基于HSI空间改进的彩色图像边缘检测方法*

张志宝 孙微涛 罗文峰

(63788部队 渭南 714000)



基于HSI空间改进的彩色图像边缘检测方法*

张志宝 孙微涛 罗文峰

(63788部队 渭南 714000)

为了提取出更加精确的彩色图像边缘信息，基于符合人眼视觉特性的HSI颜色空间，提出了一种改进的彩色图像边缘检测方法。根据分数阶微分G-L定义的差分表达式构造5×5掩模算子，然后提取饱和度和亮度分量的边缘信息，对H分量采用一种新的色差度量方法进行边缘信息的提取，然后将三个分量的边缘信息进行融合，最后通过对融合的边缘信息进行非极大值抑制和阈值选择，得到彩色图像的边缘。实验结果表明：该方法可以充分利用彩色图像的色度、饱和度和亮度信息，能够更完整地提取出彩色图像的边缘信息。

彩色图像; 边缘检测; HSI颜色空间; 分数阶微分

Class Number TP391.4

1 引言

边缘是图像的重要特征，是视觉感知的重要线索，可用于分析和识别数字图像，为图像的识别、恢复、增强、重建等提供了手段[1]。传统的边缘检测方法侧重于灰度图像的边缘检测，但在现实生活中，彩色图像比灰度图像提供了更多的信息。通过灰度图像的检测方法只能检测到彩色图像90%的边缘信息，但仍然有剩下的10%的边缘信息需要利用颜色信息才能得到[2]。因此，利用彩色图像的颜色信息来检测彩色图像中的边缘越来越受到关注。

彩色图像边缘检测算法目前基本都是基于边缘模型的算法，可分为输出融合方法、多维梯度方法和向量方法三类[3]。彩色图像边缘检测不仅与检测方法有关，颜色空间也影响检测结果。现有的算法基本是基于RGB颜色空间，即首先利用灰度图像的边缘检测方法扩展到RGB空间的三个分量上，然后采用一定的融合方法将三个分量的边缘结合起来，得到彩色图像的边缘[4]。由于RGB空间三个分量之间高度相关，是一种不均匀的颜色空间，不能直接从该空间中感知饱和度和亮度等信息，不适合边缘检测任务。为克服这一不足，在彩色图像处理中可使用HSI空间，它更加符合人的视觉特性[5～10]。HSI即色度(Hue)、饱和度(Saturation)和亮度(Intensity)，经过变换后，H、S、I三分量之间的相关性比R、G、B三分量之间要小的多。在彩色图像HSI颜色空间中，彩色图像的边缘是由色度、饱和度和亮度的不连续性造成的，而亮度分量I几乎包含了彩色图像所有边缘信息。近年来，有学者基于HSI空间提出了不同的边缘检测方法，文献[9]提出了一种基于HSI空间的形态学边缘检测算法，但是在边缘信息融合过程中未考虑饱和度和色度之间的相关性。文献[10]基于HSI颜色空间，提出了一种新的边缘检测算法，但是没有充分利用I分量的边缘信息。

本文基于HSI颜色空间提出了一种改进的彩色图像边缘检测方法。对H、S、I分量分别进行边缘检测，并将各个分量的边缘信息进行融合，最终得到彩色图像的边缘信息。实验结果表明，该方法可以充分利用彩色图像的色调、饱和度和亮度信息，能够更完整地提取出彩色图像的边缘信息。

2 分数阶微分算子的构造

分数阶微分是整数阶微分的延伸，是将微分的阶数由整数域扩展到有理分数域、无理分数域和复数域[11～13]。分数阶微分主要有三种形式，即G-L定义、R-L定义和Caputo定义。相比于R-L定义和Caputo定义，G-L定义在微积分方程和数值计算方面应用较多，在工程应用上具有很重要的意义[13]。由于纹理复杂的数字信号具有高度的相似性，在处理纹理复杂的数字图像时，分数阶微分不仅可以像整数阶微分一样加强高频信号，还可以非线性地保留中频信号。

(1)

(2)

根据式(2)可以写出差分表达式的前m项系数：

(3)

为了计算方便，将八个方向的分数阶掩模算子合成如图1(a)所示。在进行处理之前，先要将分数阶微分算子进行归一化处理，即将掩模算子中每个系数除以K，即完成了掩模算子归一化，归一化后的5×5分数阶微分掩模算子如图1(b)所示。

(4)

图1 分数阶掩模算子

3 彩色图像边缘检测方法

图2所示为彩色图像边缘检测流程图。首先要将彩色图像从RGB空间转换为HSI空间，并将彩色图像分解为H、S和I三个分量，再对每个分量进行边缘检测得到各分量的边缘信息，然后将三个分量的边缘信息融合成彩色图像的边缘，最后通过非极大值抑制和阈值选取获得最终的边缘图像。

图2 彩色边缘检测流程图

3.1 颜色空间转换

HSI颜色空间是从人的视觉系统出发，用色度(Hue)、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空间模型来描述。RGB颜色空间和HSI颜色空间可以相互转换，假设R、G和B分别代表RGB颜色空间的三个分量，HSI空间的三个分量H、S和I的计算如下：

(5)

(6)

(7)

其中

(8)

从上面的公式看出，色度分量可以归一化到

[0,1]范围内。如果给出的RGB值在[0,1]区间内，则饱和度分量和亮度分量也在[0,1]范围内。HSI空间有以下两个重要特点：1)亮度分量I与图像的彩色信息无关；2)色度分量H和饱和度分量S与人感知彩色的方式紧密相关。

3.2 提取各分量的边缘信息

1)提取I分量边缘信息

图像边缘检测的思想为：使用归一化后的分数阶微分算子与图像进行卷积运算时，对于图像的边缘区域，亮度值发生剧烈变化，图像边缘得到显著地增强，边缘纹理细节更加丰富清晰；对于图像的平坦区域，图像的亮度值变化较小。最后将处理后的图像与未经处理的图像亮度值相减，得到图像的边缘信息。归一化后的边缘检测算子如图1(b)所示。输出的增强后的图像gv(x,y)可以用离散卷积表示为

(9)

(10)

2)提取S分量边缘信息

3)提取H分量边缘信息

(11)

其中

(12)

3.3 彩色边缘融合

(13)

其中

(14)

3.4 非极大值抑制

边缘只允许有一个像素的宽度，但经过融合后的边缘粗细不一，不利于图像的边缘特征的提取，并且在图像的边缘细节处会造成边缘的模糊。因此采用非极大值抑制使边缘变细。非极大值抑制就是将那些在梯度方向上具有最大梯度值的像素作为边缘像素保留，将其他像素删除。

结合上面得到的边缘信息进行围绕像素点P(x,y)的3×3邻域内的非极大值抑制：

(16)

3.5 阈值选择

在图像边缘检测过程中，在检测到的强边缘信息中同时会存在一部分弱边缘信息，因此采用双阈值来确定边缘点。阈值的选取直接影响着边缘点的数量，边缘点数量较少，边缘信息缺失。边缘点数量太多，会引入一部分噪声信号。通常利用图像边缘信息平均强度值A和强度值方差σ来确定最佳阈值[15]：

(17)

(18)

4 实验结果与分析

为了验证本文算法的有效性，在Matlab环境下，以Lena(512×512)、Peppers(512×512)和Iris(600×600)为测试图像，分别采用RGB空间向量梯度法、经典的Canny边缘检测算子和文献[9～10]提出的算法以及本文中改进的边缘检测算法进行边缘检测，实验结果如图3～图5所示。

由图3(b)、图4(b)和图5(b)可以看出，RGB空间向量梯度法能够检测出图像的基本轮廓，边缘连续性不好，漏检现象明显。由图3(c)、图4(c)和图5(c)可以看出，Canny边缘检测算子检测出的边缘比较清晰，连续性好。该算子对于纹理比较简单的区域检测效果较好，如图3(c)中的背景，图5(c)中的花瓣和叶子的轮廓，但是对纹理比较复杂的区域，存在漏检现象，如图3(c)中的人像，图5(c)中花瓣上的露珠。由图3(d)、图4(d)和图5(d)可以看出，文献[9]算法检测的效果较好，边缘清晰，但是出现部分边缘信息的丢失现象，未考虑饱和度和色度的相关性。由图3(e)、图4(e)和图5(e)可以看出，文献[10]算法能够检测出亮度变化强烈的地方，对色度变化较为敏感，检测的结果较好，但是该算法在进行数据融合时，对亮度分量取较小的权重，对色度分量取较大的权重，不能够检测出亮度变化缓慢的地方，没有充分考虑色度信息的有效性。由图3(f)、图4(f)和图5(f)可以看出，本文算法检测到的边缘信息更加丰富，能够很好地检测出纹理复杂和亮度变化微小的地方的同时能够检测出色度和饱和度变化剧烈的地方，相比于文献[9～10]算法的检测结果，处理效果有所改善，得到的图像的边缘纹理细节更丰富清晰。

图3 图像Lena的边缘检测结果

图4 图像Peppers的边缘检测结果

图5 图像Iris的边缘检测结果

5 结语

本文基于符合人眼视觉特性的HSI颜色空间提出了一种改进的彩色图像边缘检测方法。首先，该算法将图像由RGB颜色空间转换到HSI空间，获得色度、饱和度、亮度分量，对亮度和饱和度分量采用分数阶微分算子进行边缘检测，可以检测出亮度和饱和度分量的丰富的边缘纹理细节，对色度分量的边缘检测采用一种新的色差计算方法，有效地解决了色度的模2π特性，然后对检测到的三个分量的边缘信息采用加权融合得到彩色图像的边缘信息，最后通过非极大值抑制和双阈值选择获得彩色图像的边缘。实验结果表明，该算法可以充分利用彩色图像的色度、饱和度和亮度信息，能够更完整地提取出彩色图像的边缘信息，是一种有效的彩色图像边缘检测方法。

[1] Koschan. A. A comparative study on color edge detection[C]// Proceedings and Asian Conference on Computer Vision. Singapore: IEEE,1995:574-578.

[2] Novak C. L., Shafer S. A.. Color edge detection[C]// In Proc. DARPA Image Understanding Workshop,1987:35-37.

[3] 余见.彩色图像边缘检测和分类[D].厦门:厦门大学,2008:9-19. YU Jian. Detection and classification of edges in color images[D]. Xiamen: Xiamen University,2008:9-19.

[4] Gonzalez R. C., Woods R. E.. Digital image processing (Second Edition)[M]. New York: Prentice Hall,2003:287-322.

[5] 王小芳，闫光荣，雷毅.彩色图像的复变函数模型及其边缘检测[J].光电工程,2008(2):90-96. WANG Xiaofang, YAN Guangrong, LEI Yi. Complex variable function model of color image and its edge detection[J].Opto-Electronic Engineering,2008(2):90-96.

[6] 傅一平，李志能，袁丁.基于HSI空间的颜色算法提牌照识别的性能[J].计算机工程与设计,2004(5):703-707. FU Yiping, LI Zhineng, YUAN Ding. Improving license plate recognition system by color algorithms based on HSI space[J].Computer Engineering and Design,2004(5):703-707

[7] 胡少凛，范秀娟.基于HSI空间的彩色绣花图样的轮廓提取算法研究[J].北京服装学院学报(自然科学版),2012(1):65-69. HU Shaolin, FAN Xiujuan. Research on edge detection algorithm of color embroidery patterns based on HSI color space[J]. Journal of Beijing Institute of Clothing Technology,2012(1):65-69.

[8] 谢妍梅，樊臻，张森林.基于HSI颜色空间的彩色图像边缘检测[J].计算机工程,2013(9):12-14+19. XIE Yanmei, FAN Zhen, ZHANG Senlin. Color image edge detection based on HSI color space[J]. Computer Engineering,2013(9):12-14+19.

[9] 毛若羽，陈相宁.改进的HSI空间形态学有噪彩色图像边缘检测[J].计算机应用研究,2013(2):635-637. MAO Ruoyu, CHEN Xiangning. Noise color image edge detection based on improved morphology in HSI space[J]. Application Research of Computers,2013(2):635-637.

[10] 孙慧贤，张玉华，罗飞路.基于HSI颜色空间的彩色边缘检测方法研究[J].光学技术,2009(2):221-224,228. SUN Huixian, ZHANG Yuhua, LUO Feilu. Color edge detection based on HSI color space[J]. Optical Technique,2009(2):221-224,228.

[11] 蒲亦非.分数阶微积分在现代信号分析与处理中应用的研究[D].成都：四川大学，2006:51-59. PU Yifei. Research on application of fractional calculus to latest signal analysis and processing[D]. Chengdu: Sichuan University，2006:51-59.

[12] 汪成亮，乔鹤松，陈娟娟.基于自适应分数阶微分的Harris角点检测方法[J].计算机应用，2011，31(10)：2702-2704. WANG Chengliang, QIAO Hesong, CHEN Juanjuan. Harris corner detection algorithm based on adaptive fractional differential[J]. Journal of Computer Applications，2011，31(10)：2702-2704.

[13] Hou M.，Liu Y.，Fu Y..The Improved Fractional Order Differential Image Information Extraction Algorithm [J].Proceeding of the 4thInternational Conference on Computational and Information Sciences，2012:651-654.

[14] Guerfi S, Gambotto J P, Lelandais S. Implementation of the Watershed Method in the HSI Color Space for the Face Extraction[C]// Proc. of AVSS’05. Como, Italy: IEEE Press,2005:282-286.

[15] Llosa J. Gonzalez A. Ayguade E. et al. Swing Modulo Scheduling: A Lifetime-sensitive Approach[C]//Proc. of the 18th Conference on Parallel Architectures and Compilation Techniques. Boston, USA: [s. n.], 1996:80-87.

Improved Color Image Edge Detection Method Based on HSI Color Space

ZHANG Zhibao SUN Weitao LUO Wenfeng

(No. 63788 Troops of PLA, Weinan 714000)

In order to extract more accurate color image edge information, an improved color edge detection method is proposed by HSI color space within reflecting human vision feature. According to the G-L definition of fractional differential, a 5×5 mask operator is constructed, which is used to extract edge information of saturation and intensity. The hue edge information is extracted by a new color measurement method. Afterwards, taking advantage of data fusion technique, the color image information is combined the edge information of hue, saturation and intensity. Finally, the non-maxima suppression and threshold selection are employed to extract edge points. Experimental results demonstrate that the proposed method could apply information of hue, saturation and intensity, which extracts more complete of color image edge information.

color image, edge detection, HSI color space, fractional differential

2016年5月10日,

2016年6月29日

张志宝,男,硕士研究生，助理工程师，研究方向：图像处理。孙微涛,男，硕士研究生，工程师，研究方向：图像处理。罗文峰,男,助理工程师，研究方向：图像处理。

TP391.4

10.3969/j.issn.1672-9722.2016.11.033