基于HSV颜色模型的图像识别技术研究

王明迁 李丹阳 郝威凯 李建国

摘  要：图像技术目前在工业检测、生物医学、X射线图像增强、遥感图像分析和空间技术等方面具有广泛的应用价值。该文对图像预处理，进行多种特征提取，建立主成分评价模型得到指标。首先针对图片的颜色矩、峰值信噪比、结构相似指数等多种特征进行特征提取，归一化处理后建立主成分分析模型对指标进行筛选，通过 MATLAB求解的分辨真假图像的5个判断指标，分别为相似度和梯度、颜色矩、峰值信噪比、均值方差和像素数，实验结果表明模型适用性良好。

关键词：图像技术  HSV 颜色模型  主成分分析  图形识别

中图分类号：TP391                           文献标识码：A                   文章编号：1672-3791（2020）12（b）-0001-03

Abstract： Image technology is widely used in industrial detection， biomedicine， X-ray image enhancement， remote sensing image analysis and space technology. In this paper， image preprocessing， multi feature extraction， the establishment of principal component evaluation model to obtain indicators. Firstly， the color moment， peak signal-to-noise ratio， structural similarity index and other features of the image are extracted. After normalization， the principal component analysis model is established to screen the indicators. The resolution of true and false images is 5% of that of the true image and the false image. The experimental results show that the model has good applicability.

Key Words： Image technology; HSV color model; Principal component analysis; Image recognition

圖像技术目前在工业检测、生物医学、X射线图像增强、遥感图像分析和空间技术等方面具有广泛的应用价值[1]。图像作为最直观且有效传达信息的载体，是记录生活真实场景的重要方式。宽带业务与多媒体的主要内容载体是图像，图像中蕴含了大量的信息，百闻不如一见，一图胜千言，且都客观地反映了这个事实[2];另一方面，多媒体信息的多样化和多维化，不利于进行有序的、高效的管理;而如何高效地、快速地在急速膨胀的海量多媒体数据库中查询用户所需数据信息逐渐成为一个亟待处理的问题[3]。

1  图片预处理：特征提取

可以明显从图1（a）（b）看出，原图和对比度增强后的图像相比发暗。根据颜色特征值分析，颜色一阶矩运行结果显示图1（a）的值小于图1（b），同样反映了图1（a）比图1（b）要灰暗些;颜色二阶矩运行结果显示图1（a）的灰度分布比图1（b）灰度分布均匀;颜色三阶矩值反映图1（a）灰度偏暗，而图1（b）图偏亮，二者灰度值偏斜的方向相反。运行结果统计如表1所示。

如表1可知，以ILSVRC2012_val_00033985.JPEG 图片为例，原图的一阶矩、二阶矩和三阶矩分别为127.307 1、32.014 2和9.599 5。该文利用颜色一阶矩（平均值Average）、颜色二阶矩（方差Variance）和颜色三阶矩（偏斜度Skewness）来描述颜色分布。

2  HSV 颜色模型

由于HSV颜色空间的色调、饱和度、明度与人眼对颜色的主观认识相对比较符合，与其他颜色空间相比HSV空间能更好地反映人类对颜色的感知，所以该文采用HSV颜色空间下的颜色矩作为颜色特征[4-6]。

图像的颜色有多种表示方式，其中HSV颜色模型是一种适合肉眼分辨的模型，它把彩色信息表示为3种属性，即色调h、饱和度s和亮度v，这种颜色模型可用三维空间坐标系统表示。

3  基于主成分综合评价的指标判断

该文采用主成分回归分析将原先的回归自变量变换到另一组变量，即主成分。通过图片的预处理，该文已提取到的有关图片的特征值如表2所示。

根据表2数据可知，该文分别对全部真实图片的均值、方差、信噪比、相似度、水平梯度、垂直梯度、像素数、一阶矩、二阶矩和三阶矩10个指标做了特征提取。该文通过MATLAB对10个评价指标进行主成分分析，得到相关矩阵的特征值。在这里将省略对表内容的展示。我们可以得出前5个特征根的累计贡献率可达80%以上，主成分分析效果很好[7-10]。因此该文选取前5个主成分（累计贡献率达到82.37%）进行综合评估。前5个特征根对应的特征向量如表3所示。

从表3可以看出，第一主成分主要反映了指标4、指标5和指标6（相似度和梯度）的信息，第二主成分主要反映了图像的颜色特征方面的信息（指标8、指标9和指标10），第三主成分主要反映了峰值信噪比的信息，第四主成分主要为图像的均值和方差，第五个主成分主要反映了图像的基本属性，即像素个数。分别以5个主成分贡献率为权重，构建主成分综合评价模型，即

把各个图像的5个主成分值代入上式，可以得到分辨真假图像的5个判断指标，分别为相似度和梯度、颜色矩、峰值信噪比、均值方差和像素数。

4  结语

该文对图像预处理，进行多种特征提取，建立主成分评价模型得到指标。首先针对图片的颜色矩、峰值信噪比、结构相似指数等多种特征进行特征提取，归一化处理后建立主成分分析模型对指标进行筛选，通过MATLAB求解的分辨真假图像的5个判断指标，分别为相似度和梯度、颜色矩、峰值信噪比、均值方差和像素数，实验结果表明模型适用性良好。

参考文献

[1] 郝彤，赵杰.面向双曲线形态的探地雷达图像识别技术综述[J].电子学报，2019，47（6）：1366-1372.

[2] 张曰花，王红，马广明.基于深度学习的图像识别研究[J].现代信息科技，2019（11）：111-112，114.

[3] 张琦，张荣梅，陈彬.基于深度学习的图像识别技术研究综述[J].河北省科学院学报，2019（3）：28-36.

[4] 刘嘉政，王雪峰，王甜.基于深度学习的5种树皮纹理图像识别研究[J].北京林业大学学报，2019， 41（4）：150-158.

[5] 侯加林，田林，李天华，等.基于双侧图像识别的大蒜正芽及排种试验台设计与试验[J].农业工程学报， 2020（1）：50-58.

[6] 江健生.四元数聚类算法在苹果图像识别中的应用[J].安庆师范大学学报：自然科学版，2020，26（3）：57-61.

[7] 王港，陈金勇，高峰，等.基于深度学习的遥感影像基础设施目标检测研究[J].无线电工程，2018，48（3）：219-224.

[8] 刘慧力，贾洪雷，王刚，等.基于深度学习与图像处理的玉米茎秆识别方法与试验[J].农业机械学报， 2020，51（4）：207-215.

[9] 赵欣洋.基于深度学习的不规则特征识别检测技术[J].轻工机械，2019，37（3）：60-65.

[10] 陈鹤森.基于深度学习的细粒度图像识别研究[D]. 北京邮电大学，2018.