CN102750680A

CN102750680A - 基于经验模式分解和颜色空间的茶叶图像增强方法

Info

Publication number: CN102750680A
Application number: CN2012102231590A
Authority: CN
Inventors: 汪建; 曾宪垠; 杜世平; 温安祥; 王开明
Original assignee: Sichuan Agricultural University
Current assignee: Sichuan Agricultural University
Priority date: 2012-06-30
Filing date: 2012-06-30
Publication date: 2012-10-24

Abstract

本发明公开一种基于经验模式分解和颜色空间的茶叶图像增强方法。本发明首先将原始的茶叶RGB彩色图像转换为HSI颜色空间，然后采用改进的二维经验模式分解方法，得到多个不同尺度的固有模式函数和残差分量的图像，并建立视觉适应模型对得到的固有模式函数和残差分量的图像进行调整，最后完成对现场茶树中茶叶图像的增强计算。实验结果表明该算法能很好地改善茶叶图像对比度低、亮度低、边缘模糊的情况，增强后的图像更为清晰，同时亮度、对比度得到很好的改善。

Description

基于经验模式分解和颜色空间的茶叶图像增强方法

技术领域

本发明属于图像处理技术领域，是一种对现场茶叶图像的基于改进的二维经验模式分解和颜色空间转换的茶叶图像增强的方法。

背景技术

在现代精细农业的生产中，利用计算机图像技术可极大地提高精度和效率，实现信息采集和处理的自动化和智能化，并可对农作物生长进行无损、快速、实时的监测。应用计算机技术对茶叶色泽和品质的分析和识别已有一些研究，但以往的研究多是对基于对成品茶叶的形状和颜色或者是对茶叶的汤色进行研究，对农田现场茶树中的茶叶图像进行计算机处理的研究却很少。

茶叶由于特有的生长环境的要求，雨水和云雾能更有利于产生良好品质的茶叶，但却能造成获取的图像质量的下降，不同程度地影响了对图像的进一步应用和处理，如图像的特征提取、目标识别等。因此，茶叶图像需要进行图像增强处理。

图像增强是增强图像中的有用信息，其目的是要增强视觉效果。将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，从而改善图像质量、丰富信息量，加强图像的后期处理效果。

颜色空间是彩色图像不同颜色理论上的表征方式，原始的数码图像是RGB格式，本发明首先将茶叶图像从RGB颜色空间转换到HSI颜色空间，HSI颜色空间更能接近人对彩色世界的观察方式，能更好地表明我们对色彩的理解和更利于处理。

经验模式分解(Empirical Mode Decomposition,EMD)是一种用于非线性和非平稳数据分析的方法，现已应用多个领域。二维经验模式分解（BEMD）是近年来提出的一个多尺度结构的新方法，在时域上将一个二维的图像信号分解成不同尺度的二维固有模式函数(IntrinsicMode Function,IMF)，它是包含不同频率的细节图层，是一种在时域范围内的频率分析方法。由于二维经验模式分解方法具有将图像分解为局部窄带信号的能力，在图像增强方面能取得比常用的小波分析等分析方法更好的效果。

发明内容

本发明通过分析茶树中茶叶图像的颜色空间特性，结合视觉模型特点提出一种基于改进的二维经验模式分解和颜色空间的茶叶图像增强方法。

本发明中的二维经验模式分解是先运用数学形态学的方法提取图像极点，所提取的极值点再通过改进的三角剖分插值法进行曲面插值得到包络面，然后对极值点包络面取平均，再将其与原图像信号相减，从而进行迭代。

通过经验模式分解，图像被分解为一系列包含不同细节信息的图像细节层和一个包含图像亮度信息的图像残差层。在每一个点上，前一个图像细节层的频率均比后一个细节层的频率高。通过对各个图像细节层和残差层的调节可以实现图像增强。

分解后得到的IMF尺度从小到大进行排列，即频率从大到小进行排列，代表着图像的细节模式结构，残差图像代表着图像基本照度信息和趋势。其中IMF满足以下2个条件：（1）在整个数据序列中，极值点的数量与过零点的数量必须相差不超过1个；（2）在任一时间点上，信号局部极大值确定的上包络线和局部极小值确定的下包络线的均值为零，即满足传统平稳高斯过程。这种分解是自适应的，因此具有很高的效率。

本发明的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是包含以下具体步骤：

（1）将原始茶叶图像f(x,y)从RGB空间转换到HSI空间，并得到H、S、I的3个分量值，提取亮度分量图像f_I(x,y)；

（2）初始化余量函数r：r₁＝imf₁＝f_I(x,y)；

（3）筛选第i个imf_i；

I）赋值h_i＝r_i，并用数学形态学的方法提取局域h_i的极大值和极小值；

II）通过改进的三角剖分插值法构造上下极值包络曲面X_i和Y_i；

III）求取上下包络曲面的均值m_i＝(X_i+Y_i)/2；

IV）用原曲面减去均值包络曲面，求出余量h_i+1＝h_i-m_i；

V）计算和判别停止收敛条件SD；

VI）重复步骤I）～～步骤V），直到满足SD≤SD_max,并赋值imf_i＝h_i,r_i＝r_i-1-imf_i；

（4）对其进行视觉适应性计算；

I）初始化适应函数：s₀＝imf_i；

II）计算s₀的均值和方差，并计算出亮度调整矩阵，进行亮度调整；

III）对输入图像再进行对比度调整；

IV）得到视觉适应性图像；

（5）重复步骤（3）~步骤（4），直到r_i中极值点数少于2；

（6）对得到的残差图像res(x,y)进行步骤(4)处理；

（7）得到最终图像

f^{'} (x, y) = Σ_{i = 1}^{L} im f_{i} (x, y) + {res}_{L} (x, y);

（8）将图像转换为RGB格式。

本发明采用了改进的三角剖分插值法，改进了传统三角剖分插值法容易造成了奇异点的现象，针对奇异点采取了对称点估值方法，具体算法是：

1)选取一个初始三角形T，T包含点集C;

2)在C中依次取出一点C_i，插入到初始三角形；

3)判断C_i位于哪些三角形的外接圆中,将这些三角形构成一个凸包；

4)删去凸包中所有的边；

5)将C_i点与该凸包的所有顶点连接起来，得到当前的三角剖分；

6)如果C≠Φ，则转向步骤2)，否则结束；

7)找到奇异点SP(i₁,j₁)及最近的边界点l(i₂,j₂);

8)以l(i₂,j₂)为对称中心找到与奇异点SP(i₁,j₁)对称的点SP′(2i₂-i₁,2j₂-j₁),以点SP′(2i₂-i₁,2j₂-j₁)的灰度值赋给奇异点SP(i₁,j₁)。

因为IMF过零点的数目是无法统计的，所以二维经验模式分解时应建立收敛条件作为筛选过程的停止条件，针对二维M×N像素的图像f(x,y)，其中x＝1,2,...,M,y＝1,2,...,N，收敛条件计算为：

SD = Σ_{x}^{M} Σ_{y}^{N} \frac{{| f_{k - 1} (x, y) - f_{k} (x, y) |}^{2}}{f_{k - 1}^{2} (x, y)}

在步骤(3)过程中，首先找到满足给定的终止条件得到第1层二维固有模式函数imf₁，同时用原图像减去第1层模态函数得到第1层残差。对残差再重复步骤(3)，依次得到图像的L层固有模式函数和第L层残差。经过L层BEMD分解后，最终的图像可以表示为：

f^{'} (x, y) = Σ_{i = 1}^{L} im f_{i} (x, y) + res (x, y)

其中，imf_i(x,y)是第i层二维固有模式函数；res_L(x,y)是经过L层分解后的残差图像。

根据视觉的分辨特性，在图像处理时，对低频和高频区域适当进行拉伸，在中灰度区域进行适当压缩，本发明提出视觉适应性模型，其模型的适应函数表示为：

s(x，y)=F{(i(x,y))×k(x,y)}

其中，s是输出的视觉适应性图像；i为输入灰度图像；k用于调节图像亮度；F用于调节图像对比度。

本发明采用算法是根据视觉图像统计特性将曲率和中心点自动调整形状到适当的视觉曲线，对应图像暗区的灰度值调节大一些，对应图像亮区的灰度值调节小一些，以便将图像亮度的动态范围压缩到合适的视觉区，增加A值减小V值使低照度区域的质量得到更好提升。计算公式定义为：

k (x, y) = \frac{\max (i)}{A} [\lg (\frac{1}{(\sup - \inf) / \max (i) \times i (x, y) + \inf})]

而sup＝1/[1+e^-A(1-V)],inf＝1/[1+e^AV]

同时V＝2.05×e^(0.006×Var),A＝0.6106×mean^0.96

其中，Var是输入图像的方差；mean是输入图像的均值，A用于调整曲率；V用于调整中心点；max()求输入图像最大值。

附图说明

图1是茶叶图像的增强方法流程图。

图2是茶叶的原始图像。

图3是茶叶增强处理后图像。

具体实施方式

实验使用的数码相机为CANON S80，在图像取像过程中，采用近景模式，关闭闪光灯，以避免闪光灯自身光线对茶叶颜色的影响，同时应在自然光下进行取像，避免阳光的直射，在取像中所取成像焦距为25cm~35cm，分辨率采用1600×1200。

在应用中，收敛条件SD的选取时，一般取小于0.2~0.3之间的数。在对图像的二维经验模式分解中，一般进行L为4~7层的分解就可使分解后的图像包含了足够多的有用信息，同时也保证运算的速度，本实验中L取为5。

由于在茶树现场对茶叶的图像获取过程中，受外界光线影响较大，数码图像原始的格式是RGB格式，但R、G、B三分量之间有很强的相关性，随光照条件的变化，R、G、B三个分量都会有较大变化，直接利用这些分量往往不能得到所需的效果，所以在对图像彩色空间的选取中，选取HSI空间。

在HSI模型下，图像的色彩信息主要由H和S来反映，从RGB到HSI空间的转换公式如下：

H = \{\begin{matrix} 2 π - θ & B > G \\ θ & B \leq G \end{matrix}

S = 1 - \frac{3 \min (R, G, B)}{R + G + B}

I = \frac{1}{3} (R + G + B)

其中

θ = \arccos [\frac{[(R - G) + (R - B)] / 2}{\sqrt{{(R - G)}^{2} + (R - B) (G - B)}}]

应用本方法对茶叶图像颜色空间进行转换及基于经验模式分解的图像增强实验，结果表明本茶叶图像增强方法能够有效提取图像不同分辨率的高频信息，可以获取更多的细节信息，同时可以很好地调节图像的亮度、对比度信息。增强后的图像更为清晰，同时亮度、对比度得到很好的改善。

Claims

1.一种基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是包含以下具体步骤：

（2）初始化余量函数r：r₁＝imf₁＝f_I(x,y)；

（3）筛选第i个imf_i；

III）求取上下包络曲面的均值m_i＝(X_i+Y_i)/2；

IV）用原曲面减去均值包络曲面，求出余量h_i+1＝h_i-m_i；

V）计算和判别停止收敛条件SD；

（4）对其进行视觉适应性计算；

I）初始化适应函数：s₀＝imf_i；

III）对输入图像再进行对比度调整；

IV）得到视觉适应性图像；

（5）重复步骤（3）~步骤（4），直到r_i中极值点数少于2；

（6）对得到的残差图像res(x,y)进行步骤(4)处理；

（7）得到最终图像

f^{'} (x, y) = {&Sum;}_{i = 1}^{L} im f_{i} (x, y) + {res}_{L} (x, y);

（8）将图像转换为RGB格式。

2.根据权利要求1所述的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是：在步骤（3）采用改进的三角剖分插值法，算法的具体步骤是：

1)选取一个初始三角形T，T包含点集C;

2)在C中依次取出一点C_i，插入到初始三角形；

4)删去凸包中所有的边；

6)如果C≠Φ，则转向步骤2)，否则结束；

7)找到奇异点SP(i₁,j₁)及最近的边界点l(i₂,j₂);

8)以l(i₂,j₂)为对称中心找到与奇异点SP(i₁,j₁)对称的点SP′(2i₂-i₁,2j₂-j₁),以点SP′(2i₂-i₁,2j₂-j₁的灰度值赋给奇异点SP(i₁,j₁)。

3.根据权利要求1所述的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是：在步骤（3）中的停止收敛条件SD定义为：

SD = Σ_{x}^{M} Σ_{y}^{N} \frac{{| f_{k - 1} (x, y) - f_{k} (x, y) |}^{2}}{f_{k - 1}^{2} (x, y)}

其中f(x,y)是二维M×N像素的图像，而x＝1,2,...,M,y＝1,2,...,N。

4.根据权利要求1所述的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是：在步骤（4）的视觉适应性计算中，提出视觉适应性模型，其模型函数表示为：

s(x y)=F{(i(x,y))×k(x,y)}

5.根据权利要求1所述的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是：在步骤（4）的视觉适应性计算中，在对亮度和对比度的调整计算中，计算公式定义为：

k (x, y) = \frac{\max (i)}{A} [\lg (\frac{1}{(\sup - \inf) / \max (i) \times i (x, y) + \inf})]

而sup＝1/[1+e^-A(1-V)],inf＝1/[1+e^AV]

同时V＝2.05×e^(0.006×Var),A＝0.6106×mean^0.96

6.根据权利要求1所述的基于经验模式分解和颜色空间的茶叶图像增强方法，其特征是：

在步骤（7）的最终图像

中，imf_i(x,y)是第i层二维固有模式函数，res_L(x,y)是经过L层分解后的残差图像。