【文章內(nèi)容簡介】 圖 第三章 蚜蟲區(qū)域的提取 7 第三章 蚜蟲區(qū)域的提取 蚜蟲區(qū)域的提取是在保留蚜蟲區(qū)域原始信息的條件下去除其他背景信息。本章利用 Kmeans 聚類尋找閾值，然后采用閾值分割法將蚜蟲區(qū)域和背景分離，在蚜蟲區(qū)域提取的后處理中進行灰度化、腐蝕重建實現(xiàn)平滑處理、局部極大值濾波處理，以滿足后續(xù)計數(shù)的需要。 HSV 顏色空間模型 HSV 模型空間可以用一個倒立的六棱錐來描述，如下圖 31所示。頂面是一個正六邊形，沿 H 方向表示色相（色調(diào)）的變化，從 0176?！?360176。是可見光的全部色譜。六邊形的六個角分別代表紅、黃、綠、青、藍、品紅 6個顏色的位置，每個顏色之間相隔 60176。由中心向 六邊形邊界（ S 方向）表示顏色的飽和度 S 變化，S 的值由 0～ 1 變化，越接近六邊形外框的顏色飽和度越高，外于六邊形外框的顏色是飽和度最高的顏色，即 S=1。處于六邊形中心的顏色飽和度為 0，即 S=0。六棱錐的高（也即中心軸）用 V 表示，它從下至上表示一條由黑到白的灰度， V的底端是黑色， V=0； V 的頂端是白色， V=1。 圖 31 HSV 顏色模型 從 RGB 到 HSV 的轉換及其實現(xiàn) 假設所有的顏色值都已經(jīng)歸一化到范圍 [0,1]。在 RGB 三個分量中，設定最大的為 MAX，最小的為 MIN。 RGB 到 HSV 的轉換公式為： 石河子大學學士學位論文 8 H = S = V = MAX 計算結果中， H 的值范圍為 0176。～ 360176。， S 和 V值范圍為 0～ 1。 如果 MAX=MIN， H=沒有色彩，是純灰色。 如果 H0176。 ,則 H值得再加上 360176。 如果 MAX=0， S=0 就是沒有色彩。 如果 V=0 則是純黑色。 在 MATLAB 中 RGB 轉為 HSV 的函數(shù)為 rgb2hsv(),其調(diào)用方式如下。 hsv=rgb2hsv(rgb)。 輸入的 RGB 圖像可以是 uint uint16 或 double 類型的。 輸出圖像 hsv 為 MＸ NＸ 3的 double 類型。 如圖 32所示，將蚜蟲區(qū)域圖像（ a）轉換為 HSV 模型并提取 H通道（ b） ,在圖 32（ b）中，黑色小區(qū)域表示蚜蟲區(qū)域。 （ a）蚜蟲區(qū)域圖像 （ b） HSV 的 H 通道 圖 32 原圖轉換為 HSV 模型 圖像分割概述 圖像分割是一種重要的圖像分析技術。在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣。這些部分常稱為目標或前景（其他部分稱為背第三章 蚜蟲區(qū)域的提取 9 景）。它們一般對應圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了辨識和分析圖像中的目標，需要將它們從圖像中分離提取出來，在此基礎上才有可能進一步對目標進行測量，對圖像進行利用。圖像分割就是把圖像分成各具特性的區(qū)域并提取出感興趣目標的技術和過程?，F(xiàn)有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。近年來，研究人員不斷 改進原有的圖像分割方法并把其它學科的一些新理論和新方法用于圖像分割，提出了不少新的分割方法。 圖像分割是圖像處理、模式識別和人工智能等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。圖像分割應用在許多方面，例如在汽車車型自動識別系統(tǒng)中，從 CCD 攝像頭獲取的圖像中除了汽車之外還有許多其他的物體和背景，為了進一步提取汽車特征，辨識車型，圖像分割是必須的。因此其應用從小到檢查癌細胞、精密零件表面缺陷檢測，大到處理衛(wèi)星拍攝的地形地貌照片等。在所有這些應用領域中，最終結果很大程度上 依賴于圖象分割的結果。因此為了對物體進行特征的提取和識別，首先需要把待處理的物體 (目標 )從背景中劃分出來，即圖象分割。但是，在一些復雜的問題中，例如金屬材料內(nèi)部結構特征的分割和識別，雖然圖象分割方法已有上百種，但是現(xiàn)有的分割技術都不能得到令人滿意的結果，原因在于計算機圖象處理技術是對人類視覺的模擬，而人類的視覺系統(tǒng)是一種神奇的、高度自動化的生物圖象處理系統(tǒng)。目前，人類對于視覺系統(tǒng)生物物理過程的認識還很膚淺，計算機圖象處理系統(tǒng)要完全實現(xiàn)人類視覺系統(tǒng)，形成計算機視覺，還有一個很長的過程。因此從原理、應用和應用 效果的評估上深入研究圖象分割技術，對于提高計算機的視覺能力和理解人類的視覺系統(tǒng)都具有十分重要的意義。 基于聚類分析的圖像分割方法 常采用的圖像分割方法有 :閾值分割、邊緣分割、區(qū)域分割等，而本文采用的是基于聚類分析的圖像分割方法。特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結果。其中， K均值、模糊 C 均值聚類 (FCM)算法是最常用的聚類算法。 K 均值算法先選 K 個初始類均值，然后將每個像素歸入均值離它最近的類并計算新的類均值。迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。模糊 C均值算法是在模糊數(shù)學基礎上對 K均值算法的推廣，是通過最優(yōu)化 一個模糊目標函數(shù)實現(xiàn)聚類，它不像 K均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內(nèi)在的不確定性。利用模糊 C均值 (FCM)非監(jiān)督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。 石河子大學學士學位論文 10 K 均值聚類分割算法的工作原理 Kmeans 算法的工作原理：算法首先隨機從數(shù)據(jù)集中選取 K個點作為初始聚類中心，然后計算各個樣本到聚類中的距離，把樣本歸到離它最近的那個聚類中心所在的類。計算新形成 的每一個聚類的數(shù)據(jù)對象的平均值來得到新的聚類中心，如果相鄰兩次的聚類中心沒有任何變化，說明樣本調(diào)整結束，聚類準則函數(shù)已經(jīng)收斂。本算法的一個特點是在每次迭代中都要考察每個樣本的分類是否正確。若不正確，就要調(diào)整，在全部樣本調(diào)整完后，再修改聚類中心，進入下一次迭代。如果在一次迭代算法中，所有的樣本被正確分類，則不會有調(diào)整，聚類中心也不會有任何變化，這標志著已經(jīng)收斂，因此算法結束。 Kmeans 聚類算法的一般步驟及處理流程 （ 1）從 n個數(shù)據(jù)對象任意選擇 k個對象作為初始聚類中心； （ 2）循環(huán)（ 3）到（ 4）直到每個聚類不再發(fā)生變化為止； （ 3）根據(jù)每個聚類對象的均值（中心對象），計算每個對象與這些中心對象的距離；并根據(jù)最小距離重新對相應對象進行劃分； （ 4）重新計算每個（有變化）聚類的均值（中心對象） 算法的特點。 采用兩階段反復循環(huán)過程算法，結束的條件是不再有數(shù)據(jù)元素被重新分配：①指定聚類，即指定數(shù)據(jù) 到某一個聚類，使得它與這個聚類中心的距離比它到其它聚類中心的距離要近。②修改聚類中心。 優(yōu)點：本算法確定的 K 個劃分到達平方誤差最小。當聚類是密集的，且類與類之間區(qū)別明顯時，效果較好 。對于處理大數(shù)據(jù)集，這個算法是相對可伸縮和高效的，計算的復雜度為 O(NKT)，其中 N 是數(shù)據(jù)對象的數(shù)目， T是迭代的次數(shù)。一般來說， KN， TN。 kmeans 聚類閾值分割的后處理 灰度化處理 在利用灰度形態(tài)學腐蝕操作是在灰度級上對圖像進行處理。因此，將蚜蟲圖像從彩色圖像轉換為灰度圖像。 灰度化處理是把含有亮度和色彩的彩色圖像變成灰度圖像的過程，一般分為 3 個步驟： (1)求得某點的 R、 G、 B三個分量； (2)求得該點的亮度值 Y； (3)寫回新的 256 色位圖時，令 R=G=B=Y。 第三章 蚜蟲區(qū)域的提取 11 這樣就可得到一個 256 級的灰度圖像。一般情況下灰度化可采用下面的公式： f(i,j)=++ (31) 式中， RGB 圖像為 f(x,y)， f(i,j)為圖像中的每一個像素點， R是 RGB 彩色圖像中 (i,j)點的紅色像素值， G是 RGB 彩色圖像中 (i,j)點的綠色像素值， B 是RGB 彩色圖像中 (i,j)點的藍色像素值。在 MATLAB 環(huán)境下利用函數(shù) rgb2gray 對蚜蟲圖像進行灰度化處理。調(diào)用語法為： gray=rgb2gray(rgb) (32) 式中 rgb 為原蚜蟲彩色圖像， gray 為灰度化處理后的蚜蟲灰度圖像。 如圖 33所示，將蚜蟲區(qū)域圖像（ a）轉換為灰度圖 (b)。 （ a）蚜蟲區(qū)域圖像 （ b）灰度圖 圖 33 蚜蟲區(qū)域圖像轉換為灰度圖 形態(tài)學濾波 由于圖像中干擾點塊較小?？梢酝ㄟ^腐蝕膨脹法進行濾波處理。腐蝕運算可以除去比結構元素小的黑團塊。在形態(tài)學的基本運算中，膨脹運算是腐蝕的姊妹算法。為了補償因腐蝕處理而損失的研究對象的面積．對腐蝕處理后的圖像進行膨脹處理，膨脹處理的作用是盡量使處理對象保持原有形狀、面積。腐蝕和膨脹運算的次數(shù)聞處理對象的不同而相異，視試驗效果而定。 （ 1）膨脹運算 A、 B為 Z中的集合， 為空集， A被 B 的膨脹，記為 A B， 為膨脹算子。膨脹的定義為： 石河子大學學士學位論文 12 A = (33) 該式表明的膨脹過程是 B首先做關于原點的映射，然后平移 x，這里 A與 B映象的交集不為空。 A被 B的膨脹過程也就是 B 的位移與 A 至少有一個非零元素相交時， B的中心像素位置的集合。 （ 2）腐蝕運算 A、 B為 Z中的集合， A 被 B 腐蝕，記為 A B，其定義為： A B= (34) 即 A 被 B 腐蝕的結果為 x， A包含 B 被 x位移的結果。 （ 3）形