彩色图像增强范文

彩色图像增强范文（精选7篇）

彩色图像增强 第1篇

目前, 常见的彩色图像增强方法分为3种:真彩色增强、假彩色增强和伪彩色增强技术[1]。真彩色和假彩色增强是合成多幅灰度图像的过程, 而伪彩色图像增强是对单幅灰度图像的处理, 最终将其转换为彩色图像。除此之外, 还有一种从生理学角度考虑的图像增强算法, 它是基于人类的视觉系统对色彩感知的特性而产生的, 被称为色彩恒常性理论。目前, 最具有代表性的就是Land的Retinex理论[2]。本文利用图像增强空域法, 针对由于外界环境所引起的对比度偏低, 色彩失常等问题, 采用基于带色彩恢复的多尺度视网膜增强算法 (Multi-Scale Retinex with Color Restoration, MSRCR) 对图像进行处理, 最终达到改善图像色彩恒常性、、保留图像原始色彩、改善提高图像对比度以及突显阴影和强光照下的细节等目的。

1 Retinex理论

1.1 单尺度Retinex理论

Land提出人眼对亮度和色度感知的视觉模型Retinex, 其基本理论模型是把图像分为两部分, 即亮度图像和反射图像, 降低亮度图像对反射图像的影响, 从而实现图像的增强[3,4]。Land的这一理论模型原理如图1所示。

可以看出, 一幅图像可看作是由入射光形成的亮度图像和反射光形成的反射图像共同构成入射光照在反射物体上, 通过反射物体的反射形成反射光进入人眼, 从而形成人眼所看到的图像。最后形成的理想图像f (x, y) , 可表示为:

即亮度函数i (x, y) 和反射函数r (x, y) 共同作用相乘得到图像f (x, y) 。亮度函数的值与物体无关, 只与周围环境的亮度有关。基于此模型的环境亮度函数包含图像中变化缓慢的低频信息, 而大部分高频细节信息存在于反射函数中。在Land研究成果的基础上, Jobson等研究了一种新的增强算法———单尺度Retinex算法, 如式 (2) 。

其中, R (x, y) 表示最终输出的图像, I (x, y) 表示输入图像的分布函数, *为卷积操作, 环境函数表示为F (x, y) 。环境函数有多种, 本文环境函数选用的是Hurlbert等提出的高斯函数:

选择使下式成立的σ值, σ是高斯函数的标准差:

若选择高斯函数, 则图像中的细节就会更突出;反之, 则图像保持色调一致性[5]。因此选择合适的标准差σ, 可以使图像增强的效果更好。但单尺度算法有其自身的局限性, 很难找到一个平衡点使图像动态范围和图像色感都到达较理想状态。因此, 需要改进单尺度算法, 随后推出了多尺度Retinex算法。

1.2 多尺度Retinex算法

多尺度Retinex (MultiScale Retinex, MSR) 算法是一种既能很好完成图像动态范围压缩, 又能较好保持图像色感一致性的图像增强方法[6]。该算法可用下式描述:

其中, RMSRi (x, y) 为第i个通道输出的图像函数, N是光谱带的个数, 其值为1时表示灰度图像, 值为3时为彩色图像;Wk表示和Fk相关的权重系数, 要求各尺度权重之和必须为1, 经典的取值为等权重;k是环境函数的个数, 环境函数的范围尺度由标准差σk来控制。在对灰度图像进行图像增强时, 此方法效果明显, 但实验表明, 彩色图像经过此方法处理后会显得灰暗, 在某些情况下处理后的图像还会整体偏白[7,8] (见图2、图3) , 不能达到最佳视觉效果。

2 MSRCR算法及其改进

多尺度Retinex彩色图像增强算法描述如下:

(1) 按式 (6) 描述转换原图像颜色空间, S为颜色通道的数量, 此处采用R、G、B三色空间, 故S取值为3。

(2) 分别计算输出图像R (x, y) 中每个通道的均值mean和均方差var。

(3) 使用式 (7) 、式 (8) 分别计算各通道的min和max值, 其中dynamic用于调整色彩动态范围的方差倍乘系数。

(4) 对R (x, y) 中的值f (x, y) 进行线性映射。

(5) 计算每个通道的色彩恢复系数Ci, 其中β是增益常数, α代表受控制的非线性强度。最终得到输出图像RMSRCR, RMSRi (x, y) 为应用步骤 (4) 中方法得到的第i个通道的输出图像。

3 运行样例及实验结果

选取大、中、小3个尺度 (15, 80, 250) , 取相同权重, 以多种不同类型的彩色图像为实验图片。图2 (a) 为雾霾天气下采集到的图片。经MSR算法和MSRCR算法增强处理后得到的效果图分别如图2 (b) 、图2 (c) 所示, 经对比可看出原图因大雾而显得灰暗, 景物不够突出。经MSR处理后的图像虽比原图清晰了些, 但出现较大色差, 图像显得灰暗, 从中间的马路及远处的天空可看出较大区别。相比较下, 本文采用的MSRCR算法处理过的图像在色彩保留方面有了改进, 增强后的图像整体色彩鲜亮, 较好地改善了图像清晰度, 也还原了图像的真实色彩。

图3 (a) 是高空拍摄的航空图, 因光线和距离等原因, 所得图像对比度较低, 整体色彩偏暗, 除一片白云外, 分辨不出其它图片信息。图3 (b) 经MSR算法增强后, 已能看出透过白云外的远处的地理概貌, 但相较图3 (c) 中的图像, 色彩对比不明显, 图像整体偏白, 像是蒙了白雾, 从图3 (c) 中可较清楚看出地面上的地理概貌, 对图像中的细节信息和蓝、白两色的色彩信息都有明显的恢复效果。由以上对比结果可以认为, 改进后的多尺度Retinex彩色图像增强算法对彩色图像、增强有很好的效果。

图4是一组医学图像, 图5是一组老照片, 经本文方法处理后都有较为明显的改善效果。本文提出的改进方法同样可应用于交通等户外监控系统。

4 结语

通过以上实验及结果可知, 本文提出的改进方法对一些因雾或光线等原因而导致的图像降质问题, 能起到较好的改善效果。但此方法也有不足, 在处理对比度和亮度同时偏低的彩色图像时, 易出现光晕现象, 如图2原图处理后有轻微的光晕, 如何快速有效地消除光晕是下一步研究的重点方向。

参考文献

[1]霍宏涛.数字图像处理[M].北京:机械工业出版社, 2003.

[2]EDWIN HLANG.The retinex theory of color vision[J].Scientific American, 1977 (237) :108-128.

[3]JOBSON D J, RAHMAN Z, WOODELL G A.Properties and performance of a center/surround retinex[J].Image Processing, IEEE Transactions on, 1997, 6 (3) :451-462.

[4]赵晓霞, 王汝琳.改进的多尺度Retinex算法及其应用[J].Computer Engineering, 2011, 37 (6) :209-211.

[5]江兴方, 陶纯堪.Retinex彩色图像增强理论的物理思考及其截断区间对图像质量的影响[J].光学技术, 2007, 33 (1) :127-129.

[6]宋凯, 沈红, 刘昶.多尺度Retinex灰度图像增强算法[J].辽宁大学学报:自然科学版, 2008, 35 (1) :46-48.

[7]房少梅, 郭昌洪, 吴沛.基于多尺度Retinex理论的彩色图像增强算法[J].吉首大学学报:自然科学版, 2009, 30 (4) :37-40.

基于VC++的伪彩色处理图像增强 第2篇

人的生理视觉系统特性对微小的灰度变化不敏感, 而对彩色的微小差别极为敏感。人眼一般能够区分的灰度级只有20多个, 但是对于具有不同色彩和色调的的彩色图像的分辨能力可达到上千倍。利用人眼对色彩的特殊性, 就可以把相对微弱的灰度信号转换成彩色信号, 来增强图像的可识别性, 这就是彩色增强。而伪彩色增强技术就是把一幅灰度图像通过一定的方法将其转换成一幅容易识别的彩色图像技术。

由于人类视觉分辨不同彩色的能力特别强, 而分辨灰度的能力相比之下较弱, 因此, 把人眼无法区别的灰度变化施以不同的彩色, 人眼便可以区别它们了, 这便是伪彩色增强的基本依据。

伪彩色处理技术可以用计算机来完成, 也可以用专用硬件设备来实现, 在此主要讨论灰度变换法伪彩色处理。

2. 灰度变换法伪彩色处理

灰度伪彩色变换的方法是先将f (x, y) 灰度图像送入具有不同变换特性的红绿蓝三个变换器, 然后再将三个变换器的不同输出分别送到彩色显像管的红绿蓝电子枪。伪彩色处理一般可描述成[1]P115:

式中:f (x, y) 为原始图像的灰度值;TR[f (x, y) ], TG[f (x, y) ], TB[f (x, y) ]分别代表三基色值与灰度值之间的映射关系;R (x, y) , G (x, y) , B (x, y) 分别为伪彩色图像红绿蓝三种分量的数值。

以上变换是对输入图像的灰度值实现三种独立的变换, 按灰度值的不同映射成不同大小的红绿蓝三基色值, 然后用它们去分别控制彩色显示器的红绿蓝电子枪。

灰度变换法伪彩色处理中, 灰度图片的彩色效果取决于变换函数, 不同的变换函数得到的伪彩色效果图大不一样, 而伪彩色图片处理过程中采用的函数也很多, 常用的处理效果较理想的是以下函数:

设原始灰度图像的灰度值为f (x, y) , 其灰度范围为0≤f (x, y) ≤L, L为灰度的最大值255;R (x, y) , G (x, y) , B (x, y) 分别为每一灰度值映射的伪彩色图像红绿蓝三种分量的数值, 将灰度值划分分4个区间[2]P128, 分别为每一区间对应的映射函数如下:

在该函数中L取灰度的最大值为255, k值为转换斜率, 通常取值为4, 该函数用图形表示如下图1所示:

通过上图可以看出, 在红色变换函数中[3]P98, 低于L/2的区域, 红色全部设置为0, 高于L/2的区域时, 红色逐渐增加, 并达到最大值255;在绿色变换函数中, 绿色值在整个区间内先逐渐增加达到最大值255后又逐渐减小;在蓝色变换函数中, 低于L/2区域时, 蓝色值达到最大值255后逐渐减小, 高于L/2区域时, 蓝色值为0。

3. 灰度变换法的VC代码实现

4. 伪彩色图像增强效果

通过伪彩色增强方法, 可以将灰度图像中不敏感的的信息映射为人眼灵敏的彩色信号, 以增强人对图像中细微变化的分辨力。

参考文献

[1]杨帆.数字图像处理与分析[M].北京航空航天大学出版社.2007

[2]余松煜周源华张瑞.数字图像处理[M].上海交通大学出版社.2007

彩色图像增强 第3篇

锅炉是工业生产过程中重要的动力设备,是生产顺利进行的保证。锅炉的燃烧控制是锅炉控制的关键环节,实现平稳、快速、精确的燃烧控制是锅炉控制的目标,基于CCD的火焰图像监控技术为实现这一目标开辟了新的道路。相比于传统的火焰检测设备,它具有精度高、实时性好、检测信息丰富、成本低等优势,但由于炉膛内部粉尘浓度高、进出风干扰强烈、火焰亮度差异大及脉动性强等问题使得CCD拍摄的火焰彩色图像不够清晰,影响了操作人员的监视和二维温度场的建立以及火焰燃烧状态的准确判断,因此需要对火焰彩色图像进行增强处理以克服这些影响。

目前,图像增强有很多方法[1,2,3],但每种方法只是针对某种特定情况采取的相应措施,如果图像的拍摄环境和增强目的改变,那么该方法就很可能不满足工业应用要求,所以对于炉膛内部火焰彩色图像的增强应根据锅炉监控系统的需要采取相应的增强方法。

小波分析理论与应用的研究紧密联系在一起[4,5]。应用小波分析的方法对图像进行增强取得了很好的效果。文献[6]将图像进行多级小波分解后,对不同层次的小波系数采用不同的增强算法进行增强,同时采用MSR多尺度方法对图像的尺度系数进行处理,对亮度不均匀的图像增强效果较好,但该方法计算量过大,影响了对图像的实时处理。文献[7]采用小波分析方法对图像进行增强,并结合硬阈值增强函数对小波系数进行处理,不仅取得了较好的增强效果也保留了图像边缘信息,不足之处是阈值增强函数是全局增强,对小波系数的放大没有选择性,在增强有用信息的同时也放大了噪声信息。炉膛内部火焰图像的增强需要满足两个要求;一是图像要实时增强;二是图像噪声残留不能过大,不能影响操作人员的观察和二维温度场的精确建立。已有文献所采取的方法不能够达到这两个要求,所以需要根据实际需要采用相应的增强方法。

基于此,本文将基于小波分析的双阈值增强方法应用于炉膛内部火焰图像的增强处理,由于CCD拍摄的火焰图像为彩色图像,是一个三维信号(m×n×)3,为了避免三维信号处理计算量过大,在进行小波变换之前先将彩色图像信号分解为RGB三个二维矩阵信号,再分别对这三个RGB二维信号进行小波变换,将变换得到的小波系数采用双阈值法进行提升和缩小,以达到增强有用信息,抑制噪声信息的要求,再进行小波重构,之后将新的RGB二维矩阵信号重新组合得到增强后的火焰彩色图像,并通过实验验证了该方法对图像视觉效果有明显改善,同时,对于二维温度场测量的精确性也有较大提高,保证锅炉安全、稳定运行。

1 双阈值彩色图像增强

在锅炉燃烧监控中,需要对CCD拍摄的彩色火焰图像进行增强处理以满足生产的进一步实施。我们知道,灰度图像可看成二维信号(二维函数),但是由RGB三基色组合而成的彩色图像是三维信号,小波分析虽然可以处理三维信号,但是会带来运算量过大、计算时间过长的问题,难以满足对图像进行实时处理的要求。

然而,由计算机成像原理可知,RGB三基色图像是由三个二维矩阵(R分量矩阵、G分量矩阵、B分量矩阵)组合而成的,这三个二维矩阵分别代表了图像不同像素点上R、G、B三个分量的大小,同一像素点RGB三个分量的叠加就构成了该像素点的色彩。基于此原理,我们可以先对每一个RGB矩阵分别进行二维小波分解,再采用双阈值法将小波系数进行提升和缩小,再进行小波重构,得到新的RGB二维矩阵信号,最后将RGB三个矩阵信号重新组合即可得到增强之后的彩色图像。这样克服了三维小波分解计算量过大、计算时间过长的缺点,也将小波分析的方法成功应用到彩色图像的处理领域。

1.1 增强原理

首先提取火焰彩色图像的RGB三个二维图像信号,将一维小波变换扩展到二维情况,就可对二维图像信号进行小波变换[9]。设小波函数为y(x),尺度函数为ψ(t),二维尺度函数为φ(x,y)且是可分离的,即:

那么可构造三个二维小波基函数:

由以上分析可以得出,与一维小波变换只有一个小波函数和一个尺度函数不同,二维小波变换有三个小波函数和一个二维尺度函数φ(x,y)。这样做的目的就是要构造一组函数空间去逼近某个二维信号,这个函数空间可通过小波基函数的伸缩平移实现,即:

其中:j为分解级数,k代表分解方向,所以一个二维图像信号f(x,y)在尺度2j下的小波变换表示为

其中平滑成分(低频分量)为

式中

细节成分(高频分量)为

二维信号小波变换的重构形式为

对二维图像信号进行小波变换的实质就是将图像分解为四个子图像:LL、LH、HL、HH,其中LL代表水平与垂直方向的低频成分,LH代表水平低频和垂直高频成分,HL代表水平高频和垂直低频成分,HH代表水平和垂直方向的高频成分。图像的细节信息包含在高频成分中,轮廓信息包含在低频成分中[10,11]。

1.2 双阈值图像增强方法

小波分解后得到一系列的小波系数,可以采用相应的处理方法对小波系数进行增强或抑制,即可达到图像增强的目的。图像增强质量的好坏取决于小波系数处理是否得当。针对此情况,本文采用双阈值法处理小波系数,以提高图像的增强质量。

采用双阈值法对小波系数进行处理的优点是既可以增强符合要求的有用信息又可以抑制噪声信息,达到增强和去噪的双重效果,其表达式为

式中:Gin和Gout分别为小波系数的输入、输出值,λ1,λ2为两个阈值门限,且(N为图像大小,s为小波系数的标准方差),P为增益系数,λ2和P的值是通过试验选取的最优值。该方法将输入小波系数处于[-λ1,λ1]范围内的输出小波系数置零,从而抑制了信号的噪声,在其他范围的小波输入系数做相应的扩大变换,使图像得到增强。这样既实现了增强又去除了图像噪声,弥补了现有方法的不足,满足了炉膛内彩色图像增强要求。

1.3 双阈值图像增强步骤

基于小波变换的双阈值图像增强方法的目标是将高频分量(细节信息)中的小波系数进行处理,以达到突出细节信息,消除噪声信息,使图像更加清晰。具体处理步骤为

设f*(x,y)为彩色图像的RGB二维分量信号((9)代表R、G、B),λ1,λ2为增强阈值,P为增益系数。

1)将图像信号f*(x,y)进行小波变换,得到低频成分Cj(a,b)和高频成分Djk(a,b),且高频成分的小波系数为Gin;

2)确定小波类型和分解级数;

3)将高频小波系数Gin进行双阈值增强处理,得到增强后的高频小波系数Gout;

4)将低频成分和经过增强处理的高频小波系数Gout进行小波重构得到f*(x,y);

5)将变换后得到的R、G、B二维分量信号fR(x,y),fG(x,y),fB(x,y)进行组合即可得到增强后的清晰图像。

2 实验结果与分析

2.1 视觉增强效果验证

为了验证该方法对彩色图像的增强效果,我们从炉膛内部采集了若干幅火焰图像,在计算机上借助MATLAB仿真软件对处理效果进行验证。

图像采集处理系统包括:VS-250D型高清晰工业CCD摄相机,H6Z0812型电动镜头,图像采集卡,研华工控机,火焰燃烧器,数显测温仪、热水锅炉。

通过对不同类型的小波进行比较,我们采用haar小波对图像进行三级小波分解。分解过程如图1所示。

由此可知,每级分解将图像分为原始图像四分之一大小的四个包含不同信息的子图像,其中一个含有低频信息,三个含有不同方向的高频信息。把第一级到第三级分解得到的所有高频系数进行双阈值增强处理,再将低频系数和经过增强处理的高频系数进行小波重构,即可得到增强后的火焰图像如下图2所示。

从两幅图像对比可得出,增强前图像亮度值为72.12,增强后亮度值为101.95,图像各部分亮度明显提高,克服了炉膛内部黑暗环境不利于操作人员观察火焰的缺点;同时,增强后火焰图像噪声降低,层次感较强,细节突出,火焰各个燃烧区域(燃料混合区、初始燃烧区、完全燃烧区)区分明显,有利于操作人员观察分析火焰的燃烧状态,重新调整风燃比,确保锅炉安全、经济运行。

2.2 二维温度场测量的精确性验证

炉膛内二维温度场测量的精确程度对于火焰燃烧状态的检测以及燃烧的调整和锅炉的控制至关重要。但是炉膛内二维温度场是通过提取CCD拍摄的火焰图像的RGB值,再应用比色测温法建立的,其精确性依赖于图像RGB值是否可靠。由于硬件设备本身的缺陷和外界的干扰,CCD拍摄的火焰图像会有一定程度的失真,导致RGB值存在一定偏差,但是经过对火焰图像的增强处理可以消除拍摄过程中的偏差,将图像亮度较弱的部分加强,提高火焰图像的色彩丰富程度,还原图像的物理特性,使二维温度场测量更加精确。

在保证CCD摄像机光圈和快门速度一定的情况下,拍摄若干幅火焰图像,并随机选取其中10幅图像,采用比色测温法分别求出增强前和增强后同一像素位置处的温度值,并与真实值进行比较,如表1所示。

由表1可得出,火焰图像增强后,采用比色测温法得到的二维温度场精确性显著提高,平均相对误差由增强之前的1.45%降低到增强之后的0.83%,精确度提高了0.62%;平均绝对误差由增强之前的12.3℃降低到增强之后的7.0℃,绝对误差降低了5.3℃。因此,采用基于小波分析的双阈值彩色图像增强方法可以改善火焰图像的质量,进而提高火焰二维温度场测量的精确性,更加准确判断炉膛内温度分布和火焰的燃烧状况,防止炉膛局部高温,避免炉壁结焦积灰,保证锅炉安全、平稳、经济运行。

3 结论

本文采用基于小波分析的双阈值彩色图像增强方法对CCD拍摄的火焰彩色图像进行增强,由于小波分析处理三维信号较为复杂,因此将三维彩色图像信号分解为RGB三个二维矩阵信号,再进行小波变换,以减少计算量,并采用双阈值法对小波系数进行处理,以达到增强和去噪的目的,之后进行小波重构得到新的RGB二维矩阵信号,将其重新组合得到增强后的彩色火焰图像。增强后的图像满足了锅炉燃烧监控系统的需求,图像更加清晰,有利于操作人员观察分析火焰的燃烧状态,同时提高了火焰二维温度场测量的精确性,更加准确得到炉膛内的温度分布,防止炉膛局部高温引发爆管事故,保证锅炉安全、稳定运行。

摘要：基于CCD的火焰图像监控技术是锅炉燃烧控制的研究热点,该方法的关键环节是获取清晰可靠的火焰彩色图像。针对这一需求,本文采用小波分析双阈值法对火焰彩色图像进行增强,首先将彩色图像分解成RGB三个二维信号,再分别对其进行小波变换,将得到的小波系数采用双阈值法进行提升和缩小以达到增强和去噪的目的,再进行小波重构,之后将新的RGB二维信号重新组合得到增强后的彩色火焰图像。实验表明:采用该方法增强后,图像层次感较强,细节突出,火焰各燃烧区域区分明显;二维温度场测量精度提高了0.62%,绝对误差降低了5.3℃,有利于改善整个锅炉燃烧系统的控制性能。

关键词：彩色图像增强,小波分析,双阈值,温度场

参考文献

[1]夏思宇,李久贤,夏良正.基于色彩恒常性的彩色图像增强改进算法[J].南京航空航天大学学报,2006,38(增):54-57.XIA Siyu,LI Jiuxian,XIA Liangzheng.Improved Color Image Enhancement Algorithm Based on Color Constancy[J].Journal of Nanjing University of Aeronauties&Astronauties,2006,38(sup):54-57.

[2]杨居义.基于第二代Curvelet变换的彩色图像增强算法[J].计算机应用于软件,2010,27(3):114-116.YANG Juyi.A Colour Image Enhancement Algorithm Based on Second Generation Curvelet Transform[J].Computer Applications and Software,2010,27(3):114-116.

[3]丁兴号,王鑫蕊,肖泉,等.一种新的基于彩色双边滤波的彩色图像增强方法[J].中国体视学与图像分析,2009,14(2):143-146.DING Xinghao,WANG Xinrui,XIAO Quan,et al.A New Method for Color Image Enhancement Based on Color Bilateral Filter[J].Chinese Journal of Stereology and Image Analysis,2009,14(2):143-146.

[4]Ching-Tang Hsieh,Eugene Lai,You-Chuang Wang.An Effective Algorithm for Fingerprint Image Enhancement Based on Wavelet Transform[J].Pattern Recognition(S0031-3203),2003,36:303-312.

[5]Ronald A Devore,Bradley J Lucier.Fast Wavelet Techniques for Near Optimal Image Processing[C]//IEEE Military Communications Conference,San Diego,October11-14,1992.Piscataway:H J,1992:129-135.

[6]周旋,周树道,黄峰,等.基于小波变换的图像增强新算法[J].计算机应用,2005,25(3):606-608.ZHOU Xuan,ZHOU Shudao,HUANG Feng,et al.New Algorithm of Image Enhancement Based on Wavelet Transform[J].Computer Applications,2005,25(3):606-608.

[7]丁西明.基于小波变换的图像增强研究[D].合肥:安徽大学,2010:36-39.DING Ximing.The Study of Image Enhancement Algorithm Based on Wavelet Transform[D].Hefei:Anhui University,2010:36-39.

[8]Schmeelk J.Wavelet Transforms on Two-Dimensional Images[J].Mathematical and Computer Modelling(S0895-7177),2002,36:939-948.

[9]陈武凡.小波分析及其在图像处理中的应用[M].北京:科学出版社,2003:108-118.CHEN Wufan.Wavelet Analysis and Application in Image Processing[M].Beijing:Science Press,2003:108-118.

[10]张德丰.MATLAB小波分析[M].北京:机械工业出版社,2009:263-264.ZHANG Defeng.Matlab Wavelet Analysis[M].Beijing:China Machine Press,2009:263-264.

彩色图像增强 第4篇

关键词：大尺寸,TFT-TCL,图像,增强技术

一、前言

在液晶显示技术不断发展的形势下, 液晶显示技术正在被应用到越来越多的工作领域尤其是电视等大型的显示设备的显示屏中, 在大尺寸的电视图像中, 应用TFT-TCL显示技术能够从很大程度上提示画面的清晰度以及色彩的质量, 给予人们以愉快的情感体验, 因此具有良好的发展前景。有必要对于大尺寸TFT-TCL电视彩色的显示技术进行深入的研究以及处理。

二、概述TFT-TCL显示技术以及其发展历程

液晶显示设备第一次走进人类的生活是在20世纪70年代, 这种液晶显示设备从原理上来说主要是采用了TFT-TCL扭曲阵列的技术, 随着TFT-TCL的显示技术的不断进步, 这种显示技术开始被应用到大型的显示设备即彩色电视中, 这就是现代第一次利用薄膜晶体管来进行液晶显示的开端。但是, 从理论上来说, 这种液晶显示理论仍然具有很大程度的不成熟性, 随着液晶显示器在人们生活中应用的越来越广泛, 液晶显示器开始朝着两个方面进行发展, 第一个方向就是基于STN-LCD的显示技术发展, 利用这种显示技术, 显示器能够得到大规模的生产并且其成本相对来说也比较低廉。然而, 这种显示技术却也有着它自身的缺陷, 那就是其显示的图像质量有待完善, 并且从显示色彩的丰富性来说, 也是相对来说较为不足的。另一个方向就是朝着TFT-TCL显示技术发展, 这种显示技术弥补了传统显示技术的不足, 实现了较高质量的显示要求, 利用这种显示技术制造的液晶显示技术有着许多的优点。其中最为关键的一点就是, 其显示色彩相对丰富, 能耗相对较小, 因此具有很大的市场空间。并且, 在这种液晶显示技术中, 薄膜晶体管通过利用驱动显示屏上的每一个像素点, 能够大大丰富图像的内容, 显示更多的细节, 因此, 开始成为大尺寸彩色液晶显示器的主要的显示技术。

基于TFT即薄膜晶体管的液晶显示技术在继承了传统的液晶显示技术的不足的同时, 更是弥补了传统液晶显示技术存在的不足, 能够实现高品质的动态图像的播放, 并且其分辨率更是大为增加, 因此, 可以看出, 基于TFT上的液晶显示技术拥有者一般的液晶显示技术所没有的发展空间。随着智能手机得到普及, TFT的液晶显示技术更是在很大程度上扩展了其生存空间。并且已经被应用到智能手机的内部驱动电路上, 成为显示的主流技术。不仅如此, TFT的液晶显示技术不仅能够应用于手机的显示屏, 还能够用于相机, MP3等多种电子设备的显示屏, 具有极其广阔的发展前景。从驱动电路的原理上对于TFT液晶显示技术进行分析, 可以发现这种驱动电路完全体现了电路集成化的思想, 即将所有的控制电路包括液晶驱动电源的控制电路以及时序控制电路等控制电路集中到一块芯片上, 体现了微型化的思想, 减小了制造的成本, 以及芯片所占用的面积, 这种电压的制造工艺主要是采用混合电压的制造工艺, 能够在极短的时间内实现大规模的电信号的传递。

与传统的CRT显示器相比, TFT-TCL液晶显示器具有更低的能耗, 对于环境的污染几乎没有, 导致其的应用范围不断扩大, 无论是从功能上来说, 还是从性能上来说, 其具有的优势无疑是相当大的。

三、大尺寸TFT-TCL电视彩色和图像增强技术

TFT-TCL的液晶显示技术的原理主要是采用将多个控制电路结合在一起的方法, 通过对于这种原理进行探究, 能够在一定程度上促进我国液晶显示技术的研究方向, 并且有利于我国的TFT-TCL显示器的图像显示质量进行进一步的增强。以下将从几个方面来对如何增强图像的质量进行探索。

(1) 加强对于控制芯片组的处理

从理论上进行分析, TFT-TCL的图像显示技术的功能主要是:由多个驱动电路来进行控制, 每个TFT-TCL显示器都有相应的控制芯片组, 在控制芯片组中, 通过将一系列的多媒体的信号转变成液晶驱动电路的信号, 实现对于图像的显示。

(2) 提高玻璃基板的面积

玻璃基板的面积对于图像的显示质量来说, 无疑是极为关键的, 通过在生产中扩大玻璃基板的面积, 能够在一定程度上增强图像的分辨率。

(3) 进行多工艺的生产

为了增强TFT-TCL的图像显示质量, 除了在生产中采用传统的溅射工艺之外, 还可以在采用激光退火的技术来对于晶膜进行制备, 从而提升了生产的效率以及实现了图像质量的增强。

结语

综上所述, 通过对于大尺寸TFTTCL电视彩色和图像增强技术进行研究, 能够在很大范围上加强液晶显示的图像质量。近几年来, 随着液晶显示技术的不断推广应用, 以TFT-TCL为代表的彩色液晶显示技术开始有了蓬勃的发展。本文笔者将立足于当前TFT-TCL电视彩色显示技术的现状, 对于其液晶显示的原理以及图像增强技术进行深入的探讨, 以供广大同僚参考交流使用。通过对于TFT-TCL的显示原理以及其应用特点进行探讨和研究, 进一步提高了TFT-TCL的应用范围以及市场前景。

参考文献

[1]杨静, 吴乃陵.嵌入式操作系统应用研究[J].电子器件, 2014 (01) .

彩色图像的照度不均图像校正 第5篇

1 Retinex理论

Retinex算法本是建立在大量科学试验和图像分析基础上的图像增强理论, 该理论以反射理论为基础, 在色度相似性上提出了人眼所视图像由图像本身对光的色度反射以及周围光线的照度分量所合成的。即所见图像是由图像本身的入射分量R以及对光发射的照度分量L相结合而成的。

反射理论认为, 照度分量在图像合成时的表现为图像的低频的部分。在照度不均的图像增强处理上, 最终希望取出低频照度偏离部分而得到高动态分量的图像, 所以需要保留图像全部的高频部分。

在估计照度时, 在空间域中可以把照度分量近似为图像与低通滤波器的卷积, 这又相似于图像的频域的低通滤波。低通滤波的代表高斯低通滤波器, 但图像边缘处产生光斑缺陷, 这里采用双边低通滤波器对边缘处灰度差值也按权重处理。

(据滤波器中心距离权重) Z为坐标值

(据滤波器中心灰度差权重) P为灰度值

2 HSV色彩空间

HSV (hue-saturation-value) 是根据颜色的直观特性由A.R.Smith在1978年创建的一种颜色空间, 是圆柱体坐标系 (cylindrical-coordinate) 模型。HSV以人更熟悉的方式表述了关于颜色的信息:“什么颜色?深浅如何?明暗如何?”

在RGB坐标系中, 为了表述定位一个色彩, 我们需要知道其3个坐标。对人眼来说, 改变其任意值都会改变此颜色;在的照度不均图像处理中, HSV空间内如果仅仅对V轴 (明度空间) 处理, H及S空间仍然能保持色度及饱和度不变。目的就是仅在V纬度上利用Retinex算法加以校正。

3 小波变换

一个周期函数可以用正弦函数对其展开--傅里叶级数的展开。由尺度函数可知, 任意自空间的展开函数都可以由其本身的双倍分辨率副本来建立。

同样的用小波基数来对图像近似。

在N级小波变换中, 由小波基看来越是低级, 小波基越是宽, 越是能体现图像的低频特性 (图像的整体感) ;相反, 在高级别中, 小波基变得很窄, 便于体现图像的高频特性 (图像的局部特征细节) 。

4 测试

在测试图中 (见图1) , 原图为处理前, 严重的照度不均使得周围色彩明度严重不足, 中间部分又过于曝光。处理后图像的背景均已, 并且图像细节又得以很好的保留, R, G, B色彩的还原度也很高。

摘要：本文介绍了多尺度Retinex算法在图像照度不均情况下的运用, 采用色彩保持参数尽可能还原真实图像, 在比较了经典Retinex算法的基础上, 笔者介绍结合HSV空间具有单独明度层的特点, 并融合多尺度小波变换, 一种新色度保持的算法。

彩色图像分割算法综述 第6篇

图像分割是模式识别和图像分析的核心技术,图像分割是将具备特定属性的目标区域从一定的背景中进行提取。可作如下定义:对一幅图像p(x,y)(0≤x≤xmax,0≤y≤ymax进行分割就是将图像划分为满足条件的N个子区域pi(x,y),i=1,2,...,N。经典的图像分割是基于灰度的,一般单元区域内的灰度级别最多几十个。与灰度图像相比,彩色图像更符合人的视觉特性,更加切合人类对外在世界的认识。由于彩色图像具有颜色空间的信息,如何将颜色空间信息表达为特征,研究颜色空间信息的表达方式以及颜色空间信息在图像分割中所起到的作用,已成为彩色图像分割技术的核心课题。

2 彩色图像分割方法的研究和特点分析

2.1 彩色图像分割方法的研究

彩色图像分割算法的研究最近一些年取得了很大的进展,呈现百花齐放之势。图像分割很大程度上依赖于特定领域需求、特定的目标对象、以及分割背景……这些因素很大程度上影响着分割效果。目前具有广泛应用基础的主要有基于直方图阈值分割、基于特征聚类和区域生长的、基于分水岭算法、基于人工神经网络等。

2.1.1 直方图阈值法

利用灰度阈值变换分割图像就称为阈值分割。它的特点是算法简单、计算量小、性能稳定,因而成为最基本和应用最为广泛的分割技术。阈值分割的基本思想:设置特征阈值,把每个像素点的灰度值和阈值相比较,根据比较的结果把该像素划分为两类—目标区域和背景区域。

阈值分割一般分为三步骤:(1) 确定阈值;(2) 将阈值和像素比较;(3)把像素归类。其中第(1)步阈值最重要,阈值的选择将直接影响分割的准确性以及由此产生的图像描述、分析的正确性。

常用的直方图阈值法有根据直方图谷底确定阈值、迭代选择阈值、最小均方误差法、最大类间方差法。国外学者Hollander等提出了一种基于多维的直方图阈值化方案, 该方法的基本思想是直方图阈值从不同的颜色空间(RGB、YIQ、HSI)中得到,并且把该阈值用于即将进行的区域分裂。然而,对于每个待分裂的区域,首先计算出各颜色空间中各分量的特征量的直方图, 然后再确定各个直方图的峰值, 从得到的峰值中选出具有最佳峰值的直方图,即用该峰值作为阈值,将待分裂的区域再分为两个子区域,采用递归算法,对于新分裂出的子区域重复相同的过程,直至每个区域都是相似的,不能再进行分裂为止。汤凌等人甚至提出一种基于人工免疫的图像分割算法,该算法在生物免疫的思想上加入了人工免疫算子,不仅能够确定最优阈值,而且还能大大缩短分割时间。

基于直方图阈值法的优点是计算量较小,而且不需要先验信息。缺点主要体现在四点:(1)基于单独的某个颜色分量的峰值分割图像区域是不完整的;(2)可能待分割的图像各个颜色分量的直方图并不具备明显的波峰或波谷;(3)彩色图像的像素映射到灰度图像的时候伴随发生的颜色信息发散;(4) 直方图阈值法是个全局的方法,并没有考虑到局部空间信息。

总之虽然很多研究对阈值分割的算法进行了改进,图像分割的效果有所提高。但在阈值的设置上还是没有很一个很好的解决方法。若将智能遗传算法引用到阈值筛选上, 或许对于最优分割图像的阈值的确定大大有利,这或许是基于阈值分割的图像分割法的发展趋势。

2.1.2 特征空间聚类以及区域生长

特征空间聚类算法在提取各类的特征值迭代的分类算法,因此不需要预先训练样本,特征空间聚类算法是一种无监督的统计学方法,比较常用的分类方法有模糊C- 均值、K- 均值等。对于彩色图像,在颜色空间上聚类必须先确定聚类数目,进行聚类的有效性分析,这种方法的优点, 充分利用了各个颜色分量上的颜色信息,而且直观易于实现。

基于特征空间聚类算法没有考虑到空间信息,对噪声比较敏感,但是它不需要预先训练样本,只需要确定聚类的数目。

区域生长分割方法对噪声不敏感, 所以对目标区域进行模糊聚类分割以后, 对分割出来的区域进一步进行区域生长,以达到更精确的分割目的。区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长中心开始(生长中心可以是单个像素,也可以是某个小区域),将与该生长点性质相似的相邻像素或者区域与生长点合并,形成新的生长点,重复此过程直到不能生长为止。生长点和相邻区域的相似性判断依据可以是灰度值、纹理、颜色等多种图像信息。

一般来说,区域生长算法有三个步骤:(1)选择合适的生长点;(2)确定相似性准则即生长准则;(3)确定生长停止条件。

具体过程有三步骤。

第一步: 经聚类算法后的聚类区域有k个, 以这k个区域的聚类中心作为区域生长点。可将区域生长点表示为:{C1(0),C2(0),...,Ck(0)}。

第二步:以区域生长点为基础进行区域增长:设经过i次迭代后的区域为{S1(i),S2(i),...,Sk(i)},每次迭代以后判断该区域是否已增长结束,采用8- 邻接区域来判断其中任意像素是否已经到达区域的边界,以下给出判断条件:

第三步: 当某个区域所有边缘像素的8- 邻接区域都不满足(公式1),即表该区域已增加结束,在下一轮迭代时跳过该区域,然后再返回到第二步,计算其他的区域,直到所有的区域停止增长为止。

一般来说, 在无像素或者满足加入生长区域条件时,区域生长就会停止。

区域的合并是将图像中任意两个具有相似特征的相邻区域合并,合并的两个区域可以大小不同,当无法再进行聚合时操作停止。区域的生长和合并对分割复杂场景图像比较有效,如果引入应用领域知识,则可以更好地提高分割效果。

2.1.3 分水岭分割方法

用来描述物体形状的非线性算子的代数称之为数学形态,在很多方面的应用都要优于线性算子。和其他的一些分割算法相比,在很多领域中:如预处理、物体形状的分割、物体量化……数学形态学方法都够在理结果和速度展现出优势。分水岭算法是数学形态学图像处理理论中比较有代表性的算法。

在彩色图像分割过程中,由于噪声的影响,分水岭算法分割图像非常容易过分分割。当然文献[11]中提到了几种解决方法:中值滤波、彩色形态学、低通滤波和高斯滤波等。这些滤波技术的依据是图像中信息出现的频率,但是频率并不是图像中唯一重要的信息。比如说,有些信息频率并不高,但是属于边缘信息,很重要,因为导致对边缘信息的保持效果较差。如果通过改进的基于边缘信赖度的各向异性扩散算法来对图像进行预处理,能够相对比较好地解决噪声影响。改进的基于边缘信赖度的各向异性扩散算法主要手段是通对P-M扩散算法中K和□的值进行改进:

K是控制传导系统函数形状的参数 ,□是用来控制扩散程度的参数。边缘信赖度是用来衡量局部窗口内的图像像素与边缘相似程度的参数。

改进的基于边缘信赖度的各向异性扩散方程为:

其中,参数P是梯度hNIx,y的函数,下标P的下标值代表四个计算维度的方向。参数Kx,y和λx,y的取值在目标空间域是逐点变化的。分水岭分割方法的关键是标记的选取,适当的选取不会导致过分割。马丽红等提出开闭滤波技术,对输出图像做二值标记预处理后的图像作为初始的分割步骤,然后把所得的分割结果作为分水岭算法的种子(标记),取得较好的效果。

2.1.4 人工神经网络

神经网络是对生物神经网络若干基本特性的抽象和模拟,它可以训练样本,为的函数提供解决方案。在汽车智能驾驶、光学字符识别和人脸识别等领域取得了很大的成功。对于分类问题,目的是学习决策函数h(x),该函数的输出为离散值或者向量,这是人工神经网络的强项;另外,由于可学习实值函数,神经网络也是拟合的利器。

神经网络的研究在受到了生物大脑仿生学启发,由一系列人工神经元相互密集连接构成。每个神经元由三部分组成:输入、人工神经细胞体和输出。每个神经元具有一定数量的实数值输入, 并产生一个的实数值的输出,如图1所示。

一个人工神经元的输入信号来自另一些神经元的输出,其输出又可以作为另一些神经元的输入。一个人工神经元可以看成感知器,具有两种状态:1和 -1。人工神经细胞对这些输入信号进行整合并进行阈值处理,若刺激值超过某一阈值, 则神经元被激活而进入1状态否则神经元就处于 -1状态。

在神经网络的训练过程中,训练样本特征向量是神经网络的输入,训练样本的目标输出是网络的输出。初始情况下,网络权值被初始化为一种随机状态,当把某个训练样本输入网络时,由此产生的网络输出与训练样本目标输出之间的差异称为训练误差。接下来,神经网络将根据某种机制调节权值w, 使得训练误差逐步减小;随着这种训练和调整过程的进行,网络对于训练样本的实际输出将越来越接近于目标输出。

人工神经网络技术的引入,使得图像分割技术具备了学习功能,为图像分割技术的智能化和启发式发展提供了理论基础。

2.2 颜色模型的研究

从物理的角度,颜色的感知源于刺激视网膜的电磁辐射的谱能量。谱能量分布E(λ),λ取值在350~780 nm它们的关系可以表示成:

彩色模型也称为彩色空间或彩色系统,是用来精确标定和生成各种颜色的一套规则和定义。它的用途是在某种标准下用通常可接受的方式简化彩色规范。如针对数码硬件的RGB模型,以及符合人类视觉特性的HSI模型。

2.2.1 RGB 模型

RGB模型是工业界的一种颜色标准 , 是通过对红(Red)、绿 (Green)、蓝 (Blue) 三种颜色的变化以及相互之间的叠加来得到各种的颜色的总称。该标准几乎包括人类视觉所能感知的所有颜色,是目前运用最广的颜色模型之一。

RGB颜色空间对应的坐标系统可以用如下一个三维向量来表示,如图2所示。

在RGB模型中, 三个图像分量组成了所要表示的图像。每一个颜色分量用8比特图像表示的话, 一个RGB彩色像素就有24比特深度。故这24比特RGB图像中颜色总数就是(28)3=16777216。

色觉的产生是需要发光光源的光通过反射或透射方式传递到眼睛,刺激视网膜细胞引起神经信号传输到大脑,然后人脑对此加以解释产生色觉。设为组成某种颜色C所需的3个刺激量分别用X、Y、Z表示,3刺激值与R、G、B有如下关系:

对白光,有X=1,Y=1,Z=1。设每种刺激量的比例系数为x,y,z,则有C=x X+y Y+z Z。比例系数x,y,z为色系数,其定义为:

此时,x+y+z=1。

2.2.2 HSI 颜色模型

HSI模型是从色调、饱和度和亮度来描述颜色 ,符合人类的视觉认知。HSI彩色空间可以用一个圆锥空间模型来描述,如图3所示。

通常用饱和度和色调表示颜色的类别与深浅程度。在模型中体现为横截面圆,模型纵坐标表示亮度。

一般来说,人的视觉对颜色浓淡的敏感程度要远弱于亮度的敏感程度,为了便于颜色处理和识别,人的视觉系统经常采用HSI彩色空间, 它比RGB彩色空间更符合人的视觉特性。此外,由于HSI空间中亮度和色度具有可分离特性,使得图像处理和机器视觉中大量灰度处理算法都可方便地应用在HSI彩色空间中。

综上对RGB和HIS两种颜色空间模型的分析和研究,HSI彩色空间和RGB彩色空间只是对物理量的表示方法不同,它们之间存在着一定的转换关系。

从RGB到HSI的彩色转换 及其实现。 给定一幅RGB格式的图像 ,每一个RGB像素的I、S、H分量可用下面的公式得到:

HSI模型有两个重要的特点 :第一个特点是亮度分量与色度分量是分开的,I分量与图像的彩色信息无关第二个特点是H及S分量与人感受彩色的方式紧密相连(这里强调了颜色的重要性,因为人对光的感知还与分量有关)。这些特点使得HSI模型非常适合基于人的视觉系统对彩色感知特性而进行处理分析的图像算法。

3 结束语

3.1 图像分割算法的评估

图像分割领域的分割算法的研究和改进越来越多算法的评估会适当度量算法的适用条件以及目标区域的优化分割,对分割算法的优化和改进具有一定的理论指导意义。

评估方法应具备两个条件。(1)较高的执行效率和鲁棒性好。如果运算量太大且对环境要求太过于苛刻的话,分割算法的应用意义不大,不能够很好地工业应用(2)应该具备完整、客观和科学的评估体系。能够评估众多不同的分割算法且能够根据分割算法的不同适用领域进行分类。

3.2 图像分割算法的研究方向

随着专家和学者的大量科研工作和实验,图像分割算法的应用型也越来越强。分割算法的智能化,分割效果的准确性和精确性,以及分割算法的鲁棒性都将成为广大学者所追捧的准则和目标。

由于图像分割算法众多, 且各自有各自的适用领域,各种分割算法的协作和融合,也将成为图像分割领域的研究热点。比如分水岭算法与区域生长的结合,遗传算法[17]与聚类分析的结合,寻找最有阈值与最大类间差结合[18]等,并且引入训练样本库技术,在提高图像分割算法性能的同时提高了分割算法的智能性。

摘要：图像分割是计算机视觉和图像分析的核心技术,作者首先对当前各种图像分割算法进行全面的分析和研究,指出色彩在图像分割技术中的作用。然后对直方图阈值法、特征空间聚类及区域生长、分水岭分割算法、神经元网络等主要的彩色图像分割技术进行综述,并分析比较这几种方法的特点,并且引入了颜色模型的概念,进行了研究。最后结论部分,提出图像分割算法的评估体系,展望了彩色图像分割技术的发展趋势和将来的研究方向。

彩色图像增强 第7篇

关键词：零件识别,彩色图像,图像分割,灰色关联分析

0引言

在现代制造业中,零件的自动识别已经成为实现柔性自动化不可或缺的关键技术。机器视觉技术通过对获取的目标图像进行处理和分析,可实现对目标的自动识别和分类等工作,具有可快速获取并处理大量信息,系统集成性和实时性好等优点。引入机器视觉技术可以大大提高生产的柔性和自动化程度,为零件自动识别提供有效的解决途径[1～3]。

目前,零件识别已成为机器视觉技术领域的一大研究热点,而对图像的预处理则是识别的前提。通过图像预处理可以改善图像视觉效果,便于后续的分析和识别。

由于技术原因,现有的零件视觉识别系统绝大多数使用灰度图像。由于灰度图像仅仅包含亮度信息,所以生产现场的任何干扰,如照明的不均匀、反光和阴影(如图1(a))等都会严重影响图像预处理效果,进而降低识别的准确性。图1(b)、(c)、(d)分别为使用经典的最大类间方差法、腐蚀和Canny算子进行处理后的效果, 由于存在阴影和反光的影响,所以目标边缘检测的效果较差,不便于后续处理。

与灰度图像相比,彩色图像具有更加丰富的信息, 不仅包含亮度信息,还有色调、饱和度等信息,为图像预处理和零件识别等操作提供了更加有效的信息。本文主要探讨了应用灰色关联分析方法在复杂场景下以零件识别为最终目的的彩色图像预处理算法。

1彩色图像预处理算法概述

与灰度图像处理类似,本文所涉及的彩色图像预处理算法主要包括图像平滑和分割等。

零件图像在采集和传输过程中,由于成像设备、传输信道和外界环境等原因,图像中不可避免地包含各种各样的噪声[4,5]。在进行图像识别和分析之前,进行平滑去噪是十分必要的。对于彩色图像的平滑处理,以考虑像素的各分量之间内在联系的矢量中值滤波算法为常用的方法[6]。

彩色图像分割主要是指依据图像中颜色和纹理等信息把图像划分成若干个不同区域,是实现图像分析和识别的前提。常用的分割方法有:颜色直方图阈值法和特征空间聚类(FCM)法等[7]。

2基于灰色关联分析的彩色图像预处理算法

由于彩色图像每个像素点由三个分量组成,进行处理时必须考虑三个分量之间的内在联系。通常的方法是通过计算特定颜色空间中的矢量距离来确定像素点间的隶属度,然后以隶属度来描述像素间的关系[8]。

本文中应用华中科技大学邓聚龙教授1982年提出的灰色系统理论,将三个分量值看做一条曲线,通过计算两条曲线形状的相似程度来确定像素点间的关联程度[9](隶属度)。若两条曲线形状相似,则关联度较大。

2.1颜色空间的选取

进行彩色图像处理时,必须用定量方法来描述颜色信息,即选定颜色空间。常用的颜色空间包括RGB、 YIQ、CIEL*a*b*和HSV等等。其中,RGB颜色空间是使用最广泛的颜色空间,通过R(红)、G(绿)、B (蓝)三个分量的叠加可得到各种颜色。由于现有彩色成像设备均工作在RGB空间,且RGB颜色值也便于存储和处理,所以选定在RGB颜色空间中进行主要的图像处理操作。HSV颜色空间是从人的心理感知角度建立的, 符合人的视觉特征,三个分量分别为:H(色调)、S (饱和度)、V(亮度)。由于在HSV颜色空间中H分量与V分量是分开的,所以以H分量作为背景判别的依据。

2.2灰色关联度计算

在R G B颜色空间, 假定以图像中某一像素点X0={R0,G0,B0}作为参考,其他像素点为Xi={Ri,Gi,Bi}, 根据灰色关联度计算公式[10]简化得:

γ(X0,Xi)定义为像素点Xi与参考点X0的灰色关联度,其中ξ为分辨系数,取 ξ=0.5。

2.3矢量中值滤波

矢量中值滤波的基本思想是通过求解滤波窗口中距离其他像素最近的像素作为中值矢量,然后以其替代中心像素[11]。本文中以像素间的灰色关联度替代了矢量距离,相应的中值矢量则是滤波窗口内与其他像素灰色关联度值最高的像素。滤波处理时,先按照式(1)计算窗口内的每个像素与其余像素的灰色关联度,然后求和Si, 最后找出灰色关联度之和最大者Smax所对应的像素点Xm,作为滤波窗口的中值矢量。

式中n为滤波窗口大小。

2.4图像分割

依据颜色进行图像分割,首先要提取图像的特征颜色。由于灰色系统理论适用于“小样本,贫信息”系统,所以要对整幅图像进行分块处理,提取各子块(子图像)的特征颜色。提取P×P子图像的特征颜色原理同滤波算法,即找到子图像内与其他像素灰色关联度最高的像素。

首先,根据式(1)计算子图像中各像素点间的灰色关联度值Υi,j。然后构造矩阵A,并对矩阵A中的每一行进行求和。最后根据式(2)计算得到子图像的特征颜色X′。

由于本文中预处理操作是为后续零件识别服务的, 因此没有应用诸如FCM等算法[12]求得最优的特征颜色。 在得到各子图像的特征颜色后,计算所有特征颜色间的灰色关联度,将相互间关联程度最小的K种颜色作为整幅图像的特征颜色{Xi′} (i=1,…,K)。

最后,计算各像素点Xj与各特征颜色Xi′的灰色关联度,并将其归入最大值Υmax(如式(3)所示)所对应的一类颜色,完成图像分割。

2.5背景检测

如前所述,在HSV颜色空间中,H分量与V分量是相互独立的,不均匀照明、反光和阴影等干扰主要影响亮度分量,据此可将零件目标与背景分离开来。

假定标准背景颜色的色度分量为H0,各特征颜色的色度分量为Hi′,给定阈值Hp,可按照式(4)对背景进行检测。

2.6预处理算法流程

完成背景与目标的分离操作后,将彩色图像转换为灰度图像,即可按照灰度图像边缘跟踪算法完成最终预处理操作。图像预处理流程如图2所示。

3实验结果

为了验证算法的可行性,选取普通六角螺母、垫圈及螺杆作为被测对象进行了识别试验。采用D65光源均匀散射前光照明,照度大于400lx;摄像头型号为MVC- 3M(有效像素1024×1024);红色有机玻璃板作为背景平台;特征颜色数目K=16,子图像大小为5×5, H0=354.1,Hp=2。图3(a)为原始彩色图像,由于反光和阴影的存在,背景十分复杂。图3(i)中显示了16种特征颜色在图像中所占比例,图3(b)、(c)、(d)、(e)分别为使用本文算法进行处理的中间结果。图3(f)为最终边缘检测结果,可见完整清晰的各被测目标。整个预处理过程耗时约0.5秒。

实验表明,应用本文算法可充分利用彩色图像提供的丰富信息,完成灰度图像(如图3(g)所示)不便处理的复杂场景问题,为后续识别打下了良好基础。图3(h) 即为使用预处理后的图像(图3(f))进行螺母和垫圈识别的效果图,图中以十字标示识别出的目标几何中心。

4结论