彩色圖象處理若干算法的研究與其應(yīng)用.pdf

1、人眼對(duì)顏色的敏感度比對(duì)亮度的敏感度更強(qiáng)，彩色圖象包含更大的信息量和更豐富的視覺(jué)感受。長(zhǎng)期以來(lái)，在視覺(jué)研究領(lǐng)域的大部分研究都是針對(duì)灰度圖象的。隨著彩色圖象設(shè)備越來(lái)越受到人們的青睞，廣泛開(kāi)展對(duì)彩色圖象處理技術(shù)的研究也變得十分迫切。本文從理論研究和實(shí)際應(yīng)用的角度出發(fā)，圍繞彩色圖象處理過(guò)程中的顏色量化、分割和識(shí)別等幾個(gè)主要問(wèn)題展開(kāi)討論。在理論研究上所做的工作主要包括兩個(gè)方面：第一，對(duì)近年來(lái)提出的幾種新的彩色圖象處理算法進(jìn)行改進(jìn)，例如研究可調(diào)顏色

2、量化算法和無(wú)監(jiān)督彩色紋理分割方法；第二，嘗試將已有的灰度圖象處理技術(shù)推廣到彩色空間，例如基于偏微分方程的彩色邊緣檢測(cè)與輪廓提取。在實(shí)際應(yīng)用方面，主要研究了彩色圖象處理技術(shù)在中醫(yī)和印刷等領(lǐng)域中的應(yīng)用，例如印刷網(wǎng)點(diǎn)圖象和中醫(yī)舌象的顏色識(shí)別，這些研究對(duì)促進(jìn)該領(lǐng)域的客觀化和智能化發(fā)展具有重要的意義。 本文的創(chuàng)新之處主要體現(xiàn)在以下五個(gè)方面： 1.在顏色量化方面，提出了一種新的可調(diào)彩色圖象量化方案。在深入討論調(diào)色板設(shè)計(jì)中的顏色多數(shù)性

3、、差異性和人眼感知均勻性等問(wèn)題之后，本文重點(diǎn)分析了最近提出的一種可通過(guò)調(diào)節(jié)權(quán)重來(lái)滿(mǎn)足不同應(yīng)用需求的顏色量化算法——顏色聚類(lèi)特征樹(shù)(CCFT)算法。針對(duì)該算法的缺陷，本文將分裂算法與聚類(lèi)算法結(jié)合起來(lái)設(shè)計(jì)一種新的可調(diào)彩色圖象量化方案，并引入一種顏色均勻性度量來(lái)刻畫(huà)人眼視覺(jué)系統(tǒng)的感知特性。實(shí)驗(yàn)表明，新的量化方案不僅能夠較好地滿(mǎn)足后續(xù)圖象處理任務(wù)對(duì)量化顏色多數(shù)性和差異性的不同需求，而且在量化質(zhì)量上優(yōu)于其他一些經(jīng)典的量化算法，運(yùn)行速度也高于CCF

4、T算法。 2.在無(wú)監(jiān)督的彩色紋理區(qū)域分割方面，提出了一種JSEG的改進(jìn)方法——B-JSEG方法。本文首先證明了現(xiàn)有的一種JSEG改進(jìn)方法——HSEG實(shí)質(zhì)上就是各向同性邊緣檢測(cè)算子，然后詳細(xì)分析了它與JSEG在分割中容易出現(xiàn)的問(wèn)題。在這些分析的基礎(chǔ)上，將方向算子引入JSEG中定義了新的分割度量準(zhǔn)則。新準(zhǔn)則既考慮了局部區(qū)域的同質(zhì)性，又考慮了邊界的不連續(xù)性。通過(guò)大量實(shí)驗(yàn)表明，B-JSEG方法在一定程度上較好地解決了JSEG和HSEG的

5、過(guò)分割問(wèn)題，且能更好地與人工分割相匹配。 3.在基于偏微分方程的彩色邊緣檢測(cè)與輪廓提取方面，研究了現(xiàn)有的幾種基于灰度圖象的活動(dòng)輪廓模型向彩色空間的推廣。首先，推導(dǎo)出彩色GVFSnake模型，并將其用于舌體的輪廓提?。黄浯?，提出一種基于SnakePit機(jī)制和彩色智能剪算法的交互式圖象分割方法，用于提高Snake曲線收斂的精確性；再次，對(duì)彩色C-V模型進(jìn)行改進(jìn)，提出了彩色測(cè)地C-V模型，實(shí)驗(yàn)發(fā)現(xiàn)，該模型在光照不均勻和低對(duì)比度等情況下

6、仍可獲得較好的分割效果。 4.本文將CMAC和多類(lèi)SVM兩種分類(lèi)器分別用于解決彩色印刷網(wǎng)點(diǎn)圖象的分色問(wèn)題。根據(jù)網(wǎng)點(diǎn)圖象邊緣模糊的特點(diǎn)，本文采用彩色測(cè)地C-V模型分割雙色顯微印刷網(wǎng)點(diǎn)圖象，以獲取樣本集。該模型優(yōu)于傳統(tǒng)的灰度分割方法，在噪聲污染嚴(yán)重的情況下仍然有效。最終的實(shí)驗(yàn)結(jié)果表明，CMAC和多類(lèi)SVM用于網(wǎng)點(diǎn)圖象的顏色識(shí)別，均取得了比BP網(wǎng)絡(luò)較好的結(jié)果；CMAC與多類(lèi)SVM相比：SVM分類(lèi)器雖然泛化能力較強(qiáng)，但用于多類(lèi)情況時(shí)訓(xùn)練

7、速度過(guò)慢；CMAC由于具有局部泛化能力，收斂速度較快，可用在印刷過(guò)程中進(jìn)行在線學(xué)習(xí)。 5.針對(duì)中醫(yī)舌象的苔質(zhì)識(shí)別問(wèn)題，本文在深入分析舌象區(qū)域特性的基礎(chǔ)上，提出了一種基于區(qū)域劃分和樣本匹配的方法，并結(jié)合中醫(yī)專(zhuān)家知識(shí)設(shè)計(jì)先驗(yàn)?zāi)０鍋?lái)輔助識(shí)別苔質(zhì)顏色。本文將B-JSEG方法用于劃分舌體區(qū)域，并基于EMD距離進(jìn)行樣本匹配。此外，為保持樣本的一致性和可靠性，本文采用了LLE技術(shù)來(lái)移除離群樣本。最終的實(shí)驗(yàn)結(jié)果表明，相比于逐象素識(shí)別方法，本文方