一种基于光照分类的自适应图像分割方法

摘要

本发明公开了一种基于光照分类的自适应图像分割方法，用于准确分割不同光照条件下的目标物体。通过提取待处理图像RGB和HSV两种空间的颜色特征，采用最小欧氏距离分类器将其光照条件分为顺光和背光两种类型。对两种光照类型的图像提取合适的颜色特征量作为分割参数，并引入二维直方图，增加各个像素点的邻域信息，增强抗干扰能力，实现对采集到的图像进行智能光照判断和精确分割。本发明采取先判断光照条件后选择分割算法的方式，使算法更具针对性，提高了算法的有效性，同时不需要校正光照，大大减少了计算代价，为后继的图像处理分析创造了有利条件。

权利要求

1.一种基于光照分类的自适应图像分割方法，其特征在于包括以下步骤：

1）建立不同光照类型颜色特征分量标准库；

采集背光和顺光条件下的目标图像各一组，分别提取两组图像的颜色特征分量，将各个颜色分量的平均值作为颜色特征分量，计算每组所述颜色特征分量的平均值作为标准数据，建立背光和顺光的颜色特征分量的标准库；所述颜色分量为R、G、B、H、S和V，其中R、G和B分别代表颜色空间红色、绿色和蓝色分量， H、S和V分别表示颜色的色度、饱和度和亮度特征；

2）计算待识别图像的颜色特征分量，通过最小欧氏距离法与所述标准库中的标准数据进行比较，判断是顺光或背光，如果顺光，进入步骤3-1),否则进入步骤3-2）；

3-1）选取(S+V)/2作为特征分量消除光斑和阴影的影响；

3-2）采用色差法2R-G-B消除阴影干扰；

4）采用基于二维直方图的最大类间方差法实现图像分割，基于二维直方图的最大类间方差法的实现步骤为：

4-1) 取分割阈值 ，二维直方图将被分割成四块，处于对角线上的区域即对应于目标和背景，远离对角线的区域对应于边缘和噪声；

4-2)目标和背景出现的概率 、 分别为：其中： 为直方图上任意一点的值，L为二维直方图正方形区域的边长；

4-3)计算目标和背景的灰度均值矢量 ， 分别为：忽略远离对角线的区域，则图像总的灰度均值为： ；

4-4)定义目标和背景间离散测度矩阵： 矩阵 的迹为：

则当所述矩阵 的迹取最大值时，得到最佳分割阈值； 表示图像上像素点的灰度值， 表示图像上以像素点 为中心的 邻域平均灰度值，它们的灰度级都是L，灰度值 和 组成的二元组记为 。

说明书

一种基于光照分类的自适应图像分割方法

技术领域

[0001] 本发明涉及数字图像处理技术，具体涉及光照变化条件下的自适应图像分割技术。

背景技术

[0002] 图像预处理是机器视觉技术中非常关键的一个环节，后续处理算法的准确性和实用性都是建立在对采集到的图像进行良好预处理基础之上的。光照是影响图像预处理分割效果的主要因素之一，光照环境的改变使得即使面对相同的场景在不同时刻生成的图像也是不同的，甚至是大相径庭的。而光照引起的变化在现实情况中总是存在的。同一副图像在不同光照条件下，分割算法的效果往往会发生很大的偏差，这严重影响了后续的分析和研究。目前，解决光照问题主要有如下方法：(1)采用直方图均衡、对数变换等方法校正光照，但这些方法涉及的运算复杂，计算量较大，不适合实时系统；(2)选择合适的颜色特征空间，减弱光照影响，该法只能针对特定场景，一旦光照条件发生改变，效果较差。本发明着眼于区分图像分割问题中的光照情况，将光照类型分为顺光和背光两种。顺光即在室内拍摄时光线没有遮挡，背光即在拍摄时光线被遮挡。通过计算最小欧式距离先判断光照条件，再选择合适的分割算法，增强分割算法的抗干扰性，提高算法的通用性和准确性。

发明内容

[0003] 本发明的目的是提供一种适应光照变化的图像分割方法，该方法计算简单，智能判断光照条件的自适应图像分割算法。

[0004] 本发明算法采用的技术方案是：一种基于光照分类的自适应图像分割方法，其特征在于包括以下步骤：

[0005] 1）建立不同光照类型颜色特征分量标准库；

[0006] 采集背光和顺光条件下的目标图像各一组，分别提取两组图像的颜色特征分量，计算每组所述颜色特征分量平均值标准值，建立背光和顺光的颜色特征分量的标准库；所述颜色特征分量为R、G、B、H、S和V，其中R、G和B分别代表颜色空间红色、绿色和蓝色分量， H、S和V分别表示颜色的色度、饱和度和亮度特征；

[0007] 2）计算待识别图像的颜色特征分量，通过最小欧氏距离法与所述标准库中的标准值进行比较，判断是顺光或背光，如果顺光，进入步骤3-1),否则进入步骤3-2）；

[0008] 3-1）选取(S+V)/2作为特征分量消除光斑和阴影的影响；

[0009] 3-2）采用色差法2R-G-B消除阴影干扰；

[0010] 4）采用基于二维直方图的最大类间方差法实现图像分割，其具体步骤为：

[0011] 4-1) 取分割阈值 ，二维直方图将被分割成四块，处于对角线上的区域即对应于目标和背景，远离对角线的区域对应于边缘和噪声；

[0012] 4-2)目标和背景出现的概率 、 分别为：

[0013]

[0014]

[0015] 其中： 为直方图上任意一点的值，L为二维直方图正方形区域的边长；

[0016] 4-3)计算目标和背景的灰度均值矢量 ， 分别为：

[0017]

[0018]

[0019] 忽略远离对角线的区域，则图像总的灰度均值为：

[0020] ；

[0021] 4-4)定义目标和背景间离散测度矩阵：

[0022]

[0023] 矩阵 的迹为：

[0024]

[0025] 则当所述矩阵 的迹取最大值时，得到最佳分割阈值。

[0026] 本发明的有益效果是：采取先判断光照条件后选择分割算法的方式，在判断光照条件后，对待识别图像有针对性的进行干扰去除，使算法更具针对性，提高了算法的有效性，同时不需要校正光照，大大减少了计算代价，在此基础上再进行图像分割能有效的提高分割效果。

附图说明

[0027] 图1是本发明图像分割方法的流程图。

[0028] 图2是顺光和背光的判断示意图。

[0029] 图3是二维直方图最大类间方差法示意图

[0030] 图4是背光情况下处理结果。

[0031] 图5是顺光情况下处理结果。

具体实施方式

[0032] 下面以大豆图像分割为例，结合附图对具体实施方式作详细说明。本发明算法的总体流程图如图1所示。具体实施步骤如下。

[0033] 图像颜色特征提取

[0034] 在室内拍摄大豆图像，受光照以及拍摄角度的影响，大豆表面往往存在光斑或者阴影。要准确将目标分割，就必须考虑不同拍摄环境下的光照影响。RGB和HSV颜色空间是众多颜色模型中最具代表性的颜色模型， R、G和B分别代表颜色空间红色、绿色和蓝色分量； H、S和V分别表示颜色的色度、饱和度和亮度特征。分析图像的颜色特征，可以发现在不同的光照条件下，这些颜色分量会产生明显变化。本发明将各个颜色分量的平均值作为输入特征量，采用最小欧氏距离分类法来实现对光照类别的判定。各个颜色分量的平均值可由式(1)-式(6)来计算：

[0035] (1)

[0036] (2)

[0037] (3)

[0038] (4)

[0039] (5)

[0040] (6)

[0041] 式中， 、 、 、 、 、 分别为颜色分量R、G、B、H、S、V的均值，n为大豆图像像素点数。

[0042] ．光照分类

[0043] (1)建立标准样本库

[0044] 采用最小欧氏距离法将待识别样本的光照条件自动判为顺光或者背光两类，顺光即在室内拍摄时光线没有遮挡，背光即拍摄时光线被遮挡。首先需要建立两种光照类型的标准库。

[0045] 拍摄背光条件下大豆图像20副，按式(1)-式(6)分别计算，得到20组数据，为了减少误差，对各颜色分量的20组数据计算其平均值作为标准数据：

[0046]

[0047]

[0048]

[0049]

[0050]

[0051]

[0052] 则背光条件的标准样本即为： 。

[0053] 同理拍摄顺光条件下大豆图像20副，按照上述步骤，得顺光条件的标准样本为：

[0054] 。

[0055] (2)判断待识别图片光照类型

[0056] 采集待处理的图片，按式(1)-式(6)计算其颜色特征分量： ， [0057] 计算待测图片与背光条件下的标准样本特征向量之间的欧式距离：

[0058] 。

[0059] 计算与背光条件下的标准样本特征向量之间的欧式距离：

[0060]

[0061] 根据最小欧氏距离，比较两者大小，实现光照类型背光或者顺光的识别。

[0062] 分割算法

[0063] (1)颜色分量提取

[0064] 由上文识别光照类型后，对于背光条件下的图像，整体偏暗，会有很明显的阴影出现。在RGB空间中，每一个RGB彩色像素由R、G、B三个值表示，通过三个值的不同组合得到不同的颜色。由于目标、背景和阴影颜色差异明显，采用色差法2R-G-B可以很好地消除阴影干扰，准确分离目标与背景；对于顺光条件下的图像，会出现大范围颜色失真，局部出现亮斑，图像各部分的颜色分量会出现很大的变化，此时用色差法效果很差。在HSV空间中，色调H和饱和度S表示色彩信息，亮度V表示色彩明暗的程度。由于局部光斑处的色调值跟背景相近，因而单一地采用H分量进行分割无法达到满意的效果。本发明结合图像的饱和度和亮度信息，选取(S+V)/2作为特征分量，由于融合了色彩信息和亮度信息，可以有效消除光斑和阴影的影响，准确识别目标。

[0065] (2) 采用基于二维直方图的最大类间方差法实现图像分割 [0066] 经过上述分类处理以及颜色分量提取后获得两种光照类型下颜色特征分量的图像，接着进行阈值化，选取阈值的方法有很多，常用的是基于一维直方图的分割算法。由于一维直方图仅仅反映了图像的灰度分布，不考虑图像像素点的空间相关信息，因此导致其易受噪声影响，分割不准确。为了克服这一缺点，利用图像的二维直方图进行分割，可有效减弱局部光斑以及污点的影响，提高分割的准确性和抗噪性。

[0067] 构造二维直方图的方法如下：对于一幅 的数字图像， 表示图像上像素点 的灰度值， 表示图像上以像素点 为中心的 邻域平均灰度值，它们的灰度级都是L。灰度值 和 组成的二元组记为 ， 表示
出现的次数。

[0068] 定义 为二元组 发生的概率，可知 。在此基础上，定义二维直方图：在 的正方形区域上，其横坐标表示图像像素点的灰度值，纵坐标表示图像像素点的邻域平均灰度值，直方图任意一点的值即为 。

[0069] 最大类间方差法即Otsu法，被认为是一种性能良好的方法，在图像分割中得到了广泛的应用，基于二维直方图的0tus算法步骤如下：

[0070] 1)若取阈值 ，则二维直方图将被分割成四块，处于对角线上的区域即对应于目标和背景，远离对角线的区域对应于边缘和噪声；

[0071] 2)设A和B分别代表大豆和背景，则A、B两类出现的概率 分别为：

[0072] ，；

[0073] 3)可求得两类的灰度均值矢量 ， 分别为：

[0074]

[0075]

[0076] 忽略远离对角线的区域，则图像总的灰度均值为：

[0077] ；

[0078] 4) 定 义 一 个 A、B 类 间 的 类 间 离 散 测 度 矩 阵： [0079] 采用矩阵 的迹作为目标和背景类间的距离测度函数，迹的值越大，大豆和背景的灰度差值越大，其所对应的分割阈值 越理想。

[0080]

[0081] 当上述离散度矩阵的迹取最大值时，对应的分割阈值 即为最佳分割阈值。

[0082] 按上述步骤处理不同光照条件下的大豆图像，分割的结果如图4和图5所示。实践表明，尽管环境光线改变，但通过先识别光照条件再选择合适的颜色特征分量进行分割的方式，有效判断了光照条件，提高了算法的有效性，改善了分割效果。