整理基于MATLAB的彩色空间分割设计.docx

整理基于MATLAB的彩色空间分割设计.docx

《整理基于MATLAB的彩色空间分割设计.docx》由会员分享，可在线阅读，更多相关《整理基于MATLAB的彩色空间分割设计.docx（35页珍藏版）》请在冰点文库上搜索。

整理基于MATLAB的彩色空间分割设计

（完整）基于MATLAB的彩色空间分割设计

编辑整理：

尊敬的读者朋友们：

这里是精品文档编辑中心，本文档内容是由我和我的同事精心编辑整理后发布的，发布之前我们对文中内容进行仔细校对，但是难免会有疏漏的地方，但是任然希望（（完整）基于MATLAB的彩色空间分割设计）的内容能够给您的工作和学习带来便利。

同时也真诚的希望收到您的建议和反馈，这将是我们进步的源泉，前进的动力。

本文可编辑可修改，如果觉得对您有帮助请收藏以便随时查阅，最后祝您生活愉快业绩进步，以下为（完整）基于MATLAB的彩色空间分割设计的全部内容。

本科毕业设计

题目基于MATLAB的彩色空间分割设计

专业通信工程

作者姓名李健

学号2011201812

单位物理科学与信息工程学院

指导教师申哲

2015年5月

教务处编

原创性声明

本人郑重声明：

所提交的学位论文是本人在导师指导下，独立进行研究取得的成果。

除文中已经引用的内容外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得聊城大学或其他教育机构的学位证书而使用过的材料。

对本文的研究作出重要贡献的个人和集体，均在文中以明确的方式表明。

本人承担本声明的相应责任。

学位论文作者签名：

李健日期：

2015.5

指导教师签名:

申哲日期：

2015。

5

摘要

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.针对当前彩色图像分割应用越来越普遍的现象，为了使人们对当前彩色图像分割方法有较详细的了解，因此对彩色图像分割方法进行了研究,提出了彩色空间分割、聚类分割和基于阈值的图像分割三种彩色图像的分割设计,报告了图像分割技术的背景及研究意义，图像分割的发展历程以及图像分割在应用发展中的难点，解决了对灰度图像传统分割方法中丢失色彩信息、分割效果不佳的问题，达到了图像分割后信息更全面、分割更精确、对目标实时提取更稳定的效果。

关键词:

彩色图像分割；灰度图像；K-均值聚类；向量空间分割

Abstract

Colorimagesegmentationwhichcanberegardedastheapplicationofgrayimagesegmentationtechnologyinallsortsofcolorspace，isanimportantproblemincolorimageconduct。

Inviewofthecurrentapplicationofcolorimagesegmentationbeingmorecommon,thepurposeofstudyistomakepeopleunderstoodcurrentmethodindetail.Thestudyputforwardthreekindsofcolorimagedesignsofthecolorspacesegmentation,theclusteringsegmentationandtheimagesegmentationthatrelysonthethreshold,andreportthebackgroundandresearchsignificanceofimagesegmentationtechnology，thedevelopmentofimagesegmentationaswellasthedifficultyofimagesegmentationintheapplicationofdevelopment，andsolvethelossofcolorinformationinthetraditionalgrayimagesegmentationmethod,poorsegmentationresults,whichoffermorecomprehensiveinformation,moreprecisedivision,andmorestableeffectfortheabstractionoftargetachievement.

Keywords:

Colorimagesegmentation;Grayimage;K—averageclustering；Vectorspacedivisiontion

基于MATLAB的彩色空间分割设计

前言

数字图像处理技术是一个跨学科的领域。

随着计算机科学技术的不断发展.图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷,尽管其发展历史不长,但却引起了各方面人士的广泛关注.图像分割是数字图像处理的重要技术之一，其基础是像素间的相似性和跳变性。

现在随着科技的发展进步和计算机科学的进步，数字图像处理理论和相关技术得到了飞速的发展,取得了一定的成绩，图像分割也吸引了很多学者的关注，随着图像分割技术的不断发展，各种分割方法的整合也一定会受到更多研究者的青睐。

MATLAB是美国MathWorks公司于1984年开发的，目前已成为国际上最流行，应用最广泛的一种用于科学与工程运算的高效软件.MATLAB集矩阵的运算、数值分割、图形图像显示和仿真于一体，被广泛的用于电子信息处理、自动控制、数学运算、计算机技术、图形图像处理、语言处理和汽车工业等领域,同时也是国内外高校和研究机构进行科学研究的重要工具.

用MATLAB软件进行的图像处理就是将图像转化为数字矩阵的形式，并采用一定的算法对其进行必要的计算,以提高图像的视觉质量或提取有用信息的过程.数字图像处理就是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的理论、方法和技术。

MATLAB为数字图像处理带来了一套广泛的函数，这些函数处理的是多维数组，而图像（二维数值数组）正是多维数组的一种特例。

图像处理工具箱（IPT）是扩展MATLAB数值计算能力的函数集，这些函数与MATLAB语言的简洁表示，使得大量的函数图像处理操作可以按简洁明了的编码方式进行，从而为求解函数处理问题提供了一个理想的软件原型环境。

1。

绪论

1.1图像分割技术的背景和研究意义

图像是传达信息的一种方式，图像中含有大量的有用信息,理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的应用领域，而理解图像的第一步就是图像的分割。

图像分割是对图像进行分析和理解的关键步骤，是数字图像处理中最重要和最基本的技术手段，是一种基本的计算机视觉技术，准确地对图像进行分割，对工程实践及量化分析都有重要的价值。

其中,感兴趣目标的参数测量和特征提取等过程都是以图像分割为预处理的，图像的分割技术使得进一步的图像理解和应用成为可能.在实际工程中，研究者不是对图像的所有部分都感兴趣的,而图像分割的目的就是把图像空间分割成一些有意义的区域,从而把感兴趣的区域提取出来，以便进行进一步的图像应用和处理，因此图像分割的研究有着重要的理论价值和实际意义.

图像分割的应用非常广泛,几乎出现在有关图像处理的所有领域，并涉及各种类型的图像.图像分割在工业自动化、在线产品检验、生产程控、文件图像处理、遥感图像、保安监视、以及军事、体育、农业工程等方面都有广泛应用。

例如:

在遥感图像中，合成孔径雷达图像中目标的分割、遥感云图中不同云系和背景分布的分割等;在医学应用中，脑部MR图像分割成灰质（GM）、白质（WM）、脑脊髓（CSF）等脑组织和其它脑组织区域（NB）等；在交通图像分析中,把车辆目标从背景中分割出来等；在面向对象的图像压缩和基于内容的图像检索中将图像分割成不同的对象区域等。

在各种图像应用中，只需要对图像目标进行提取，测量等都离不开图像分割。

图像分割的准确性将直接影响后续任务的有效性，因此图像分割具有十分重要的意义。

1。

2图像分割的发展历程

图像分割技术是一个从“手工分割”到“半自动分割”、“自动分割”的逐步发展的过程。

早期的图像分割完全是靠人工来完成的，随着计算机技术的不断发展，半自动的分割方法随即应运而生，它是一种人机交互式的图像分割方法，它把操作者的主观能力和计算机高速的数据处理能力有机地结合起来，从而完成对图像的分割处理。

与人工方法相比,半自动的分割方法大大减少了人的主观因素的影响，而且分割速度和精度都得到了提高，但操作者的经验和知识仍然是图像分割过程的一个重要组成部分.近年来，由于大量的新兴技术如模糊分割算法和遗传算法在图像分割领域中的应用，图像分割领域中也涌现出一些自动的分割技术，自动分割方法是由计算机实现图像分割的整个过程。

近年来图像分割技术的发展重点是研究出实用的自动分割方法，并希望最终能够取代非常繁琐的人工分割和主观性很强的半自动分割.

1.3图像分割在应用发展中的难点

目前，图像分割技术仍然是制约数字图像处理中其它相关技术发展和应用的一个瓶颈。

近些年来，图像分割领域中涌现出不少自动分割方法技术,虽然它们完全由计算机来实现图像分割的全部过程，脱离了人为的主观性干预，但算法复杂,计算量大，还存在很多亟待解决的问题。

近年来，图像分割技术研究中的难点是实用的自动分割方法，原因在于图像本身所具有的复杂性和多样性.例如医学图像常表现为对比度低、组织特征可变、不同软组织之间或软组织与病灶之间边界模糊、形状结构和微细结构的分布复杂等特征,因此对研究自动分割技术造成了极大的困难。

另外，在临床实践中，由于人体的解剖组织结构和形状非常复杂，并且人与人之间差异非常大，这就导致了分割中很大的不确定性。

由于图像中存在的噪音、偏移场效应（biasfieldeffect）、和局部体效应（partialvolumeeffect）等因素的影响,获取的图像不可避免的具有模糊、不均匀等特点。

其中，局部体效应主要指一个像素内包含多个目标,这就加大了区分不同目标之间边界区分的难度，而噪声则会使得分割区域变得不连续,并且大部分非均匀场是由不均匀的扫描磁场造成的，这使得组织器官亮度在空间变化缓慢。

现在值得关注的是，对图像分割质量的评价还没有一个客观的方法，目前医学图像分割算法的评估仍需主观评价。

由于图像的复杂性、多样性和图像分割理论的不完善性,人们还难以完全用客观的方法对图像分割方法进行评估。

2。

图像分割预处理

由于受多种因素（光学系统失真、系统噪声、曝光不足或过量等）条件的影响,得到的图片往往信息微弱,无法辨识，需要进行增强处理.增强的目的，在于提供一个满足一定要求的图像，或对图像进行变换，以进行分析。

2。

1图像平滑 

图像平滑的目的是为了减少图像噪声.图像的噪声来自于多方面,有来自于系统外部干扰,如电磁波或经电源串进系统内部而引起的外部噪声，也有来自于系统内部的干扰,如摄像机的热噪声，电器机械运动而产生的抖动噪声等内部噪声.因此,去除噪声,恢复原始图像是图像处理中的一个重要内容。

噪声主要来自下面三个方面：

（1）光电子噪声：

主要由光的统计本质和图像传感器的光电转换过程引起的（如光电管的光量子噪声和电子起伏噪声）； 

（2）电子噪声:

主要来自电子元器件（如电阻引起的热噪声）； 

（3）光学噪声：

主要由光学现象产生的（如胶片的粒状结构产生的颗粒噪声）； 图像在生成和传输过程中受到这些噪声的干扰和影响，使图像处理结果变差。

因此,抑制或消除这些噪声从而改善图像质量,在图像处理过程中是一个重要的预处理，也称为对图像的平滑滤波过程。

2.1。

1 中值滤波原理 

中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。

中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。

在一定的条件下，可以克服线性滤波器所带来的图像细节模糊,而且对滤除脉冲干扰及图像扫描噪声最为有效。

中值滤波的目的是保护图像边缘的同时去除噪声。

在一维的情况下，中值滤波器是一个含有奇数个像素的窗口,在处理之后,将窗口正中的像素灰度值用窗口内各像素灰度值的中值来代替。

设有一个一维序列f1,f2，.。

。

，fn，取窗口长度为奇数m，对此序列进行中值滤波，就是从输入序列中相续抽出m个数，fi—v，..。

fi，...fi+v,其中为窗口的中心值v=（m—1）／2，再将这m个点的数值按其数值大小排列，取其序号为正中间的那个数作为滤波输出.

中值滤波表达式为:

（2。

1）

对二维序列｛Xi,j}的中值滤波,滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。

二维中值滤波可表示为：

，A为滤波窗口（2。

2）

在实际使用窗口时，窗口的尺寸一般先用3×3再取5×5逐渐增大，直到其滤波效果满意为止. 

由于中值滤波是非线性运算,在输入和输出之间的频率上不存在一一对应关系，故不能用一般线性滤波器频率特性的研究方法。

设G为输入信号频谱，F为输出信号频谱，定义H=F/G为中值滤波器的频率响应特性，实现表明H是与G有关，呈不规则波动不大的曲线,其均值比较平坦，可以认为信号经中值滤波后，传输函数近似为1,即中值滤波对信号的频域影响不大，频谱基本不变。

在MATLAB中实现中值滤波的操作后效果如下：

p=imread（’kun。

jpg'）;

I=rgb2gray（p）；

p0=imnoise（I,'salt＆pepper’，0。

02）；

p1=medfilt2（p0，[3,3],'zeros’）;

p2=medfilt2（p0,[5，5]，'zeros'）;

xlabel（'（a）原图像'）;

subplot（2，2，2），imshow（p0）；

xlabel（’（b）添加椒盐噪声后的图像’）；

subplot（2,2,3）,imshow（p1）；

xlabel（'（c）椒盐噪声经3*3中值滤波’）；

subplot（2，2，4）,imshow（p2）;

xlabel（’（d）椒盐噪声经5＊5中值滤波'）;

图2.1受到椒盐噪声污染的图像经不同模版中值滤波后的图像

结果显示,中值滤波法能够非常好地将椒盐噪声去除掉，可见中值滤波方法对于椒盐噪声或脉冲式干扰具有很强的滤除作用，这些干扰值与其邻近像素的灰度值有很大的差异,经过排序后取中值的结果就将此干扰强制变成与其邻近的某些像素值一样，从而达到去除干扰的效果.但是由于中值滤波方法在处理过程中会带来图像模糊，所以对于细节丰富，特别是点、线和尖顶细节较多的图像不适用.

2.2灰度调整 

在成像过程中，扫描系统、光电转换系统中的很多的因素,如光照强弱、感光部件灵敏度、光学系统不均匀性、元器件特性不稳定等均可造成图像亮度分布的不均匀，导致某些部分亮，某些部分暗.灰度调整就是在图像采集系统中对图像像素进行修正，使整幅图像成像均匀.

2。

2。

1 灰度调整原理 

灰度调整可使图像动态范围增大，图像对比度扩展，图像变清晰，特征明显，是图像增强的重要手段之一。

在曝光不足或过度的情况下，图像灰度可能会局限在一个很小的范围内。

这时在显示器上看到的将是一个模糊不清、似乎没有灰度层次的图像。

采用线性灰度调整对图像每一个像素灰度作线性拉伸，将有效地改善图像视觉效果.

 2.2.2 灰度调整在MATLAB中实现及效果分析 

p=imread（’kun.jpg’）;

p0=imadjust（p,[],[］,0。

6）；

subplot（1,2,1），imshow（p）；

xlabel（’（a）原图'）;

subplot（1，2，2），imshow（p0）;

xlabel（’（b）灰度调整后的图像'）；

图2.2灰度调整前后图像对比

图2。

3原始图像直方图       图2.4调整后直方图

由图2。

4可以看出（b）视觉效果较（a）明显，灰度调整前后直方图的比较可以看出，调整后直方图（d）去除了原始直方图（c）的噪声直方图,灰度调整后图像明显清晰了。

3。

彩色图像分割概述

彩色图像分割是指把一幅图像分割成不同的区域，这些区域在某些图像特征如边缘、纹理、颜色、亮度等是一致的或相似的，因此，图像分割也是将图像中的像素按照特征的不同而进行分类的过程。

图像分割是数字图像处理的重要前期过程，是图像处理中最基本的技术之一。

特征提取、目标识别都依赖于图像分割质量的好坏，所以图像分割决定了图像分析的最终成败。

目前彩色图像分割大致分为：

直方图阈值法、特征空间聚类法、基于区域的方法、边缘检测的方法、模糊方法和神经元网络方法等。

3.1彩色空间中的图像分割

3.1.1RGB彩色向量空间分割原理

使用RGB彩色向量进行彩色区域的分割，假设分割目的是在RGB图像分割一个特定彩色范围的物体.给定一组感兴趣的彩色（或彩色范围）描述彩色样本点，会获得一个“平均”的颜色估计,它是需要分割的颜色.让这种平均色用RGB列向量m来定义。

分割的目的是对图像中的每一个RGB像素进行分类，使其在指定的范围内有一种颜色或没有颜色。

为执行这一比较,需要一个相似性度量。

最简单的度量之一是欧几里得距离[1][2］。

令z表示RGB空间的任意点.若z和m之间的距离小于指定的阈值T，则说z相似于m。

z和m之间的欧几里得距离由下式给出：

（3。

1）

其中

是参量的范数，下标R、G和B表示向量m和z的RGB分量。

的点的轨迹是一个半径为T的实心球体,如图3。

1（a）所示.由定义可知，包含在球体内部或表面的点满足特定的彩色准则；而球体外面的点则不满足。

在图像中对这两组点编码,如黑的和白的，产生一幅二值分割图像。

前述方程的一个有用归纳是距离

（3。

2）

其中，C是要分割的彩色的样值表示的协方差矩阵。

该距离称为Mahalanobis距离。

的点的轨迹描述了一个实心三维椭圆体［见图3.1（b）]，它的重要属性是其主轴取在最大的数据扩展方向上。

当C等于单位矩阵I时,Mahalanobis距离简约为欧几里得距离。

除了现在数据包含在椭圆球体内而不是包含在椭圆球体之外，分割和前段描述过的一样.

（a）（b）

图3。

1为分割目的而在RGB向量空间的两种模型

3.1。

2HSV彩色空间

HSV颜色模型

这个模型中颜色的参数分别是：

色彩（H）,纯度（S），明度（V）.

HSV模型的三维表示从RGB立方体演化而来。

设想从RGB沿立方体对角线的白色顶点向黑色顶点观察，就可以看到立方体的六边形外形。

六边形边界表示色彩，水平轴表示纯度，明度沿垂直轴测量。

H参数表示色彩信息,即所处的光谱颜色的位置。

该参数用一角度量来表示，红、绿、蓝分别相隔120度.互补色分别相差180度.

纯度S为一比例值,范围从0到1，它表示成所选颜色的纯度和该颜色最大的纯度之间的比率.S=0时,只有灰度。

V表示色彩的明亮程度,范围从0到1。

有一点要注意：

它和光强度之间并没有直接的联系。

3。

2基于阈值的图像分割原理

基于阈值的图像分割阈值化算法利用图像中要提取的目标物与其背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域（目标和背景）的两种组合,选取一个合适的阈值，以确定图像中每一个像素点应该属于目标还是背景区域，从而产生相应的二值图像[3］。

阈值分割不仅可以大量压缩数据,减少存储容量，而且能大大简化在其后的分析和处理步骤。

图像阈值化的直接结果是把图像中各个区域区分开来，但要把其中的目标区域提取出来，通常还需要对每个区域进行标记处理。

最简单的利用阈值方法来分割灰度图像的步骤为：

首先对一副灰度取值在0和L-1（其中，L位灰度图像的最大灰度值）之间的图像确定一个灰度阈值T（0〈T〈L-1），然后将图像中每个像素的灰度值与阈值T相比较［4]，并将对应的像素根据比较结果分为两类：

像素的灰度值大于阈值T的为一类，像素的灰度值小于阈值T的为一类［5］[6］。

像素的灰度值等于阈值的可归入这两类之一不管用何种方法选取阈值,取单个阈值分割后的图像可定义为

阈值化算法通过设定不同的特征阈值，将像素点分为若干类，其关键在于阈值的选取.

3。

3聚类分割算法

3.3.1K—均值聚类分割算法

K—均值聚类分割算法在图像分割中得到广泛应用[7].在K—均值算法中，常规的优化算法主要针对聚类数和聚类中心的选取［8]［9]，即通过一些检测聚类有效性的函数计算最佳聚类数K，在此基础上优化分割效果。

近年的一些研究［10］［11］表明融合多种图像特征更有利于获得较好的分割效果,文献［11]的研究表明，在对自然彩色图像进行分割时考虑了像素的空间特征，算法有更好的鲁棒性。

颜色特征的提取

颜色特征是在图像分割中应用最为广泛的视觉特征,在彩色图像分割算法中，采用了Lab色彩模型。

在Lab模式下，图像的亮度信息和色彩信息被分开保存，调整颜色通道时亮度通道保持不变。

这样L通道可以看做是一影像灰度版，其中保存了图像的细节信息,因此利用L通道可容易区分自然图像中的明暗细节。

此外Lab模型具有宽阔的色域，不仅包含了RGB的所有色域,而且弥补了RGB色彩模型色彩分布不均的问题.

纹理特征的提取

纹理通常指在图像中反复出现的局部模式和他们的排列规则，具有不依赖于颜色或照度并可以反映图像中同质现象的特点，基于图像的灰度共生矩阵提取图像纹理特征。

根据共生矩阵，可以计算熵、对比度、能量、相关、方差等16种用于提取图像中纹理信息的特征统计量。

对于对比度、能量、相关性的特征提取步骤如下:

（1）将图像降为低级灰度图像，灰度级为8.

（2）设置半径为d，大小为

的窗口矩阵，通过遍历图像的方式计算出窗口内灰度共生矩阵，并将其映射到窗口中心所代表的像素上。

（3）基于灰度共生矩阵，利用式（3.3）-式（3。

6）计算对比度、能量、相关性和同质性四个纹理特征，并将值返还至对应的像素中心。

（3。

3）

（3。

4）

（3。

5）

（3。

6）

对比度（CON）可理解为图像的清晰度；能量（ENG）是图像灰度分布均匀性的度量.图像呈现较粗的纹理，能量的取值相应较大；相关度（COR）是灰度线形关系的度量,反映某种灰度值沿某方向的延伸长度；同质性（HOM）是图像局部灰度均匀性的度量，如果图像局部的灰度均匀，同质性的取值就较大。

此外，针对在图像边缘无法获取完整的窗口信息而得不到纹理特征的问题，考虑到特征值参与计算的像素之间的联系，采取区域均值的算法，以半径d：

3的窗口矩阵为例，边缘像素的值近似的表示为与其相关的所有纹理特征值之平均值。

即：

（3。

7）

其中

为x的空间坐标

K-均值聚类算法的基本思想：

随机选取K个点作为初始聚类中心，计算各个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类,对调整后的新类计算新的聚类中心。

如果相邻两次的聚类中心没有任何变化，说明样本调整结束，聚类准则函数已经收敛。

K—均值聚类算法中重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的K个样本,聚类的性能与初始聚类中心的选取有关，聚类的结果与样本的位置有极大的相关性.一旦这K个样本选取不合理，将会增加运算的复杂程度，误导聚类过程，得不到合理的聚类结果[12］。

通过粗糙集理论提供K—均值聚类所需要的初始类的个数和均值，提高了聚类的效率和分类的精度。

像素的灰度值为

，其中

为第i次迭代后赋给类j的像素集合,

为第j类的均值。

具体步骤如下：

（1）将粗糙集理论提供的L个中心点P作为初始类均值

。

（2）在第i次迭代时，考察每个像素，计算它与每个灰度级的均值之间的间距