基于彩色空間的二維OSTU的圖像分割算法

蔡燕偉，崔紅霞

（渤海大學(xué) 信息科學(xué)與技術(shù)學(xué)院，遼寧 錦州 121013）

圖像處理應(yīng)用廣泛，其中圖像分割是圖像分析和模式識(shí)別的經(jīng)典問(wèn)題，圖像分割是圖像處理和前期視覺(jué)中的基本技術(shù)，是大多數(shù)圖像分析和視覺(jué)系統(tǒng)的重要組成。圖像分割是應(yīng)用一種或者多種運(yùn)算將圖像分成一些具有類似特性如：顏色、紋理、密度等的[1]，主要有閥值方法（thresholding）和區(qū)域方法兩大類。前者利用灰度頻率對(duì)分布信息進(jìn)行分割，一般可分為直方圖法、最大類間方差法、最小誤差和均勻誤差法、簡(jiǎn)單統(tǒng)計(jì)法、概率分布松弛法、FCM（fuzzy-means）模糊聚類算法、馬爾可夫隨機(jī)場(chǎng)法、神經(jīng)網(wǎng)絡(luò)方法等10種[2-3]。后者利用局部空間信息進(jìn)行分割，將具有相似特性的像素集合起來(lái)構(gòu)成區(qū)域，主要有區(qū)域生長(zhǎng)法（region growing）和分裂合并（split-and-merge）法。隨著計(jì)算機(jī)處理技術(shù)的提高，人們?cè)絹?lái)越關(guān)注彩色圖像的分割，過(guò)去通常處理彩色圖像時(shí)是把彩色圖像轉(zhuǎn)化成灰度圖像進(jìn)行處理，所以人們?cè)趯?duì)灰度圖像分割提出很多好的方法，但是這些方法不能直接用于對(duì)彩色圖像的處理，為此一些專門用于彩色圖像的方法被提出，目前彩色圖像的分割方法有：模糊類方法、特征空間聚類法、邊緣檢測(cè)等[4]。

文中是針對(duì)復(fù)雜背景下且顏色特征明顯的應(yīng)用領(lǐng)域，如復(fù)雜背景樹(shù)木的分割、醫(yī)學(xué)圖像等，提出了一種基于Lab和二維OSTU的彩色圖像快速分割算法。該算法首先將彩色圖像從RGB色彩空間轉(zhuǎn)換到Lab空間，然后聯(lián)合利用L通道、a通道、b通道圖像信息進(jìn)行二維OSTU分割。試驗(yàn)表明基于Lab和二維OSTU的算法，取得較好的圖像分割效果。

1 色彩空間的選擇

不同的色彩空間有各自的應(yīng)用領(lǐng)域和產(chǎn)生背景。對(duì)于一幅彩色圖像的分割，彩色空間的選取尤為重要，它對(duì)分割的結(jié)果起到?jīng)Q定性的作用。目前彩色數(shù)字圖像的格式為RGB，RGB是最基本的色彩空間，而我們常用到的色彩空間包括Lab空間、RGB空間、HIS 空間[5-8]。但是RGB色彩空間的缺點(diǎn)：它是一個(gè)不均勻的視知覺(jué)空間，不利于顏色圖像的分割。而HIS空間雖然符合人眼對(duì)顏色的描述方式，但視覺(jué)所感受的顏色和它所表示的顏色有些不一致。Lab空間不但可以表示視覺(jué)所感受的顏色，而且適用于物體顏色的計(jì)算，因此我們常用它分析彩色圖像。

1.1 Lab顏色空間

Lab色彩模型是由亮度（L）和有關(guān)色彩的a, b 3個(gè)要素組成。L表示亮度（Luminosity），a表示從洋紅色至綠色的范圍，b表示從黃色至藍(lán)色的范圍。L的值域由0到100，L=50時(shí)，就相當(dāng)于50%的黑；a和b的值域都是由+127至-128，其中+127 a就是洋紅色，漸漸過(guò)渡到-128 a的時(shí)候就變成綠色；同樣原理，+127 b是黃色，-128 b是藍(lán)色。所有的顏色就以這三個(gè)值交互變化所組成。例如，一塊色彩的Lab值是L =100，a = 30, b = 0, 這塊色彩就是粉紅色。

1.2 Lab色彩分通道法實(shí)現(xiàn)的原理

將彩色圖像在色彩空間中按色彩空間分量分解為多個(gè)單通道圖像。在彩色圖像分割的過(guò)程中可以選擇LAB、HIS、RGB等彩色空間?；叶葓D像可以用來(lái)描述分解的單通道圖像信息。當(dāng)原始圖像變換到彩色圖像空間之后，把LAB空間的3個(gè)通道分離出來(lái)，成為互不聯(lián)系的灰度圖，等待進(jìn)一步的分割。

2 二維OTSU自動(dòng)閥值分割

分離得到的通道圖像為單色圖像，用灰度圖像來(lái)表示單通道圖像的信息，所以我們可以用灰度圖像的分割來(lái)代替彩色圖像的分割?；叶葓D像分割方法很多，本文采用二維OSTU自動(dòng)閥值分割法[9-10]，因?yàn)樵摲椒ú粌H計(jì)算簡(jiǎn)單，還考慮像素點(diǎn)和其鄰域相關(guān)信息。設(shè)圖像的灰度級(jí)分為L(zhǎng)級(jí)，那么像素的鄰域平均灰度也分為L(zhǎng)級(jí)。計(jì)算每個(gè)像素點(diǎn)的灰度和其鄰域的灰度，由此可以形成一個(gè)二元組，我們記為（i,j）,出現(xiàn)的次數(shù)記為f,則相對(duì)應(yīng)的聯(lián)合概率密度為：p=f/N,(i,j=1,2,3,…,L,N 為圖像的像素點(diǎn)數(shù))，并且p=1[11-12]

二維OSTU中，利用二維直方圖中任意閾值矢量（s, t）對(duì)圖像進(jìn)行分割，可將圖像分成目標(biāo)和背景兩類區(qū)域，分別記為C0和C1則這兩類的先驗(yàn)概率分別為目標(biāo)和背景對(duì)應(yīng)的均值矢量分別為

3 基于彩色空間的二維OSTU的圖像分割

為進(jìn)一步降低圖像分割方案的時(shí)間復(fù)雜度和提高抗噪能力，本文以O(shè)STU理論為基礎(chǔ)，提出一種基于顏色和二維OSTU圖像分割算法，該算法首先根據(jù)圖像的顏色特征進(jìn)行圖像分割，然后根據(jù)二維OSTU方法在進(jìn)行分割。

基于顏色和灰度的圖像分割步驟如下：

步驟1 選幾幅自然場(chǎng)景下的彩色圖片。

步驟2 圖像預(yù)處理。自然場(chǎng)景下拍攝圖像具有普遍的噪音，用變參數(shù)各項(xiàng)異性方法對(duì)自然背景下的圖像去噪。

步驟3 RGB空間到Lab空間的轉(zhuǎn)換。一般圖像為RGB格式，因此需要按照公式從RGB空間轉(zhuǎn)換到Lab空間，公式：L=116f(y)-16,a=500[f(x/0.982)-f(y)], b=200[f(y)-f(z/1.183)]；f(x)=7.787x+0.138,x＜0.008856;f(x)=(x)1/3,x＞0.008856

步驟4提取Lab空間中三個(gè)通道信息。將彩色圖像在色彩空間中按色彩空間分量分解成多個(gè)單通道圖像，分解出來(lái)的單通道圖像用灰度圖像進(jìn)行描述。

步驟5 基于通道的OSTU算法。根據(jù)分離出L通道、a通道、b通道的圖像信息，按照實(shí)際需要進(jìn)行二維OSTU圖像分割。

步驟 6 數(shù)學(xué)形態(tài)學(xué)的修整。對(duì)分割后的圖像進(jìn)行膨脹運(yùn)算、腐蝕運(yùn)算、開(kāi)運(yùn)算或者閉運(yùn)算進(jìn)行圖像調(diào)整，得到最后的目標(biāo)圖像。

4 試驗(yàn)與仿真

為了驗(yàn)證本文算法的有效性，進(jìn)行了仿真試驗(yàn)，仿真試驗(yàn)是在MATLAB7.0環(huán)境下進(jìn)行。選取了40幅自然背景下拍攝的樹(shù)木圖像，分別用本文基于顏色的二維OSTU算法、二維OSTU算法提出的快速算法進(jìn)行分割處理。試驗(yàn)開(kāi)始時(shí)首先對(duì)原始圖像進(jìn)行色彩空間的轉(zhuǎn)換，然后選擇合適的通道圖像信息，本試驗(yàn)選擇a 通道圖像信息進(jìn)行二維OSTU分割，從表1給出二維OSTU算法和本文的算法運(yùn)行時(shí)間比較，從仿真結(jié)果可以看出，本算法的運(yùn)行時(shí)間比較快，準(zhǔn)確率也比較高，原因在于背景區(qū)域搜索空間，通過(guò)通道的分離后只需考慮，單通道的圖像空間信息，可得到比較理想的效果，算法簡(jiǎn)單快捷。從圖1中可以看出，本算法能夠很好抑制目標(biāo)和背景處大部分噪聲。

5 結(jié)束語(yǔ)

圖1 圖像分割結(jié)果Fig. 1 Image segmentation results

表1 不同算法運(yùn)算時(shí)間Tab.1 Time of Different computing algorithms

從分割圖像自身特點(diǎn)出發(fā),本文針對(duì)顏色特征明顯且符合人類視覺(jué)特點(diǎn)的應(yīng)用領(lǐng)域，如車牌識(shí)別、醫(yī)學(xué)圖像等，本文算法在二維OSTU算法的基礎(chǔ)上進(jìn)行改進(jìn)，把顏色空間和二維OTSU圖像分割算法結(jié)合起來(lái)。該算法首先采用彩色空間的轉(zhuǎn)換初步提取圖像目標(biāo)區(qū)域,并根據(jù)目標(biāo)區(qū)域?qū)D像進(jìn)行二維OTSU圖像進(jìn)行分割。試驗(yàn)仿真結(jié)果表明基于顏色的二維圖像分割算法不但取得較好圖像分割效果，而且減小了計(jì)算的運(yùn)算量和運(yùn)行時(shí)間。

[1] 宋世軍,張之穩(wěn),石來(lái)德．復(fù)雜背景下運(yùn)動(dòng)目標(biāo)的圖像分割[M].北京:中國(guó)圖書出版社,2009.

[2] 王友國(guó) ,劉沁雨. 多閾值系統(tǒng)中高斯混合噪聲改善信息的傳輸[J].計(jì)算機(jī)技術(shù)與發(fā)展,2011,32(1):33-34.WANG You-guo,LIU Qin-yu. Gaussian multi-threshold mixed noise system to improve the transmission of information [J].Computer Technology and Development, 2011,32(1):33-34.

[3] 范九倫,趙鳳. 灰度圖像的二維Otsu曲線閥值分割法[J].電子學(xué)報(bào),2009,18(21):45-48.FAN Jiu-lun,ZHAO Feng.Dimensional Otsu curve gray image threshold segmentation method [J].Acta Electronica Sinica,2009,18(21):45-48.

[4] 康振環(huán),王化雨.基于二維元胞自動(dòng)機(jī)的圖案設(shè)計(jì)方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2012,26(2):36-39.KANG Zhen-huan,Wang Hua-yu.Based on two-dimensional cellular automaton pattern design method[J].Computer Technology and Development, 2012,26(2):36-39.

[5] Comaniciu D.Meer P.Robust analysis of feature spaces: color image segmentation[J].Proc.of IEEE Conf. on Computer Vision and Pattern Recognition,2011,8(4):174-179.

[6] TorrieriD J.Statistical theory of passive location systems[J].IEEE Trans.Aerosp.Electron.Syst,2012,20(8):943-956.

[7] Caffery J J.Wireless Location in CDMA Cellular Radio Systems[M].KluwerAcademic Publishers,2011.

[8] Borsotti M,Campadelli P,Schettini R,Quantitative evaluation of color image segmentation results[M].Pattern Recognition,2008.

[9] 蔡梅艷，吳慶憲，姜長(zhǎng)生．改進(jìn)Otsu法的目標(biāo)圖像分割[J].電光與控制,2010,14(9):45-47.CAI Mei-yan,SONG Qing-xian,JIANG Chang-sheng.improved otsu image segmentation method[J].Optics & Control2010,14(9):45-47.

[10] 劉健莊,灰度圖像的二維Otsu自動(dòng)閾值分割法[D].沈陽(yáng):東北大學(xué),2011.

[11] 李孟歆.基于分級(jí)神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別算法[D].沈陽(yáng):沈陽(yáng)建筑大學(xué),2009.

[12] 石偉.BP神經(jīng)網(wǎng)路在車牌識(shí)別技術(shù)中的應(yīng)用[D].江蘇:南京航空航天大學(xué),2010.