【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(jìn)行灰度化、腐蝕重建實(shí)現(xiàn)平滑處理、局部極大值濾波處理，以滿足后續(xù)計(jì)數(shù)的需要。 HSV 顏色空間模型 HSV 模型空間可以用一個(gè)倒立的六棱錐來描述，如下圖 31所示。頂面是一個(gè)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(gè)角分別代表紅、黃、綠、青、藍(lán)、品紅 6個(gè)顏色的位置，每個(gè)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(zhuǎn)換及其實(shí)現(xiàn) 假設(shè)所有的顏色值都已經(jīng)歸一化到范圍 [0,1]。在 RGB 三個(gè)分量中，設(shè)定最大的為 MAX，最小的為 MIN。 RGB 到 HSV 的轉(zhuǎn)換公式為： 石河子大學(xué)學(xué)士學(xué)位論文 8 H = S = V = MAX 計(jì)算結(jié)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(zhuǎn)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(zhuǎn)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(zhuǎn)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(shù)。在對圖像的研究和應(yīng)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(biāo)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(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識和分析圖像中的目標(biāo)，需要將它們從圖像中分離提取出來，在此基礎(chǔ)上才有可能進(jìn)一步對目標(biāo)進(jìn)行測量，對圖像進(jìn)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(biāo)的技術(shù)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(jìn)原有的圖像分割方法并把其它學(xué)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(gè)領(lǐng)域中一個(gè)十分重要且又十分困難的問題，是計(jì)算機(jī)視覺技術(shù)中首要的、重要的關(guān)鍵步驟。圖像分割應(yīng)用在許多方面，例如在汽車車型自動(dòng)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(jìn)一步提取汽車特征，辨識車型，圖像分割是必須的。因此其應(yīng)用從小到檢查癌細(xì)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(yīng)用領(lǐng)域中，最終結(jié)果很大程度上 依賴于圖象分割的結(jié)果。因此為了對物體進(jìn)行特征的提取和識別，首先需要把待處理的物體 (目標(biāo) )從背景中劃分出來，即圖象分割。但是，在一些復(fù)雜的問題中，例如金屬材料內(nèi)部結(jié)構(gòu)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(shù)都不能得到令人滿意的結(jié)果，原因在于計(jì)算機(jī)圖象處理技術(shù)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(dòng)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(rèn)識還很膚淺，計(jì)算機(jī)圖象處理系統(tǒng)要完全實(shí)現(xiàn)人類視覺系統(tǒng)，形成計(jì)算機(jī)視覺，還有一個(gè)很長的過程。因此從原理、應(yīng)用和應(yīng)用 效果的評估上深入研究圖象分割技術(shù)，對于提高計(jì)算機(jī)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(jìn)行圖像分割是將圖像空間中的像素用對應(yīng)的特征空間點(diǎn)表示，根據(jù)它們在特征空間的聚集對特征空間進(jìn)行分割，然后將它們映射回原圖像空間，得到分割結(jié)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(gè)初始類均值，然后將每個(gè)像素歸入均值離它最近的類并計(jì)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(xué)基礎(chǔ)上對 K均值算法的推廣，是通過最優(yōu)化 一個(gè)模糊目標(biāo)函數(shù)實(shí)現(xiàn)聚類，它不像 K均值聚類那樣認(rèn)為每個(gè)點(diǎn)只能屬于某一類，而是賦予每個(gè)點(diǎn)一個(gè)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(diǎn)，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(biāo)定的特點(diǎn)進(jìn)行圖像分割，可以減少人為的干預(yù)，且較適合圖像中存在不確定性和模糊性的特點(diǎn)。 石河子大學(xué)學(xué)士學(xué)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(jī)從數(shù)據(jù)集中選取 K個(gè)點(diǎn)作為初始聚類中心，然后計(jì)算各個(gè)樣本到聚類中的距離，把樣本歸到離它最近的那個(gè)聚類中心所在的類。計(jì)算新形成 的每一個(gè)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(jié)束，聚類準(zhǔn)則函數(shù)已經(jīng)收斂。本算法的一個(gè)特點(diǎn)是在每次迭代中都要考察每個(gè)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(jìn)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(biāo)志著已經(jīng)收斂，因此算法結(jié)束。 Kmeans 聚類算法的一般步驟及處理流程 （ 1）從 n個(gè)數(shù)據(jù)對象任意選擇 k個(gè)對象作為初始聚類中心； （ 2）循環(huán)（ 3）到（ 4）直到每個(gè)聚類不再發(fā)生變化為止； （ 3）根據(jù)每個(gè)聚類對象的均值（中心對象），計(jì)算每個(gè)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(yīng)對象進(jìn)行劃分； （ 4）重新計(jì)算每個(gè)（有變化）聚類的均值（中心對象） 算法的特點(diǎn)。 采用兩階段反復(fù)循環(huán)過程算法，結(jié)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(gè)聚類，使得它與這個(gè)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(diǎn)：本算法確定的 K 個(gè)劃分到達(dá)平方誤差最小。當(dāng)聚類是密集的，且類與類之間區(qū)別明顯時(shí)，效果較好 。對于處理大數(shù)據(jù)集，這個(gè)算法是相對可伸縮和高效的，計(jì)算的復(fù)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(xué)腐蝕操作是在灰度級上對圖像進(jìn)行處理。因此，將蚜蟲圖像從彩色圖像轉(zhuǎn)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(gè)步驟： (1)求得某點(diǎn)的 R、 G、 B三個(gè)分量； (2)求得該點(diǎn)的亮度值 Y； (3)寫回新的 256 色位圖時(shí)，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(gè) 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(gè)像素點(diǎn)， R是 RGB 彩色圖像中 (i,j)點(diǎn)的紅色像素值， G是 RGB 彩色圖像中 (i,j)點(diǎn)的綠色像素值， B 是RGB 彩色圖像中 (i,j)點(diǎn)的藍(lán)色像素值。在 MATLAB 環(huán)境下利用函數(shù) rgb2gray 對蚜蟲圖像進(jìn)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(zhuǎn)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(zhuǎn)換為灰度圖 形態(tài)學(xué)濾波 由于圖像中干擾點(diǎn)塊較小?？梢酝ㄟ^腐蝕膨脹法進(jìn)行濾波處理。腐蝕運(yùn)算可以除去比結(jié)構(gòu)元素小的黑團(tuán)塊。在形態(tài)學(xué)的基本運(yùn)算中，膨脹運(yùn)算是腐蝕的姊妹算法。為了補(bǔ)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(jìn)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(yùn)算的次數(shù)聞處理對象的不同而相異，視試驗(yàn)效果而定。 （ 1）膨脹運(yùn)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(xué)學(xué)士學(xué)位論文 12 A = (33) 該式表明的膨脹過程是 B首先做關(guān)于原點(diǎn)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(gè)非零元素相交時(shí)， B的中心像素位置的集合。 （ 2）腐蝕運(yùn)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(jié)果為 x， A包含 B 被 x位移的結(jié)果。 （ 3）形