颜色空间

颜色空间（共7篇）

颜色空间 篇1

0 引言

在彩色图像中, 颜色是人类识别彩色图像的主要感知特征之一。相对于几何特征, 颜色特征非常稳定, 对于图像的平移、尺度、旋转变化都不敏感, 表现出相当强的鲁棒性。所以基于颜色的识别技术已被广泛应用于无人驾驶机车、人脸的探测识别、自动筛选果蔬或检测食品的成熟度或新鲜程度、白细胞的自动识别、图像内容检索等研究中。

目前, 基于颜色的检索方法很多, 但对于颜色分布丰富且部分背景与目标颜色相近目标的识别没有统一标准的方法。一般用RGB颜色空间或变换后的颜色空间进行直方图统计, 统计完这些直方图后, 就会有很多方法可以用来计算两个直方图之间的相似性, 但在颜色直方图分析方法中, 颜色相互干扰严重或目标物位置不确定都会导致匹配的不准确性。

在农产品采摘过程或农产品分级过程中, 经常要求识别各种单色的彩色目标, 例如, 从茂密的枝叶中识别红绿番茄、辣椒, 白色棉花, 紫色茄子等目标作物;而有些作物的颜色和枝叶的颜色非常接近, 颜色相互干扰很大或在作物分级中掺杂物位置不确定的情况下, 单色目标的识别用颜色直方图的相似性不能反映出来。本文将一种最初应用于遥感图像的处理的方法引入到图像的颜色特性分析中:平均颜色矢量分析方法。该方法针对各种待测目标所具有的不同光谱特性, 采用光谱矢量法来进行分析的[7]。

1 颜色空间的选择

颜色空间本质上是坐标系统和子空间的规范。在进行彩色图像处理时, 采用何种彩色空间是非常重要的。采用不同的颜色空间进行分割处理, 所得出的结果会有所不同。除了RGB空间, 彩色空间还有HIS、HBS、YIQ等。一般获得的彩色图像多是RGB空间的, 通常彩色图像的常规处理也是在RGB空间进行的。虽然该空间中两点的欧氏距离与颜色距离不成线性关系, 随着明度的不同, 容易产生错误的分割[9], 但其它几种颜色空间也存在着不尽人意之处。尹建军等人在RGB与HSI颜色空间下番茄图像分割的对比研究中表明:基于RGB的阈值分割方法能够实现自适应阈值处理, 能对不同自然光照强度下的生长状态为相互分离的多目标图像进行有效分割;同时, 对番茄的成熟度及品种差异也具有很好的鲁棒性, 其性能大大优于基于HSI颜色空间H色调的统计阈值分割[4]。

2 颜色矢量定义

2.1 颜色矢量特征

给定一幅m×n的彩色图像, 每个像素点 (x, y) 都是一个三维矢量:红色 (R) 、绿色 (G) 、蓝色 (B) 三矢量。记作:f (x, y) 。即图像f是一个由m×n个矢量组成的矢量场。在彩色图像中, 色调大多数是以片状区域变化的, 即一个小范围内的色调近似为不变, 且色调的动态范围较窄, 而亮度的动态范围很大, 所以, 在强侧光源下的图像亮度变化比色调变换强烈得多。因此, 本文以RGB空间色彩信息为研究对像, 颜色矢量间的统计量变化作为测度进行图像处理。

2.2 平均颜色矢量

设RGB空间, 彩色图像中第i个像素的颜色矢量为:

其中, fi表示第i个像素的颜色矢量, fRi, fGi, fBi分别表示第i个像素在R、G、B三个分量上的值, T为转置。

若给定图像或某对像是由m×n个像素组成, 则平均颜色分量值定义为:

其中m×n为图像的像素个数, Ri, Gi, Bi值分别对应第i个像素的R、G、B分量的强度。所研究图像的平均颜色矢量W是由这三个分量组成的转置:

从以上的公式定义不难看出, 平均颜色矢量反映了图像在RGB三个分量上的总体分布情况, 因此, 定义平均颜色矢量可以有效消除由于噪声而使统计结果发生偏差的情况。

3 颜色矢量分析法

步骤1假设图像中有n个已知颜色类别, 通过对各类别训练区的统计, 求得各图像样本的平均颜色矢量和标准偏差。例如, 对于第K类目标, 颜色矢量Wk可以由式 (1) -式 (4) 得到, 而三个颜色分量上的标准偏差SkR, SkG, SkB由式 (6) 计算。

其中n为第k类目标训练区所具有的像素数, xi为第i个像素在R、G、B方向上分量值。, 是在R、G、B方向上的平均颜色值, 即

步骤2依次计算待测图像上每个像素在RGB方向上的值与各类训练区的平均颜色矢量的欧几里德距离:

其中Dk (Xi, Wk) 表示第i个像素距离第K类颜色目标之间的欧几里得距离。

步骤3计算出第i个像素和所有类别的欧几里得距离后, 选择其中最小值。这说明第i个像素和第k类目标在颜色上最相似, 像素i应归于第k类目标。

步骤4由最大类间方差计算得门限值T。

步骤5由于图像分类过程并非所有类别都参加判别, 因此, 还需要对距离函数进行检验, 检验最小的欧氏距离与该点和颜色分量的标准偏差Sk之差的绝对值是否小于给定的门限值T:

如果成立, 则判定xi属于第K类, 否则, 不能归入第k类。

4 实验结果及分析

现以石河子田间采集到的番茄图像为例, 在Matlab 7.5下进行RGB空间平均颜色矢量法实验。

4.1 各颜色分量平均值和标准差的计算

首先进行训练区的划分, 采集的番茄图像如图1所示, 其中有红色番茄, 绿色番茄, 背景。把三类目标的一块样板颜色图像作为训练区, 编号依次为1, 2, 3, 求得它们对应的R、G、B平均分量值和标准偏差, 如表1所示。

4.2 平均颜色矢量方法识别结果

得到三分量的平均值及标准差后, 对图像中的各个像素点依次使用公式 (7) 计算三类目标的欧氏距离, 然后通过比较, 将它归入欧氏距离最小的类别中。这样, 就可以得到识别后的红色目标图像和绿色目标图像。图2为被识别的红色目标图像;图3是被识别的绿色目标图像。

4.3 Canny算子边缘检测

显然在绿色目标图像上, 我们会发现番茄和枝叶颜色非常相近, 绿色番茄不能被分割出来。本实验利用Canny算子对图像进行边缘检测。Canny算子的梯度是用高斯滤波器的导数计算的, 寻找图像梯度的局部极大值。Canny算子使用两个阈值来分别检测强边和弱边, 此检测法不易受噪声干扰。Canny算子边缘检测图如图4所示。对检测出绿色番茄区域进行填充。至此成功分割出绿色番茄如图5所示。

5 结语

本文引入了一种平均颜色矢量的分析方法对图像中的多种单色目标进行识别, 该方法具有定位精度高、抗干扰和环境变化强的优点, 相对颜色直方图, 有效地改善了图像的分割效果。该方法对R、G、B三分量中任意一分量值较为明显时, 图像分割的效果会更好。但该方法最大的不足之处是, 如果两种目标是完全同种颜色, 则它们将作为同一类目标被识别。对此情况, 可以在颜色分类的基础上, 再根据图像的其他特征进行识别, 如文中提到的Canny算子边缘检测等方法, 最终达到满意的效果。

基于HSV颜色空间的皮肤检测 篇2

人脸识别技术是计算机信息处理中最热门的技术,它结合了图像技术、计算机图形学、模型识别等多个领域。人脸识别技术分4个方面:(1)皮肤检测,在图像中寻找出人脸区域,也可以说是将图像中的背景和人的肤色进行分离;(2)人脸规范化,即校正人脸在尺度、光照和旋转等方面的变化;(3)特征提取,从人脸图像中映射提取一组能反映人脸特征的数值表示样本;(4)特征匹配,将待识别人脸与数据库中的已知人脸比较,得出相关信息。由于背景的复杂性、光照条件多变以及人脸表情丰富等原因,所以在人脸识别过程中必须要寻求一些能够有效预防干扰的方法。

本文将自动化皮肤检测作为研究的主要课题,并作为人脸识别的第一步,该项研究在诸如安全监控、安检系统、智能人机接口等领域具有广泛的应用价值。

2. 皮肤检测方法

在基于皮肤颜色的面部检测中,有两种主要的方法:

第一种方法是基于像素的模型,它通过处理人类皮肤颜色的所有部分的像素进行检测。在这种方法中,每一个像素是被单独处理的,并且它的最终状态是判定是否为皮肤颜色,然后,基于面部结构或其它的选项进而确定出图像中的哪些像素点属于面部;

第二种方法是基于图像区域的状态,在这种方法中,面部图像是首先隔离一张图像中的某些区域,然后确定隔离区域是否属于面部区域。

通常识别人脸图像都是在计算机里完成的,所以这些图像都是属于二维RGB形式的图像。所谓的RGB图像是通过红色(R)、绿色(G)和蓝色(B)来实现彩色图像的。它本身是采用DIE三维色彩空间,RGB的色彩数值是0-255,一共256级。0为色彩最弱的部分,呈现的颜色是黑色;而255表示色彩最强的部分,呈现的颜色是白色。它常被使用在计算机显示设备中,所以它对光线的亮暗度是比较敏感的。在用RGB时最简单的方法是将彩色图像转换成灰色图像并取这三种颜色的分量的平均值。

JPEG图像压缩格式采用的是YUV空间,YUV空间是RGB空间的线性变换。转换公式如下:

以Y分量作为图像像素的灰度。将彩色像素转换为灰度像素的公式为:

遍历彩色图像的每一个像素矢量,设矢量的红、绿、蓝三色分量值为R、G、B,则输出的灰度图像的对应像素的值为0.299R+0.587G+0.114B。

现在有很多的颜色模型对图像处理都有着很重要的作用,而且种类很多。当今广泛使用的颜色定义和模型有:YUV,RGB,HIS,HSV,Normal RGB和YCrCb。在文中我们采用了HSV(Hue-Saturation-Value)颜色空间作为皮肤检测的主要方法。它就是改变色浓和色深来获得某种不同的颜色,也就是说,改变白色和黑色的比例,它是采用直观的方法来描述图像。

相对RGB,HSV更能表示出感知颜色的联系,并在计算中保持简单性。H(Hue)是色相,表示色彩的基本属性,比如红色、黄色等;S(Saturation)是饱和度,表示色彩的纯度,S越高色彩纯度越高;反之,S越小色彩纯度越低,图像灰度化更加明显,S的取值范围是1%-100%;V(Value)是明度(也叫做亮度),其取值范围是0%-100%。HSV色彩空间把颜色通过圆柱坐标系加以描述,如图2所示。图中所示圆柱中心轴的取值为底部黑色,而顶部为白色,中间为灰色。它常用于计算机图形应用中,在运用图3时必须选择一个颜色做为特定图形元素,在本文实验中选取的颜色是黑色。

它也可以用另一种可视方法的圆锥体来表示。红,蓝,绿三种颜色夹角120度,就是RGB模式下的3个颜色分量,在这里H表示圆锥中心的角度,S表示圆锥的横截面的圆心到这个点的距离,V表示圆锥横截面的圆心到顶点的距离,这种方法能更精确地描述H值。要注意的是H是一个角度,这三个向量相加同样可以得到这个六棱锥空间中的任意一点。所以RGB与HSV可以相互转换。

因为人类的肤色种类有很多,而在RGB图像里不同的光线也使肤色的范围扩大了,比如在阴天里,画面出来的颜色是灰沉的,而在有阳光的图像,是鲜艳的,色彩是饱和的。所以,人的肤色也随之变换,如果用RGB图像作为皮肤颜色建模的话,将无法适应外界光线的变化来区别皮肤的区域,所以采用HSV来建模,即采用H分量作为人脸皮肤颜色统计参数,可以降低各种条件对建模的影响。在色相H分量中,皮肤颜色集中在某一小区域范围内。在HSV中,H分量表示了图像的色彩信息,对光线强弱的影响是缓慢的。正因为这一特点,使用HSV模型能使图像中的人的皮肤区域划分得更完美。

用HSV色彩空间来建立个人皮肤彩色模型,再通过模型的概率化得到颜色表中最大的数值,这样就可以直观地进行归一化处理。通过这样的方法就能从任意的彩色图像中进行肤色测试,将图像背景与肤色部分分离开来。图4说明了算法的步骤。它是用MATLAB工具去实现的。

3. 实验步骤

首先把RGB图像转换成HSV色彩空间,它是根据人对色彩的感知来实现的。HSV的算法是通过H的阈值进行肤色区域分割、相对重要性滤波、自适应区域归并等操作。这里皮肤的H色调可分布在0到50之间,S的取值为0.23到0.28(针对亚洲人的皮肤),下图5所示为实验原图像。

实验原图为355×550×24bit的jpg图像。

经过多个实验后,建议H的取值范围为6到38之间,由图像RGB转成HSV的MATLAB程序运算如下:

A=imread(‘原图’);

hv=rgb2hsv(A);

f=rgb2ycbcr(f);

f_cb=f(:,:,2);

f_cr=f(:,:,3);

f=(f_cb>=100)&(f_cb<=127)&(f_cr>=138)&(f_cr<=170);

figure(1);imshow(f);

图6表示的是从RGB到HSV的转变,通过MATLAB运算看到一幅HSV三个通道颜色R(红),G(绿),B(蓝)。

图7表示的图像是已转换的二值图,并改变它的阈值得到所有有关皮肤颜色的像素值为255(这一范围通过H来建立),非皮肤的像素值使用0表示。图7中的人和背景还是没有被完全分离开来,可能背景的颜色不是属于暗色,所以分割出来的目标不那么精确,在此必须应用颜色一致性,以将真实的皮肤区域完全分离出来。所以H值的取值是很重要的。

在图7中有很多的不属于皮肤的地方(检测噪音),因为彩色图像中的V值通常是不会为0的,使得H值域部分无法分辨,所以要用H值来检测肤色区域。为了改变这个问题,需要采用5×5的皮肤区域滤波器,首先我们把皮肤的区域扩展到滤波器里面,使皮肤的范围更精确,然后把非皮肤部分通过H阈值划分范围并填充为黑色,最后皮肤部分变成白色,结果如图8所示。

使用了滤波器后进行区域的归一化处理后,H=25得到了比较准确的皮肤区域。

4. 结论和展望

本文提出的基于色度值的颜色识别方法能够有效地提高颜色识别的精度,本文选取了一张带有人像的照片用于试验,将图像中人的肤色作为识别目标颜色。首先确定了目标颜色(人的肤色)在HSV色彩空间中色度值的取值范围,通过对色度值进行分割并过滤了肤色像素。用自适应的方式使算法的复杂性变小,提高检测效率。通过在HSV空间进行颜色识别,实验总结归纳了图像中识别目标颜色区域的方法。本研究在肤色分割中还有很大的改进余地,可进一步提高算法的正确率和速度。

摘要：为了应用于复杂背景,提出了一种图像皮肤检测方法,该方法是通过使用HSV色彩空间中的H色调的皮肤颜色范围来实现皮肤检测。使用MATLAB作为实现该图像处理方法的工具。该方案是由RGB图像转换成HSV颜色空间。HSV颜色空间中的H色调用来描述皮肤检测的颜色范围。实验证明该方法在图像中检测面部皮肤区域方面具有较高精度,具有一定的推广利用价值。

关键词：皮肤检测,HSV颜色空间,MATLAB

参考文献

[1]V.A.oliveira,A.conci.Skin Detection using HSV color space[BO/SL]:http://www.matmidia.mat.puc-rio.br/sibgrapi2009/media/posters/59928.pdf.

[2]Alberto Albiol http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber=958968.

[3]A.Abadpour and S.Kasaei.Pixel-Based Skin Detection for Pornography Filtering[J].Iranian Journal of Electrical&Electronic Engi-neering,Vol.1,No.3,2005.

颜色空间 篇3

据世界卫生组织(World Health Organization,WHO)统计,全球每年因交通事故造成的经济损失约为5 180亿美元[1]。为了降低人为因素造成的交通事故发生率,世界各国对发展智能车辆投入了大量的人力物力[2],相对于利用雷达、声纳和激光等探测手段,利用视频信号进行图像探测范围更广、成本更低[3],不用对车辆进行专门改装,甚至可以利用智能手机的摄像头配合相应的软件即可实现,这将极大地促进智能驾驶系统的推广和应用。在检测车道线、限速标志、红绿灯等方面,图像检测也有独一无二的优势。

传统的基于视觉的车辆检测,白天一般是利用车辆的尾部阴影、垂直水平边缘、Haar特征、灰度直方图分布来实现。由于有阳光照射,车辆底盘位置下面的路面区域会形成明显暗于周围路面以及背景区域的阴影。从图片上看,这部分阴影区域和车辆的后轮在同一水平线上,使得通过检测车辆尾部的阴影区域获得车辆的相对位置成为可能。鲁威威等[4]利用Otsu算法将原始灰度图划分为目标和背景,然后对目标部分进行二次Otsu划分,用新得到的门限作为全局划分门限来获得汽车的尾部阴影,利用车辆的灰度对称性进行车辆验证。Kim等[5]利用直方图均衡化来增强汽车尾部阴影区域和路面的对比度,获得可能的车辆阴影区域后,利用车辆的垂直边界对称性来进行车辆验证。Fang等[6]首先分割出输入灰度图的阴影区域并得到阴影区域的水平边缘,利用车道线检测得到T型感兴趣区域(Region Of Interest,ROI),剔除一部分噪声干扰,以相对车道线宽作为门限提取出可能的车辆尾部阴影。上述方法均基于图像的RGB颜色空间实现,提取车辆尾部阴影受到图像的彩色信息干扰[8],而且这些基于阴影的车辆检测方法都专注于检测前方的车辆以避免追尾事故发生,但对相邻车道车辆却无法检测尾部阴影,而这部分车辆一旦变道,很容易导致两车相撞。此外,上述方法均注重于对车辆进行检测,忽视了对检测车辆的分类。据文献[7]统计,大型货车的万车死亡率为30.87,远大于小型乘用车的万车死亡率4.78,因此有必要对不同车型进行识别,根据检测到的车型不同来确定提前预警的时间。

本文提出了利用Otsu算法获得HSV颜色空间中车辆阴影分割门限,排除了颜色对亮度的影响,通过设定不同的搜索区域,分别对前方车辆和相邻车道内车辆进行检测。本文采用梯度分布直方图峰值法来获得车辆的高度信息,利用车辆的高宽比这一简单特征快速识别出车辆类型。

1 ROI设定

对车辆阴影的检测在特定的ROI内完成,这样可尽可能排除图像中背景阴影对提取车辆阴影的干扰,减少需要检测的图像区域,提高算法运算速度。实际生活中,因追尾和变道引发的交通事故最为常见,因此ROI设定为自车所在车道以及相邻的左右两车道内,在自车道内通过检测前方车辆的尾部阴影,在相邻车道内检测车辆的侧边阴影。ROI的区域范围可以通过检测车道线得到,相对于车辆和其它道路背景,车道线有着独一无二的纹理特征,这些纹理特征主要包括颜色单一、线条连续、所用涂料反光性强[6]。车道线检测可以首先用一阶梯度边缘检测算子来获得图片的边缘信息,然后利用Hough变换从这些边缘信息中提取出需要的车道线[9]。本文采用的检测梯度Sobel算子为:

检测结果如图1所示(彩色图见封二)。从图1(a)可以看出,通过对Hough变换检测到的车道线进行分组筛选后准确地提取出了路面上的车道线,得到了如图1(b)所示的阴影检测ROI。ROI被划分为如图1(c)所示的两个搜索区域,其中黄色搜索区域用来检测前方车辆的尾部阴影,通过阴影的位置来确定前车和自车的相对距离,如果相对距离过小则有相撞危险。绿色搜索区域用来检测相邻车道内的车辆侧边阴影,这部分车辆往往没有完全进入摄像机的视野范围,通过检测侧边阴影和车道线的相对距离是否小于一定的阈值,来判断相邻车道的车辆是否有变道的可能。搜索区域满足条件:

2 阴影检测

不同于RGB颜色空间,HSV颜色空间的亮度分量与图像的彩色信息无关[5],需要将ROI区域从RGB颜色空间转换到HSV颜色空间,对其中的V通道进行阈值分割得到车辆的阴影。车辆的阴影颜色比路面暗,但由于光照强度随时间和天气的变化非常明显,因此不能采用固定的阈值来分离路面和车辆阴影。本文使用Otsu算法来动态计算分割阈值,保证了在变化的光照强度下能较好地提取出车辆阴影。

分割出的阴影块需要判断其是否属于车辆阴影,对于黄色搜索区域内的阴影块只需要检测其水平连续性即可判定是否属于车辆尾部阴影。而对于绿色搜索区内的阴影块,本文提出了三邻域定向搜索方法来判定其是否属于车辆的侧边阴影。设点S为一个分割出来的阴影块的初始搜索点,则S有如图2所示的8个相邻方向,按顺序分别检测S的3个特定方向上的像素点是否为阴影像素点,并将第一个检测到的相邻阴影像素点作为新的搜索点,继续搜索直到出现搜索点在这3个方向上相邻像素点都不是阴影像素点。对左绿色搜索区的车辆“/”型侧边阴影按顺序搜索6、7、8三个方向,对右绿色搜索区的车辆“”型侧边阴影按顺序搜索6、5、4三个方向,其中对右绿色搜索区域的搜索过程如图3所示。

完成搜索后,将3个方向的搜索次数按顺序分别统计为N1、N2、N3,该阴影块的搜索特征定义如下:

(1)定向搜索长度计算公式如下:

(2)定向搜索指向性计算公式如下:

Length阈值设置为起始搜索点距离图像底边的像素高度的70%,Orien阈值设置为0.7,如果两个搜索特征都大于阈值,则认为该阴影块为车辆阴影。

3 车辆分类

由于不同的车辆尺寸大小各异,不能简单地通过假设车辆的高度和宽度相等来直接获得车辆的高度。车辆的顶部边缘是车辆的显著特征,可以用来确定车辆的高度。假设检测到的车辆阴影宽度为W,算法在检测到阴影的位置截取高为2.5W,宽为W的矩形区域,用垂直方向的Sobel算子对矩形区域在HSV颜色空间中V通道上的图像求梯度,得到V通道上的梯度分布图,统计梯度分布图中每一行梯度大于100的像素点个数,得到梯度分布直方图,直方图从上到下第一个大于0.7W的行即为车辆顶部边缘所在的行,就此得到车辆的像素高度H。图4从左到右分别为矩形区域、梯度分布图、梯度分布直方图。H/W为车辆的像素高宽比,高宽比越大车辆越有可能是大型车辆,如果高宽比大于1.2则认为车辆是大型车辆,在避免追尾时需要设置的安全距离为小型车辆的1.5倍。

4 实验结果

实验采用车载固定摄像机记录路面行车视频,在高速公路上进行,时间为白天,天气晴朗。视频的分辨率为640×360,采集到的车辆帧数为1 500帧,使用软件VS2010和OpenCV编写算法对行车视频进行后处理验证。在相同条件下实现文献[6]算法,即利用检测到的车道线设置T型ROI搜索区域,用Otsu算法分割出路面和车辆阴影,并结合图像梯度信息得到车辆尾部的阴影底边,以车辆尾部的阴影底边位置作为车辆在路面上的位置。

图5所示为本文方法和文献[6]提出的方法实验对比,其中第一列为视频截图,第二列为本文方法的检测结果,第三列为文献[6]的检测结果。车辆侧边阴影用首尾相连的红色线段表示,前方行驶的车辆用红色的矩形框表示,矩形框的宽为车辆尾部阴影底边的长度,矩形框的高为车辆高。由于文献[6]并没有车辆高度的检测算法,因此以方形框来表示检测到的车辆。从图5可以看出,相对于文献[6]的检测方法,本文提出的方法不仅能检测出前方车辆尾部的阴影,还能检测出相邻车道车辆的侧边阴影,减少了算法的检测盲区,实现了对车辆大小的识别,系统可根据车辆类型的不同设置合理的安全距离。

实验用OpenCv编写相应的图像处理程序对图片进行处理,采用人工统计方法对出现的目标车辆和检测结果进行统计,统计结果记录在表1中。本文算法在CPU性能达到3.2GHz的计算机中平均每帧图像的处理时间为52ms,能够满足实时处理要求。统计结果表明,本文算法对高速公路上行驶的车辆有较高检测概率,相对于传统算法能够有效检测相邻车道没有完全进入摄像机视野的车辆,并且实现了对前方车辆进行大小分类的功能,改善了传统算法的检测性能。

5 结语

本文设计了一种基于HSV颜色空间的车辆侧边阴影检测算法,通过设置不同的ROI区域分别检测车辆尾部阴影和车辆侧边阴影,设计了三邻域定向搜索方法来检测车辆侧边阴影,并利用梯度分布直方图来获得车辆的高度信息。在高速公路上的实验结果证明了算法对车辆侧边阴影的检测具有较高准确性和稳健性,具备识别车辆大小的能力。相对于传统的车辆检测算法,该算法有效提高了对相邻车辆的检测能力及对车辆大小的识别能力。不足之处是该算法在沙土路等路况较差的情况下不具备车辆检测能力,未来将针对这一问题进一步优化算法。

参考文献

[1]MARGIE PEDEN.World report on road traffic in injury prevention[R].Geneva,Switzerland:WHO,2004.

[2]BERTOZZL M,BROGGI A,FASCIOLI A.Vision-based intelligent vehicles:state of the art and pempectives[J].Robotics and Autonomous Systems,2000,32(3):1-16.

[3]WILLIE DJ.Keeping cars from crashing[J].IEEE Spectrum,2001,38(9):40-45.

[4]鲁威威,肖志涛,雷美琳.基于单目视觉的前方车辆检测与测距方法研究[J].电视技术,2011(1):125-128.

[5]SAMYONG KIM,SE-YOUNG OH,JEONGKWAN KANG,et al.Front and rear vehicle detection and tacking[C].In The Day and Night Times Using Vision and Sonar Sensor Fusion,International Conference on Intelligent Robots and Systems,2010.

[6]FANG CHIUNGYAO,LIANG JUIHUNG,LO CHIAOSHAN,et al.A real-time visual-based front-mounted vehicle[C].Collision Warning System Computational Intelligence in Vehicles and Transportation Systems(CIVTS),2013IEEE Symposium on Singapore:IEEE,2013:1-8.

[7]卢国良,鲍鲸,陈伟华,等.1994~2004年间上海市机动车主要车型的道路交通事故特征分析[J].中华疾病控制杂志,2006,10(5):476-479.

[8]张国权,李战明,李向伟,等.HSV空间中彩色图像分割研究[J].计算机工程与应用,2010,45(26):179-181.

颜色空间 篇4

从视频序列图像中实时分割运动目标, 是计算机视觉应用领域中一项基本而重要的环节。最常用的背景差分法是一种传统的运动目标检测方法, 其具有速度快, 检测准确, 易于实现的优点。但是在检测结果中, 运动目标往往和它的阴影一起, 作为前景被检测出来, 其严重影响了目标的分割和提取。例如阴影会导致目标的几何特征的改变, 多个目标的融合等, 直接响到后续的目标分类、识别、跟踪等处理工作。

阴影和目标有两个很重要的视觉特征[1]:第一, 由于阴影与背景图像之间存在着很大的不同, 在检测过程中, 会被当作前景检测出来;第二, 阴影与目标本身有着相同的运动特征。因此, 阴影检测和祛除在静态图片和图像序列的研究中都很重要。为了解决阴影问题, Liu[2]等提出了一种基于YUV颜色空间色度畸变和一阶梯度模型的阴影检测算法, Li[3]等提出一个基于光强、色度和反射率的实时阴影检测和消除的算法, Sanin[4]等提出一个基于颜色梯度方向的相关性的阴影检测算法。

为了提高更好的适应实时性, 提高算法的效率, 本文提出了一种基于颜色对立空间的阴影检测算法, 并采用数学形态学进行相应的处理, 从而能够检测出阴影, 并正确提取出运动目标。

1 色彩模型

色彩模型是描述使用一组值表示颜色方法的抽象数学模型。例如三原色光模式 (RGB) 、印刷四分色模式 (CMYK) 和HSL等都是色彩模型。通常的这些线性颜色空间比较直观, 使用方便, 但是线性颜色空间并不是一种均匀分布的色彩空间, 也就是说在线性颜色空间中相同距离的两对颜色, 在人眼看来差异往往不同。可以用麦克亚当椭圆来解释这一问题。如图1所示, 椭圆的中心表示原颜色, 椭圆的尺寸表示人类可以区分的颜色范围, 边界表示的是人类能够察觉到颜色的区别。可以看到上面的椭圆要比下面的大, 这说明, 在国际照明委员会x, y坐标空间的差异幅度很难从视觉上表明颜色的差异。

颜色对立空间被设计用来接近人类视觉。他致力于感知均匀性, 以克服之前所述的x, y色度图上相等距离与所察觉到的颜色差异不符合的问题。常用的颜色对立空间为CIE 1976 (L*, a*, b*) 色彩空间 (CIELAB) , 他是用来描述人眼可见的所有颜色的最完备的色彩模型。三个基本坐标轴分别表示颜色的亮度, 它在红色和绿色之间的位置, 以及它在黄色和蓝色之间的位置[7]。示例如图2所示。

此外, 颜色对立空间内的很多颜色超出了人类视觉的视域, 因此纯粹是假想的, 并且不能在物理世界中再生。

CIELAB空间可以从图像的RGB空间变换得到:

首先将原图像以RGB格式转换成CIEXYZ空间, 满足关系式如下:

然后再将图像由CIEXYZ空间转换成CIELAB空间, 满足关系式如下:

其中,

这里的Xn, Yn, Zn是参照白点的CIEXYZ三色刺激值。

2 算法原理

2.1 初级阴影筛选

在户外场景条件下, 若前景的一个像素点的亮度高于相同位置的背景的像素点的亮度, 则该点必然不是阴影。表达式如下:

其中, Lf表示前景图像中p点的L*通道的值, Lb表示背景图像中p点的L*通道的值, S1表示可能成为阴影的区域。

该方法能有效减少运动目标的区域, 为接下来的步骤减少不必要的计算。

2.2 阴影的红-绿通道无关性

Sohail等人的研究表明[5], 红-绿通道对阴影具有最大的无关性。因为在户外场景中, 阴影部分受到天空蓝色光的照射, 更趋向于蓝色。所以阴影边界两侧在蓝-黄的变化比红-绿通道的变化更大。

根据该特性可以分别对前景图像的a*通道和b*通道进行边缘检测, 分别得到区域记作Ea和Eb, 则阴影区域S2=Ea—∩Eb。

2.3 Canny边缘检测

Canny边缘检测是John F.Canny于1986年开发出来的一个多级边缘检测算法。它主要包含了以下几个步骤[6]: (1) 降噪处理, 通常使用高斯滤波; (2) 利用一阶偏导差分来计算图像梯度的强度和方向; (3) 对梯度强度进行非最大抑制; (4) 利用双阀值检测和连接边缘。示例图如图3所示。

图3 (a) 表示日光白平衡条件下, 阳光照射的一侧色彩还原准确。而阴影覆盖的一侧画面偏蓝。从图3 (b) 可以看出a*通像, 阴影减弱。图3 (c) 表示的是b*通道图像, 阴影效果强烈。图3 (d) , 3 (e) 表示的是选用不同阈值, 对3 (a) 进行Canny边缘检测得到的结果。

3 算法实现

首先利用背景差分法, 将前景图像分割出来, 再将前景图像转换成CIELAB色彩空间, 分别提取L*通道、a*通道和b*通道的值;对L*通道图像进行初级阴影筛选, 分割出可能的阴影区域S1;分别对S1区域的a*通道和b*通道图像进行边缘检测, 分别记作Ea和Eb;阴影的边缘即为存在Eb而不在Ea中的边缘图像, 即S2=Ea—∩Eb;最后利用数学形态学的处理对阴影边缘S2进行完整性修复。具体过程如下:

(1) 读入当前图像pr和背景图像bg。

(2) 利用背景差分法分割出前景图像fg。

(3) 将图像fg转换至CIELAB色彩空间, 并提取L*通道、a*通道和b*通道的值。

(4) 对图像fg进行阴影的初级筛选, 分割得到可能的阴影区域S1。

(5) 在S1区域下, 对a*通道进行canny边缘检测:Ea=edge (a*', canny', τa) ;对b*通道进行canny边缘检测:Eb=edge (b*, 'canny', τb) , τa>τb。

(6) 取阴影区域S2=Ea—∩Eb。

(7) 对区域S2进行数学形态学处理。

算法的流程图如图4所示。

4 实验及结果分析

基于颜色对立空间的运动物体阴影检测算法, 本文在这里做了两组实验。所选用的图像序列均为户外场景, 且为自行拍摄。由于在每组实验中, 图像序列包含了若干的运动目标, 所以在实验结果中为了便于比较, 只截取运动目标活跃的区域。实验结果如图5所示。

通过以上两组结果图可以看出, 基于颜色对立空间的阴影检测具有较好的效果, 具有相对较强的适应能力。例如, 选取适当的阀值, 可有效的检测出在纹理平面的阴影, 如图5 (c) 所示。5 (a) 为原图, 5 (b) , 5 (c) 分别为检测出来的两组移动目标, 5 (d) , 5 (e) 蓝色部分为检测出的阴影区域。本方法同时还具有计算速度快的特点, 非常适用于视频序列实时监控的需要。由于本算法主要利用了阴影对红-绿通道的无关性来进行计算, 因此对于存在于物体本身的投影也会检测出来如图6 (b) , 从一定程度上影响了对运动目标检测的效果, 造成一定的误差。图6中 (a) 为原图, 6 (b) - (d) 分别为检测出来的三组移动目标, 6 (e) - (g) 蓝色部分为检测出来的阴影区域。

5 结束语

本文提出了一种基于颜色对立空间的运动目标阴影检测的方法, 该方法适用于户外场景, 利用的阴影的红-绿通道的无关性, 和颜色对立空间接近视觉的特性, 将检测的出的活跃区域进行边缘检测, 从而得到最终的阴影区域。实验结果表明, 本方法具有鲁棒性强, 计算速度快的特点。同时由于本方法自身的特性, 使得其对运动目标本身上的投影也较为敏感。从目标的几何特性考虑, 首先确定运动目标的轮廓, 是下一步工作的重点, 以进一步提高运动目标分割的质量。

参考文献

[1]Prati A, Mikic I, Trivedi M M, et al.Detecting moving shadows:algorithms and evaluation[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2003, 25 (7) :918-923.

[2]刘雪, 常发亮, 王华杰.运动目标检测中的阴影去除方法[J].微处理机, 2008, 29 (5) :116-117.

[3]李广伦, 殳伟群.运动目标的阴影实时检测和消除[J].小型微型计算机系统, 2011, 32 (2) :361-364.

[4]Sanin A, Sanderson C, Lovell B C.Improved shadow removal for robust person tracking in surveillance scenarios[C]//Pattern Recognition (ICPR) , 2010 20th International Conference on.IEEE, 2010:141-144.

[5]Nadimi S, Bhanu B.Physical models for moving shadow and object detection in video[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2004, 26 (8) :1079-1087.

[6]Canny J.A computational approach to edge detection[J].Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1986 (6) :679-698.

颜色空间 篇5

随着计算机技术与人工智能的发展, 用计算机进行文本图像自动处理越来越引起人们的重视。对文本图像分割就是计算机自动提取图像中的文字内容以便进行下一步的识别和分类。目前文本图像分割方法大多针对灰度图像[1,2], 没有充分地利用图像中的彩色信息, 对于一些特殊文档图像 (如印章) 变换到HIS颜色模型再进行阈值分割能取得比较好效果[3], 但是HIS颜色变换涉及非线性运算, 需消耗大量计算时间, 并且大多数文本图像在HIS颜色模型下信息的聚类程度反而不及RGB模型。现依据最小错误率风险的贝叶斯决策, 提出了一种基于RGB颜色模型的多颜色空间的图像分割方法, 在多个颜色分量空间中选择最优的阈值进行分割, 从而能够自动处理复杂的文本图像背景。

1 最小风险贝叶斯决策数学模型

图像分割也可视为一种文字与格线背景的两类的分类问题, 类别状态是一个随机变量, 因而某种状态的出现包含了概率因素[4]。在两分类 (设类别为ω1和ω2) 问题中, 设先验概率为和表征类特征的参数为x, 由贝叶斯公式[5]:

得到的条件概率称为后验概率, 表示当观测特征值为x时它属于类ωi的概率。最小错误率贝叶斯决策规则分割阈值即可表述为

即依据阈值T进行文本图像分割, 能够在单一概率分布下取得相对最小的分割错误率。

2 多颜色空间贝叶斯决策的图像分割

2.1 贝叶斯参数估计

Gauss分布是所有分布函数中描述文本图像统计信息的最佳分布[1], 将类条件概率密度函数用高斯分布描述, 其中μi与μi为待估计参数。

利用图像各颜色分量的直方图信息, 采用最小二乘法拟合直方图曲线估计出该颜色分量上两类分布的四个参数μ1, 2与σ1, 2, 之后便可由式 (2) 求得单一颜色分量下的最小风险分割阈值。如果所有颜色分量上的拟合参数出现μ1=μ2, σ1=σ2的情况, 则表明文字与背景格线颜色相同, 此时采用霍夫变换去除格线;否则采用多颜色空间阈值优化方法去除背景以避免霍夫变换去格线时造成的格线与文字交叠区域丢失。

2.2 多颜色空间阈值优化

分别在R、G、B颜色空间中计算出的贝叶斯分类阈值TR, TG, TB仅仅是在单一颜色空间中的局部最优阈值。设R, G, B空间中各自的贝叶斯决策错误概率为ER、EG、EB, 取min (Pe) =min (ER, EG, EB) 。记d=μ2-μ1, 近似的先验概率取P (ω1) =则有:

Q (x) 为标准正态分布的右尾函数, Q (-x) =1-Q (x) , 显然Pe随d的增大单调减小。根据R、G、B空间中d值大小, 选择最优颜色空间与阈值进行图像分割, 可使图像分割的错误概率达到最小的min (Pe) 。

3 实验与小结

将本文提出的基于多颜色空间贝叶斯决策的图像分割方法与传统灰度图像分割方法比较, 部份实验结果比较如图1。原图当中字符与彩色格线的灰度近似, 单一的灰度图像分割方法往往不能取得十分满意效果;相比传统方法, 本方法能达到更良好的分割效果。

图像分割是计算机文档自动处理的重要步骤, 本文研究了基于多颜色空间贝叶斯决策的图像分割方法, 取得了较为理想的应用效果, 同时该方法有一定普遍性, 也易于延伸用于其它领域中的彩色图像分割。

参考文献

[1]Dawoud A, Kamel M·Iterative model-based binarization algorithm for cheque images.Int J Document Anal Recognit, 2002;15:28—38

[2]张德贤, 郭小波, 刘永平·笔迹鉴别预处理与特征抽取技术研究·微计算机信息, 2006;22 (5) :309—312

[3]赵永涛, 李志敏, 王洪建, 等.印章识别中的图像预处理研究.仪器仪表学报, 2004;25 (4) :401—403

[4]包晓敏, 江亚明.基于最小错误率贝叶斯决策的苹果图像分割·农业工程学报, 2006;55 (5) :122—124

颜色空间 篇6

关键词：彩色图像分割,颜色量化,颜色散度,种子区域生长,区域合并

1 引言

图像分割是从图像处理到图像分析的关键技术，也是图像处理的经典难题之一，它是图像分析和模式识别系统的重要组成部分，并决定图像的最终分析质量和模式识别的判别结果。所谓图像分割是指将图像中的像素划分成不同的区域，并使这些区域相互不相交，每个区域应满足特征区域的一致性条件，且区域边界简单空间分布合理。

彩色图像比灰度图像具有更加丰富的信息，因此随着计算机处理能力的快速提高，彩色图像处理在各个领域都有着更加广阔的应用前景[1]。彩色图像分割至今依然是一个没有得到很好解决的问题，并且仍然是研究的一个热点问题，人们已提出了上千种方法。主要方法包括：直方图阈值化，基于边缘检测的方法，特征空间聚类方法，如K-均值、模糊C-均值聚类等，和基于区域生长的分割算法[2,3]。

由于区域生长方法直接作用于颜色空间，在分割过程中同时考虑了色彩分布及其空域上的重新划分，因此，它比其他方法更适合于彩色图像分割[2]。为了避免调整同类判断的参数，种子区域生长(SRG)技术[3]选择了一系列初始种子来控制算法效果，但这种通过人机交互确定种子的方法会导致种子点选择不准确，而且只根据颜色间相似度划分区域，不能体现图像中区域内的纹理一致性。

本文针对以上问题，在种子区域生长算法的基础上提出了一种简单有效的彩色图像分割方法，该方法克服了传统区域生长方法不能自动选择种子的局限性，且在区域分裂合并过程中充分考虑局部纹理特征，能够得到与人类视觉判断相一致的有意义区域的分割，满足一般基于内容的图像检索或识别处理。

本文首先给出算法的详细描述，然后再结合具体例子将本算法与其他算法进行实验比较和分析，最后提出结论。

2 分割算法

本文提出的算法分两个阶段完成：第一阶段，颜色量化，即用K种量化颜色表示一幅具有N种颜色的图像(K<

2.1 颜色量化

图像的初始分割是第二阶段的输入，直接影响最终的分割结果，因此颜色量化非常重要。本文使用在颜色空间进行mean shif得到颜色量化结果。为了使得算法对颜色距离的定义符合人的视觉特征，本文选择LUV颜色空间，其中颜色距离的度量使用相对欧式距离。算法基本流程如下：

初始化，将输入的图像转换到LUV空间，并统计相应的三维颜色直方图，初始化当前待分类像素集Pixels_Remain为全部像素待分类颜色集Colors_Remain为图像中存在的所有颜色;

Step 1从Pixels_remain中随机选择某个像素Pk，计算该像素8邻域的颜色均值Mk，作为候选颜色分类Classk*的候选颜色，其中Mk=(Lk*,Uk*,Vk*);

Step 2计算待分类颜色集Colors_Remain中每个颜色Cj与Mk之间的相对欧式距离D(Mk,Cj)(公式3);

Step 3选择符合聚类条件的Cj，加入到候选颜色分类Classk*中，聚类条件为D(Mk,Cj)<=R(Mk)，其中R(Mk)为聚类阈值(公式2);

Step 4计算候选颜色分类Classk*的颜色均值M*与原来的颜色均值Mk之间的相对欧式距离D(Mk,M*)，若D(Mk,M*)>=THRESH(实验中THRESH取0.01)，则转至Step 1;

Step 5认为候选颜色分类Classk*为符合条件的分类，将Classk*就加入已分类集合中，并从待分类颜色集Colors_Remain中删除Classk*中的颜色，标记所有颜色值属于该分类的像素为分类顺序K，并从待分类像素集Pixels_Remain中删除这些像素;

Step 6若尚未达到最大分类次数MaxNum(实验中MaxNum取50)，返回Step 1，循环分类操作;

Step 7将Pixels_Remain中所有的像素标记为同类像素，将像素数较少的分类中的像素与其邻接的其他区域合并。

算法中聚类阈值R根据颜色分布自动获得：设图像中包含的颜色总数为N，像素总数为M，各颜色对应的像素总数为Wi，各颜色对应的颜色分量为(Li,Ui,Vi)，计算图像中所有颜色的均值μ，μ=(L,U,V)，其中：

则聚类均值R(Mk)为:

而D(Ci,Cj)为相对欧式距离,计算公式如下:

其中，(Li,Ui,Vi)和(Lj,Uj,Vj)分别是Ci和Cj对应的颜色分量。

第一阶段得到预分割结果，赋予像素所属颜色分类的标记，以区分不同的量化颜色及其对应的区域。实验表明，每个图像区域中的像素只对应少量颜色分类，且每个颜色分类所包含的像素也集中分布在少量的几个区域中，图1是部分实验的颜色量化结果。

2.2 区域生长

上面颜色聚类过程，虽然考虑了像素的空域信息，将邻近像素划分到相同的区域。但只考虑局部邻域像素间的颜色相似性，并不能得到令人满意的结果。本文采用[5]提出的种子区域生长算法，通过计算颜色散度，提高最终的分割结果，形成有意义的分割区域。

2.2.1 自动选择种子区域

种子区域应该具有一下特点：

1)颜色量化以后的颜色相同;2)目标区域至少能够产生一个种子;3)不同区域的种子不能连接。

本文通过如下方法自动选择种子区域：

Step 1逐像素计算像素所在区域的颜色相似度SCOLOR(公式4);

Step 2选择其中颜色相似度SCOLOR>=TCOLOR的像素作为种子点，其中TCOLOR统计所有颜色相似度值，取其中10%的下限;

Step 3通过区域合并方法将8邻域邻接的种子点合并成为种子区域;

本文定义颜色相似度如下：

其中f(c,ci)是颜色相似度加权函数：

P(i)为中心像素与该邻域像素i的相对距离。本文使用8方向每方向8个采样点的方法得到邻域像素，采样点间距为1。定义某个方向上第i个采样点与中心像素间的相对距离为p(i)=i。图2是实验中得到的种子区域。

图2左图是图像25098颜色量化后得到的结果，右图是自动种子区域选择的结果。

2.2.2 区域生长与合并

种子区域选择后，本文采用文献[4]提出的计算颜色散度，即局部J值的方法，进行种子区域生长。即计算剩余未分割区域中局部J值的均值，并将小于均值的像素合并，称为生长区域，如果某个生长区域与一个且仅与一个种子区域邻接，则将该生长区域加入到种子区域中。然后在下一级更精确尺度计算局部J值，重复上面的步骤，直到最精确尺度，进行逐像素搜索。

经过区域生长后，区域之间仍然存在许多相似性，本文通过计算区域间颜色直方图的相似性来合并区域。

3 实验对比分析

与JSEG算法[4]相比，本文在颜色量化过程中使用mean shift算法，并考虑邻域像素间的颜色相似性，得到初始分割。图3是使用本文方法与JSEG算法颜色量化结果的比较，两种方法都得到了8种量化颜色，虽然JSEG算法能够较多的保留局部信息，但使用本文方法能够极大地减少了计算复杂度，平均计算时间大约为JSEG算法的1/6，且不会影响最终得到对人视觉有意义的分割结果。

JSEG算法是通过计算局部J值的方法，选择种子区域。由于局部J值计算复杂度较高，本文使用了简化的计算方法，通过计算局部邻域颜色相似度，选择颜色相似度较大的像素作为种子点，进一步较少了计算复杂度。

本文使用了人工标注的分割图像库(Berkeley分割图像库)[5]和相应的分割性能评价方法。本文从其图像库中随机抽取了100幅彩色图像进行实验，分割结果的平均错误率为13.4%，低于JSEG方法的14.5%，图4中列举了一些实验使用的图片以及算法的分割结果与人工分割结果的对比(其中第一行是Berkeley分割图像库中人工分割的结果，第二行是本算法分割的结果)。

4 结论

实验结果表明本文提出的分割方法，能够自动选择种子生长区域，且计算复杂度较低，适于实时分割任务。克服了传统区域生长算法不能自动选择种子且容易导致过分割的局限性，分割过程中综合考虑颜色和空间信息，能得到与人类视觉判断一致的有意义区域的分割。

本文提出的算法也有不足之处，对于颜色对比不明显的图像，不能很好的描述区域间颜色差异，影响了分割结果，如何更好地提高算法的适用性，是今后研究的重点。

参考文献

[1]林开颜,吴军辉,徐立鸿.彩色图像分割方法综述[J].中国图象图形学报,2005,10(1):1-10.

[2]李唯为,黄辉先,张东波,等.种子区域生长技术在彩色图像分割中的应用[J].小型微型计算机系统,2008,29(6):1163-1167.

[3]Adams R,Bischof L.Seed region growing[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1994,16(6):641-647.

[4]DENG Y,MANJUNATH B S.Unsupervised segmentation of color-texture regions in images and video[J].IEEE Transactions of Pattern Analysis and Machine Intelligence,2001,23(8):800-810.

颜色空间 篇7

监狱本身是一个涉密场所, 在信息安全防范上不但要保证网络运行安全, 还要确保涉密信息在产生、存储、传递和处理过程中的保密、完整、可用和抗抵赖。特别是对记载国家秘密信息的文字、图像、数据等电子载体进行严格管理防泄密。数字监狱资料库中内容的日益增多、类型的多元化, 自动识别出图像内容是否涉密成为司法信息安全防范研究的焦点。

1 数字监狱资料库中图像要求

图像来源于数码相机记录相关文件、会议、活动等拍摄动态视频或静态图像或监狱内安防设备抓拍到的图像。图像保存为BMP格式 (24位) 色彩、图像分辨率600 dpi以上;尺寸不大于10寸。

2 颜色特征分析

图像内容的检索可从颜色特征入手。颜色特征是图像中最基本的视觉特征, 对图像的平移、尺度、旋转等变化不敏感, 具有很强的稳定性, 且计算简单。图像检索含颜色直方图[1]、颜色矩[2]、颜色集[3]、颜色分布特征[4]、中心矩法等多种表征方法。

2.1 CBIR技术

对图像内容语义进行分析和检索, 包括图像本身客观属性, 如颜色、纹理、形状等。检索技术的应用方向多为收集图像后进行合理加工 (对比度、高度等) , 提取颜色特征的方法。根据颜色量化, 结合相似度算法, 提取基于HSV空间查准率、查全率具体的值。

2.2 颜色空间选取

RGB颜色空间有不均匀和不直观的缺点, 选择HSV空间合适的原因, 一是其三分量相对独立, 易通过设定不同权值将其转换成一维进行测量, 计算量小;二是色调分量对彩色的描述与人类视觉接近, 容易区分。

2.3 HSV空间颜色量化

将三分量进行非等间隔的量化工作。理论上当V<0.152, 颜色接近黑色, 可忽略H的影响。当S<0.1时, 颜色接近灰色图, 可忽略H的影响。即把分量H、S、V各分成9份、2份和1份, 并根据色彩的不同范围进行量化, 合成为一维特征矢量公式l=HQsQv+SQv+V。其中:Qs和Qv分别是分量S、V的量化级数, 当取Qs=2, Qv=1时进行细化。l取值范围为[0, 21], 获得22柄的一维直方图。

3 基于颜色特征的内容检索模型设计

监狱信息图像与其他图像在内容有明显的行业特征, 本文更多的是关心图像中的目标的颜色特征, 如监舍、劳动改造区、狱警办公区等。如图1中C类执勤服图像的颜色特征集中体现在衣服和软肩章, 这些重点目标区域所特有颜色。建立基于图像内容检索的模型分:图像预处理、颜色特征的提取、建数据库与搜索引擎、人机交互界面四大部分。

3.1 监狱图像预处理

在进行图像分析处理前, 需对图像进行灰度化、图像增强和降低并减少图像的噪声等预处理, 突出有用的信息, 为后续颜色特征的图像内容检索工作做准备。

3.2 颜色特征的提取

完成任务区域或涉密区域的选取后, 保存为二级图像, 并与原始图像建立关联。根据上述颜色量化公式、提取算法对区域图像进行颜色、纹理等特征提取, 组建特征库。

3.3 建库与搜索引擎

监狱图像数据库由特征库、图像库、实验子库组成。按照图像颜色相似的原则, 即图像颜色数量相当, 颜色相近;对应主要颜色面积相当;图像内主要颜色的相似性, 本文采用实验子库中五类主题。包括:

A类含9张监狱物理防逃钢网墙, 明显特色特征是钢丝呈现银灰色;

B类含8张监舍图, 明显特色特征是粉红色被子, 床单上有XX监狱的黑色字样;

C类含10张执勤服图, 明显特色特征是衣服颜色偏紫或者偏蓝;软肩章用反光线织成, 在阳光下发黄;

D类含6张囚服图, 明显特色特征是灰蓝为主, 上衣的前胸和后背上有白灰相间的条纹, 囚裤两侧缝有蓝白条;

E类含10张警车图, 明显特色特征是整车藏蓝色和白色为基本色调, 辅以黄色。

算法采用衡量搜索引擎的性能的查全率 (recall) 和查准率 (precision) 作为评价标准。根据各种特征自动提取出的重点目标区域的特征数据, 并建立多维索引结构。

另外, 人机交互界面为操作人员提供图像基于内容检索的接口、参数。

4 实验结果与分析

验证实验环境是VC++6.0, 用实验子库为操作对象。先人工筛选出43张图像与样图颜色相类似的图像, 按22柄的HSV颜色直方图图像颜色相似进行实验, 可得A类到E类在RGB空间等间隔的查全率、查准率分别是0.778、0.75、0.7、1.0、0.9;在HSV空间非等间隔的查全率、查准率分别是0.8 8 9、0.8 7 5、0.9、1.0、1.0, 不难看出新算法均高于原算法, 检索效果明显增强。

小结

为了实现监狱敏感图像资料的自动检索与内容感知, 本文提出了一种新的基于HSV空间的22色非均匀颜色特征的图像内容检索方法。后续工作是构建图像安全管理单元, 全程实现涉密图像的可控、在控和可审计的安全防护工作, 即涉密计算机上禁止打印/屏幕拷贝图像;禁止涉密图像通过可编程的对象连接与嵌入接口等途径对权限、属性的修改;并当U盘等外设插入时自动报警, 有望从信息安全防范的角度有效解决泄密问题。

摘要：监狱信息安全是数字化监狱的基本要求, 随着电子监狱资料库中多元资料的日益增多, 自动识别出数字监狱库中图像资料的内容是否涉密成为司法信息安全防范研究的焦点。颜色特征是图像资料的最基本的视觉特征之一, 在图像内容检索上具有举足轻重的地位。为了实现监狱图像资料的自动检索与内容感知, 本文提出基于HSV空间的22色非均匀颜色特征的图像内容检索方法。实验结果表明, 该方法与基于RGB颜色空间的颜色特征检索算法相比, 有效降低了时间和空间复杂度, 图像查全率、查准率高, 实际应用效果明显。

关键词：图像内容检索,颜色量化,监狱

参考文献

[1]Swain M J, Ballard D H.Color indexing[J].International Journal of Computer Vision, 1991.7 (1) :11-32

[2]Pass G, Zabih R.Histogram refinement forcontent-based image retrieval[A].IEEE Workshopon Applications of Computer Vision[C].1996, 96-102

[3]Mlsna P A, Rodriguez JJ.Efficient indexingof multi-color sets for content-based imageretrieval[A].4th IEEE Southwest Symposium, 2000.116-120