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 信息科學與技術學院，遼寧 錦州 121013）

圖像處理應用廣泛，其中圖像分割是圖像分析和模式識別的經典問題，圖像分割是圖像處理和前期視覺中的基本技術，是大多數圖像分析和視覺系統的重要組成。圖像分割是應用一種或者多種運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）和區域方法兩大類。前者利用灰度頻率對分布信息進行分割，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、簡單統計法、概率分布松弛法、FCM（fuzzy-means）模糊聚類算法、馬爾可夫隨機場法、神經網絡方法等10種[2-3]。后者利用局部空間信息進行分割，將具有相似特性的像素集合起來構成區域，主要有區域生長法（region growing）和分裂合并（split-and-merge）法。隨著計算機處理技術的提高，人們越來越關注彩色圖像的分割，過去通常處理彩色圖像時是把彩色圖像轉化成灰度圖像進行處理，所以人們在對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、邊緣檢測等[4]。

文中是針對復雜背景下且顏色特征明顯的應用領域，如復雜背景樹木的分割、醫學圖像等，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色彩空間轉換到Lab空間，然后聯合利用L通道、a通道、b通道圖像信息進行二維OSTU分割。試驗表明基于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用領域和產生背景。對于一幅彩色圖像的分割，彩色空間的選取尤為重要，它對分割的結果起到決定性的作用。目前彩色數字圖像的格式為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：它是一個不均勻的視知覺空間，不利于顏色圖像的分割。而HIS空間雖然符合人眼對顏色的描述方式，但視覺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所感受的顏色，而且適用于物體顏色的計算，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）和有關色彩的a, b 3個要素組成。L表示亮度（Luminosity），a表示從洋紅色至綠色的范圍，b表示從黃色至藍色的范圍。L的值域由0到100，L=50時，就相當于50%的黑；a和b的值域都是由+127至-128，其中+127 a就是洋紅色，漸漸過渡到-128 a的時候就變成綠色；同樣原理，+127 b是黃色，-128 b是藍色。所有的顏色就以這三個值交互變化所組成。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色彩分通道法實現的原理

將彩色圖像在色彩空間中按色彩空間分量分解為多個單通道圖像。在彩色圖像分割的過程中可以選擇LAB、HIS、RGB等彩色空間。灰度圖像可以用來描述分解的單通道圖像信息。當原始圖像變換到彩色圖像空間之后，把LAB空間的3個通道分離出來，成為互不聯系的灰度圖，等待進一步的分割。

2 二維OTSU自動閥值分割

分離得到的通道圖像為單色圖像，用灰度圖像來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代替彩色圖像的分割。灰度圖像分割方法很多，本文采用二維OSTU自動閥值分割法[9-10]，因為該方法不僅計算簡單，還考慮像素點和其鄰域相關信息。設圖像的灰度級分為L級，那么像素的鄰域平均灰度也分為L級。計算每個像素點的灰度和其鄰域的灰度，由此可以形成一個二元組，我們記為（i,j）,出現的次數記為f,則相對應的聯合概率密度為：p=f/N,(i,j=1,2,3,…,L,N 為圖像的像素點數)，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）對圖像進行分割，可將圖像分成目標和背景兩類區域，分別記為C0和C1則這兩類的先驗概率分別為目標和背景對應的均值矢量分別為

3 基于彩色空間的二維OSTU的圖像分割

為進一步降低圖像分割方案的時間復雜度和提高抗噪能力，本文以OSTU理論為基礎，提出一種基于顏色和二維OSTU圖像分割算法，該算法首先根據圖像的顏色特征進行圖像分割，然后根據二維OSTU方法在進行分割。

基于顏色和灰度的圖像分割步驟如下：

步驟1 選幾幅自然場景下的彩色圖片。

步驟2 圖像預處理。自然場景下拍攝圖像具有普遍的噪音，用變參數各項異性方法對自然背景下的圖像去噪。

步驟3 RGB空間到Lab空間的轉換。一般圖像為RGB格式，因此需要按照公式從RGB空間轉換到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單通道圖像，分解出來的單通道圖像用灰度圖像進行描述。

步驟5 基于通道的OSTU算法。根據分離出L通道、a通道、b通道的圖像信息，按照實際需要進行二維OSTU圖像分割。

步驟 6 數學形態學的修整。對分割后的圖像進行膨脹運算、腐蝕運算、開運算或者閉運算進行圖像調整，得到最后的目標圖像。

4 試驗與仿真

為了驗證本文算法的有效性，進行了仿真試驗，仿真試驗是在MATLAB7.0環境下進行。選取了40幅自然背景下拍攝的樹木圖像，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行分割處理。試驗開始時首先對原始圖像進行色彩空間的轉換，然后選擇合適的通道圖像信息，本試驗選擇a 通道圖像信息進行二維OSTU分割，從表1給出二維OSTU算法和本文的算法運行時間比較，從仿真結果可以看出，本算法的運行時間比較快，準確率也比較高，原因在于背景區域搜索空間，通過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，算法簡單快捷。從圖1中可以看出，本算法能夠很好抑制目標和背景處大部分噪聲。

5 結束語

圖1 圖像分割結果Fig. 1 Image segmentation results

表1 不同算法運算時間Tab.1 Time of Different computing algorithms

從分割圖像自身特點出發,本文針對顏色特征明顯且符合人類視覺特點的應用領域，如車牌識別、醫學圖像等，本文算法在二維OSTU算法的基礎上進行改進，把顏色空間和二維OTSU圖像分割算法結合起來。該算法首先采用彩色空間的轉換初步提取圖像目標區域,并根據目標區域對圖像進行二維OTSU圖像進行分割。試驗仿真結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，而且減小了計算的運算量和運行時間。

[1] 宋世軍,張之穩,石來德．復雜背景下運動目標的圖像分割[M].北京:中國圖書出版社,2009.

[2] 王友國 ,劉沁雨. 多閾值系統中高斯混合噪聲改善信息的傳輸[J].計算機技術與發展,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].電子學報,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,王化雨.基于二維元胞自動機的圖案設計方法研究[J].計算機技術與發展,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，姜長生．改進Otsu法的目標圖像分割[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自動閾值分割法[D].沈陽:東北大學,2011.

[11] 李孟歆.基于分級神經網絡的車牌字符識別算法[D].沈陽:沈陽建筑大學,2009.

[12] 石偉.BP神經網路在車牌識別技術中的應用[D].江蘇:南京航空航天大學,2010.