【文章內(nèi)容簡介】 為0％（黑色）～100％（白色）。圖25 HSB彩色空間模型Figure 25 HSB color space model(3) CMYK模式CMYK模式是一種印刷模式，通過青、洋紅、黃、黑4中不同的印板在印刷機(jī)中印刷色調(diào)連續(xù)的顏色。由于在CMYK模式下的圖象會占用很大的存儲空間，并且使得很多PS濾鏡沒法使用，所以一般只是在印刷時(shí)才將圖象的顏色模式轉(zhuǎn)換為這種模式。C代表青色，M代表洋紅色，Y代表黃色，K代表黑色。因?yàn)樵趯?shí)際引用中，青色、洋紅色和黃色很難疊加形成真正的黑色，最多不過是褐色而已。因此才引入了黑色。黑色的作用是強(qiáng)化暗調(diào)，加深暗部色彩。圖26 CMYK彩色空間模型Figure 26 CMYK color space model(4)HSV模式HSV模式中的H、S、V分別表示色相、飽和度、亮度，這是一種從視覺的角度定義的顏色模式。PhotoShop可以使用HSB模式從顏色面板拾取顏色，但沒有提供用于創(chuàng)建和編輯圖像的HSv模式。 　　基于人類對色彩的感覺，HSB模型描述顏色的三個(gè)特征： 　　(1)色相H：在0～360176。的標(biāo)準(zhǔn)色輪上，色相是按位置度量的。在通常的使用中，色相是由顏色名稱標(biāo)識的，比如紅、綠或橙色。 　　(2)飽和度S：是指顏色的強(qiáng)度或純度。飽和度表示色相中彩色成分所占的比例，用從0(灰色) ～100%(完全飽和)的百分比來度量。在標(biāo)準(zhǔn)色輪上飽和度是從中心逐漸向邊緣遞增的。 (3)亮度V：是顏色的相對明暗程度，通常是從0(黑) ～100%(白)的百分比來度量的。圖27 HSV彩色空間模型Figure 27 HSV color space model 圖像分割的理論知識圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)健步驟。一方面，它是目標(biāo)表達(dá)的基礎(chǔ)，對特征測量有重要的影響。另一方面，因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。圖像分割的目的是簡化或改變圖像的表示形式，使得圖像更容易理解和分析。圖像分割通常用于定位圖像中的物體和邊界（線，曲線等）。更精確的，圖像分割是對圖像中的每個(gè)像素加標(biāo)簽的一個(gè)過程，這一過程使得具有相同標(biāo)簽的像素具有某種共同視覺特性。圖像分割的結(jié)果是圖像上子區(qū)域的集合（這些子區(qū)域的全體覆蓋了整個(gè)圖像），或是從圖像中提取的輪廓線的集合（例如邊緣檢測）。一個(gè)子區(qū)域中的每個(gè)像素在某種特性的度量下或是由計(jì)算得出的特性都是相似的，例如顏色，亮度，紋理，鄰接區(qū)域在某種特性的度量下有很大的不同。多年來人們對圖象分割提出了不同的解釋和表述，借助集合概念對圖象分割可給出如下比較正式的定義：令集合R代表整個(gè)圖象區(qū)域，對R的分割可看做將R分成N個(gè)滿足以下五個(gè)條件的非空子集(子區(qū)域}…，；① ；②對所有的i和j,i≠j,有；③對i=1,2,3…N有P()=TRUE；④對i≠j,有P(=FALSE；⑤對i=1,2…,N,是連通的區(qū)域；其中P()是對所有在集合中元素的邏輯謂詞，代表空集。下面先對上述各個(gè)條件分別給予簡略解釋。條件①指出在對一幅圖象的分割結(jié)果中全部子區(qū)域的總和(并集)應(yīng)能包括圖象中所有象素(就是原圖象)，或者說分割應(yīng)將圖象中的每個(gè)象素都分進(jìn)某個(gè)子區(qū)域中。條件②指出在分割結(jié)果中各個(gè)子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個(gè)象素不能同時(shí)屬于兩個(gè)區(qū)域。條件③指出在分割結(jié)果中每個(gè)子區(qū)域都有獨(dú)特的特性，或者說屬于同一個(gè)區(qū)域中的象素應(yīng)該具有某些相同特性。條件④指出在分割結(jié)果中，不同的子區(qū)域具有不同的特性，沒有公共元素，或者說屬于不同區(qū)域的象素應(yīng)該具有一些不同的特性。圖像分割有三種不同的途徑：其一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法, 即區(qū)域法；其二是通過直接確定區(qū)域間的邊界來實(shí)現(xiàn)分割的邊界方法；其三是首先檢測邊緣像素， 再將邊緣像素連接起來構(gòu)成邊界形成分割。在圖像分割技術(shù)中， 最常用的是利用閾值化處理進(jìn)行的圖像分割。在這里將分割方法分為4類:(l) 閾值分割方法；(2)少邊緣檢測方法；(3)區(qū)域提取方法；(4)結(jié)合特定理論工具的分割方法。(1) 閾值分割方法閾值分割方法的歷史可追溯到近40 年前，現(xiàn)已提出了大量算法。對灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個(gè)象素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的象素分為兩類。這兩類象素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。從該方法中可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像本身的特點(diǎn)，可分為單閾值分割方法和多閾值分割方法；也可分為基于象素值的閾值分割方法、基于區(qū)域性質(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法。若根據(jù)分割算法所有的特征或準(zhǔn)則，還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡單統(tǒng)計(jì)法與局部特性法、概率松馳法、模糊集法、特征空間聚類法、基于過渡區(qū)的閾值選取法等。最近幾年又提出了許多新方法，對內(nèi)在缺陷進(jìn)行了改進(jìn)，并運(yùn)用對直方圖的預(yù)處理及輪廓追蹤，找出了最佳分割閾值。此方法對紅外圖像有很強(qiáng)的針對性。（2）邊緣檢測方法邊緣檢測方法是人們研究得比較多的一種方法，它通過檢測圖像中不同區(qū)域的邊緣來達(dá)到分割圖像的目的。很多的邊緣檢測算法是基于圖像的灰度函數(shù)求導(dǎo)和在圖像中匹配特定的邊緣模型這兩種方法，MarrHildreth算法和Canny算法就是這兩種方法的經(jīng)典代表。在具體做法上 ,表現(xiàn)為空域算子與圖像模板求卷積和用迭代等方法求匹配函數(shù)的系數(shù)等。根據(jù)檢測邊緣采用方式的不同,邊緣檢測方法大致包括以下幾類:基于局部圖像函數(shù)的方法、多尺度方法、圖像濾波法、基于反應(yīng)擴(kuò)散方程的方法、多分辨分法、基于邊界曲線擬合方法、狀態(tài)空間搜索法、動態(tài)規(guī)劃法、邊界跟蹤法、哈夫變換法等?；诰植繄D像函數(shù)方法的基本思想是將灰度看成高度，用一個(gè)曲面來擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點(diǎn)。多尺度方法實(shí)際上是用不同尺度的濾波算子對圖像進(jìn)行卷積，并考察由此得到的邊緣點(diǎn)隨尺度的變化而具有的性質(zhì)，結(jié)合多種不同尺度的信息來最終決定邊緣點(diǎn)。圖像濾波法是基于對平滑濾波后的圖像求其一階導(dǎo)數(shù)的極大值或二階導(dǎo)數(shù)的過零點(diǎn)來決定邊緣的,它的核心問題是要設(shè)計(jì)一個(gè)合適的濾波器,通常使用的濾波器有LOG濾波器、可控濾波器等。基于反應(yīng)擴(kuò)散方程的方法借助反應(yīng)擴(kuò)散方程的觀點(diǎn)來看待多尺度濾波，從而達(dá)到邊緣檢測的目的。多分辨率方法是從初始圖像用規(guī)則或不規(guī)則的方式逐步降低分辨率得到金字塔形的一個(gè)圖像序列,再在此基礎(chǔ)上進(jìn)行圖像分割。此方法的基本著眼點(diǎn)是較大的物體能在較低的分辨率下存在,而噪聲則不能。基于邊界曲線擬合方法是用平面曲線來表示不同區(qū)域之間圖像的邊界線,試圖根據(jù)圖像梯度等信息找出能正確表示邊界的曲線來達(dá)到分割圖像的目的。狀態(tài)空間搜索法也稱圖搜索法或啟發(fā)式搜索法，該方法用圖結(jié)構(gòu)表示邊界點(diǎn)和邊界段，通過在圖中搜索對應(yīng)最小代價(jià)的通道找到閉合邊界，它把邊緣檢測和邊界連接有機(jī)地結(jié)合起來,在圖像受噪聲影響較大時(shí)仍能取得較好的效果。動態(tài)規(guī)劃法是一個(gè)多步?jīng)Q策的過程,它通過把一個(gè)N步過程化為N個(gè)單步過程的方法使算法復(fù)雜度降低，根據(jù)動態(tài)規(guī)劃的原理，可將全局最優(yōu)化成局部最優(yōu)之和。要使此方法的結(jié)果令人滿意，決策過程必須是一個(gè)馬爾可夫過程。邊界跟蹤一個(gè)邊緣點(diǎn)出發(fā)依次搜索并連接相鄰邊緣點(diǎn)從而逐步檢測出邊界的方法。哈夫變換法是利用圖像全局特性而直接檢測目標(biāo)輪廓的一種常見的方法，該方法的主要優(yōu)點(diǎn)是受噪聲和曲線間斷的影響較小。（3）區(qū)域提取方法 區(qū)域提取法有兩種基本形式:一種是從單個(gè)象素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實(shí)際中使用的通常是這兩種基本形式的結(jié)合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分為區(qū)域生長法和分裂合并法。區(qū)域生長法的基本思想是將具有相似性質(zhì)的象素合起來構(gòu)成區(qū)域，具體做法是選給定圖像中要分割的日標(biāo)物體內(nèi)的一個(gè)小塊或者說種了區(qū)域，再在種了區(qū)域的基礎(chǔ)上不斷將其周圍的象素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有象素點(diǎn)結(jié)合成一個(gè)區(qū)域的日的。該方法的關(guān)鍵是要選擇合適的生長或相似準(zhǔn)則。生長準(zhǔn)則一般可分為二種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。分裂合并法是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一事實(shí)上的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的日的。區(qū)域提取法的缺點(diǎn)是往往會造成過度分割，即將圖像分割成過多的區(qū)域。因此，近年來針對這種方法的研究較少。不過，還是有一些新的算法出現(xiàn)，如土廣君等人提出的基于四義樹結(jié)構(gòu)的圖像分割方法，將區(qū)域增長和人工智能結(jié)合起來，使分割速度大大提高，算法同時(shí)能得到圖像日標(biāo)大小、日標(biāo)灰度、日標(biāo)個(gè)數(shù)、日標(biāo)邊界等。該方法對多日標(biāo)圖像分割有更好的適應(yīng)性。劉寧寧等提出的基于代理機(jī)模型的交叉式圖像分割方法，代理機(jī)是完成特定功能的模塊，通過控制界面和匯報(bào)界面實(shí)現(xiàn)與操作者的交勻。該方法特別適合醫(yī)學(xué)圖像分割。錢曉峰等人提出的一種逆時(shí)針追蹤輪廓線的彩色圖像區(qū)域分割算法，其基本思想是按逆時(shí)針順序追蹤輪廓線，在追蹤過程中避免了象素點(diǎn)的行政竹理判斷，采用回溯搜索解決奇點(diǎn)問題，從而保證追蹤過程的連續(xù)性和確性。土楠等人提出的一種改進(jìn)的彩色圖像區(qū)域分割方法，充分利用彩色圖像的顏色信息，采用灰圖像和彩色信息分別處理的方法，根據(jù)圖像具體的彩色信息進(jìn)行了自適應(yīng)分割。魏寶剛等人提出的基于區(qū)域生長法的多顏色空間，多度量準(zhǔn)則的聚類算法和零碎區(qū)域的全并算法，使多顏色空間上的交叉式圖像分割取得了很好的效果。T1lomas LORINZ提出的基于設(shè)定值地圖的區(qū)域生長方法等。（4）結(jié)合特定理論工具的分割方法 圖像分割技術(shù)的發(fā)展與許多其他學(xué)科和領(lǐng)域如數(shù)學(xué)、物理學(xué)、生理學(xué)、電子學(xué)、計(jì)算機(jī)科學(xué)等密切相關(guān)。近年來，隨著各學(xué)科新理論和方法的產(chǎn)生，人們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基于統(tǒng)計(jì)模式識別的分割方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法，基于信息論的分害」方法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等。基于數(shù)學(xué)形態(tài)學(xué)分割方法的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的?；诮y(tǒng)計(jì)模式識別的分割方法的基本思想是將圖像中的象素根據(jù)測量結(jié)構(gòu)分為不同的類，每個(gè)類都有相似或相近的特征，然后通過學(xué)習(xí)或演練，將圖像分為不同的目標(biāo)?；谏窠?jīng)網(wǎng)絡(luò)的分割方法的基本思想是通過演練多層感知機(jī)來得到線性決策函數(shù)，然后用決策函數(shù)對象素進(jìn)行分類來達(dá)到分割的目的?；谛畔⒄摰姆指罘椒ㄒ肓说盏母拍?，大部分算法借助了求嫡極值的方法來達(dá)到分割的