基于视觉感知的彩色图像边缘检测

曹磊+范彩霞

DOI：10.16644/j.cnki.cn33-1094/tp.2016.02.002

摘  要： 边缘检测在数字图像处理中有重要作用。针对RGB颜色空间中基于矢量梯度的边缘检测未考虑人眼的视觉特性的问题，应用感知均匀颜色空间的色差公式，来测试不同均匀颜色空间和不同色差公式的边缘检测性能，提出用于彩色图像边缘检测的有效模式。文章基于Sobel边缘检测算子，在BSDS500数据库中对基于CIELAB颜色空间、S-CIELAB颜色空间和LAB2000HL颜色空间的ΔEab和CIEDE2000色差公式进行测试，并根据人眼的恰可察觉色差，提取物体的边缘进行比较分析。

关键词： 彩色图像; 边缘检测; 感知均匀颜色空间; 色差

中图分类号：TP391.4          文献标志码：A     文章编号：1006-8228（2016）02-04-04

Color image edge detection based on visual perception

Cao Lei1， Fan Caixia2

（1. Xi'an University of Science and Technology College of Computer Science and Technology， Shaanxi， Xi'an 710600， China;

2. Xi'an University of Technology Faculty of printing， packaging engineering and digital media technology）

Abstract： Edge detection plays an important role in digital image processing. Vector gradient edge detection in RGB color space does not account for human visual characteristics， so several color difference equations based on perception uniform color space are applied to test a variety of uniform color spaces and color difference equations， and proposes the most effective model of color edge detection. In this paper， based on Sobel edge detection operator， a set of complex color images in BSR500 dataset are used to test the three color spaces include CIELAB color space， S-CIELAB color space and LAB2000HL color space and two color difference equations ΔEab and CIEDE2000， and according to the just noticeable color difference （JNCD） of eye， the edges of objects are extracted for analyzing and comparing.

Key words： color image; edge detection; perception uniform color space; color difference

0 引言

边缘检测是计算机视觉处理中一项重要的技术，已广泛应用在目标识别、图像分割等方面。彩色图像边缘包含更多的细节信息，检测更为复杂。根据对人类视觉系统的研究，颜色在对物体边界的感知中起着重要的作用。现有的边缘检测方法主要将彩色图像转化为灰度图像以邻域内灰度值突变的点作为边缘，该方法会导致具有同一亮度、不同色相的边缘漏检[1]。

目前，已有很多针对彩色图像的边缘检测方法，如将分数阶微分方法引入到彩色图像边缘检测[2]，利用人类视觉对物体色相的感知，对边缘检测的结果进行修正[3]。随着色度学的发展，基于符合人眼视觉特性的感知均匀颜色空间的色差公式在边缘检测中得到应用，以色差代替亮度差将灰度图像的边缘检测应用到多维图像[1，4]。文献[5]研究了在多个颜色空间中不同边缘检测算子的性能，结论为Sobel算子的性能优于其他算子。但是，上述这些方法未考虑不同的感知均匀颜色空间对边缘检测效果的影响。

针对上述问题，本文基于Sobel边缘检测算子根据人类视觉系统的特点，在CIELAB颜色空间、S-CIELAB颜色空间和LAB2000HL颜色空间中分别采用ΔEab和CIEDE2000色差计算公式代替亮度差进行彩色图像边缘检测，并根据人眼的恰可察觉色差阈值提取目标边缘，并在BSR500数据库中对边缘检测结果进行评价。

1 颜色空间的选择

以RGB颜色描述的彩色图像不能反映人类的视觉感知。诸如边缘检测、图像分割等以视觉感知为基础的图像处理技术应使用符合人眼视觉特性的均匀颜色空间来表征颜色。在这类颜色空间中，相同的视觉间隔应该能够代表相同的颜色差异，即视觉特性可以通过颜色间的欧氏距离反映。多年来，CIE（国际照明委员会） 致力于使颜色的测量和人的颜色知觉尽可能保持一致性的研究。1976年CIE正式推荐均匀颜色空间CIE1976 L*a*b*（CIELAB）颜色空间，该颜色空间大大改善了视觉色差与实际色度值之间的不对称性，为色度描述的大规模工业应用提供了基础。

RGB空间与CIELAB空间的转换步骤如下：

⑴

⑵

其中，X0，Y0，Z0为CIE标准照明体的三刺激值。CIELAB颜色空间中对应的色差公式如式⑶。

⑶

其中，ΔL*、Δa*、Δb*分别表示两个颜色样本的L*、a*和b*之差。

随着科学研究的不断深入，CIELAB颜色空间及其色差公式在应用中的不足逐渐显现。为了改善颜色空间的均匀性，研究者对色差公式的权重函数进行改进，使得色差公式评价与视觉评价具有一致性。在CIELAB色差公式基础之上发展而来的相关色差评价模型有CMC、CIE94、BFD、LCD和CIEDE2000等，CIEDE2000色差公式被认为是最优秀的色差公式得到了广泛的应用[6]，公式如下：

⑷

其中，ΔL、ΔC和ΔH分别为对应的明度差、彩度差和色调差。ΔR其为彩度差和色调差的交叉旋转项。SL、SC和SH分别为明度、彩度和色调的权重函数，KL、KC和KH为相应的参数因子。

为了改善CIELAB颜色空间在色相、彩度和亮度方面的不均匀性，文献[7]在分析了基于感知的图像处理对颜色空间的要求的基础上，通过多网格法对CIELAB颜色空间的亮度通道、饱和度和色调通道进行变换构建颜色查找表，得到各通道间相互独立且满足人眼感知的颜色空间，并通过CIEDE2000色差公式计算色差得到LAB2000HL色差计算方法。

为了模拟人眼对图像各个频率响应的不均匀性，Zhang和Wandell [8]在CIELAB颜色空间的基础上提出S-CIELAB颜色空间。该颜色空间基于人类视觉系统的心理物理学实验结果，将图像中的亮度和颜色进行分离并把空域信息转换到频域空间，对频域信息进行空间滤波以模拟人眼视觉系统的空间混合效果。最后再将滤波后的信息转换到CIELAB颜色空间。在CIELAB颜色空间可以使用相应的色差公式计算色差。

2 基于色差梯度的边缘检测

基于视觉感知的彩色图像边缘检测的流程图如图1所示。首先将RGB彩色图像根据转换公式分别转换到CIELAB、S-CIELAB和LAB2000HL均匀颜色空间，之后在各个颜色空间分别计算像素间的ΔEab色差和ΔE00色差替代灰度图像矢量梯度的计算过程，得到图像的色差梯度图，最后根据人眼的恰可察觉色差提取目标边缘并将色差梯度图进行归一化处理，得到最终的边缘图。

[RGB彩色图像][将图像转换到均匀颜色空间

CIELAB，S-CIELAB，LAB2000HL][计算色差

ΔEab，ΔE00][计算图像梯度][归一化处理][边缘检测结果图]

图1  边缘检测流程图

根据文献[5]的结论，将三个颜色空间下的ΔEab色差和ΔE00色差应用于Sobel算子中，Sobel算子的计算模板如下：

基于该算子的色差梯度图计算公式如下[13]：

其中，cd表示两个像素点在CIELAB、S-CIELAB和LAB2000HL均匀颜色空间的ΔEab色差或ΔE00色差。计算得到以像素点（i，j）为中心的色差梯度值后，本文根据人眼的恰可察觉色差来判断该像素点的色差值是否可见。研究表明，在CIELAB空间中，当两个颜色对的色差值小于3时，人类视觉认为这两个颜色对是相似的[4，9] 。因此，基于人眼感知的目标边缘的判断可根据该像素点色差值的大小进行确定，若两点的色差大于恰可察觉色差，则该色彩梯度值保留，否则为0。边缘检测的最后一步是对边缘检测结果进行归一化，归一化后彩色图像中颜色差异较大的区域有更大的值，相反颜色差异较小的区域有较低的值。归一化的目的是为了在计算得到的图像边缘和基于人眼的感知边缘之间进行评价。

3 实验与结果分析

本文采用文献[10]提供的图像数据集BSDS500数据库对不同的边缘检测结果进行测试。该数据库的目的是为了解决不同算法的比较问题，数据库中包含有原始图像和人类对自然场景的分割和边缘图像（Ground Truth，GT）。如图2、图3所示为在不同颜色空间下采用不同的色差计算公式提取的物体边缘的结果和该图像的GT图。从图中可以看出，基于同一个颜色空间采用ΔE00色差公式替代矢量梯度算子提取的目标边缘比ΔEab色差公式提取的目标边缘更加准确，如图（b）和图（c）、图（d）和图（e）的比较结果，尤其是在矩形框内，ΔE00色差公式提取的边缘图的噪声点较少，对边缘的描述比较精确。这是因为CIEDE2000色差公式包含了对色调、亮度和饱和度等综合色差彩色视觉感受。其对微小色差的评价性能优于CIELAB。

基于三个不同均匀颜色空间的实验结果表明，基于CIELAB颜色空间提取的目标边缘效果较差。S-CIELAB颜色模型由于考虑了人眼在观察图像时的空间混合效应对图像在频率域进行了一定的滤波处理，基于该颜色空间检测的目标边缘定位精度较高，且不受噪声的影响，如场景中人体的下半身边缘检测的结果。而基于LAB2000HL颜色空间提取的目标边缘噪声点更少，提取的边缘结果与Ground Truth最为接近，这是因为LAB2000HL颜色空间不仅改善了CIELAB颜色空间的不均匀性，而且采用ΔE00色差公式。但是，基于LAB2000HL颜色空间检测的边缘存在漏检的问题。总之，针对不同内容的图像不同的颜色空间和色差公式检测的效果各不相同。在BSDS500数据库上的多幅图像的实验结果表明基于S-CIELAB颜色空间的ΔE00色差公式边缘检测效果最优。

4 结论

本文为了测试不同的感知均匀颜色空间和色差公式对彩色图像边缘检测性能的影响，基于Sobel边缘检测算子在CIELAB颜色空间、S-CIELAB颜色空间和LAB2000HL颜色空间中分别采用ΔEab和CIEDE2000色差计算公式代替亮度差进行彩色图像边缘检测。之后，对边缘检测的结果进行归一化且根据人眼的恰可察觉色差阈值提取目标边缘。最后，在BSR500数据库中对边缘检测结果进行评价，并分析了不同颜色空间和不同色差公式边缘检测的特点。实验表明，基于S-CIELAB颜色空间的ΔE00色差公式边缘检测效果最优。

参考文献（References）：

[1] Kim A， Kim H， Park S. Human vision based color edge

detection[C]. In Proceedings of IS&T/SPIE Electronic Imaging，2011：78660I，1-8

[2] 何春，叶永强，姜斌，周鑫.一种基于分数阶次微积分模板的新

型边缘检测方法[J].自动化学报，2012.38（5）：776-787

[3] 雷涛，樊养余，王毅，王小鹏.基于视觉感知模型修正的彩色图

像边缘检测[J].电子学报，2013.41（10）：1903-1910

[4] 杨娴，李勃，丁文，陈启美. 基于局部自适应色差阈值的彩色图

像边缘检测[J].电子与信息学报，2012.34（9）：2058-2063

[5] Wesolkowski S，Jernigan M.E，Robert DD.Comparison of

color image edge detectors in multiple color spaces[C]. In Proceedings of International Conference on Image Processing，2000：796-799

[6] Luo M R， Cui G， Rigg B. The development of the CIE

2000 colour-difference formula： CIEDE2000[J]. Color Research & Application，2001.26（5）：340-350

[7] Lissner I， Urban P. Toward a unified color space for

perception-based image processing[J].IEEE Transactions on Image Processing，2012.21（3）：1153-1168

[8] Zhang X， Wandell B A. A spatial extension of CIELAB for

digital color-image reproduction[J].Journal of the Society for Information Display，1997.5（1）：61-63

[9] Gong Y， Proietti G， Faloutsos C. Image indexing and

retrieval based on human perceptual color clustering[C]. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1998：578-583

[10] Arbelaez  P， . Maire M， Fowlkes C， Malik J. Contour

Detection and Hierarchical Image Segmentation[J].Pattern Analysis and Machine Intelligence，2011.33（5）：898-916