（光学专业论文）彩色图像有意义区域提取算法研究.pdf

学位论文使用授权声明 本人完全了解苏州大学关于收集、保存和使用学位论文的规定， 既：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸 质论文的内容一致。苏州大学有权向国家图书馆、中国社科院文献信 息情报中心、中国科学技术信息研究所( 含万方数据电子出版社) 、中 国学术期刊( 光盘版) 电子杂志社送交本学位论文的复印件和电子文 档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段保 存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数据 库进行检索。 涉密论文口 本学位论文属 在年月解密后适用本规定。 非涉密论文囱 丝丝q 。“4 4 4 。1 。“， 。“_ 4 _ ，* “。 m 。+ 1 d 一1 一一。 “。 t m - ”一 彩色图像有意义区域提取算法研究中文摘要 彩色图像有意义区域提取算法研究 中文摘要 彩色图像有意义区域提取是计算机视觉领域里最为基础和重要的问题之一。有效 合理的提取方法能够为基于内容的图像检索、对象分析等抽象出十分有用的信息，从 而使得更高层的图像理解、图像分析成为可能。 论文围绕如何在彩色图像中自动提取出对人们感兴趣的区域进行了详细、深入的 研究。在总结和分析现有有意义区域提取算法的基础上，结合研究的实际应用背景， 以感兴趣区域的颜色特性作为前提，提出了两套有效合理的彩色图像有意义区域提取 算法，并对提取算法进行了详细的分析。 论文的研究成果主要体现以下两大方面： 1 对传统的模糊c 均值算法( f c m 算法) 进行了改进，并将其应用于彩色图像 有意义区域提取中。运用f c m 算法分割图像时，采用高斯混合模型计算聚类中心， 优化了初始聚类中心的选取；选择交叉熵距离函数作为像素的相似性测度函数进行测 度，克服了传统的欧式距离对球状样本数据分布的依赖。 2 提出了一种新的彩色图像有意义区域提取算法，新算法将均值平移，边缘检测 以及区域生长的思想相结合，充分发挥了边缘检测和区域生长法的优势，可以得到单 像素宽的、连通的、封闭的以及位置准确的轮廓。既克服了传统算法分割之后，各个 区域内像素特性不一致的缺点，又保证了区域边缘的完整性。 本论文研究重点是彩色图像，但提出的算法、结论同样适用于其它类型的图片或 数据，并具有较强的鲁棒性。 关键词：模糊c 均值；高斯混合模型；均值平移；区域生长；边缘检测；彩色图像 分割 作者：责志伟 指导教师：赵勋杰 英文摘要 彩色图像有意义区域提取算法研究 t h er e s e a r c ho fm e a n i n g f u lr e g i o ns e g m e n t a t i o nt e c h n o l o g y a b s t r a c t c o l o ri m a g es e g m e n t a t i o nf o r m e a n i n g f u lr e g i o ni so n eo ft h em o s ti m p o r t a n ts t e pi n c o m p u t e rv i s i o n u s e f u li n f o r m a t i o nw i l lb es u p p l i e df o rc o n t e n d - b a s e di m a g er e t r i e v a l a n do b j e c ta n a l y s i sb yp r o p e rm e t h o d t h u s ，r e a lt i m ei m a g eu n d e r s t a n d i n ga n di m a g e a n a l y s i sc o u l db e c o m ep o s s i b l e c e n t r e do nh o wt oe x t r a c tt h em e a n i n g f u lr e g i o no fc o l o ri m a g e ，t h e s i sm a d ed e t a i l e d r e s e a r c h b ys u m m i n gu pt h ee x i s t i n ga l g o r i t h m s ，a n dc o n n e c t i n g 、析t l lt h ea p p l i c a t i o n b a c k g r o u n d s ，t a k eh o m o g e n e i t yo fp i x e l sa sp r e e x i s t i n g ，t w ok i n d so fm e a n i n g f u lr e g i o n s e g m e n t a t i o nt e c h n o l o g i e sw a sp u tf o r w a r d m a i nw o r ko f t h i sp a p e ri sm a i n l yf o c u s e do nt h e s et w oa s p e c t s ： 1 an e wi m p r o v e df u z z yc m e a n sa l g o r i t h mi sp r o p o s e dt o a p p l yi ne x t r a c t i n g m e a n i n g f u lr e g i o no fc o l o ri m a g e w h e no p e r a t i n gt h en e wa l g o r i t h m ，g a u s s i a nm i x t u r e d e n s i t ym o d e l w a su s e dt oc o m p u t et h ec e n t r e ( m e a nv a l u e ) o fac o l o ri m a g e ；t h et h e o r yo f c r o s s e n t r o p yd i s t a n c ew a si n t r o d u c e dt oc o m p u t et h ed i s t a n c e e x p e r i m e n t a lr e s u l t ss h o w t h a t ，t h en e wa l g o r i t h mn o to n l yi m p r o v e st h ei n i t i a lc l u s t e r i n gc e n t e r , b u ta l s oe n h a n c e s t h es e g m e n t a t i o np r e c i s i o na n dt h eu n i v e r s a l i t yp r i n c i p l e 2 w ea d o p tan u m b e ro fc l a s s i c a lp o w e r f u la l g o r i t h m s ( m e a ns h i f tc l u s t e r i n g ，e d g e d e t e c t i o na n dr e g i o ng r o w i n g ) t oe x t r a c tt h em e a n i n g f u lr e g i o n sa d d ss p a t i a li n f o r m a t i o n ，n 圮e x p e r i m e n t si n d i c a t et h a tt h ep r o p o s e dm e t h o dc a na v o i dt h ep h e n o m e n o no f u n - h o m o g e n e i t ya n dt h er e s u l t sc a nb ee a s i l ya c c e p t e db yh u m a ne y e s ，a l s o ，e d g e sa n d b o u n d a r i e sc o n n e c t e da n dc l o s e d t h ea l g o r i t h mi sp r o p o s e dt oe x t r a c tt h ec o l o ri m a g e ，b u tt h ee s s e n t i a lt h e o r yi sa l s o t h es a m ew i t ho t h e rt y p e s i m a g eo rd a m s i tc a l lb ec o n v e n i e n t l ya p p l i e di no t h e ri m a g eb y m o d i f y i n gas m a l lq u a n t i t yo fp a r a m e t e r s k e yw o r d s ：f u z z yc - m e a n ；g a u s s i a nm i x t u r ed e n s i t ym o d e l ；m e a ns h i f t ；r e g i o n g r o w i n g ；e d g ed e t e c t i o n ；c o l o ri m a g es e g m e n t a t i o n w r i t t e nb y ：b e nz h i w e i s u p e r v i s e db y z h a ox u n j i e 第1 章绪论。 目录 1 1 1 课题研究的背景与意义1 1 2 国内外研究现状与动态2 1 3 论文主要研究内容与结构3 1 4 本章小结4 第2 章彩色图像基础知识与预处理技术研究 2 1 色彩三要素5 2 2 颜色空间。：6 2 3 颜色直方图8 2 4 彩色图像的预处理9 2 5 本章小结一1 3 第3 章基于g m d m & f c m 算法提取彩色图像有意义区域 1 4 3 1 高斯混合密度模型1 4 3 2 模糊c 均值算法及其改进。1 7 3 3 基于g m d m & f c m 算法提取彩色图像有意义区域2 1 3 4 算法总结2 6 第4 章基于三步无监督分割法提取彩色图像有意义区域2 7 4 1 三步无监督分割算法简介2 7 4 2m e a ns h i f t 算法一2 7 4 3 边缘检测3 0 4 4 区域生长3 2 4 5 实验与结果分析3 3 4 6 本章小结4 1 第5 章总结与展望4 2 参考文献 攻读学位期间公开发表的论文 致谢。 4 4 4 6 4 7 彩色图像有意义区域提取算法研究第1 章绪论 第1 章绪论 1 1 课题研究的背景与意义 彩色图像是人类获取信息、表达信息和传递信息的手段。据不完全统计，人类从 外界获取的有用信息有8 0 左右来自视觉或者图像，其中彩色图像占据着绝大部分。 与灰度图像相比，彩色图像不仅包含了图像的亮度信息，还包含了色度等其它有用的 信息。实际上，同样景物的灰度图像所表达的信息远难与彩色图像相比，人类对色彩 的感知更为敏感，信息量较差的彩色图像似乎比一幅完美的灰度图像更具有吸引力。 随着计算机网络和多媒体技术的应用，如何提高图像的存储、检索、传输效率显得尤 为重要，近年来基于内容、纹理和色彩的图像处理技术逐渐成为多媒体数据技术研究 的一大热点，而其中最基础的技术就是基于色彩的图像处理技术，我们称之为彩色图 像处理技术，彩色图像处理技术已逐渐成为信息科学、计算机科学、工程科学、地球 科学等诸多领域学者研究图像的有效工具。 在对彩色图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣。这些部 分常称为目标或前景，它们一般对应图像中特定的、具有独特性质的区域。为了达到 辨识和分析目标，我们需要将它们分离并提取出来。在此基础上才有可能对目标进一 步利用，从图像处理的基础上上升到图像分析的领域，达到质的飞跃。 ( a ) 原始图像( b ) 梅花鹿的提取图 图1 1 梅花鹿有意义区域提取示例 彩色图像有意义区域提取就是指把图像分成各具特性的区域并提取出感兴趣区 域的技术和过程，这里的特性可以是图像像素的灰度、颜色、纹理等，预先定义的目 第l 章绪论 彩色图像有意义区域提取算法研究 标可以对应单个区域，也可以对应多个区域。例如，人们对原始图像( 如图1 1 ( a ) ) 中的梅花鹿区域最为感兴趣，所以我们把梅花鹿提取了出来( 如图1 1 ( b ) ) ，这就是 彩色图像有意义区域提取。 彩色图像有意义区域提取应用非常广泛，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。例如，在医学应用中，人体彩色影像中提取出恶性淋巴瘤的 空泡状细胞；在交通图像分析中，把车辆、车牌号码从背景中提取出来；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类型的对象区域。在这些应用 中，图像的有意义区域提取为下一步对图像进行分析、识别、压缩编码等，立下了不 少汗马功劳。因此，彩色图像有意义区域提取的方法和精准程度显得至关重要。有效 合理的提取方法能够为基于内容的图像检索、对象分析等抽象出十分有用的信息，从 而使得更高层的图像理解成为可能。 1 2 国内外研究现状与动态 目前，国内外彩色图像有意义区域的提取算法有很多，主要是基于各种彩色图像 的分割算法来实现的。如基于最大似然【1 1 、决策树 2 1 、k 最近邻【3 】、神经元网络【4 】等的 有监督分割算法；基于模糊c 均值【5 1 、球坐标变换【6 1 、主成分变列7 1 、均值平移8 1 等 的无监督分割算法；或者比较传统的基于分水岭【9 】、边缘检测【l o l 、马尔柯夫随机场【l l 】 的分割算法，等等。有些算法己初步具备实用价值。但是，由于图像特征理解的复杂 性以及不同领域图像的差异性，现有的这些提取算法，基本上还处于实验阶段，其准 确性、实用性、通用性等方面离大规模实际应用的要求还有很大差距。例如：模糊c 均值算法需要良好的初始聚类中心；基于边缘检测的分割算法只使用了局部信息；基 于马尔柯夫随机场的聚类计算量巨大，等等。 彩色图像是一类特定的图像，由于其特殊性，需要采用特殊的提取方法。既要选 好合适的颜色空间，也要采用好适合此空间的分割策略和方法。目前，采用单一的分 割算法提取彩色图像有意义区域大多数情况下不能满足实际要求，其存在的问题主要 表现在：大多数传统分割方法都是基于像素的，也就是说在分割过程中需要逐一 检测图像中所有像素。这样使得整个计算代价和存储量非常大，而且分割所需时间也 2 彩色图像有意义区域提取算法研究第l 章绪论 相当长。由于图像噪声的影响或者分割策略的不当，提取结果容易产生过多的无 实际意义的小区域，这种情况称为过分割现象。太多的细小区域将会使提取结果达不 到其精确的要求，应该将它们按实际情况进行“去除”或是合并到其它区域。彩色 图像种类繁多，目前分割算法的适用性都不是很强，大多数只是针对某些特定图像。 如何简单有效地分割彩色图像并提取出有意义区域以尽可能地解决以上问题是 目前国内外研究的热点，也是以后发展的趋势。 1 3 论文主要研究内容与结构 论文围绕如何在彩色图像中自动提取出人们感兴趣的区域进行了详细、深入的研 究。在总结和分析现有有意义区域提取算法的基础上，结合研究的实际应用背景，以 感兴趣区域的颜色特征为前提，提出了两套有效合理的彩色图像有意义区域提取算 法，并对提取算法进行了详细的分析。 本文的研究工作主要包括以下三个方面： 1 总结了彩色图像预处理的两种基本技术：彩色图像平滑与彩色图像增强。 2 对传统的模糊c 均值算法( f c m 算法) 进行了改进，并将其应用于彩色图像 有意义区域提取中。在运用f c m 算法分割图像时，采用高斯混合模型1 2 1 计算聚类 中心，选择交叉熵距离【1 3 】作为像素的相似性测度函数，克服了传统的欧式距离对球状 形样本数据分布的依赖性。 3 提出了一种新的彩色图像有意义区域的提取算法，新算法将均值平移，边缘 检测以及区域生长的思想相结合，充分发挥了边缘检测和区域生长法的优势，可以得 到单像素宽的、连通的、封闭的及位置准确的轮廓。既克服了传统算法分割之后，各 个区域内像素不一致的缺点，又保证了区域边缘的完整性。 论文的具体结构如下： 第l 章：绪论。阐述了课题研究的背景和意义，重点介绍了当前国内外彩色图像 有意义区域提取技术的发展和仍需客服的技术难点。 第2 章：彩色图像基础知识与预处理技术研究。介绍了颜色的一些基本理论，总 结了彩色图像预处理的两种基本技术：彩色图像平滑与彩色图像增强。 第1 章绪论彩色图像有意义区域提取算法研究 第3 章：基于g m d m & f c m 算法提取彩色图像有意义区域。提出了基于高斯混 合模型与模糊c 均值相结合的彩色图像有意义区域提取算法。高斯混合模型可以计 算图像的聚类中心，模糊c 均值算法可以实现图像的聚类，两者相得益彰，除此之 外，论文还对传统的模糊c 均值算法进行了改进，效果卓越。 第4 章：基于三步无监督分割法提取彩色图像有意义区域。提出了融合了均值平 移( m e a n - s h i t s ) ，边缘检测以及区域生长思想的彩色图像有意义区域提取算法。该 算法不仅考虑到了图像有意义区域边缘精准的问题，而且还克服了同一个区域内像素 不一致的缺点。 第5 章：总结和展望。总结了课题研究的主要工作，并依据实验中发现的问题对 后续的研究提出了建议，同时对彩色图像有意义区域的发展和应用提出了展望。 1 4 本章小结 了课题研究的背景和意义，具体分析了国内外彩色图像有意义区域 发展趋势，并对彩色图像有意义区域提取技术仍然存在的一些技术 最后简要概述了论文主要研究内容和具体的章节安排。 4 彩色图像有意义区域提取算法研究第2 章彩色图像基础知识与预处理技术研究绪论 第2 章彩色图像基础知识与预处理技术研究 2 1 色彩三要素 彩色是图像处理的基础，在人工智能以及计算机视觉领域使用彩色没有什么特别 之处，只不过它有一套特定的记录和处理技术。 彩色是通过光被人们感知的，物体由于内部物质不同，受光线照射后，产生光的 分解现象，一部分光线被吸收，其余的被反射或投射出来，成为人们所见的物体的彩 色。所以，彩色和光有密切的关系，同时还与被光照射的物体有关。 彩色光作用于人眼，使之产生彩色视觉。为了能确切地表示某一彩色光的度量， 人们利用亮度、色调以及饱和度三个物理量来描述，并称之为“色彩三要素”。 亮度是描述光作用于人眼时引起的明暗程度感觉，是指彩色明暗深浅程度。一般 说来，对于发光物体，彩色光辐射的功率越大，亮度越高；反之，亮度越低；对于不 发光的物体，其亮度取决于吸收或反射光功率的大小。 色调是指颜色的类别，如红色、绿色、蓝色等不同颜色就是指色调。在可见光谱 ，中，红、橙、黄、绿、蓝、靛、紫每一种色相都有自己的波长和频率，人们给这些可 以相互区别的色调定出名称，当我们称呼到其中某一色的名称时，就会有一个特定的 色彩印象，这就是色调的概念。由光谱分析可知，不同波长的光呈现不同的颜色，人 眼看到一种或多种波长的光时所产生的彩色感觉，反映出颜色的类别。某一物体的色 调取决于它本身辐射的光谱成分或在光的照射下所反射的光谱成分对人眼刺激的视 觉反应。 饱和度：饱和度是指某一颜色的深浅程度。对于同一种色调的颜色，其饱和度越 高，则颜色越深，如深红、深绿、深蓝等；其饱和度越低，则颜色越淡，如淡红、淡 绿、淡黄等。 亮度在三要素中具有较强的独立性，它可以不带任何色调的特征而通过黑白灰的 关系单独呈现出来。色调与饱和度则必须依赖一定的明暗才能显现，色彩一旦发生， 明暗关系就会出现。 第2 章彩色图像基础知识与预处理技术研究绪论彩色图像有意义区域提取算法研究 2 2 颜色空间 2 2 1 颜色空间与分类 人们将表示颜色的参数所构成空间，称之为颜色空间。目前，彩色图像处理技 术领域，常用的颜色空间有r g b 颜色空间、h s v 颜色空间、h s i 颜色空间、y u v 颜色空间、l a b 颜色空间等【1 4 】。它们在不同的行业各有所指，但在计算机技术 方面运用最为广泛。从技术层面区分，颜色空间可分成如下三类： l 、计算机图形颜色空间：这类模型主要用于电视机和计算机的颜色显示系统。 例如：r g b 、h s i 、h s l 、h s v 等颜色空间。 2 、c i e 颜色空间：这类颜色空间是由国际照明委员会定义的颜色空间，通常作 为国际性的颜色空间标准，用作颜色的基本度量。例如：x y z 、l a b 、l u v 和l c h 等 颜色空间就可作为过渡性的转换空间。 3 、型颜色空间电视系统颜色空间：由广播电视需求的推动而开发的颜色 空间，主要目的是通过压缩色度信息以有效地播送彩色电视图像。例如：、y i q 、 y c b c r 等颜色空间。 2 2 2 均匀颜色空间 以三维颜色空间内任意一点为球心，作球面，人们对同一球面上任意一点与球心 之间颜色变化感觉相同，这样的颜色空间我们称之为均匀颜色空间。均匀颜色空间具 有感知上的均匀性，与人们对颜色的感知非常接近，即视觉上近似的两种颜色在均匀 颜色空间上位置相邻。它还具有欧式距离不变性，即视觉上差异较小的两种颜色在均 匀颜色空间上的欧式距离较小，而视觉上差异较大的两种颜色对应的欧式距离也较 大。因此，在均匀颜色空间内实现基于彩色图像有意义区域提取意义深刻。 均匀颜色空间本质上仍是面向视觉感知的颜色模型，只是在视觉感知方面更为均 匀。此类模型主要有：l a b 和l u v 这两类。这两类模型在色彩上具有高度的均匀性， 比较符合人眼的色彩感觉特性，常应用于彩色图像聚类与分割等领域【l 引。这里重点 介绍l a b 颜色模型，l u v 颜色模型与此类似。 6 彩色图像有意义区域提取算法研究第2 章彩色图像基础知识与预处理技术研究绪论 l a b 颜色模型，又称l a b 颜色空间，是在1 9 3 1 年国际照明委员会( c i e ) f 1 l j 定颜色 度量国际标准的基础上建立的，在1 9 7 6 年又经修订并被命名为c i e l a b 颜色模型。 1 9 8 7 年我国发布的g b 7 9 2 1 8 7 将l a b 颜色空间作为国家标准。目前色彩设计及复制 等行业在色彩校正、计算以及d t p 系统中，c i e l a b 空间已被普遍使用。l a b 模式既 不依赖光线，也不依赖于颜料，所以c i e l a b 颜色模型包括了人眼所能看到的所有的 颜色( 可见光谱) ，同时，也是目前为止色域最宽的色彩空间，其每一组色值对应一 种确定的与设备无关的色彩。这种用数学理论量化的色彩空间使不同设备的色彩能够 相互比较、模拟和匹配。 在l a b 颜色空间中，一种颜色由l ( 亮度) 、a ( 色度) 、b ( 色度) 三种参数来 表征，因此，一幅彩色图像中，就有对应的l 通道、a 通道和b 通道。同时，l a b 中， 亮度信息和色度信息是分开的，l 通道没有颜色，a 通道和b 通道只有颜色。不像r g b 颜色空间，r 、g 、b 每一个通道既包含亮度信息又包含色度信息。l 取值为0 至l o o ( 表 示纯黑至纯白) ；a 取值为负1 2 8 至正1 2 7 ( 表示绿至洋红) ，包括的颜色是从深绿色( 低 亮度值) 到灰色( 中亮度值) 再到粉红色( 高亮度值) ；b 取值为负1 2 8 至正1 2 7 ( 表 示蓝至黄) ，包括的颜色是从从蓝色( 低亮度值) 到灰色( 中亮度值) 再到黄色( 高 亮度值) 。其中，正代表暖色，负代表冷色。 c i e l a b 和r g b 颜色空间的相互转换需要借助c i e x y z 颜色空间来进行【1 6 】。首 先，将物体的颜色由r g b 颜色空间转换至c i e x y z 颜色空间。r g b 与c i e x y z 颜 色空间之间的转化公式为： i x i = 1 0 4 3 3 9 1 0 0 3 7 6 2 2 00 18 9 8 6 0 1xl r 2 5 5 i l y l = 1 0 2 1 2 6 4 90 7 1 5 1 6 90 0 7 2 1 8 2 xg 2 5 5 i ( 2 1 ) i z i = 1 0 0 1 7 7 5 6 0 1 0 9 4 7 80 8 7 2 9 1 5 1 1 b 2 5 5 l 然后，将c i e x y z 颜色空间转化为c i e l a b 颜色空间，转化公式为： 7 第2 章彩色图像基础知识与预处理技术研究绪论彩色图像有意义区域提取算法研究 6 捂 删叫捶一佰 瑚叫捶一瘙， 式中：x n ，y n ，z f - 为c i e 标准照明体照射到完全漫反射物体表面的三刺激值1 7 1 。 表2 1 给出了颜色与l a b 色度的对应关系： 表2 1 颜色与l a b 色度的对应关系 颜色 rgb l a b 蓝7 3 1 5 22 1 5 6 0 1 0- 4 0 褐1 7 7 1 3 7 7 3 6 01 04 0 紫2 5 51 9 02 5 51 0 0 8 0 8 0 绿8 3 2 5 57 l1 0 08 0 8 0 白2 5 4 2 5 52 5 31 0 01l ( 2 2 ) 在l a b 颜色空间内，红绿颜色通道a 和蓝黄颜色通道b 相互独立，因此，常被用 作基于lab 颜色空间的图像检索【1 习和彩色图像有意义区域提取中。 2 3 颜色直方图 颜色直方图【1 3 】描述了一幅图像中关于颜色的数量特征，可以反映图像颜色的统 计分布和基本色调。直方图只包含了该图像中某一颜色值出现的频数，不包含某象素 所在的空间位置信息，任意一幅图像都能唯一的给出一幅与它对应的颜色直方图。 颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是 r g b 颜色空间，原因在于大部分的数字图像都是用这种颜色空间表达的。然而， r g b 空间结构并不符合人们对颜色相似性的主观判断。因此，有人提出了基于 8 彩色图像有意义区域提取算法研究第2 章彩色图像基础知识与预处理技术研究绪论 h s v 空间、l u v 空间和l a b 空间的颜色直方图，因为它们更接近于人们对颜色 的主观认识。其中l a b 颜色空间的直方图在彩色图像处理领域中使用最为广泛。 ( a ) 原始图像 ”：”7 j 7 矽”7 ”。”缆i l 。一。j i j 日目目盛馘毋m “，。 旷”一飞 ( c ) a 通道直方图 ( b ) l 通道直方图 圈隧豳磁缓燃级l 一渤施猫貂疆缓磁磁翰鞠 ( d ) b 通道直方图 图2 1l a b 空间颜色直方图 图2 1 给出了一幅图像在l a b 颜色空间的直方图分布情况。由图2 1 ( b ) 、( c ) 、 ( d ) 可以看出“老鹰原图”在各个通道的像素统计和分布情况。 2 4 彩色图像的预处理 2 4 1 彩色图像的平滑 灰度图像平滑可以看做是空间域滤波处理，在这一处理中滤波模板的系数视具体 图像而定。当模板滑过图像时，图像被平滑了。这一思想很容易扩展到彩色图像的平 滑中：用传统的灰度邻域平滑技术分别平滑r g b 图像的每一个通道，即可实现彩色 图像的平滑。 9 窗口正中的像素的灰度值，用窗口内各像素灰度值的中值代替。例如：若窗口长度为 5 ，窗口中像素的灰度值为7 0 、9 5 、2 1 0 、1 2 0 、1 6 0 ，则中值为1 2 0 ，于是原来窗口正 中的灰度值2 1 0 就被1 2 0 所取代。如果2 1 0 是一个噪声的尖峰，则将被滤除。然而， 如果它是一个信号，则滤波后就被消除，降低了分辨率。因此中值滤波在某些情况下 抑制噪声，而在另一些情况下却会抑制信号。 中值滤波很容易推广n - - 维的情况。二维窗口的形式可以是正方形、近似圆形的 或十字形的。在图像增强的具体应用中，中值滤波只能是一种抑制噪声的特殊工具， 在处理中应监视其效果，以决定最终是处理的方案。 中值滤波的最大特点就是：能在去除快变、孤立噪声的同时，可以比较好的保留 边界的锐度和图像的细节，因此，我们常用中值滤波的方法去平滑r g b 图像的每一 个通道来实现彩色图像的平滑。 图2 2 给出了加椒盐噪声的“苏州大学方塔”经中值滤波器不同模板平滑后的效果 图。 由以上实验结果可以看出，当选择合适的模板滤波，噪声在衰减的同时，不会使 图像的边界模糊，既可以消除孤立的噪声点，又可以保持图像中各区域的轮廓完整。 使用3 x 3 模板的窗口滤波时，效果最好，不仅噪声被去除了，同时原图的信息保留的 也最完整。使用较大的窗口滤波时，图像的噪声虽然被去除了，但是原图变得越发朦 胧和模糊。实验时，使用何种窗口视情况而定，一般地，只要不超过图像中最小的有 效细线状物为宜。 1 0 彩色图像有意义区域提取算法研究第2 章彩色图像基础知识与预处理技术研究绪论 ( a ) 原始图像 ( c ) 3 x 3 模板滤波后的图像 ( b ) 加入椒盐噪声的图像 ( d ) 5 x 5 模板滤波后的图像 ( e ) 7 x 7 模板滤波后的图像 ( 0l l x l l 模板滤波后的图像 图2 2 彩色图像平滑实验效果图 2 4 2 彩色图像的增强 彩色图像增强是彩色图像处理的重要预处理步骤。拍摄时，由于受各种自然条件 的限制和干扰，图像的颜色和亮度往往与真实值不匹配，这直接影响到图像的后续处 理。彩色图像增强的目的在于：( 1 ) 改善图像的视觉效果，提高图像的清晰度；( 2 ) 将 第2 章彩色图像基础知识与预处理技术研究绪论彩色图像有意义区域提取算法研究 图像转换成一种更适宜的处理形式，通过处理，设法有选择地突出便于人或机器分析 的某些感兴趣区域的信息，抑制一些无用的信息，以提高图像的使用价值。 从图像增强的作用域出发，彩色图像增强技术可分为空间域增强和频率域增强两 种。空间域增强技术是直接对图像像素值进行操作，方法简便，易于实现。本文所有 实验均采用空间域增强技术对原始图像进行预处理。同时，彩色图像增强的方法往往 具有针对性，增强的结果只是靠人的主观感觉加以评价。因此，彩色图像增强的方法 只能有选择地使用。 如果原始图像的动态范围较大，超出了某些显示设备所允许的动态范围，如果直 接使用原图，则有一部分信息可能丢失。解决的办法是对原始图像的像素值进行压缩。 采用对数变换的方式可以对原始图像进行动态范围压缩。对数变换公式为： s = c * l o g ( 1 + ，) ( 2 3 ) 式中，c 为变换系数，为原始图像的像素值，s 为对数变换后的像素值。 这种变换可以将原始图像的像素值映射到一个新的范围，使图像的对比度更加鲜明。 从图2 3 可以看出，使用对数变换增强后，图像的对比度更加明显，人脸更加清 晰，图像也不再晦涩。 如果原始图像的直方图分布比较散乱或者集中在某一处，我们则可以使用自适应 均衡化的方法将其变得均匀，同时达到增强图像整体对比度的效果。图2 4 给出了“瀑 布”使用自适应均衡化增强后的效果图。从图2 4 来看，处理后的图像直方图分布更 均匀了，图像在每个灰度级上都有像素点。从处理前后的图像可以看出，许多在原始 图像中看不清的细节，处理后变得十分清晰，同时图像的动态范围扩大了。 ( a ) 原始图像( b ) 对数变换增强后 图2 3 彩色图像增强实验效果图( 一) 1 2 彩色图像有意义区域提取算法研究 第2 章彩色图像基础知识与预处理技术研究绪论 ( a ) 原始图像( b ) 自适应均衡化增强后 ( c ) 原始图像亮度通道的直方图 ( d ) 自适应均衡化后亮度通道的直方图 图2 4 彩色图像增强实验效果图( 二) 2 5 本章小结 本章首先阐述了色彩的基本理论，然后具体讲解了彩色图像预处理中常用的两种 处理手法：彩色图像平滑与彩色图像增强技术，为下一步的彩色图像有意义区域提取 章节做了很好的铺垫。 第3 章基于g m d m & f c m 算法提取彩色图像有意义区域 彩色图像有意义区域提取算法研究 第3 章基于g m d m & f c m 算法提取 彩色图像有意义区域 本章对传统的模糊c 均值算法( f u z z yc m e a n s ，简称f c m ) 进行了改进，并 将其应用于彩色图像有意义区域提取中。首先，运用高斯混合密度模型( g a u s s i a n m i x t u r ed e n s i t ym o d e l ，简称g m d m ) 计算聚类中心，然后将类中心植入f c m 算 法中，同时，选择交叉熵距离函数作为像素的相似性测度函数，对图像进行聚类， 并提取有意义区域。 3 1 高斯混合密度模型 3 1 1 高斯混合密度模型简介 高斯混合密度模型( g a u s s i a nm i x t u r ed e n s i t ym o d e l ，简称g m d m ) 是有限混 合模型的一种，混合模型框架认为数据分别来自于不同的相互独立的单一分布模 型，它既具有非参数估计方法的灵活性，又在相当程度上具有一般参数估计方法的 解析性。有限混合可以自然地对原始数据进行混合观测，原始数据由一个随机源集 合中的有限个形式已知但参数未知的源所产生。推导出这些源的参数，并指出每一 个观测由哪一个源所产生，就可以对观测集进行聚类。这种基于模型的聚类方法， 可以用一种规则化的方式选择聚类的数目，并获得最优的聚类中心，它不同于启发 式的聚类方法，如k 均值聚类算法。 假设d 维数据空间中的数据集胎 x l ，x 2 ，x n ) ，且该数据集的分布 近似呈椭球状，则可用单一高斯密度函数g ( xi 目) 来描述这些数据的概率密度函数： 撕= 击o r e x p 卜等】 ( 3 1 ) z兀二。 其中：p = ( 甜，o r ) ，甜为高斯分布的中心，即均值，仃为高斯分布的协方差矩阵， 这些参数决定了高斯密度函数的形式。 1 4 彩色图像有意义区域提取算法研究第3 章基于g m d m & f c m 算法提取彩色图像有意义区域 如果d 维数据空间中的数据集x = x l ，x 2 ，x n ) 的分布不符合椭球体， 则单一高斯分布密度函数不能描述这些数据点的概率密度函数。从而有人提出采用 多个单一高斯密度函数的加权平均来表示这些数据点的分布。由多个高斯密度函数 线性组合构成的函数表达式，称为高斯混合密度模型。 3 1 2 基于高斯混合密度模型聚类的e m 算法 参数估计的e m 算法( e x p e c t a t i o nm a x i m i z a t i o n , 简称e m 算法) ，是由d e m p s t e r l 2 1 】 等于1 9 7 7 年提出的求解参数极大似然估计的一种方法，它可以从非完整数据集中对 参数进行最大似然估计，是一种非常简单实用的学习算法，通常用于处理缺损数据， 截尾数据，带有讨厌数据等所谓的不完全数据。 假设有一幅图像服从点阵随机场分布，且图像中有k 个不同区域，则在第f 个区 域内的图像像素服从以2 = ( ，q ) 为参数的高斯分布，整个图像的像素可以用这k 个 统计模型的高斯混合统计模型来表达。因此，只要分析出整幅图像的混合模型的参数 和类别，就很容易得到由种子区域所近似表达的待分割目标的统计分析，从而得到目 标区域和背景区域的混合统计概率。 假设图像i m a g e l 可以分为k 个不同的区域，且每个区域均服从以包= ( ，q ) 为 参数高斯分布，每一个高斯分布的概率密度函数为： 贴= 击e x p 卜虹筹竭 ( 3 2 ) 其中，x 为图像i m a g e l 内所有像素的像素值统计。若我们假设每一个区域之间为相 互独立的事件，且第i 个区域服从高斯分布的先验概率为p ( f ) ，则第f 个区域内的概 率密度为p ( f ) g ( 玉l 谚) ，则整幅i m a g e l 图像的混合高斯概率密度可以定义为： p ( i l p ，o ) = p ( 塘( z i 包) ( 3 3 ) 其中，p - - ( p o ) ，p ( 2 ) p ( 七) ) 为k 个不同区域服从高斯分布的先验概率的集合； 0 = ( q ，岛吼) ，表示七个不同区域服从高斯分布参数集合；先验概率p ( f ) 服从条件： p ( i ) 1 j f l p ( f ) = l 。 1 5 第3 章基于g m d m & f c m 算法提取彩色图像有意义区域彩色图像有意义区域提取算法研究 为了得到像素的混合模型统计参数，定义整幅图像的对数似然函数为： j c ilp ，o ) = e i n p ( 塘( 引包)( 3 4 ) m = l i = l 其中刀为图像的总像素数。适合当前图像的混合模型参数( o 。，p o ) = a r g m a x 将会最大 化上述对数似然，即混合模型的统计参数的估计应满足下式： ( o o ，g o ) = a r g m a x j ( 1p ， )( 3 5 ) 欲求得合适的参数( o 。，岛) 来描述已知图像i m a g e l ，通常使用参数估计的e m 算法来 求得。 参数估计的e m 算法分为e 步和m 步，其中e 步用于计算对数似然函数的期望q 函数，m 步是为了选择使期望值达到最大的参数，当m 步获得该参数后，将其代入e 步，再次计算期望，如此反复，直到收敛到最大似然意义上的最优解为止，其优点是不需 采用e m 算法进行参数估计的 样本m 属于第i 类的后验概率： ( 3 6 ) ( 3 7 ) q 求微分，可以获得新的参数： ( 3 8 ) ( 3 9 ) ( 3 1 0 ) 彩色图像有意义区域提取算法研究第3 章基于g m d m & f c m 算法提取彩色图像有意义区域 利用( 3 7 ) 式至( 3 1 0 ) 式迭代收敛后，就可以得到样本所属于第f 类的后验概率矩 阵r t 肼。这一结果可应用于数据分类、图像分割等。在3 2 ，3 3 节将进一步讨论高斯 混合模型在彩色图像有意义区域提取中的应用。 3 2 模糊c 均值算法及其改进 近年来，模糊c 均值( f u z z yc m e a n s ，简称f c m ) 在图像有意义区域提取领域 受到越来越多的关注，其应用成果也层出不穷。尽管模糊运算要占用一定的时间，但 更重要的是，由于模糊的方法是处理图像不确定性的一种有效方法，其不仅可以为更 高层的处理( 图像分析、图像理解、模式识别) 保留更多的信息，而且模糊推理还可 以部分模拟人的推理能力，因此，随着计算机处理能力的提高和人们对模糊方法研究 的深入，模糊c 均值算法在彩色图像处理领域必将有更广阔的应用前景。 3 2 1 模糊c 均值算法简介 经典的模糊c 均值聚类算法是一种基于平面划分的软c 均值聚类算法，其基本 准则是使得被划分到同一类的对象之间的相似度最大，而不同类之间的相似度最小。 其核心思想如下：把数据集x - x l ，x 2 ，x n 划分为c 个模糊组，这c 个模糊组用数 据集l o k l ，k 2 ，k 来表示，每个模糊组的初始聚类中心c = c l ，c 2 ，c 。 随机获 得，与聚类中心相似度较大的数据归为一类，此时描述数据相似与否的非相似性指标 价值函数达到最小。其中：x 为特征空间内一个有限的数据集，k i ( 1 i c ) 表示 第i 类的数据集合。 f c m 算法定义模糊组f 内的数据x j 与相应聚类中心c ，间的非相似性目标函数为： c力 j ( u ，c ，c 。) = 甜于d ； i = 1 ， ( 3 1 1 ) 其中：坳表示数据集中第个元素对模糊组i 的隶属度，疗为待聚类的元素总数， c 为目标类别数( 2 c 疗) ，聊为模糊加权指数【翻，且朋【1 ，o o ) ，本文坍值取2 ，c f 为模糊组i 的聚类中心，西= i 妒白i 为第j 个元素与第i 个聚类中心的欧几里德距离。 设u = u i j ) 是隶属度矩阵，则隶属度矩阵元素蚴介于0 ，1 间，且满足( 3 1 2 ) 式： 1 7 第3 章基于g m d m & f c m 算法提取彩色图像有意义区域彩色图像有意义区域提取算法研究 = 1 ，w = l ，刀 ( 3 1 2 ) j - l 通过最小二乘法，构造新的目标函数，如( 3 1 3 ) 式所示： 历q ，岛，杌元) = j ( u , q ，磊) + 巴乃c 魏一1 ) 。瑚 ( 3 1 3 ) = 劂+ 邑 一1 ) i - i jj 斌t = l 其中，如0 = l ，2 ，n ) 是表述( 3 1 2 ) 式的刀个约束式的拉格朗日乘