:7%29& R%5@29&%\<%I L5:1@87S7%2#)*#*#AA!)"&,*,X,,A.M?4:;#@4)<F<)@<:;4;(9:P9C<?A4><C9:S U A89?9B F T4E<]^6V5%O7#d=(V?723#]^Y012R723!R<T:8"9<7"4!$49T@"<8:7=67!489:";47>7?;7<<8;7?#\<7:7*489:5&7;A<8B;"C#M;7I;:7?E",**D#$3;7:"75>;B4E;&P%S%&81:01L@%Z&1I%\<%I L&1‘Z9<J3@%52>#[19J Z%52>9@M#92><%221<:787:M72L&92:7I931S13I12:9:7%2#927I L@%81>Z7B<%281‘\544M89@79:7%29&7I931S13I12:9:7%2I%>1&[9S L@%L%S1>.F7@S:&M# :01<%&%@7I931[9S>787>1>72:%:[%L9@:S ZM_V H<%&%@S L9<1I%>1&.P01:9@31:L9@:%\:01L&92:7I931 [9S J1L:72:01%@73729&<%&%@.P01%:01@L9@:[9S S1::%:01<%&%@Z9<J3@%52>[7:0&9@31>7\\1@12<1\@%I :01:9@31:%ZR1<:.P011‘:@9<:1>%ZR1<:<%2:%5@[9S5S1>9S92727:79&<%2:%5@.;1<%2>&M#:01&%31>31>1B :1<:7%2%L1@9:%@[9S5S1>:%7I L@%81:01@%Z5S:21S S%\2%7S1#92>L1@\%@I1>:017I93112092<1I12:%2 :01L&92:7I931.F729&&M#921[S13I12:9:7%2I%>1&[9S L@%L%S1>Z9S1>%2:01Z&5@@723\544M89@79:7%29& I%>1&.P011‘L1@7I12:9&@1S5&:SS0%[1>:09::01981@931S)89&51%\:01I1:0%>[9S7I L@%81>:% +"’CAW.P019<<5@9:11‘:@9<:7%2%\1>31<%2:%5@%\:01:9@31:%ZR1<:72:01@%S1::1L&92:7I931[9S@19&B 741>.^:9&S%1\\1<:781&M S%&81>:01L@%Z&1I%\:01<%I L&1‘Z9<J3@%52>92>:01<%221<:787:MZ1:[112L7‘B 1&S.J<G K9B C>&7I931S13I12:9:7%2$@%S1::1L&92:$Z7B<%281‘\544M89@79:7%29&I%>1&$_V H<%&%@S L9<1$7I B 93112092<1I12:!责任编辑&方惠敏"。
基于RGB分量统计的可变区域彩色图像分割算法
基于RGB分量统计的可变区域彩色图像分割算法
王志良;高晓亮;王鲁
【期刊名称】《计算机应用研究》
【年(卷),期】2010(027)011
【摘要】为了能够对彩色图像进行高效的分割,提出了一种可变区域的图像分割算法,利用基于图像全局RGB分量统计信息的活动轮廓模型进行曲线演化,并使用水平集表示轮廓.通过改变和缩小分割区域的策略,将分割过程分为多个阶段进行.在灰度图像的分割算法的基础上,将可变区域策略拓展到彩色图像.实验结果表明,图像中多连通区域的物体能够被准确且快速地分割出来.与现有模型相比,可以自动地完成工作而无须人工干预,并且算法快速方面有明显的改进.
【总页数】4页(P4341-4344)
【作者】王志良;高晓亮;王鲁
【作者单位】北京科技大学,信息工程学院,北京,100083;北京科技大学,信息工程学院,北京,100083;北京科技大学,信息工程学院,北京,100083
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于模糊C均值聚类的多分量彩色图像分割算法 [J], 卜娟;王向阳;孙艺峰
2.基于小波变换的彩色图像RGB分量同分裂编码算法 [J], 邱自华;胡娟;杨华
3.基于单通道 RGB 分量的彩色图像加密算法 [J], 马庆禄;魏悦川;潘晓中
4.统计区域合并的彩色图像分割算法 [J], 郭昕
5.基于S、V分量的模糊C均值彩色图像分割算法 [J], 申铉京;何月
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。
彩色图像分割程序设计-RGB模型教材
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。
它是由图像处理到图像分析的关键步骤。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。
图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。
RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。
数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
关键字：图像分割；图像处理；RGB1 设计任务及目的 (1)1.1 设计任务 (1)1.2 设计目的 (1)2 图像处理简介 (1)2.1 数字图像处理发展概述 (1)2.2 图像处理技术 (1)2.3 图像处理的内容 (2)3 RGB模型简介 (3)4 MATLAB简介 (4)5 设计方案 (5)5.1 传统阈值分割算法分析 (5)5.2 基于RGB颜色空间的阈值分割算法 (7)6 程序实现 (8)7 程序设计 (9)8 仿真结果与分析 (10)8.1 仿真结果 (10)8.2 结果分析 (11)结论 (12)参考文献 (13)1 设计任务及目的1.1 设计任务对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。
基于RGB彩色模型的草莓图像色调分割算法
基于RGB彩色模型的草莓图像色调分割算法
谢志勇;张铁中
【期刊名称】《中国农业大学学报》
【年(卷),期】2006(011)001
【摘要】针对目前草莓采摘机器人草莓图像分割运算量大、耗时多等问题,根据CIE-XYZ颜色模型及其色度图,提出了一种在RGB彩模型中进行草莓图像色调分割的方法.该方法无需彩色模型转换,时间复杂性能较Lab彩色模型下a通道阈值分割算法与BP神经网络分割算法优越.对该算法进一步改进后,只需加减运算,无需乘除
运算.试验结果表明:该算法能很好地实现成熟草莓果实与图像背景的分离,并较好的保存草莓轮廓信息,分割效率>85%;进一步对分割后的图像进行形态学处理,如膨胀、腐蚀等,有效消除了孔洞现象.
【总页数】3页(P84-86)
【作者】谢志勇;张铁中
【作者单位】中国农业大学,工学院,北京,100083;中国农业大学,工学院,北
京,100083
【正文语种】中文
【中图分类】TP242.62
【相关文献】
1.融合加窗色调直方图的彩色图像FCM分割算法 [J], 柳佳雯;梁光明;刘任任;谢雅婷;丁建文
2.基于RGB模型颜色相似性的彩色图像分割 [J], 杨康叶;邬春学
3.基于色调直方图和区域合并的彩色图像分割算法 [J], 冷美萍;鲍苏苏
4.基于RGB分量统计的可变区域彩色图像分割算法 [J], 王志良;高晓亮;王鲁
5.基于RGB色彩模型相关模板的彩色人头图像编码 [J], 陈宇拓;李建红;杨炫;韩旭里;余英林
因版权原因，仅展示原文概要，查看原文内容请购买。
颜色提取，图像分割rgbhsv（转）
颜⾊提取，图像分割rgbhsv（转）// Note：颜⾊分割：提取特定颜⾊/////////////////////////////////////////////////////////////////////////////void CColorSegDlg::ColorSegByHSV(IplImage* img)// 提取特定颜⾊{//====================== 变量定义====================//int x,y; //循环//====================== 输⼊彩⾊图像信息====================//IplImage* pSrc = NULL;pSrc = cvCreateImage(cvGetSize(img),img->depth,img->nChannels);cvCopyImage(img,pSrc);int width = pSrc->width; //图像宽度int height = pSrc->height; //图像⾼度int depth = pSrc->depth; //图像位深(IPL_DEPTH_8U...)int channels = pSrc->nChannels; //图像通道数(1、2、3、4)int imgSize = pSrc->imageSize; //图像⼤⼩ imageSize = height*widthStepint step = pSrc->widthStep/sizeof(uchar); //相邻⾏的同列点之间的字节数: 注意widthStep != width*nChannels (有字节填零补充) uchar* data = (uchar *)pSrc->imageData;int imageLen = width*height; ////=========================================//double B=0.0,G=0.0,R=0.0,H=0.0,S=0.0,V=0.0;IplImage* dstColorSegByColor = cvCreateImage(cvGetSize(pSrc),IPL_DEPTH_8U,3);IplImage* dstColorSegByColorGray = cvCreateImage(cvGetSize(pSrc),IPL_DEPTH_8U,1);//CvFont font = cvFont( 1, 1 );for (y=0; y<height; y++){for ( x=0; x<width; x++){// 获取BGR值B = ((uchar*)(pSrc->imageData + y*pSrc->widthStep))[x*pSrc->nChannels];G = ((uchar*)(pSrc->imageData + y*pSrc->widthStep))[x*pSrc->nChannels+1];R = ((uchar*)(pSrc->imageData + y*pSrc->widthStep))[x*pSrc->nChannels+2];// RGB-HSVpMyColorSpace.RGB2HSV(R,G,B,H,S,V);H = (360*H)/(2*PI);// ⿊⽩//⿊⾊if(V<0.35){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 0; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels]= 0; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1]= 0; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2]= 0; //R}//⽩⾊if(S<0.15 && V>0.75){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 255; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels]= 255; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1]= 255; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2]= 255; //R}//灰⾊if(S<0.15 && 0.35<V && V<0.75){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 128; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 128; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 128; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 128; //R}// 彩⾊if(V>=0.35 && S>=0.15){//红⾊相近if((H>=0 && H<15) || (H>=340 && H<360)){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 40; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 0; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 0; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 255; //R}//黄⾊相近else if(H>=15 && H<75){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 80; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 0; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 255; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 255; //R}//绿⾊相近else if(H>=75 && H<150){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 120; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 0; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 255; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 0; //R}////蓝⾊相近else if(H>=185 && H<270){((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 200; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 255; //B((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 0; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 0; //R}//else{((uchar*)(dstColorSegByColorGray->imageData + y*dstColorSegByColorGray->widthStep))[x]= 180; //灰度((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels] = 128; //B //紫⾊Purple((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+1] = 0; //G((uchar*)(dstColorSegByColor->imageData + y*dstColorSegByColor->widthStep))[x*dstColorSegByColor->nChannels+2] = 128; //R}}}}//cvNamedWindow("src",1);//cvShowImage("src",pSrc);cvNamedWindow("dstColorSegByColor",1);cvShowImage("dstColorSegByColor",dstColorSegByColor);cvNamedWindow("dstColorSegByColorGray",1);cvShowImage("dstColorSegByColorGray",dstColorSegByColorGray);cvSaveImage(".\\dstColorSegByColor.jpg",dstColorSegByColor);cvSaveImage(".\\dstColorSegByColorGray.jpg",dstColorSegByColorGray);cvWaitKey(0);cvDestroyAllWindows();cvReleaseImage(&pSrc);cvReleaseImage(&dstColorSegByColor);cvReleaseImage(&dstColorSegByColorGray);}。
- 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)。
成绩评定表课程设计任务书Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。
不同的颜色空间在描述图像的颜色时侧重点不同。
如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。
彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。
其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。
Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。
关键字：Matlab；图像处理；RGB1 设计任务及目的 (1)1.1 设计任务 (1)1.2 设计目的 (1)2 MATLAB简介 (1)3 图像处理简介 (2)3.1 图像处理技术 (2)3.2 图像处理的内容 (3)4 RGB模型简介 (4)5 设计方案 (5)5.1 传统阈值分割算法分析 (5)5.2 基于RGB颜色空间的阈值分割算法 (6)5.3 K-MEANS聚类方法 (7)6 Matlab编程实现 (8)7 程序设计 (9)8 仿真结果与分析 (10)8.1 仿真结果 (10)8.2 结果分析 (11)结论 (12)参考文献 (13)彩色图像分割程序设计——RGB模型1 设计任务及目的1.1 设计任务对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。
并且设计MATLAB程序，使其能完成输入图像便自动使用RGB模型来进行图像分割。
1.2 设计目的（1）综合运用相关课程中所学到的理论知识去独立完成设计课题。
（2）通过查阅手册和相关文献资料，培养独立分析和解决问题的能力。
（3）进一步熟悉Matlab运用和图像处理的知识，加深对专业知识和理论知识学习的认识和理解。
（4）学会撰写课程设计的总结报告。
（5）培养严肃认真的工作作风和严谨的科学态度。
2 MATLAB简介MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。
MATLAB是matrix和laboratory两个词的组合，意为矩阵工厂。
是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。
它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。
MATLAB和Mathematica、Maple并称为三大数学软件。
它在数学类科技应用软件中在数值计算方面首屈一指。
MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。
[4]MATLAB的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB 成为一个强大的数学软件。
在新的版本中也加入了对C，FORTRAN，C++，JA V A 的支持。
可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。
3 图像处理简介数字图像处理，通俗地讲是指应用计算机以及数字设备对图像进行加工处理的技术。
3.1 图像处理技术图像处理技术包括：空域处理方法和变换域处理方法。
[1](1)图像信息的获取为了在计算机上进行图像处理，必须把作为处理对象的模拟图像转换成数字图像信息。
图像信息的获取，一般包括图像的摄取、转换及数字化等几个步骤。
该部分主要由处理系统硬件实现。
(2)图像信息的存储于交换由于数字图像信息量大，且在处理过程中必须对数据进行存储和交换，为了解决大数据量及交换与传输时间的矛盾，通常除采用大容量机内存存储器进行并行传送，直接存储访问外，还必须采用外部磁盘、光盘及磁带存储方式，从而达到提高处理的目的。
该部分组要功能也由硬件完成。
(3)数字图像处理数字图像处理，即把在空间上离散的，在幅度上量化分层的数字图像，在经过一些特定数理模式的加工处理，以达到有利于人眼视觉或某种接收系统所需要的图像过程。
(4)数字图像通讯80年代以来，由于计算机技术和超大规模集成电路技术的巨大发展，推动了通讯技术（包括语言、数据、图像）的飞速发展。
因为图像通讯具有形象直观、可靠、高效率等一系列优点，尤其是数字图像通讯比模拟图像通讯更具抗干扰性，便于压缩编码处理和易于加密，因此在图像通讯工程中数字处理技术获得广泛应用。
(5)图像的输出和显示数字图像处理的最终目的是为了提供便于人眼或接收系统解释和社别图像，因此图像的输出和显示很重要。
一般图像输出的方式可分为硬拷贝，诸如照相、打印、扫描鼓等，还有所谓的软拷贝，诸如CRT监视器及各种新型的平板监视器等。
[2]3.2 图像处理的内容图像处理的内容包括：图像变换，图像增强，图像编码与压缩，图像复原，图像重建，图像识别以及图像理解。
(1)图像数字化图像数字化即图像采样和量化，是指把连续的图像信号变为离散的数字信号，以适应计算机的处理。
(2)图像编码压缩把数字化的图像数据按一定规则进行排列或运算过程，称为图像编码。
利用图像本身的内在特性，通过某种特殊的编码方式，达到减少原图像数据时空占用量的处理叫做图像压缩编码。
(3)图像变换一般指利用正交变换的性质和特点，将图像转换到变换域中进行处理，并且大部分变换都有快速算法。
(4)图像增强图像增强的目的是突出图像中所感兴趣的部分，如强化图像的高频分量，可使图像中物体轮廓清晰，细节明显。
(5)图像复原图像复原是尽可能恢复图像的本来面貌，是对图像整体而言，而且在复原处理时，往往必须追求降质原因，以便“对症下药”，而增强往往是局部。
(6)图像分割将图像中包含的物体，按其灰度或几何特性分割，并进行处理分析，从中提取有效分量、数据等有用信息。
这是进一步进行图像处理如模式识别、机器视觉等技术的基础。
(7)图像分类简单地说就是在图像分割的基础上，进行判决分类。
(8)图像重建它是对一些三维物体，应用x射线、超声波等物理方法，取得物体内部结构数据，再将这些数据进行运算处理而构成物体内部某些部位的图像。
目前图像重建最成功的例子是CT技术（计算机断层扫描成像技术）、彩色超声波等。
4 RGB模型简介RGB颜色空间是最基本的色彩空间主要是面向硬件设备的，它是与人类视觉系统有着密切关系的空间模型，它通常用于显示器，打印机和其他设备，是最常见的和最常用的色彩空间。
通常，RGB空间用数据立方体模型来表示，如图3.1所示。
在图中，R，G，B这三个分量分别位于三角上，绿色,红色和黄色在其他三个角落,黑色在原点,白色的角度离原点最远的。
在这个空间中，灰度等级是沿着黑白两点之间的连线分布。
[3]图4.1 RGB 色彩空间示意图比色法则：1、通过R，G，B三种颜色可以产生任意颜色，这三种颜色组合后形成的颜色也是唯一的；2、如果两种颜色的三个分量相等，则这两种颜色是相同的，这三个分量乘以或除以相同的数得到的颜色依旧是一样的；3、各种颜色组成的混合色的亮度等于其中每个颜色亮度的总和。
RGB色彩空间适用于彩色显示，同时，R，G，B这三个分量有很高的相关性，如果强度发生变化，则这三个颜色分量也会发生相应的变化。
此外，在RGB空间不能用距离来衡量两个颜色相似性。
[9]5 设计方案5.1 传统阈值分割算法分析对于彩色图像，传统的阈值分割算法是先将彩色图像转换成灰度图像，再取一个灰度值作为阈值，逐个像素进行处理，若此像素灰度值小于等于阈值的为前景，置为黑色，若大于阈值的为背景，置为白色。
RGB三原色到灰度的转换公式为：Gray=0.30*R+0.59*G+0.11*B （5.1）在灰度值一定的情况下，此公式是三元一次方程，在笛卡尔坐标系中对应着一个平面。
设灰度值取为60，则方程为：0.30x+0.59y+0.11z=60(5.2)对应的空间平面在RGB颜色空间中的位置如图5.1所示。
[5]图5．1 灰度转换与RGB颜色空间模型对照RGB 颜色空间模型看，位于此平面上的所有点，经灰度转换后，其灰度值都是60。
如果以灰度值60为阈值对彩色图像进行分割，则图像中所有颜 色值位于此阈值分割平面下方的，其颜色经灰度转换后都将小于60，因此都将判定为前景；同样的，图像中所有颜色值位于此阈值分割平面上方的，将被判定为背景。
相应的判定准则是：Color=｛w B G R if w B G R f >++≤++11.059.03.011.059.03.010 (5.3)考察当三原色当中的蓝色为0时的情况，如图5.2所示图5.2 蓝色为0时的阈值分割情况对应的灰度转换方程为：0.30x+0.59y=60 (5.3)此平面上的点，以阈值分割线为界，上方的将被判定为背景，下方的将被判定为前景。
当红色或绿色为0时，也有相同的情况。
[8]5.2 基于RGB 颜色空间的阈值分割算法考察蓝色为0时的颜色分布情况，如图5.3所示。
图5.3 蓝色为0时的颜色分布情况图5.3中，左下角为黑色，左上角为红色，右上角 为黄色，右下角为绿色。
观察图4中的颜色分布情况，可以发现，接近黑色的颜色分布在左下角近似正 方形的部分，而不是如图5.3中的三角形部分中，也就是说，就红、绿两原色组合成的色彩而言，将彩色图形 转换为灰度图形后，有一部分色彩在彩色情况下视觉上明显不是黑色，但转换为灰度颜色后视觉上会感觉比较接近黑色。