彩色图像分割

彩色空间分割

彩色空间分割是基于单色图像（灰度图）分割技术在不同颜色通道上实现的。灰度图分割技术常见的有：直方图阀值化、特征聚类、边缘检测、基于区域的、模糊技术、神经网络等。

图像分割有公式化的定义（查文献）。图像分割本质上是一个心理学感知的问题，不会纯粹受分割方法不同的影响。灰度图的分割方法都是基于区域像素的非连续性或相似性。基于非连续性的方法主要是为了检测孤立的点、边缘、线（灰度突然变化的地方）。基于相似性的方法包括阀值、聚类、区域分割合并等。

色彩空间的转换都是对RGB三原色的线性和非线性的变换，RGB、HIS、LUV、CIE。RGB三原色定理(比色法)使其成为最广泛使用的模型，便于显示颜色（应用于电视，数码相机等），但是由于其RGB具有很高的相关性，所以不便于颜色的分割和分析，并且RGB空间无法衡量两个颜色的相似性。YIQ(美国)、YUV（欧洲），是两种电视色彩信号编码的空间，是在RGB空间上的两种线性变换。HSI（hue-saturation-intensity）是另一种常用的颜色空间，因为它与人类的视觉较相近，还有一些HSI的变种，HSB、HSV、HSL。色调表示基础的颜色，是光线频谱中的峰值(主分量)，饱和度表示颜色的纯度，即白光混合在基础颜色中的比例。人类的视觉系统可以轻易的辨别出色调，但是对光照和饱和度的辨别却不包含颜色的信息，HSI真是表达了这样一种颜色空间。当使用灰度级的算法时，可以使用I分量，当做物体识别时，可以使用H分量。在处理非一致光照条件下（有阴影）图片时，这种方法特别有效，因为H分量与光照无关。如果使用RGB空间则不行，因为光照、色调、饱和度都编码在了R、G、B中无法分割了。缺点是在色彩空间的极限奇异坐标（圆柱表面）上不稳定。基于物理特性的模型考虑了对象的对光照的反射率，折射率等物理因素，有利于做图像理解。很多学者提议使用线性色彩空间，但是线性空间中三个基础元素的相关性高，且做图像处理时需在3D空间内。相比较，非线性空间就具有较大的优势，只需在1D上处理，虽然存在奇异点不稳定的问题。

人类能够识别上千种的颜色和光强，但是只能识别24种灰度。很多时候依靠灰度信息无法提取图像，但是颜色却可以。

颜色提供了除光强外更多的信息。彩色图片的分割基本都是基于单色图片的技术，可以表达成下图模式：

 

各种分割方法和颜色空间，都有其优缺点（可参考下面的文献1），在使用的时候要根据具体情况选择和调整。具体的图像分割算法基本分为了：基于特征空间的(聚类、直方图等)，基于区域的（区域生长、区域合并和分割等），基于边缘的，基于神经网络的，基于物理模型的。方法之多，无法细说，大家可以参考相关文献综述：

1.   Cheng, H.D., et al. , Color image segmentation: advances and prospects. Pattern Recognition, 2001. 34(12): p. 2259-2281.

2.Lucchese, L. and S.K. Mitra, Colour image segmentation: a state-of-the-art survey. PROCEEDINGS-INDIAN NATIONAL SCIENCE ACADEMY PART A, 2001. 67(2): p. 207-222.

3.中科院自动化研究所模式识别实验室有下载关于图像分割的PPT，介绍的也不错，还有关于计算机视觉的一些其他课件，也很不错，大家可以去下载来看看。