空间图像

2024-07-04

空间图像（精选10篇）

空间图像篇1

空间观测的星空图像中,包含有恒星,目标和大量的噪声,距离较远的恒星和目标亮度低,所占像素数少且无纹理特征,很容易被周围噪声所淹没,通常人眼亦难以发现目标[1]。如果要可靠、稳定、准确地将目标从背景杂波中检测出来,则必须对图像进行预处理[2]。

目前这类弱小目标的检测方法大多与红外小目标的检测相似。典型的方法主要包括空域滤波[3]、频域滤波[4]、小波降噪[5]、形态学滤波[6]等基本降噪方法,长期以来国内外学者提出了基于经典方法的多种组合和改进的方法。文献[7]提出了一种局部标准差滤波的方法,通过求取原图像中各N×N邻域内像素标准差,提高小目标图像信噪比。文献[5针对图像噪声分布特性,利用小波变换与支持向量机相结合的方法对高分辨率遥感图像进行识别。文献[8]用灰度分割方法首先完成对可能运动目标的检测和标记,然后由后续图像帧间信息来实施目标对象的确认并完成跟踪任务。但这些算法很难同时满足检测概率高、虚警率低、实时性好的要求。

文中根据星空图像的特点,提出了一种基于两次检验,通过时空域滤波先粗检后确认的弱小目标检测方法。首先通过最小二乘拟合的方法得到图像背景参数,利用均值和方差滤除大部分噪声。再通过管道滤波,将混有噪声的弱小目标进行二次提取,通过多帧关联滤除噪声。最后用空域能量累积的方法对目标进行增强,提高信噪比。

1 星空图像噪声模型分析

星空观测图像的模型如式(1)所示。其中r(x,y,t)是原图像,c(x,y,t)是由电路引起的高斯分布噪声,d(x,y,t)是由暗电流和背景光引起的泊松分布噪声,由泊松定理,当单帧图像像素数非常大时,泊松分布收敛为高斯分布。s(x,y,t)是运动目标信号,n(x,y,t)是静止恒星。图1为一帧典型的星空观测图像(灰度16 bit,1 024×1 024 pixel)。

1.1 背景估计

除星空背景成像特征为大面积起伏背景噪声外,其余均为点状小目标,且空间目标的亮度很弱,在背景存在大量恒星的干扰下,分析背景的统计特性并建立起精确的数学模型来描述图像中的起伏背景,对小目标检测、识别是至关重要的。

图1的灰度分布范围为[0~65 535],图2为截取的部分星空图像灰度直方图,灰度分布集中的部分为图像背景噪声,从图中可以看出背景符合高斯分布,且噪声大多集中在灰度[200~300]之间。通过最小二乘拟合方法得到图像背景的均值和方差,步骤如下:

步骤1:计算整图均值μ0和标准差σ0;

步骤2:根据对大量图像的分析,设定最大标准差变化范围k=50;

步骤3:计算最小二乘意义下的拟合误差E;

步骤4:剔除野点。赋值μ1=μ0,σ1=σ0;统计灰度介于(μ1-3σ1,μ1+3σ1)之间的像素均值μ0和标准差σ0;

步骤5:如果σ1与σ0之差大于k,跳转到步骤3;

步骤6:k自减1,如果k大于1,跳转到步骤2;

步骤7:找出拟合误差E最小时的μmin和σmin。

此时得到的均值μmin和标准差σmin即为背景杂波的最小二乘拟合参数。对于图1所示星空图,μmin=233.72,σmin=9.23。方法的流程如图3所示。

取Thr1=μ-3⋅σ,Thr2=μ+k⋅σ,根据正态分布原理,理论上k=3时,灰度范围在[μ-3⋅σ,μ+3⋅σ],即灰度范围在[206,262]可以包括99.7%的背景噪声。最小二乘法拟合背景参数如图4所示。

2 弱小目标检验

对于弱小目标,要求的检测率较高而虚警率必须很低,同时目标本身的信噪比和对比度又较低,所以在单帧检测的情况下很难满足检测要求,必须结合多帧处理进行检验。像素灰度在小于μ+3⋅σ的范围内,仍有一部分弱小目标因信噪比过低而被误检为噪声而滤除。在原图像中,以μ+3⋅σ为中心,σ为半径,即取灰度值在[253,271]之间的灰度置为1,其他灰度置为0,如图5所示。图像中亮点同时含有漏检的弱小目标和噪声。由于噪声的分布是随机的,在任意帧中噪声不重合且无轨迹规律。可通过多帧累加的方法区别弱小目标和噪声。连续求取3帧图像并相加,当某个亮点在同一位置或其邻域内连续出现时,提取其坐标值存入数据库中,作为第一次粗检结果。利用管道滤波的方法,以目标为中心建立一个空间管道,管道的直径代表空间作用尺寸,管道的长度代表检测时间长度。对粗检得到的结果进行扫描,定义检测帧数为5帧,当在同一条管道内连续5帧可以检测到目标时,认为所检目标是真实目标,否则为虚假目标。

3 能量累计增加信噪比

对于检测出的弱小目标,其信噪比一般低于3,在图像中很难分辨,利用邻域信息对其进行能量累计增加信噪比。

一般认为,空间目标成像的灰度值在一定程度上高于背景噪声,通常具有一定的面积,可以从目标局部区域灰度较为稳定的特征出发来制订具体的分割标准。在预处理结果图像中选取m×n的滑动窗来统计图像中各局部区域的局部能量值。

首先给出关于图像局部能量的定义,以像素点(i,j)为起始点,大小为m×n的图像窗口的局部能量为

设I(i,j)表示原始星像,E(i,j)表示能量累积后的星像,Area T表示星像区域,定义低信噪比扩展目标满足如下条件

对于高斯背景噪声,假设其均值为μ,方差为σ,则经过能量累计后的图像均值μ’=μ,方差σ’=σ/(mn)1/2,取,k=100.3。即低信噪比扩展目标区域经过能量累积后星像的峰值信噪比大于3。

图6为利用不同大小窗口对原始图像中暗弱的小目标进行增强的效果图。分别采用3×3,5×5的窗口进行能量累积。可以看到暗弱的小目标在经过能量累计后变得清晰。

4 实验结果

为了验证方法的有效性,利用文中算法对拍摄的地基观测星空图像进行试验,图像灰度为16 bit,大小为1 024×1 024像素。软件平台为Matlab R2008a,运行环境为,硬件配置为双核2.3 GHz,1 G内存。

图7为原始星图局部放大的图像,图片中较亮的星坐标为(564,236),绿颜色圆内为3个暗弱的小目标,信噪比很低几乎被背景所淹没。图8为采用背景均值方差的方法对图像进行处理,可以提取出较亮的星点。图9为采用管道滤波对目标进行先检验后确认的方法,可以看出暗弱目标被有效地检测出来,提取其坐标并在原图中记录。图10为得到的最终结果,原星图中暗弱目标得到明显的增强。

5 结论

文中提出了一种有效的星空图像中弱小目标的检测方法,首先用最小二乘拟合的方法得到图像的背景参数,确定噪声所在的范围,利用阈值将大部分噪声滤除。并用两次检测,提取漏检目标,利用管道滤波的方法将暗弱小目标提取出来。最后通过能量累计的方法提高图像信噪比。经过此预处理后图像的信噪比显著增强,暗弱目标得到有效的划分和检测。

摘要：空间观测的星空图像中,由于恒星距离较远在图像中仅占几个像素,且存在大量噪声,因此很多信噪比较低的弱小目标被淹没。在预处理环节应将其有效地检测出来,降低后续目标识别和跟踪的虚警率。首先对星空图像的噪声模型进行了分析,通过最小二乘拟合法得到图像背景参数。利用两次检验的方法,首先对目标进行第一次粗验,利用管道滤波的方法进行第二次确认,滤除噪声得到目标。最后通过能量累积的方法对原图像中弱小目标进行增强。仿真实验结果表明了算法的有效性。

关键词：星空图像,弱小目标检测,最小二乘,管道滤波,能量累计

参考文献

[1]漆长松,刘恩海,钟建勇.天基平台深空运动小目标检测[J].光电工程,2008,35(5):28-32.

[2]张耀,雍杨,张启衡,等.低对比度小目标检测[J].强激光与粒子束,2010,22(11):2566-2570.

[3]曹琦,毕笃彦,张齐.一种新的空时域滤波小目标检测方法[J].光电工程,2009,36(7):41-44.

[4]尹德强,李文海,宋有为.基于频域滤波的分数阶Fourier变换的目标检测[J].现代电子技术,2011,34(19):35-38.

[5]陈向东,张瑾.一种基于小波变换的红外图像去噪方法[J].传感器与微系统,2006,25(8):7-9.

[6]汪洋,郑亲波,张钧屏.基于数学形态学的红外图像小目标检测[J].红外与激光工程,2003,32(1):28-31.

[6]Yilmaz A,Shafique K,Shah M.Target tracking in airborneforward looking infrared imagery[J].Image Vision Comput,2003,21(7):623-635.

[7]刘健,刘忠.基于小波变换和支持向量机的水下目标分类方法[J].火力与指挥控制,2011,36(9):88-92.

[8]Efficient Detection of Small Moving Objects.ADA213314.

空间图像篇2

牛古吐中学

刘秀艳

无论“表达主观理解的方法”，还是“平摆式空间表达方法”，这类个性化的空间表达作品很多，有的也很有趣，这种画面空间的表达通常很原始、稚拙、天真，就是我们常见的幼儿画中对空间的认识、理解与表达，非常幼稚可爱。显然是没有透视知识支撑所致。通过这课知识的学习，教师应给学生明确地指出那些幼稚、原始的图像空间表达方法，就一种现象来讲，应该让它从此课后成为过去，而使自己对空间的绘画表达语言成熟起来。但就一种个性化空间表现方法来讲，应该做到有意识地用，且采用得当，要有利于画面获得某种艺术效果，否则，就会总是幼稚，更显无知。

课堂小结中，学生发言积极、气氛热烈，使我感到初一新生思维活跃，语言表达能力强，对于学生的发言，我一个个给予肯定，使每一个学生具有自信心，促进学生潜能、个性、创造力等方面全面发展。

通过这节课我感到课堂教学，课课都会有不同的情况发生，这就要求老师具有应变能力，使课堂教学收放自如，以学生为本，充分尊重学生的成长需求，体验需求和选择的需求。

空间图像篇3

关键词计算机图形图像艺术特征创新空间

中图分类号：TP3 文献标识码：A

0引言

随着信息技术的出现和不断发展，当前已经广泛地渗透到艺术领域中，催生出了不少新的艺术形式，計算机图形图像就是其中很有代表性的一种，它的出现，极大地拓展了传统视觉艺术的研究领域和视野，同时也丰富了人们的精神文化生活。随着计算机技术的普及，越来越多的人具备了进行图形图像创作的条件，推动了计算机图形图像创作的普及，但同时在一片繁荣的背后，却充斥着大量水平低下、缺乏创新、粗制滥造的作品，给计算机图形图像的创作带来了不小的负面影响。因此，有必要对当前计算机图形图像的艺术特征和创新空间进行总结和探讨，以期更好地推动计算机图形图像创作的健康发展。

1计算机图形图像的艺术特征

计算机图形图像还可以细分为平面图形图像、三维图像以及多媒体和交互性图像图像这三种，下面逐一介绍其艺术特征。

1.1平面图形图像的艺术特征

平面图形图像通常根据图形元素的不同构成方式还可以分为点阵形式的数字图像和矢量形式的数字图形。前者是由许多像素组成的，所有像素的色彩组合在一起产生了图像。点阵图像由于具有色调变化丰富、色彩还原度高以及可在不同软件之间自由切换的优点，因此广受青睐，大量应用语于广告、插画及包装等的设计创作领域。而矢量图形则是通过数学的向量方式来记录图像内容的，它的领用领域集中在商标、地图、网页等的设计创作方面。

1.2三维图像的艺术特征

计算机三维图像具有极强的模拟性和仿真性，可以完美地表现出物体的各个细节，实现最精确的造型再现。以往在平面软件中很难创作出来的各种流体效果通过三维软件都可以很好地如实再现，而且这种真实模拟都是由创作者进行操控，不会受到任何外在因素的束缚和影响。所有计算机三维图像的创作人员能够跨越时空界限，摆脱思维的束缚，发挥想象力，创作出各种令人惊叹不已的三维空间。

1.3多媒体和交互式计算机图形图像的艺术特征

多媒体和交互式计算机图形图像的艺术特征不仅表现在视觉审美方面，同时也体现在审美体验上，这是和前两者最大的不同。审美体验通常指的是艺术作品在观众中所引起的一种层次较深的情感反应，不同的活动，观众的体验层次是不一样的。多媒体和交互式计算机图形图像可以有效营造出亲历性很强的审美空间，这时候接受者不是像以往那样作为旁观者存在，而是成为了身临其境的参与者。

2计算机图形图像的创新空间

从当前计算机图形图像领域的发展情况来看，其创新首先要靠创新思维和创新意识来推动，其次，还要借助于创作者对信息技术的深层次感知，下面从几个方面谈谈计算机图形图像的创新空间。

2.1培养创新意识

创新意识是各种创新的原始推动力，计算机图形图像的创新同样要借助于创新意识的培养。创新意识和创新思维有密切的联系，创新思维是相对于习惯性思维而言的，在当前的数字时代，由于创作资源极为丰富，同时创作门槛也越来越低，各种机械复制的情况非常普遍，使创作质量不断下降。计算机图形图像的创作者要多提倡创新思维，摆脱习惯性思维的束缚，创作出更多原创性的作品。另外，对创新意识的培养还要多结合数码式的创作思维训练，因为创作方式与创作思维之间是有对应关系的，数码图形图像的创作也需要相应的数码式创作思维。

2.2正确定位技术

当前许多从事图形图像艺术创作的工作人员很怕谈技术，心里一直对技术有抱有偏见，认为它和艺术相比属于低端的，直接将技术与图形图像的艺术创作对立起来。而实际上，两者之间是相辅相成的，没有计算机技术做基础，图形图像的艺术创作只能是空中楼阁，而且在未来，计算机技术和数字技术对计算机图形图像的艺术创作将会起到越来越大的影响，对此，应该有正确的认识和定位。

2.3表现手法的创新

当前数字技术和计算机技术发展非常迅猛，艺术创作也从传统的静态视觉逐步向多样化的方向发展，目前应延伸到了动态的多媒体信息传播领域；同时也从以往单一的二维空间过渡到三维立体空间，接着又从静止的三维空间迈向动态的思维空间等等；创作过程方面也从单向发展变为多向的反复。这些变化和发展为计算机图形图像艺术表现手法的创新提供了必要条件。

2.4表现内容的创新

当前计算机图形图像创作上出现了一个严重制约其发展的瓶颈：题材内涵缺乏新意。虽然计算机图形图像设计的存在方式、形式及传播载体等方面都有了很大的进步，但表现内容方面却没有多大的开拓和进展，基本上还在原来的题材范围内打转。为此，创作人员应当积累和获取必要的创作素材和信息资源，同时要回过头来，把目光投向被忽视的民间文化领域，多借鉴传统的艺术，吸取民间文化的营养。

3结语

计算机图形图像作为新兴的艺术形式，人们生产生活所起的影响也越来越大，随着其作用的不断发挥和人们对它研究的不断深入，制约其发展的一些不足之处将会不断完善，未来它将发挥出更大的作用。

参考文献

[1] 林迅.新媒体艺术[M].上海：上海交通大学出版社，2011：229.

[2] 张光帅.新媒体艺术与传统绘画[D].山东师范大学，2013：34-36.

[3] 王晓川.绘画在新媒体技术中的发展途径[D].云南艺术学院，2010：42-43.

建筑仓储空间三维图像的仿真设计篇4

1 仓储空间设计性能原理

在建筑系统的设计中有3个重要的组成元素:实体、属性和活动。其中实体是建筑的组成对象,是建筑系统设计的重要部分,属性是指建筑实体的各项性能特征,可以将建筑的特征以简洁而明了的形式展现出来,这两者是在建筑的活动要素中联系起来的,并通过建筑活动将整个建筑系统联系起来。

首先确定仓储空间所需要的费用,这是衡量仓储空间性能的重要标准之一。仓储费用的构成及其主要特征包括以下几个方面:①固定成本,是指仓库进行定期的维护成本,和一定时间内的自然成本消耗;②运营成本,主要是为了保证仓库能够正常的运营和使用,需要具备一定的物资和货物,在准备这些所需物资时所支出的费用即为运营成本;③保管成本,仓储空间的主要作用就是放置货物,以保证货物的正常供应,然而在实际的存储保管过程中会产生一定的保管成本,用于对货物的管理、维护等;④运输成本,主要是指当市场需要货物时,仓储空间需要及时进行货物的供应和运输,这就会产生相应的搬运成本。

确定经济订货量,可以将仓储费用控制在最低。在实际的仓储管理中,可以根据订货费用和存储费用,将最低费用率作为运算指标,最终得出经济订货量。

另外,要确定订货提前期指标,仓储空间在进行货物存储的同时,具有较强的货物补充预定性,简单来说,为了不影响后续销售活动的进行,当仓储空间的货物数量减少到一定数量时,需要进行补货,从而保证企业的正常销售活动。

2 建筑仓储空间设计实现

2.1 用解析法确定仓储模型

解析法是传统意义上较为常用的一种确定仓储模型的方法,主要是根据建筑的各要素简单关联来确定仓储空间的模型。首先,设定仓储空间的面积,包括一些公用的占地面积,进行更为全面的考虑能使最终的仓储面积更加精准;其次,确定仓库的年成本费用;第三,为保证仓库能为市场正常供应货物,设定补充货物的频率。由于解析法只涉及各建筑变量之间的简单联系,在各个设计环节之间的制约联系方面并没有作出较为具体的分析,导致整体的模型建设效果不甚理想。

2.2 用三维图像仿真方法确定仓储空间设计

使用CAD技术来实现建筑仓储空间三维图像仿真,以已有的仓储空间模型为基础,根据模型的实际情况采集相应的数据信息,并从中提取出有效的仓储空间特征信息,然后做出相应的三维图像仿真,实现步骤如下。

首先,对仓储空间模型进行分类处理,根据分类后的结果,对不同种类的仓储模型依次进行图像特征采集。在二维平面图层建立新图层,以仓储空间的种类命名,然后根据仓储空间模型描述说明细节特征,最后将所有图层做单独保存即可。

在完成上述步骤的基础上,进行三维图像仿真。根据得到的三维图像模型,对其进行叠加处理,以此来提高仿真的准确度。将获取的建筑仓储空间仿真三维图像模型公式输入到CAD软件中,即可实现建筑仓储空间的三维图像仿真;接下来对仓储空间的三维模型进行实际的调查研究,比如:对订单的货物送达时间、订货流程等进行测试验证。

3 仿真及结果数据分析

完成所有的仿真设计之后,将最终的模型板块嵌入到建筑中进行实际的仿真研究,主要针对仿真模型的实用性和有效性进行研究。研究方法为:使用传统的解析法和本文使用的改进方法对三维图像仿真的仓储空间进行分析对比,从中可以看出,本文使用的方法具有非常明显的耗时短的优势。

对仿真系统的系能进行测验,建立新的仓储空间设计任务,使用传统的解析法和三维图像仿真法完成这一任务,在实验过程中对每一阶段的数据进行记录,结果显示三维图像仿真系统仿真出的仓储空间图具有较低的仓储费用率和经济订货量,相应的订货提前期的频率较长,可行性更强。

4 结语

笔者通过CAD技术进行建筑仓储空间三维图像仿真,在实现的过程中对多方面数据信息作具体的记录,将传统的方式与三维图像仿真方法作具体的对比,并得出结论:三维图像仿真方法可以有效避免传统解析法在实现过程中的一些弊端,并且各项性能指标都具有更强的优越性,仿真最佳的仓储空间设计方案,从而保证并提升建筑系统的运作效率。

摘要：由于仓储空间的复杂多样性,在对实际的建筑仓储空间进行设计时,各项指标之间的线性关联较低。传统的仓储空间设计,不能很好地处理系统的随机因素与变量之间的关系,使建模分析的效率偏低。基于三维图像仿真的建筑仓储空间设计方法,通过CAD等相关技术进行仓储空间的仿真设计,根据建筑仓储空间的具体特征,采集相应的数据,建立起建筑的三维仓储空间模型,然后以成本、库存和订货量作为仿真的指标,最终完成图像仿真,设计出最佳的建筑仓储空间。仿真设计可以改善传统的仓储空间设计在变量关系上处理不准确的问题,提升建筑系统的整体运作效率。

关键词：建筑仓储,空间设计,系统仿真

参考文献

空间图像篇5

介绍了提高采样式光学遥感器图像空间分辨率的国内外发展现状,以任意两维周期采样理论为基础,探索了一种通过把线阵探测器倾斜θ度而非常规线阵推扫的`0°,同时把推扫方向的采样间距缩短为P/m,而非常规线阵推扫的P的新焦平面采样方法.该方法相对于常规线阵推扫采样,可以增加采样密度,提高图像空间分辨率.在原理研究的基础上,设计了一套实验验证系统,通过实验系统对该方法进行了物理及其可行性验证.试验结果表明:如果探测器阵列旋转45°并且推扫方向采样间距减半,相对常规线阵推扫采样,图像的空间分辨率可以提高1.64倍左右.相对于高模式采样技术和超模式采样技术,该方法避开了两排错位排列探测器的难题,因此工程实现上要简单.

作者：周峰王怀义马文坡刘兆军 ZHOU Feng WANG Huai-yi MA Wen-po LIU Zhao-jun 作者单位：北京空间机电研究所,北京,100076 刊名：宇航学报 ISTIC PKU英文刊名：JOURNAL OF ASTRONAUTICS 年，卷(期)：2006 27(2) 分类号：V474.2 关键词：采样式光学遥感器单线阵探测器高模式采样超模式采样倾斜采样空间分辨率

★ 贵州省卫星遥感应用成就介绍

★ 10m级分辨率卫星影像道路语义模型研究

空间图像篇6

关键词：边缘检测,彩色图像,Canny算法,向量空间

边缘是图像的重要特征,边缘检测一直都是图像处理的重要组成部分,对于形成线类型特征,进而描述目标对象或解释图像有着重要意义。灰度图像的边缘检测方法众多,有关的灰度边缘检测算子有Canny、Sobel、Laplace、Roberts、SUSAN等,但在现实生活中的大部分图像是彩色图像,与灰度图像比较,彩色图像能提供更多、更丰富的信息,如颜色信息等。研究表明,彩色图像中,有90%的边缘和灰度图像中的边缘相同,有10%的边缘在灰度图像中是检测不到的,而且人视觉上感知边缘位置的依据是亮度值和彩色等信息,而传统的边缘检测大多是基于灰度的,这对于彩色图像来说,它的彩色信息就没有被充分利用。而且,图像的灰度差别很小时往往检测不到边缘,有时还会虚报图像的边缘,这对以后进一步的图像处理工作带来不便。一幅彩色图像通常处于RGB空间,以RGB方式存储,所以在RGB颜色体系中进行边缘检测有着普遍的意义。

由于Canny算法在灰度边缘检测中效果是比较好的,所以把它应用到彩色图像的边缘检测中,以较精确地定位边缘。

1 向量空间的彩色图像梯度

彩色分量的图像梯度与直接在RGB向量空间中计算边缘是不同的,为了得到较准确的边缘信息,在RGB向量空间计算梯度,令r,g和b是RGB彩色空间沿R,G,B轴的单位向量,并定义向量

$u = \frac{\partial R}{\partial x} r + \frac{\partial G}{\partial x} g + \frac{\partial B}{\partial x} b$ 和 $v = \frac{\partial R}{\partial y} r + \frac{\partial G}{\partial y} g + \frac{\partial B}{\partial y} b$ 。

令gxx,gyy和gxy是这些向量的点积,如下所示:

$g_{x x} = u \cdot u = u^{Τ} u = | \frac{\partial R}{\partial x} |^{2} + | \frac{\partial G}{\partial x} |^{2} + | \frac{\partial B}{\partial x} |^{2} (1)$

$g_{y y} = v \cdot v = v^{Τ} v = | \frac{\partial R}{\partial y} |^{2} + | \frac{\partial G}{\partial y} |^{2} + | \frac{\partial B}{\partial y} |^{2} (2)$

和 $g_{x y} = u \cdot v = u^{Τ} v = \frac{\partial R}{\partial x} \frac{\partial R}{\partial y} + \frac{\partial G}{\partial x} \frac{\partial G}{\partial y} + \frac{\partial B}{\partial x} \frac{\partial B}{\partial y} (3)$

R,G和B以及g项是x和y的函数。通过这种表示,可以看出作为(x,y)的函数c(x,y)的最大变化率的方向由角度

$θ (x, y) = \frac{1}{2} \arctan [\frac{2 g_{x y}}{(g_{x x} - g_{x y})}] (4)$

给出,并且变化率的值在由θ(x,y)的元素给出的方向上,由

$\begin{array}{l} F_{θ} (x, y) = \\ {\frac{1}{2} [(g_{x x} + g_{y y}) + (g_{x x} - g_{y y}) \cos 2 θ + 2 g_{x y} \sin 2 θ]}^{1 / 2} (5) \end{array}$

给出。其中,θ(x,y)和Fθ(x,y)是与输入图像大小相同的图像。θ(x,y)的元素是在计算梯度后每个点的角度,Fθ(x,y)是向量空间梯度图像。

2 Canny检测算法

Canny算子是一阶算子,在二维情形下,使用一维高斯函数导函数作为滤波器。由于求导和求卷积是可结合的,所以可以先用高斯函数滤波,然后再求导。其方法的实质是用高斯滤波器作平滑运算,然后再求梯度。它是一阶传统微分中检测阶跃型边缘效果最好的算子之一,它比单纯的Sobel算子、Prewitt算子等算法的去噪能力都要强,但它也容易平滑掉一些边缘信息。

2.1 彩色Canny检测步骤

在众多算法中,Canny算法提出了边缘检测的3个准则:低出错率、定位准确和单边缘响应。利用高斯平滑,以保证低的出错率;利用非极大值抑制保证定位准确;利用高、低阈值对强弱边缘进行8邻域连接,保证得到单边缘。这成为衡量边缘检测算法好坏的一个标准。

Canny算法分为如下5个步骤

(1)滤除噪声

选用高斯滤波器,计算出一个合适的掩模,用标准卷积实现高斯平滑,很多应用中采用表1所示的高斯掩模。

(2)计算梯度

梯度使用高斯滤波器的导数计算每一像素点的梯度。算子有两个9×9的卷积核,如表2所示,是一个计算垂直方向的梯度模板,将它转置即可计算水平方向的梯度分量。由式(4)、式(5)即可计算每一点的梯度。

(3)计算方向角,规范化方向角

对于一个像素的邻域可分为4邻域连接和8邻域连接,非极大值抑制考虑8邻域。但每两个点对于中心像素是对称的,所以,规定4个方向。由于Fθ(x,y)=Fθ+π(x,y),所以F仅需在半开区间[0,π]上计算θ的值。若水平方向梯度分量和垂直方向梯度分量已知,由式(4)知道,若θ0是式(4)的一个解,则θ0±π/2也是该方程的一个解。由于 $θ_{0} \in [- \frac{π}{2}, \frac{π}{2}]$ 则方向角为θ0或θ0+π/2。沿着这两个方向之一F最大,而沿着另一个方向F最小。方向角A的范围为 $[- \frac{π}{2}, π]$ 。

对于图像中每个像素,它只有4个可能的方向与邻点相连:0度(水平方向)、45度(正对角线)、90度(垂直方向)和135度(负对角线),这样方向角被规范到以下4个方向:

方向1: $A \in [0, \frac{π}{4})$ ; 方向2: $A \in [\frac{π}{4}, \frac{π}{2})$

方向3: $A \in [\frac{π}{2}, \frac{3}{4} π) \cup [- \frac{π}{2}, - \frac{π}{4})$ ; 方向4: $A \in [\frac{3}{4} π, π) \cup [- \frac{π}{4}, 0)$ 。

(4)非最大化抑制

遍历边缘点,若该点在方向角方向上是梯度值最大,则保留;否则,将该点从边缘点集合中去除,运算结果将得到一幅细线图。

(5)双阈值分割

选定两个梯度阈值,一个高阈值TH,一个低阈值TL,TH通常与TL的比值为2.5。先从边缘点集合中去除梯度值小于高阈值的像素点,得边缘点集合F,再处理梯度介于高低阈值之间的像素点集合M,若M中一点在F中有邻点,则将该点加入F,最终得到的集合F就是边缘点。

2.2 实验比较

使用本文提出的彩色Canny边缘检测算法,可以直接应用于彩色图像,为后续的图像分割和模式识别作了较好的准备,既利用了位置信息,又保留了色彩信息。

图1为用两种算法处理后的边缘图像。所取阈值一样,高阈值取0.2,低阈值取0.08。利用灰度Canny边缘检测算法所得最终边缘图,对于(b)图有959个点,对于(e)图有1 012个点。利用彩色Canny边缘检测算法所得边缘图,对于(c)图962个点,对于(f)图有1 147个点。比较(a)的两幅边缘检测图像,在左上角树叶有分层的地方,彩色Canny边缘检测检测出了分层的轮廓,而灰度Canny边缘检测对彩色信息区分能力较差。比较(d)的两幅边缘检测图像,彩色Canny边缘检测检测出的轮廓细节较丰富。

3 总结

在边缘检测算法中,Canny算法被公认为是一个标准算法,彩色边缘检测算法尽量向Canny提出的3个准则靠近,利用Gaussian模板进行检测,对梯度图像进行非极大值抑制,采用高低阈值连接强弱边缘,是一种很有效的彩色边缘检测算法。

参考文献

[1]Gonzalez R C.Woods R E.数字图像处理.阮秋琦,译.北京:电子工业出版社,2005

[2]万力,易昂,傅明.一种基于Canny算法的边缘提取改善方法.计算机技术与自动化,2003;22(1):24—26

[3]李宏贵.一种改进的梯度算子.中国图像图形学报,2003;8(3):253—255

[4]林卉,赵长胜,舒宁.基于Canny算子的边缘检测及评价.黑龙江工程学院学报,2003;17(2):3—6

空间图像篇7

关键词：图像着色,梯度,优化,伪彩色,色彩空间

0 引言

图像的着色技术是对灰度图像或黑白电影增加色彩。它是在1970年由Wilson Markle提出的,最早用于对阿波罗计划中拍到的月球照片的着色[1]。现在该技术主要应用在影视娱乐中对黑白老照片或早期黑白电影的着色,有时也用在彩色图像编辑(局部色彩变化)或图像压缩方面。而且由于人眼对彩色图像的分辨率要高于灰度图像,该技术也经常用于对各类科学图像如:核磁共振图像[2]、声呐成像[3]等的图像增强处理。

迄今为止,已有不少文献对图像的着色技术进行了研究。传统的着色技术一般称之为伪彩色(pseudo color)技术。伪彩色处理的基本思想是采用某种映射关系,将像素灰度值映射到色彩值,具体可以用以下公式表示

[r,g,b] = [fr(y),fg(y),fb(y)] (1)

式中:y表示某像素点的亮度值;(r,g,b)表示通过映射关系该亮度值所对应的色彩值;fr,fg,fb分别表示由亮度值到对应的红、绿、蓝三分量的映射函数。

近年来发展起来着色技术主要分为基于色彩传递的方法和基于优化的方法这两大类。在基于色彩传递的方法中,用户需要额外提供一幅与即将着色的灰度图像比较相似的彩色图像。该方法一般采用灰度图像的局部纹理信息,在彩色图像上搜索相似的区域,然后将该区域对应的色彩值传递到灰度图像上,完成对灰度图像的着色。该算法最早是由Welsh等人[4]提出的,其借鉴了Hertzmann 等人[5]图像类比的理念以及Reinhard等人[6]提出的在不同风格的彩色图像间进行色彩传递的技术。其后Blasi等人[7]改进了该算法,有效地加速了匹配的搜索过程。在Wang[8]等人的工作中,又通过使用用户定义的色彩变化曲线,提出了针对图像序列的色彩传递技术。整体而言,该算法适合对纹理丰富且色彩多变的图像着色。但是,由于纹理匹配的复杂性,算法自动搜索的准确度难以控制,这就需要人为地在灰度图像和选择的彩色图像间指定对应的窗口,增加了用户的工作量。

在基于优化的方法中,一般需要在即将着色的灰度图像上预先指定某些点的色彩值,以之为初值进行优化处理[9,10,11,12]。本文采用的方法即属于该类。其中经典的算法是Levin等人[10]提出的,其主要通过假设在局部时空邻域内亮度相似的像素点的色彩值也相似,构造相应的代价函数,通过优化求解该代价函数完成图像或视频的着色。还有一些人从其他角度提出了相应的优化着色算法。如:Horiuchi等人[1]通过定义像素点与其邻域间的RGB差异距离,采用松弛算法的计算,使所有像素的差异距离累加和最小; Noda等人[12]采用对彩色图像做马尔科夫随机场建模,通过贝叶斯后验概率最优化估计灰度图像对应的色彩值。李志永等人提出像素不平度描述连接两像素的最平坦路径的坎坷度,并以此利用动态规划算法,确定最佳的像素着色颜色,并进行颜色混合。

本文主要利用图像色彩在局部邻域窗口内连续平滑变化的特点,假设着色后的图像在色度空间内的总梯度和最小。若用户事先已经在灰度图像上指定一些像素点的色彩值,则通过简单的优化处理,就可以完成图像的着色问题。该算法简单方便,易于实现。实验结果显示利用本文算法着色后的图像与原始彩色图像对比,在仅有0.1%像素的色彩已知的情况下,其平均峰值信噪比已经在26 dB以上。而且通过与Horiuchi等人[1]算法处理结果的比较,可知本文算法需要指定色彩的像素点较少,着色图像的峰值信噪比较高。

色彩空间在数字图像处理中,存在多种类型的色彩空间。通常最为常用的是RGB色彩空间,即其中的每个像素都由红(R)、绿(G)、蓝(B)三基色分量表示。但是灰度图像中只有亮度分量,为了着色处理的方便,本文采用先在YUV色彩空间下,计算U,V空间内待定的色彩值,然后再将YUV色彩空间转变到RGB色彩空间。一般RGB到YUV的变换关系以及其逆转换关系可分别由式(2)和(3)所示

undefined

由以上公式可知,从灰度图像中某个像素的灰度值其对应的色彩值恰好位于RGB空间内由该灰度值所确定的某个平面片上,该平面片的方程为

0.299R + 0.587G + 0.144B-Y = 0 (4)

式中:Y 为该像素的亮度值;R,G,B为其对应的色彩分量值,且R,G,B∈[0,255]。

3 着色问题的优化求解

从色度空间的分析可知,灰度图像的着色问题其实是个欠约束的问题。所以通常情况下,求解该问题都需要引入一些相对合理的假设条件。如:Welsh等人[4]假设源图像和目标图像间纹理相似的区域其色彩值也相似;Levin等人[10]假设在某个像素点的邻域内亮度相似的像素其色彩值也相似。本文是从图像梯度域考虑该问题,假设待定的色彩值在保持亮度约束的条件下,使得图像在U,V空间内对应的色度变化最小。也就是说,使着色后的图像在U,V空间内尽可能地平滑。可由如下方程表示

undefined

式中:undefined为图像的梯度算子;Q是所有颜色值待定的像素点的集合;U,V分别表示这些像素在U,V空间内对应的色度值。

由Euler-Lagrange方程可知,可以通过解如下方程得到式(5)～(6)的优化解

ΔU=0 (7)

ΔV=0 (8)

式中:Δ为图像的拉普拉斯梯度算子。

通常在离散情况下,在四邻域和八邻域下计算图像的拉普拉斯梯度的模板如图1所示。考虑到引入较多邻域点的情况下可能造成着色图像的色度分量过度平滑,本文采用四领域的模版。实验结果也证实采用四邻域下计算的着色图像,其平均峰值信噪比要略高于八邻域下的计算所得,如图2所示。

具体的求解过程如下:

若灰度图像除了给定色度值的像素点外,还有N个像素点的色度未知。假设其中第i个像素点在U空间对应的色度分量值为ui,则所有这些待定的色度值构成N×1维列矢量U。

若第 i个像素点的邻域各像素点的色度值均未知,且其在列矢量U中对应的索引分别为k,r,s,t,则

uk+ur+us+ut-4ui=0 (9)

若已知其四邻域内像素点k的色度值为uk0,则

ur+us+ut-4ui=-uk0 (10)

以此类推,最后联立这N个色度值未知的像素点所构成的方程,有

AU=b (11)

式中:A 是相应的系数矩阵,它是一个N×N维的稀疏矩阵,其第i 行元素只在第i 列以及其四邻域内色度值未知点处有值,其他元素值均未零;b 是一个N×1维列矢量,由N个方程的右端相联立而成。

由以上分析可知,det A≠0。根据Cramer法则,矩阵方程(11)有一组唯一的解。求解矩阵方程,即可得到所有色彩值未知的像素点在U空间内的估计值。同理,可以得到V空间内的估计值。

最后,通过YUV色彩空间到RGB色彩空间变换,即可得到对原灰度图像着色后的彩色图像。

3 结果分析

本文的算法需要预先指定一些像素点的色彩值为初始值,实际应用中可以由用户指定,然后利用本文算法估计着色后的图像,效果如图3所示。

在实验过程中为了单纯地检测算法的精度,以一些彩色图像作为测试图像,从这些原始的彩色图像中均匀地采样一些像素点,以其色彩值作为已知值。采样像素点的个数与图像中总像素点的比值称之为采样率。而且,为了客观地衡量着色后的图像与原始图像间的误差,实验采用了峰值信噪比PSNR的这一指标。令

undefined

则

PSNR=10lg(2552/σundefined) (13)

式中,m,n分别为图像的高度和宽度;x(i,j)为原始图像在(i,j)处的色彩值;undefined为着色后图像在(i,j)处的色彩值。

实验中各类图像在不同采样率时,其平均峰值信噪比的变化曲线如图2所示。当采样率越高,也即颜色已知的像素点数越多,着色的效果越好,但即使在采样率为0.1%时本文算法的平均峰值信噪比也在26 dB以上。

为了便于与其他算法比较结果,实验中采用SIDBA标准图像库中的图像作测试,其中各图的峰值信噪比随采样率的变化曲线如图4所示。其中采样率较低时,着色图像的PSNR有些波动,这主要由于均匀采样时,在不同采样率下,各采样点的位置不同。而当采样点很少时,该因素就显得相当突出,从而影响了最后的着色效果。比较Horiuchi等人[1]的结果:其算法在采样率为1%～7%时,Lena的峰值信噪比为20～28 dB,Milkdrop的峰值信噪比为20～27 dB。而本文的算法在采样率为1%～7%时,Lena的峰值信噪比为29～34 dB;Milkdrop的峰值信噪比为26～31 dB。

图5给出了本文着色算法在采样率1%及0.5%下,从原始灰度图像计算得到的R,G,B三分量图和原始彩色图像的R,G,B三分量图之间的比较,从中可以清楚地看到本文算法可以达到较好的着色效果。表1具体显示了本文着色算法计算的图像各个像素点处R,G,B三分量值和原始图像的R,G,B三分量值之间的平均相对误差。

4 结束语

图像的着色问题在改善图像的人眼分辨率和提高图像画面的美观程度,以及彩色图像压缩等方面都有广泛的使用。由于图像的着色问题实质上是由单独的亮度分量去确定合适的RGB三色分量,这是一个欠约束的问题。本文利用图像各分量在邻域内的渐变性,假设待定的色彩值使得图像在各色度分量内的全局变化最小,从而引入解决着色问题的优化方程。最后,保持图像亮度分量不变,通过色彩空间变换,就可以得到着色好的彩色图像。

空间图像篇8

位图文件 (Bitmap-File, BMP) 格式是Windows采用的图像文件存储格式, 在Windows环境下运行的所有图像处理软件都支持这种格式。Windows 3.0以前的BMP位图文件格式与显示设备有关, 因此把它称为设备相关位图 (devicedependent bitmap, DDB) 文件格式。Windows 3.0以后的BMP位图文件格式与显示设备无关, 因此把这种BMP位图文件格式称为设备无关位图 (device-independent bitmap, DIB) 格式, 目的是为了让Windows能够在任何类型的显示设备上显示BMP位图文件。BMP位图文件默认的文件扩展名是BMP或者bmp。

由于进行图像处理时多采用对BMP进行处理, 因此需要熟悉BMP图像的内部结构, 本文就着重介绍其结构, 并根据它的结构进行一些简单的图像处理。

1 BMP图像的格式[1,2]

位图文件可看成由4个部分组成:位图文件头 (bitmap-file header) 、位图信息头 (bitmapinformation header) 、调色板信息 (color table) 和位图数据。为了表示这些信息的方便我们把这几部分分别采用结构体的形式来定义。具体信息如表1所示。

1.1 位图文件头

位图文件头包含有关于文件类型、文件大小、存放位置等信息, 在Windows 3.0以上版本的位图文件中用BITMAPFILEHEADER结构来定义:

typedef struct tag BITMAPFILEHEADER{

UINT bf Type;//表示图片的格式, 这里应该是"BM", 2个字节

DWORD bf Size;//表示图片的大小, 用字节表示, 4个字节

UINT bf Reserved1;//保留位, 不被使用, 设置为0, 2个字节

UINT bf Reserved2;//保留位, 不被使用设置为0, 2个字节

DWORD bf Off Bits;//说明从BITMAPFILEH EADER结构开始到实际的图像数据之间

17//的字节偏移量, 4个字节

}BITMAPFILEHEADER;

本文用c语言中的文件操作函数 (fopen, fread, fwrite等) 以字节为单位读取位图文件头 (以10进制表示) 。结果如下:

其中66, 77表示图片的格式, 变为16进制是424D, 就是“BM”;130 107 1 0表示图片的大小, 由于Windows的存储习惯是从低位向高位存, 所以图片大小应是0, 1, 107, 130, 变成16进制就是016B82, 也就是说图片大小是93058字节;0 0 0 0是两个保留位。54 4 0 0表示地址偏移量, 也就是0 0 4 54, 转为16进制是00436, 就是1078字节, 这就是说文件从开头到图像数据之间有1078个字节。

1.2 位图信息头

位图信息头 (BITMAPINFOHEADER) 结构包含有位图文件的大小、压缩类型和颜色格式, 其结构定义为:

typedef struct tagBITMAPINFOHEADER{

DWORD biSize;//说明BITMAPINFOHEAD-ER结构所需要的字节数

LONG biWidth;//位图文件的宽度

LONG biHeight;//位图文件的高度

WORD biPlanes;//表示最终观察位图图像的目标显示设备的位数, 通常它不起作

//用, 但确是Microsoft所需要的

WORD biBitCount;//定义了位图每象素颜色的位数, 它可为1、4、8或24, 在

//win2k以后还支持32位的, 比24位的增加了一个透明度字//节。

DWORD bi Compression;//标示位图是否压缩。

DWORD biSizeImage;//位图大小的字节数。 (与前面的文件大小不同)

LONG bi XPels Per Meter;//图像x方向的分辨率

LONG biYPelsPerMeter;//图像y方向的分辨率

DWORD biClrUsed;//图像所使用的颜色数, 如果不用就置0, 表示所有颜

//色都用到, 如果位图被压缩, 则必须置0;

DWORD bi Clr Important;//图像中重要的颜色数, 通常置为0

}BITMAPINFOHEADER;

本文同样可以采用c语言中的文件操作函数来读取位图的信息头, 结果如下:

从上面的结果我们看到, 位图信息头共40个字节, 位图的宽为33 1 0 0, 即为289, 位图高为59 1 0 0, 即为315。位图每象素颜色的位数8, 说明是256色的图像。其他信息本文就不赘述了。

1.3 调色板信息

并不是所有的位图文件都有调色板, 其中24位和32位的位图是没有调色板的, 因为它们的数据部分是以RGB的形式来存储的。1、4、8位的位图都是有调色板的, 这些位图的数据部分存储的是调色板中个颜色的索引号。这些调色板的结构如下:

Typedef struct tag RGBQUAD{

BYTE rgbBlue;//颜色的蓝色分量

BYTE rgbGreen;//颜色的绿色分量

BYTE rgbRed;//颜色的红色分量

BYTE rgbReserved;//保留位, 为0

}RGBQUAD;

需要注意的是, 这个结构体不是按RGB的结构来定义的, 而是BGR, 这是因为微软的存储习惯问题。存储器中就是以这样的顺序来存储颜色的。

由于位图每象素颜色的位数不同调色板的大小就不同, 本文就以8位的位图为例。8位位图的颜色数为2=256色。又由调色板的结构可知道, 每个颜色占4个字节, 所以8位位图的调色板信息共1024个字节。

1.4 位图的数据

BMP文件中位图的数据是以连续行的形式存储的, 并且是以相反的顺序存储, 即文件读出的第一行是图像的最后一行。图像数据是从左下角到右上角顺序存储的。这和我们通常所习惯的xy坐标是一致的, 即x坐标向右, y坐标向上。采用API函数来进行处理BMP文件时是不需要关心象素顺序的, 只有当自己对图像进行处理的时候才会用到。关于位图数据需要分两种情况来讨论:

(1) 1、4、8位位图。这三种位图都有自己的调色板信息, 所以它们的数据部分存储的都是调色板中颜色的索引号。比如说8位位图它共有256种颜色, 索引号在0到255之间, 所以我们可以用一个字节来表示这个索引号 (也就是图像的数据) 。由于BMP格式中规定每行的字节数必须是4的整数倍。所以如果某图片的行字节数不是4的倍数, 就应当用0来补齐。

(2) 24、32位位图。这两种位图不需要调色板信息, 它们的数据部分包含了RGB的值。24位的位图每个像素点的数据为BGR。而32位的位图每个像素点的数据为BGRT, 最后的T是表示透明度。如果图片的行字节数不是4的倍数, 也应当用0来补齐。

2 图像的空间域处理

有了上面的信息就可对BMP图片进行处理了, 由于空间域的变换原理都差不多 (基本上都是先把图像的数据部分放到一个距阵中, 然后对其进行相应的变换) , 所以本文就以256色图变灰度图和高低通滤波为例进行介绍。

(1) 8位位图转灰度图。8位位图与灰度图的不同在于调色板的不同, 8位的位图调色板中256种颜色因图的不同而不同。但灰度图的调色板中是固定的256种颜色, 即:1 1 1 0, 2 2 2 0, 33 3 0, …255 255 255 0。所以转灰度图时只需要改变调色板就可以了。

(2) 高低通滤波。高低通滤波的处理原理类似, 都是先选定模板, 然后用模板对图像中每个数据都进行处理。在进行处理之前还要先将图像数据矩阵四周各补一行 (列) 。本文高通滤波采用的模板是{-1, -1, -1, -1, 9, -1, -1, -1, -1}, 低通滤波采用的模板是{1/9, 1/9, 1/9, 1/9, 1/9, 1/9, 1/9, 1/9, 1/9}。本文采用MFC来实现的灰度图转换和高低通滤波, 在读取图片数据的时候采用的是本文第二部分的内容来进行的 (未采用CDib类) 。其效果图如图1所示, 其中第一幅图是原图变换后的灰度图, 第二幅是低通后的灰度图, 第三幅是高通后的灰度图。

从图1可以看出, 低通滤波通过将图片中的高频部分滤除, 使图像的精细结构消失, 黑白突变处变模糊, 高通滤波是通过将图片中的低频部分滤除, 增强其高频分量, 使图像的边缘变得清晰, 图像变的尖锐化。

3 结语

本文通过解析BMP图像存储的格式, 对图片进行了一些空间域的变换, 并在MFC中得到了验证。利用本文介绍的方法, 不仅可以完成空间域的变换, 还可以完成频率域的变换。

参考文献

[1]潭浩强.C程序设计[M].北京:清华大学出版社, 2000.

空间图像篇9

数字图像处理是指将图像信号转换成数字信号并利用计算机对其进行处理的过程, 作为一门学科大约形成于20世纪60年代初期。随着信息技术和计算机技术的飞速发展, 数字图像处理学科在快速发展的同时, 其应用领域也将随之不断扩大。采用MATLAB软件进行数字图像分析与处理, 具有高效、可视化效果好的特点。本文通过MATLAB程序设计, 利用MATLAB图像处理工具箱, 将RGB空间图像转换到其他色彩空间, 使其具有更好的识别效果。

2 常见色彩空间

为了用计算机来表示和处理颜色必须采用定量的方法来描述颜色, 即建立颜色模型来支持数字图像的生成、储存、处理及显示。

(1) RGB色彩空间。RGB颜色空间是数字图像处理中最基础的颜色模型, 建立依据是人的眼睛有红、绿、蓝三种色感细胞, 它们的最大感光灵敏度分别落在红色、蓝色和绿色区域, 其合成的光谱响应就是视觉曲线, 由此推出任何彩色都可以用红、绿、蓝三种基色来配置。RGB彩色系统构成了一个三维的彩色空间 (R, G, B) 坐标系中的一个立方体。R、G、B是彩色空间的三个坐标轴, 每个坐标都量化为0~255。0对应最暗, 255对应最亮。

(2) HSV色彩空间。HSV色彩空间的模型对应于圆柱坐标系中的一个圆锥形子集。色彩H由绕V轴的旋转角给定。红色对应于角度0º, 绿色对应于角度120º, 蓝色对应于角度240º。在HSV颜色模型中, 每一种颜色和它的补色相差180º。饱和度S取值为0~1。

颜色从RGB到HSV的转换为非线性变换, h, s, v三个参量的转换关系如下公式所示, 式中, r, g, b分别为图像的三基色的灰度值;h, s, v分别为图像的色度、饱和度和亮度。

(3) HSI色彩空间。HSI颜色空间从人的视觉系统出发, 用色调 (Hue) 、色饱和度 (Saturation) 和亮度 (Intensity) 来描述色彩。HSI颜色空间可以用一个圆锥模型来描述。

RGB色彩空间和HSI色彩空间可以相互转换。假设R、G、B分别代表RGB颜色空间的三个分量, HIS空间的三个分量H、S、I的计算公式如下所示, 其中。

3 色彩空间的转换实例

(1) RGB空间转换到HSV空间。MATLAB的图像处理工具箱提供了将真彩图像RGB转换为HSV色彩空间的函数, 其调用格式为:HSV=rgb2hsv (RGB) , 将图1所示图像转换到HSV色彩空间的对比效果如图2所示。由于HSV模型可以只用反映色彩本质特性的色度、饱和度来进行各种颜色的聚类, 将亮度信息和灰度信息从色彩中提取出来, 从而去掉光照的影响, 将颜色和亮度分开处理, 因此它比RGB具有更好的识别效果。

(2) RGB空间转换到HSI空间。MATLAB函数程序为function hsi=rgb2hsi (rgb) 。将图1由RGB色彩空间转换到HSI色彩空间的对比情况如图3所示。人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度, 因此HSI颜色空间比RGB颜色空间更符合人的视觉特性。

4 总结

本文的重点是介绍基于MATLAB的数字图像色彩空间变换方法与原理。通过色彩空间变换将图像从RGB空间转换到HSV空间, 由于HSV空间将颜色和亮度分开处理, 因此具有更好的识别效果。将图像从RGB空间转换到HSI空间, 由于人的视觉对亮度的敏感程度远强于对颜色浓淡的敏感程度, 因此HSI颜色空间比RGB颜色空间更符合人的视觉特性。

参考文献

[1]刘榴娣, 刘明奇, 党长民.实用数字图像处理[M].北京:北京理工大学出版社, 1998:1-9.

[2]罗建军, 杨琦.MATLAB教程[M].北京:电子工业出版社, 2006:45-62.

空间图像篇10

1. 双波段图像型火灾监控系统的构成

双波段图像型的火灾监控系统组成结构在整个系统之中主要分成了4部分。此系统是利用一种带有红外滤镜的CCD类型摄像机与普通的彩色CCD摄像机，经过视频所采集到的卡将会被监视现场存在的一些彩色图像与红外传输到计算机之中，之后再对图像处理的算法加以利用，从图像序列和担负图像之中对有没有火灾的发生进行识别。如果一旦发现了火灾，系统就会自动地计算出火灾空间的位置，同时将报警灭火的联动模块启动。

在系统软件的部分可以应用C++的语言编辑程序来实现，在这里的系统一共能够分成6个层次，包含硬件的接口层、图像的预处理层、火灾判断与数据融合层、特征提取层、联动模块的控制层以及火灾空间的定位层。

2. 在常规火焰的探测中存在的问题

在普通建筑中，一般利用在顶棚来安装感温与感烟型的火灾探测设备，它的高度一般会在6米以下，并使火灾的烟气迅速达到顶棚，并且沿着顶棚逐渐延伸。在一些大型的建筑之中，因为火灾所燃烧生成的一些产物，在空间上传播的时候会受到面积与高度影响，一般当火灾发展成一定程度的时候，探测器才可以感受得到，因此很难实现对火灾的早期防御工作。现在火灾探测的技术在一定情况下很难发挥出有效的作用，很多问题需要重新进行有效性确认和研究。

2.1

如果火灾发生在恶劣的环境下或者发生时有很多干扰的因素, 例如灰尘、水蒸气、电磁、空调等, 利用现有的火灾探测方法就很难发挥正常效用, 甚至是发生火灾误报的现象。

2.2 一旦烟气进入较大的空间，就会发生蔓延现象，对大型建筑的各个区域造成很严重的影响。

一旦大型建筑之中的火灾烟气逐渐上升于十多米高度的时候，因为遭受空气稀释，它的温度以及浓度就会降低很大一部分，致使传感器不会及时收到感应，很难实现对于早期火灾的报警功能。

3. 数字化处理红外图像

对于火羽流、阴燃与火焰产生的一些红外的辐射主要会集中于950纳米到2000纳米这一个波段之间，在系统之中应用带红外线滤镜CCD的摄像机，并且将其设置成波长只允许850纳米以上的波经过。因为火羽和阴燃产生红外的辐射在形状与动态的特征方面和火焰有些相似，有利于观察，故将火焰红色的图像当作具体需要探测的对象。在探测的过程之中，主要分为三个阶段，这三个阶段主要包括：图像预处理和获取的阶段、特征提取的阶段、火灾判断阶段。

3.1 获取与预处理红外图像

对于红外图像的获取以及预处理的过程主要是捕捉烟头、油盘头、木材、蜡烛等一些燃烧场景之中红外的图像。在一般的情况之下，现场内可能会存有大量的容易排除的稳定的光源干扰，对这些干扰来说，不必要进行很复杂的图像判断与处理。在实践的序列之中2帧的图像相减，就能实现对于运动的检测。所以，需要先对相邻的图像进行有效减运算，之后检查两幅图像之间有没有变化发生，其计算的公式主要是：

在这个式子之中，其中Pj-i (x, y)与Pi (x, y)主要表示用在比较的2帧图，其中△Pi (x, y)主要表示2帧图像在作减运算之后的结构。如果将阈值设定为ε，那么当△Pi (x, y)的绝对值小于等于ε的时候，就表示图像之间并没有很明显的变化;但是当它的绝对值比ε大的时候，那就表明了图像之中存有一些可疑的信息。

对于这些存在的问题可以通过信息图像来进行有效二值化的处理，将灰度值在0与g之间的像素图像的灰度设置成255，阈值选取利用Otsu的方法。这个算法现在已经比较成熟了，其计算量与气压计算方法相比来说是比较小的，它被认为是自动选取阈值最优的方案。

一旦二值化之后得出图像，应用四邻域的搜索方法来对图元区进行分割的时候。分割之后图元的区域就会成为之后图像处理的过程、火灾辨识的过程及特征提取的过程基本的单位。

在大部分的图像类型火灾识别系统中，主要先对火灾的图像进行有效的平滑去噪处理。可以首先进行图元的分割，之后再对每个图元进行平滑处理，避免大量的无用计算，使得图像的处理效率提高上来。

其中所提取边缘能够看出，应用拉普拉斯的模板进行处理之后的图像，出现了通路、闭合轮廓，而且将所有内部点消除了，也就是说将它们灰度值调整成0。

为了能够将图像之中所分割的信息更好地紧凑起来，依照图元的边界联通这一个事实，对于各个图元的边界链码进行提取。对边界链码一般只是需要起始的一个坐标以及每个点3bit的信息，这样就会节省出很多用来存储的空间，并对于圆形度与火焰尖角的计算上的特征发挥着重要的作用。

3.2 对于特征的提取

依照火灾之中火焰的特点提取的可能性，选择下面的四个特征作为火灾判别的根据。

(1)面积的变化

将连续的两幅图像各图元的两点个数进行检查，并判别可以区域之内的面积有无增大的趋势。

(2)圆形度

它能够衡量物体的规则与形状程度。对于火灾之中火焰不规则形状，大部分的干扰源的形状规则的程度比较高，常用的就是圆形度周长面积与平方比。

(3)边缘的特征

由于火焰区域之内，在边缘上形成的一些火焰尖角顶点属于尖角的特征点。一般火焰尖角比较狭长，这点要求可经过对p (n)/p (n-1)数值的控制来有效实现。

(4)形体的变化

对于火灾的火焰来说，应该有着比较明显抖动的现象，即相邻的图像形体需要有着明显变化。这一特征一般可通过在前后两幅图像中对于各个对应的图元相识度来进行衡量。

3.3 对火灾的判别

依照提取出各个图元在实践与空间上的特征来进行判别，这需要建立一个判断的规则。最初，需要对于圆形度来有效判断。火羽流和阴燃等一些早期火灾外形都很不规则，然而大部分的干扰源的轮廓却是比较的规则。所以，进行一个阈值Co的设定，当Co大于Ck的时候，就认为此图元轮廓规则，将火灾火焰可能性排除。当Co小于等于Ck的时候，就认为图元轮廓不规则。

对面积变化内特征进行判断的时候，要应用3帧图像来形成一个组别，并将连续取得10个组别中的图像来作为有效判断单位。火焰的面积变化应该不断的增大，但是考虑有一些外界的因素影响的情况下，也可能会减小。进行阈值Ro的确定，这10组图像之中，一旦某一图元的面积增大情况占的比例比Ro要大，就此证明图元面积逐渐提高，对早期火焰在面积上的变化有一定的满足。

经过计算得知火灾火焰尖角的数目会随着时间的变化呈现出不规则的变化，所以，依照单幅图像尖角的数目来进行判断是不充分的。因而需要取得各个图像第一帧，再对于一个判断的单位中得到10组的火焰尖角数量，并取得其平均数值。

4. 结语

【空间图像】推荐阅读：

散焦图像空间06-02

手绘线条图像—物像空间的表达教案12-28

ps图像图像处理试题11-30

摄影图像07-16

扫描图像07-19

符号图像07-20

图像研究07-21

细胞图像10-13

图像语言10-16