基于彩色空间的二维OSTU的图像分割算法

蔡燕伟，崔红霞

（渤海大学 信息科学与技术学院，辽宁 锦州 121013）

图像处理应用广泛，其中图像分割是图像分析和模式识别的经典问题，图像分割是图像处理和前期视觉中的基本技术，是大多数图像分析和视觉系统的重要组成。图像分割是应用一种或者多种运算将图像分成一些具有类似特性如：颜色、纹理、密度等的[1]，主要有阀值方法（thresholding）和区域方法两大类。前者利用灰度频率对分布信息进行分割，一般可分为直方图法、最大类间方差法、最小误差和均匀误差法、简单统计法、概率分布松弛法、FCM（fuzzy-means）模糊聚类算法、马尔可夫随机场法、神经网络方法等10种[2-3]。后者利用局部空间信息进行分割，将具有相似特性的像素集合起来构成区域，主要有区域生长法（region growing）和分裂合并（split-and-merge）法。随着计算机处理技术的提高，人们越来越关注彩色图像的分割，过去通常处理彩色图像时是把彩色图像转化成灰度图像进行处理，所以人们在对灰度图像分割提出很多好的方法，但是这些方法不能直接用于对彩色图像的处理，为此一些专门用于彩色图像的方法被提出，目前彩色图像的分割方法有：模糊类方法、特征空间聚类法、边缘检测等[4]。

文中是针对复杂背景下且颜色特征明显的应用领域，如复杂背景树木的分割、医学图像等，提出了一种基于Lab和二维OSTU的彩色图像快速分割算法。该算法首先将彩色图像从RGB色彩空间转换到Lab空间，然后联合利用L通道、a通道、b通道图像信息进行二维OSTU分割。试验表明基于Lab和二维OSTU的算法，取得较好的图像分割效果。

1 色彩空间的选择

不同的色彩空间有各自的应用领域和产生背景。对于一幅彩色图像的分割，彩色空间的选取尤为重要，它对分割的结果起到决定性的作用。目前彩色数字图像的格式为RGB，RGB是最基本的色彩空间，而我们常用到的色彩空间包括Lab空间、RGB空间、HIS 空间[5-8]。但是RGB色彩空间的缺点：它是一个不均匀的视知觉空间，不利于颜色图像的分割。而HIS空间虽然符合人眼对颜色的描述方式，但视觉所感受的颜色和它所表示的颜色有些不一致。Lab空间不但可以表示视觉所感受的颜色，而且适用于物体颜色的计算，因此我们常用它分析彩色图像。

1.1 Lab颜色空间

Lab色彩模型是由亮度（L）和有关色彩的a, b 3个要素组成。L表示亮度（Luminosity），a表示从洋红色至绿色的范围，b表示从黄色至蓝色的范围。L的值域由0到100，L=50时，就相当于50%的黑；a和b的值域都是由+127至-128，其中+127 a就是洋红色，渐渐过渡到-128 a的时候就变成绿色；同样原理，+127 b是黄色，-128 b是蓝色。所有的颜色就以这三个值交互变化所组成。例如，一块色彩的Lab值是L =100，a = 30, b = 0, 这块色彩就是粉红色。

1.2 Lab色彩分通道法实现的原理

将彩色图像在色彩空间中按色彩空间分量分解为多个单通道图像。在彩色图像分割的过程中可以选择LAB、HIS、RGB等彩色空间。灰度图像可以用来描述分解的单通道图像信息。当原始图像变换到彩色图像空间之后，把LAB空间的3个通道分离出来，成为互不联系的灰度图，等待进一步的分割。

2 二维OTSU自动阀值分割

分离得到的通道图像为单色图像，用灰度图像来表示单通道图像的信息，所以我们可以用灰度图像的分割来代替彩色图像的分割。灰度图像分割方法很多，本文采用二维OSTU自动阀值分割法[9-10]，因为该方法不仅计算简单，还考虑像素点和其邻域相关信息。设图像的灰度级分为L级，那么像素的邻域平均灰度也分为L级。计算每个像素点的灰度和其邻域的灰度，由此可以形成一个二元组，我们记为（i,j）,出现的次数记为f,则相对应的联合概率密度为：p=f/N,(i,j=1,2,3,…,L,N 为图像的像素点数)，并且p=1[11-12]

二维OSTU中，利用二维直方图中任意阈值矢量（s, t）对图像进行分割，可将图像分成目标和背景两类区域，分别记为C0和C1则这两类的先验概率分别为目标和背景对应的均值矢量分别为

3 基于彩色空间的二维OSTU的图像分割

为进一步降低图像分割方案的时间复杂度和提高抗噪能力，本文以OSTU理论为基础，提出一种基于颜色和二维OSTU图像分割算法，该算法首先根据图像的颜色特征进行图像分割，然后根据二维OSTU方法在进行分割。

基于颜色和灰度的图像分割步骤如下：

步骤1 选几幅自然场景下的彩色图片。

步骤2 图像预处理。自然场景下拍摄图像具有普遍的噪音，用变参数各项异性方法对自然背景下的图像去噪。

步骤3 RGB空间到Lab空间的转换。一般图像为RGB格式，因此需要按照公式从RGB空间转换到Lab空间，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

步骤4提取Lab空间中三个通道信息。将彩色图像在色彩空间中按色彩空间分量分解成多个单通道图像，分解出来的单通道图像用灰度图像进行描述。

步骤5 基于通道的OSTU算法。根据分离出L通道、a通道、b通道的图像信息，按照实际需要进行二维OSTU图像分割。

步骤 6 数学形态学的修整。对分割后的图像进行膨胀运算、腐蚀运算、开运算或者闭运算进行图像调整，得到最后的目标图像。

4 试验与仿真

为了验证本文算法的有效性，进行了仿真试验，仿真试验是在MATLAB7.0环境下进行。选取了40幅自然背景下拍摄的树木图像，分别用本文基于颜色的二维OSTU算法、二维OSTU算法提出的快速算法进行分割处理。试验开始时首先对原始图像进行色彩空间的转换，然后选择合适的通道图像信息，本试验选择a 通道图像信息进行二维OSTU分割，从表1给出二维OSTU算法和本文的算法运行时间比较，从仿真结果可以看出，本算法的运行时间比较快，准确率也比较高，原因在于背景区域搜索空间，通过通道的分离后只需考虑，单通道的图像空间信息，可得到比较理想的效果，算法简单快捷。从图1中可以看出，本算法能够很好抑制目标和背景处大部分噪声。

5 结束语

图1 图像分割结果Fig. 1 Image segmentation results

表1 不同算法运算时间Tab.1 Time of Different computing algorithms

从分割图像自身特点出发,本文针对颜色特征明显且符合人类视觉特点的应用领域，如车牌识别、医学图像等，本文算法在二维OSTU算法的基础上进行改进，把颜色空间和二维OTSU图像分割算法结合起来。该算法首先采用彩色空间的转换初步提取图像目标区域,并根据目标区域对图像进行二维OTSU图像进行分割。试验仿真结果表明基于颜色的二维图像分割算法不但取得较好图像分割效果，而且减小了计算的运算量和运行时间。

[1] 宋世军,张之稳,石来德．复杂背景下运动目标的图像分割[M].北京:中国图书出版社,2009.

[2] 王友国 ,刘沁雨. 多阈值系统中高斯混合噪声改善信息的传输[J].计算机技术与发展,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] 范九伦,赵凤. 灰度图像的二维Otsu曲线阀值分割法[J].电子学报,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] 康振环,王化雨.基于二维元胞自动机的图案设计方法研究[J].计算机技术与发展,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] 蔡梅艳，吴庆宪，姜长生．改进Otsu法的目标图像分割[J].电光与控制,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] 刘健庄,灰度图像的二维Otsu自动阈值分割法[D].沈阳:东北大学,2011.

[11] 李孟歆.基于分级神经网络的车牌字符识别算法[D].沈阳:沈阳建筑大学,2009.

[12] 石伟.BP神经网路在车牌识别技术中的应用[D].江苏:南京航空航天大学,2010.