摘 要： 模糊C均值(FCM)被廣泛應(yīng)用于彩色圖像分割中，但傳統(tǒng)的模糊C均值由于沒有考慮空間信息，因此對(duì)噪聲特別敏感。針對(duì)此問題，提出了一種在HIS顏色空間結(jié)合像素鄰域空間信息的模糊聚類新方法。實(shí)驗(yàn)結(jié)果表明，此方法對(duì)高噪聲圖像有較好的處理結(jié)果。
關(guān)鍵詞： 彩色圖像分割; HIS彩色空間; 鄰域均值; 模糊C均值
圖像分割就是將相似屬性的像素進(jìn)行分類的過程,是圖像處理的第一步。由于彩色圖像比灰度圖像具有更多的信息，而且近年來隨著計(jì)算機(jī)處理能力的提高，彩色圖像處理得到了人們?cè)絹碓蕉嗟年P(guān)注。彩色圖像處理方法一般是借助于灰度圖像的處理方法，因?yàn)榛叶葓D像的研究起步較早，算法相對(duì)成熟,而對(duì)彩色圖像的研究則起步晚，仍有很多有待改進(jìn)的地方， 彩色圖像的分割算法一直是近年研究的熱點(diǎn)[1]。常見的彩色圖像分割方法有閾值法、邊緣檢測(cè)法、聚類法、基于區(qū)域的方法和神經(jīng)元網(wǎng)絡(luò)法等。本文討論基于HIS顏色空間的模糊聚類法。
最常見的顏色空間是RGB空間，由于R、G、B三分量相關(guān)性非常高，分割時(shí)往往不能得到所需要的結(jié)果（如亮度不同但顏色相同的區(qū)域會(huì)被分成不同區(qū)域）。而HIS空間是RGB空間的非線性變換，去掉了三分量之間的相關(guān)性，而且此空間更符合人眼視覺特點(diǎn)，顏色信息H、S和亮度信息I被分開，如果只需要對(duì)色調(diào)進(jìn)行分割時(shí)，可以單獨(dú)使用色調(diào)H分量來進(jìn)行分割。模糊C均值FCM(Fuzzy C-Mean)聚類是一種無(wú)監(jiān)督的分割方法，它不需要訓(xùn)練樣本。但傳統(tǒng)的模糊聚類由于只考慮了灰度或顏色信息，沒考慮空間信息，因此對(duì)噪聲比較敏感。本文提出了一種結(jié)合空間信息和HSI色彩信息的多維模糊C均值聚類方法，此方法對(duì)含噪聲的圖像有較好的去噪效果。
1 顏色空間
對(duì)于彩色圖像處理，選擇合適的顏色空間是很重要的,常見的顏色模型有RGB、HIS、NTSC、YCbCr、Lab、CIE、YUV、YIQ和HSV等。其中RGB是最基本的顏色模型，其他的都是在它的基礎(chǔ)上通過線性或非線性變換得來的。
1.1 RGB顏色空間
根據(jù)人眼結(jié)構(gòu)，所有顏色都可以看作紅（R）、綠（G）和藍(lán)(B)3個(gè)基本顏色的不同組合，RGB模型如圖1所示。
如圖1所示，連接黑色與白色的直線稱為灰色線，它是等量三基色混合而成的。位于坐標(biāo)軸上的三頂點(diǎn)分別為紅、綠、藍(lán)三基色，另外三頂點(diǎn)為黃、青及品紅。
每一個(gè)分量都有0~255共256個(gè)等級(jí),也就是8 bit，這樣組合在一起共有256×256×256(約1 600萬(wàn))種顏色，具有24 bit深度。RGB適合于顏色顯示，但是由于三分量的高相關(guān)性，它不適合于彩色圖像的分割與分析。
1.2 HIS顏色空間
HIS顏色空間[2]是一種符合人眼感知的顏色空間。其中，H稱為色調(diào)，代表基本顏色,反映顏色的波長(zhǎng)；S稱為飽和度，反映顏色的深淺程度，表明白光和色調(diào)混合的數(shù)量；I稱為亮度。H和S包含了顏色信息，而I則與彩色信息無(wú)關(guān)。三分量可以分開處理，而且是獨(dú)立的。HIS模型如圖2所示。
色調(diào)H以角度來表示，其取值范圍為0～360°。飽和度S是圓心到彩色點(diǎn)的半徑長(zhǎng)度。強(qiáng)度I用軸線方向上的高度來表示，它描述了灰度級(jí)。
HIS 顏色空間是由RGB顏色空間通過非線性轉(zhuǎn)換得來的，其轉(zhuǎn)換公式是[3]：
通過對(duì)比兩種方法的處理結(jié)果可以看出，本文提出的算法在抑制噪聲方面明顯優(yōu)于傳統(tǒng)方法。對(duì)于系數(shù)α，可以通過實(shí)驗(yàn)確定,不同值的對(duì)分割效果有較大的影響，噪聲含量大的圖片,α值可以相應(yīng)取大一些。
本文提出的結(jié)合鄰域空間信息的彩色圖像分割方法對(duì)含有噪聲的圖片有較好的噪聲抑制效果，為彩色圖像分割的應(yīng)用提供了新的、有效的思路。本文采用了H、S、I 3個(gè)分量加上它們的鄰域均值共6個(gè)維度來進(jìn)行聚類，由于H、S、I三量的獨(dú)立性，可以根據(jù)需要只用其中某一個(gè)分量(如H分量)及它的鄰域均值共兩個(gè)量來進(jìn)行聚類，這樣可以節(jié)省處理時(shí)間。
參考文獻(xiàn)
[1] 王月蘭，曾迎生. 信息融合技術(shù)在彩色圖像分割方法中的應(yīng)用[J]. 計(jì)算機(jī)學(xué)報(bào)，2000,23(17):763-767.
[2] 章毓晉. 圖像處理與分析[M].北京：清華大學(xué)出版社，1999.
[3] 岡薩雷斯.數(shù)字圖像處理(第2版)[M]. 阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2007.
[4] DUNN J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J]. J Cybemet,1973,8(3):32-57.
[5] BEZDEK J C. Pattern recognition with fuzzy objective function algorithms[M].New York: Plenum Press,1981.