1、1一种自适应边界生长的彩色图像分割方法摘要：本文介绍了一种自适应边界生长的彩色图像分割方法，将HSI空间中的图像，经过自适应调整边界阈值参数，通过边界生长的方法，将所需要的目标识别、分割，最终获得较为全面的目标分割结果。 关键词：自适应 边界生长 HSI 空间 阈值参数 引言 数字图像处理技术问世不久，人们就开始了图像分割技术的研究。图像分割就是给定的图像按照某种准则划分为互不相交的有意义的子图的过程。在图像分析中，图像分割方法一般有以下四种1。 本文利用 HSI空间中的针对特定颜色的目标进行识别，通过自适应阈值进行边界生长的方法，针对一类与背景颜色区别较大、具有弧面反光特征的目标欠分割的情况
2、效果较好。实验结果证明这种方法比较有效。1.简述 彩色图像分割可以根据图像中的色彩特征来完成，文中采用模式识别理论结合图像处理的方法进行彩色图像在 HSI空间的分割。本文针对由于具有弧面的物体反光形成的颜色渐变，造成的欠分割或目标识别不完全的情况，提出了一种自适应阈值边界生长方法。 文中的主要思路如下： 1）首先给出一个初始图像进行 HSI色彩空间转换。经过中值滤波进2行初步处理，以色彩特征 H、饱和度 S为主阈值分量，对图像进行分割，生成一个二值化的新表。 2）确定生长阈值系数 。 3）以阈值 进行边界生长，得到一次生长后的图像。 4）检测当前图像中检测出独立目标数，与样本已知目标数是否相等
3、，如不相等，通过均值、方差和自适应参数 重新确定生长阈值参数 ，重新执行步骤（3） 。如相等，则分割结束。 2. 具体图像分割步骤 2.1 HSI 色彩空间和滤波 在图像处理中广泛使用的颜色空间主要有 RGB、HIS 和 YUV等。HIS颜色空间更接近人眼对颜色的感知，它将采集的信心分为色调、饱和度和亮度三种属性。从原理上说，HSI 比较 RGB颜色空间更适合用作识别处理的基础2。将 RGB色彩空间转化为 HSI空间，其转换关系如下： 此时，针对转换完成 HSI空间的 S分量和 I分量进行中值滤波，将图像亮度和饱和度进行平滑，而对主参考分量 H不进行滤波，作为初始分割的主要参考依据。将经过色彩
4、空间转换和滤波获得的 HSI空间图像定义为图像 A0。 2.2 初始分割 选取目标颜色，确定对应的 H和 S作为主参考分量，确定该目标在样本图像 A0中的数目 N。以 H和 S作为参考值对图像进行严格筛选，判定样本图像 A0中第 X行第 Y列的像素点对应的 P（X，Y）H，S与参考H、S 的值在一个较小的可变阈值空间内，产生一个与样本图像对应的二3值化新表 A1，如果符合条件，则在表 A1中的对应第 X行第 Y列点置“1” ，不满足置“0” 。对图像全部像素点进行扫描，获得第一次分割后的图像信息。 2.3 确定初始阈值参数 根据样本图像 A0和初始处理后获得的二值图像 A1进行计算，对样本图像
5、中全体像素点的 I分量求均值和方差，再由 A1中分割出来“1”的所有点，对它们的 I分量求均值 和方差 。取初始自适应参数 2.4 边界生长法 初始分割图像确定后，对分割后的图像分别进行逐行扫描和逐列扫描，具体方法如下（以第行逐列扫描为例）： 第一步：在 A1中，由第 1个“0”点开始向右扫描，检测到跳变点（由“0”到“1” ，即为目标左边界）P1（i，j） ，在 A0中，找到相对应的点 P0（i，j） 。 第二步：在 A0中，由点 P0（i，j） 开始向左以一定步长针对 H、S分量进行检索，如果符合生长阈值内，则该点在 A1中的对应点置“1” ，直到检测到 2个不符合的点，停止左侧边界生长。
6、 第三步：回到第一步中检测到的 P1（i，j） ，继续向右扫描，检测到跳变点（由“1”到“0” ，即为目标右边界）P1（i，j+n） ，在在 A0中，找到相对应的点 P0（i，j+n） 。 第四步：重复步骤二，将向左检索改为向右。 重复上述步骤，逐行进行逐列扫描完成后，按相同的方法，逐列进行逐行扫描。从而产生新的边界生长后的目标图像 A2。 42.5 自适应参数调整 判定新的目标图像 A2中彼此独立的目标数 N2，判断 N2与原始样本图像 A0中目标数 N的关系，如不相等，则重新整定自适应参数 ，进行 2.2的步骤。如相等，则实验完成。 3. 实验结果 下面给出了一些实验结果，图 1为 BMP
7、格式实验原图，图 2为 RGB色彩空间下传统方法进行分割的效果图，图 3为本文应用自适应边界生长算法进行分割后的结果，其中图 3-a为 N=1时分割后的结果，图 3-b为 N=2时分割后的结果，图 3-c为 N=3时分割后的结果。本实验程序采用 C+编程，所使用 IDE为 Virsual C+ 6.0。 图 3 本文应用自适应边界生长算法分割结果 实验结果表明：应用本文中自适应边界生长算法获得的分割结果，对于原图像中因为目标表面反光造成的目标识别不全、欠分割等情况具有较好的解决效果。 4. 总结 本文介绍了一个基于自适应边界生长的彩色图像分割算法。这种算法包括 HSI空间边界生长和自适应整定颜
8、色阈值参数，能有针对性的处理一些目标颜色区别性较强，因光照或其他原因，目标表面产生颜色渐变的情况，具有较好的图像处理和分割效果。 本文提到的算法也有相当的局限性，算法的执行时间较长，影响图像识别的实时性，对图像中目标的颜色和数量需要提前标定等，使得本算法只能应用在一些特定的场合。 5参考文献： 1Jing F ， Li M ， Zhang B. Unsupervised Image Segmentation Using Local Homogeneity AnalysisJ. IEEE International Conference on Multimedia &Expo（ICME） ， 2
9、002（2）：456-459 2Haralick R M.Shariro L G. Computer and RobotVisionM. Mass：Addision. Weslay PublishingCompany. 1992：48-55 3Kanumgo T， Mout D M， Netanyahu N S， et al. An efficient K-means clustering algorithm： analysis and implementation J. IEEE Trans on Pattern Analysis and Machine Intelligence，2002， 24（7）： 881-892 4林通，石青云. 一种基于边缘生长的灰度和彩色图像分割方法J.中国图形图像学报，2000，5A（11）： 911-915 5张红，陆谊. 基于局部模糊分形维度的图像边缘检测算法J. 微电子学与计算机，2005，22（7）： 171-174 6闫平凡，张长水. 人工神经网络与模拟进化计算M. 北京：清华大学出版社，2002
