彩色圖像處理方法及人臉檢測(cè)技術(shù)研究.pdf

1、近年來，隨著信息技術(shù)的發(fā)展和計(jì)算機(jī)視覺研究的不斷進(jìn)步，彩色圖像得到越來越廣泛的應(yīng)用。由于彩色圖像顏色表達(dá)的復(fù)雜性，使得彩色圖像與灰度圖像相比處理起來更加困難、更具有挑戰(zhàn)性，傳統(tǒng)的基于灰度圖像的處理方法已無法勝任彩色圖像處理的要求。因此，很有必要對(duì)彩色圖像處理一般方法和技術(shù)進(jìn)行系統(tǒng)深入的研究，以適應(yīng)日益發(fā)展的彩色圖像信息處理的需求。 彩色圖像中的人臉檢測(cè)作為彩色圖像處理范疇中的一個(gè)典型應(yīng)用，近年來在各個(gè)領(lǐng)域受到了普遍重視。迄今為止

2、，雖然涌現(xiàn)了大量的人臉檢測(cè)算法，但是由于人臉檢測(cè)問題的復(fù)雜性和困難性，彩色圖像中的人臉檢測(cè)問題并沒有得到徹底解決。因此，有必要在前人方法的基礎(chǔ)上，對(duì)彩色圖像中的人臉檢測(cè)方法進(jìn)一步研究，以期獲得更好的檢測(cè)定位結(jié)果。 針對(duì)彩色圖像在采集過程中，由于干擾的影響使一些圖像信息變得模糊和對(duì)比度差的問題，本文提出一種基于小波分析和最大模糊熵的彩色圖像增強(qiáng)方法。該方法首先在HSI彩色空間中對(duì)亮度分量I進(jìn)行小波多尺度分解；然后，在不同分解尺度上

3、對(duì)高頻子帶系數(shù)采用不同的非線性函數(shù)進(jìn)行增強(qiáng)變換。對(duì)最大分解尺度上低頻小波系數(shù)，進(jìn)行基于最大模糊熵的模糊化處理，其中模糊化隸屬度函數(shù)采用遺傳算法進(jìn)行優(yōu)化。經(jīng)過模糊化的低頻小波系數(shù)，采用基于人眼視覺特性的增強(qiáng)算子進(jìn)行增強(qiáng)處理。最后由經(jīng)過增強(qiáng)處理的小波系數(shù)重構(gòu)亮度分量I。對(duì)于飽和度分量S，采用指數(shù)拉伸方法進(jìn)行增強(qiáng)處理，色調(diào)H保持不變。經(jīng)過對(duì)HSI空間的亮度和飽和度分量的增強(qiáng)處理，可有效的實(shí)現(xiàn)對(duì)彩色圖像的增強(qiáng)。 為了更好地去除彩色圖像中

4、各種類型的噪聲污染，本文提出了一種基于像素類型的彩色圖像混合矢量自適應(yīng)濾波器。該濾波器首先使用Lee濾波器對(duì)YCbCr彩色空間的三通道進(jìn)行了加性噪聲預(yù)處理；然后基于亮度分量圖Y中每個(gè)像素8個(gè)方向上的基本梯度，以及它的3×3鄰域窗口像素的結(jié)構(gòu)和連通特性，提出了9條像素類型判別規(guī)則，把彩色圖像的像素劃分為脈沖噪聲污染像素、邊緣或細(xì)節(jié)像素和平滑區(qū)像素；最后，對(duì)三類像素在YCbCr彩色空間分別采用自適應(yīng)最近鄰矢量濾波器(ANNMF)、本文所改進(jìn)

5、盼自適應(yīng)最近鄰矢量濾波器(MANNMF)和本文所設(shè)計(jì)的基于正則化相似度的加權(quán)平均矢量濾波器(NSWAF)進(jìn)行濾波處理，其中濾波器處理窗口的尺寸依賴于像素的鄰域結(jié)構(gòu)特性。 在彩色圖像分割方法的研究中，本文提出一種基于快速模糊C均值聚類的彩色圖像分割方法。對(duì)于彩色圖像分割中的分類數(shù)和初始聚類中心的確定問題，本文提出一種基于直方圖分析和RPCCL的方法。首先得到彩色圖像R、G、B三顏色分量的直方圖，再使用尺度空間濾波器對(duì)各顏色分量直方

6、圖進(jìn)行處理，求得各顏色分量直方圖濾波結(jié)果的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)，從而得到各顏色分量直方圖的峰值點(diǎn)即各顏色分量的聚類中心。對(duì)各顏色分量的聚類中心進(jìn)行顏色組合，得到彩色圖像所有可能的聚類中心。從這些可能的聚類中心中排除圖像中不具有的顏色(中心)，然后將剩余的聚類中心采用RPCCL算法進(jìn)行學(xué)習(xí)來確定實(shí)際的顏色類數(shù)目以及初始聚類中心；對(duì)于直接采用模糊聚類算法(FCM)進(jìn)行分類計(jì)算量大、聚類速度慢的問題，本文提出一種快速模糊C均值聚類算法。首先對(duì)原

7、始彩色圖像進(jìn)行分水嶺變換，把原始彩色圖像數(shù)據(jù)分成一些具有色彩一致性的子集，然后在CIEL<'*>a<'*>b<'*>彩色空間基于這些子集的大小和均值點(diǎn)進(jìn)行快速的模糊聚類，有效地提高了聚類的速度。最后，本文對(duì)模糊聚類的結(jié)果從空間位置和區(qū)域大小兩個(gè)方面進(jìn)行了后續(xù)處理，從而得到了最終的彩色圖像分割結(jié)果。 基于梯度的邊緣檢測(cè)方法速度快，適合實(shí)時(shí)處理，本文對(duì)其進(jìn)行了擴(kuò)展并將其應(yīng)用于彩色圖像的邊緣檢測(cè)。梯度法邊緣檢測(cè)的不足之處是對(duì)噪聲敏感，

8、邊緣較粗。為了保證邊緣檢測(cè)的運(yùn)算速度，同時(shí)在獲得良好的邊緣特性的基礎(chǔ)上具有較好的抗噪性能，本文提出了基于三次B樣條小波變換和多信道信息融合的彩色圖像邊緣檢測(cè)方法。具體地，首先對(duì)彩色圖像的三幅偽灰度圖像R、G、B分別利用三次B樣條小波進(jìn)行多尺度小波變換，針對(duì)某一具體尺度，求得小波變換在該尺度上的模和幅角，再利用幅角信息，求得小波變換的模極大值；然后采用自適應(yīng)閾值技術(shù)對(duì)模極大值進(jìn)行處理，得到每幅偽灰度圖像的邊緣圖像；最后采用多信道信息融合技

9、術(shù)對(duì)三幅邊緣圖像進(jìn)行融合，并去除偽邊緣點(diǎn)，從而得到最終的彩色圖像邊緣圖像。本文根據(jù)實(shí)際應(yīng)用對(duì)彩色圖像中的人臉檢測(cè)方法進(jìn)行了研究，建立了一種實(shí)用的人臉檢測(cè)方法。該方法由膚色分割、基于知識(shí)的人臉候選區(qū)域粗篩選、圖像特征矢量獲取、基于SVM的人臉分類器設(shè)計(jì)、基于SVM的人臉分類器的多尺度人臉檢測(cè)五個(gè)主要部分組成。膚色分割部分，在非線性分段YCbCr彩色空間建立了次高斯函數(shù)的混合高斯模型作為膚色模型用于膚色分割；基于知識(shí)的人臉候選區(qū)域粗篩選部分

10、，對(duì)于膚色分割所得到的皮膚二值分割圖像進(jìn)行了數(shù)學(xué)形態(tài)學(xué)濾波處理和基于知識(shí)的人臉候選區(qū)域粗篩選，得到了最終的人臉候選區(qū)域。最后，提取每一個(gè)人臉候選區(qū)域所對(duì)應(yīng)的區(qū)域灰度圖像并根據(jù)區(qū)域高寬比進(jìn)行了后續(xù)的高度剪切處理：圖像特征矢量獲取部分，采用灰度圖像的3類特征矢量組合得到圖像特征矢量。最后對(duì)得到的圖像特征矢量進(jìn)行了PCA降維處理以得到最終的圖像特征矢量；基于SVM的人臉分類器設(shè)計(jì)部分，選擇與人類視覺特性相似的徑向基函數(shù)作為SW的核函數(shù)，采用順

11、貫最小優(yōu)化訓(xùn)練算法作為SVM的訓(xùn)練算法，以MIT CBCL人臉數(shù)據(jù)訓(xùn)練集中的人臉樣本和自舉方法得到的非人臉樣本作為SVM的訓(xùn)練樣本，進(jìn)行基于SVM的人臉分類器的訓(xùn)練，得到最終的人臉分類器；基于SVM的人臉分類器的多尺度人臉檢測(cè)部分，將基于知識(shí)的人臉候選區(qū)域粗篩選部分得到的人臉候選區(qū)域灰度子圖像輸入人臉分類器進(jìn)行多尺度人臉檢測(cè)，以確定該區(qū)域是否包含人臉并確定人臉的位置。 對(duì)上述所提出的彩色圖像處理和人臉檢測(cè)方法，本文均給予了實(shí)驗(yàn)驗(yàn)