CN108711160B - 一种基于hsi增强性模型的目标分割方法 - Google Patents

一种基于hsi增强性模型的目标分割方法 Download PDF

Info

Publication number
CN108711160B
CN108711160B CN201810482841.9A CN201810482841A CN108711160B CN 108711160 B CN108711160 B CN 108711160B CN 201810482841 A CN201810482841 A CN 201810482841A CN 108711160 B CN108711160 B CN 108711160B
Authority
CN
China
Prior art keywords
image
hsi
saturation
image space
enhanced model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810482841.9A
Other languages
English (en)
Other versions
CN108711160A (zh
Inventor
常永鑫
陈家骏
青小渠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN201810482841.9A priority Critical patent/CN108711160B/zh
Publication of CN108711160A publication Critical patent/CN108711160A/zh
Application granted granted Critical
Publication of CN108711160B publication Critical patent/CN108711160B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image

Abstract

本发明公开了一种基于HSI增强性模型的目标分割方法，该方法通过将输入的彩色图像由RGB图像空间转换到HSI图像空间，并获取HSI图像空间的每个分量图像的色度特征、饱和度特征和亮度特征，再将色度特征图、饱和度特征图和亮度特征图进行加权融合，得到每个分量图像的增强性图，并构成HSI增强性模型；再将HSI增强性模型由HSI图像空间转换到RGB图像空间，然后进行图像灰度化处理，最后对灰度图像依次进行最大类间方差阈值处理和形态学处理，得到最终的目标分割图像。因此，本发明提升了对复杂背景分割的处理效果，而且不需要消耗太多的计算量。

Description

一种基于HSI增强性模型的目标分割方法
技术领域
本发明属于数字图像处理及计算机视觉技术领域，涉及一种利用HSI图像空间方法的基础上对复杂环境的目标区域的图像分割方法。
背景技术
图像分割是指把图像分解成各具属性和特点的区域并提取出感兴趣目标的技术和过程，它是计算机视觉领域扩展的一个重要而且基本的问题，分割结果的好坏将直接影响到视觉系统的性能。因此，在应用上图像分割是图像处理到图像分析的关键步骤。
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。常用的传统的分割方法只能应用于一些特定的图像，比如目标区域与背景有较大的区别，或者是边缘信息较为明显。在一些背景较为复杂时，传统方法将不适用。近年来提出的人工神经网络来分割复杂的背景图像有着明显的效果，是对一张图片中的每个像素进行分类，以此达到对图片特定部分进行分类的效果。但由于计算量庞大，需要巨大的处理消耗，不易实现。
发明内容
本发明的目的在于：针对解决传统图像分割方法对复杂背景分割的处理效果不好，以及人工神经网络分割方法计算量大的问题，而提出一种基于HSI增强性模型的图像分割方法，实现简单快速的复杂背景图像中的目标分割。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于HSI增强性模型的目标分割方法，其包括以下步骤：
步骤S1：将输入的彩色图像由RGB图像空间转换到HSI图像空间；
步骤S2：提取HSI图像空间中的H、S和I三个分量图像，并计算出每个分量图像的色度特征图、饱和度特征图和亮度特征图，再将色度特征图、饱和度特征图和亮度特征图进行加权融合，得到每个分量图像的增强性图，并构成HSI增强性模型；
步骤S3：将所述HSI增强性模型由HSI图像空间转换到RGB图像空间；
步骤S4：对转换到RGB图像空间后的所述HSI增强性模型进行图像灰度化处理，得到灰度图像；
步骤S5：对所述灰度图像依次进行最大类间方差阈值处理和形态学处理，得到目标分割图像。
根据一种具体的实施方式，本发明基于HSI增强性模型的目标分割方法的步骤S2中，采用多尺度高斯卷积提取出每个分量图像的色度特征、饱和度特征和亮度特征，再对提取到的每个分量图像的色度特征、饱和度特征和亮度特征进行线性滤波和gamma函数变换，得到每个分量图像的色度特征图、饱和度特征图和亮度特征图。
根据一种具体的实施方式，本发明基于HSI增强性模型的目标分割方法的步骤S3还包括：
步骤S301：将所述HSI增强性模型的H、S、I三分量归一化；
步骤S302：将H分量扩大360倍，并按照以下公式进行图像空间的转换；
当0＜H＜120，H位于RG扇形时，RGB分量为：
Figure BDA0001666194570000031
G＝3I-(R+B)
B＝I(1-S)
当120＜H＜240，H位于GB扇区时，RGB分量为：
R＝I(1-S)
Figure BDA0001666194570000032
B＝3I-(R+G)
而且，先令H＝H-120，然后再计算；
当240＜H＜360，H位于BR扇区时，RGB分量为：
R＝3I-(R+B)
G＝I(1-S)
Figure BDA0001666194570000033
而且，先令H＝H-240，然后再计算。
根据一种具体的实施方式，本发明基于HSI增强性模型的目标分割方法的步骤S4中，对所述增强性模型进行图像灰度化处理的方式为：
Gray＝aR+bG+cB
a+b+c＝1
其中，Gray表示灰度值，且a、b、c分别为R、G、B的权重。
与现有技术相比，本发明的有益效果：
本发明基于HSI增强性模型的目标分割方法，通过将输入的彩色图像由RGB图像空间转换到HSI图像空间，并通过获取HSI图像空间的每个分量图像的色度特征、饱和度特征和亮度特征，再将色度特征图、饱和度特征图和亮度特征图进行加权融合，得到每个分量图像的增强性图，并构成HSI增强性模型；再将HSI增强性模型由HSI图像空间转换到RGB图像空间，然后进行图像灰度化处理，最后对灰度图像依次进行最大类间方差阈值处理和形态学处理，得到最终的目标分割图像。，得到最终的目标分割图像。因此，本发明提升了对复杂背景分割的处理效果，而且不需要消耗太多的计算量。
附图说明：
图1为本发明的流程图；
图2为本发明构成HSI增强性模型的流程示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
结合图1所示的本发明的流程示意图；其中，本发明基于HSI增强性模型的目标分割方法以下步骤：
步骤S1：将输入的彩色图像由RGB图像空间转换到HSI图像空间。具体的，首先提取R、G、B、三分量，将R、G、B、三分量归一化，构建RGB图像空间到HSI图像空间，利用如下转换公式：
Figure BDA0001666194570000051
Figure BDA0001666194570000052
Figure BDA0001666194570000053
其中，Max＝max(R，G，B)，Min＝min(R，G，B)。
步骤S2：提取HSI图像空间中的H、S和I三个分量图像，并计算出每个分量图像的色度特征图、饱和度特征图和亮度特征图，再将色度特征图、饱和度特征图和亮度特征图进行加权融合，得到每个分量图像的增强性图，并构成HSI增强性模型。
具体的，结合图2所示的本发明构成HSI增强性模型的流程示意图；其中，采用多尺度高斯卷积提取出H、S和I分量图像的色度特征、饱和度特征和亮度特征，再对提取到的每个分量图像的色度特征、饱和度特征和亮度特征进行线性滤波和gamma函数变换，得到每个分量图像的色度特征图、饱和度特征图和亮度特征图，经过加权融合后，得到HSI增强性模型。因此，本发明通过上述方式得到的HSI增强性模型能够去除背景中的暗黑区域，减淡非目标区域的干扰成分，增强目标信息。
步骤S3：将HSI增强性模型由HSI图像空间转换到RGB图像空间；具体的，步骤S3还包括：步骤301和步骤302。
步骤S301：将HSI增强性模型的H、S、I三分量归一化。
步骤S302：将H分量扩大360倍，并按照以下公式进行图像空间的转换；
当0＜H＜120，H位于RG扇形时，RGB分量为：
Figure BDA0001666194570000061
G＝3I-(R+B)
B＝I(1-S)
当120＜H＜240，H位于GB扇区时，RGB分量为：
R＝I(1-S)
Figure BDA0001666194570000062
B＝3I-(R+G)
而且，先令H＝H-120，然后再计算。
当240＜H＜360，H位于BR扇区时，RGB分量为：
R＝3I-(R+B)
G＝I(1-S)
Figure BDA0001666194570000071
而且，先令H＝H-240，然后再计算。
步骤S4：对转换到RGB图像空间后的所述HSI增强性模型进行图像灰度化处理，得到灰度图像；具体的，进行图像灰度化处理的方式为：
Gray＝aR+bG+cB
a+b+c＝1
其中，Gray表示灰度值，且a、b和c为权重，均为不为零的数值。可以根据对每一个像素点的红色光，绿色光，蓝色光的敏感程度不同而赋予不同的权重组合。
步骤S5：对步骤4中得到的灰度图像依次进行最大类间方差阈值处理和形态学处理，得到最终的目标分割图像。其中，最大类间方差阈值处理和形态学处理均可采用OpenCV或者Matlab实现。

Claims (1)

1.一种基于HSI增强性模型的目标分割方法，其特征在于，包括以下步骤，
步骤S1：将输入的彩色图像由RGB图像空间转换到HSI图像空间；
步骤S2：提取HSI图像空间中的H、S和I三个分量图像，并计算出每个分量图像的色度特征图、饱和度特征图和亮度特征图，再将色度特征图、饱和度特征图和亮度特征图进行加权融合，得到每个分量图像的增强性图，并构成HSI增强性模型；
步骤S3：将所述HSI增强性模型由HSI图像空间转换到RGB图像空间；
步骤S4：对转换到RGB图像空间后的所述HSI增强性模型进行图像灰度化处理，得到灰度图像；
步骤S5：对所述灰度图像依次进行最大类间方差阈值处理和形态学处理，得到目标分割图像；
步骤S2中，采用多尺度高斯卷积提取出每个分量图像的色度特征、饱和度特征和亮度特征，再对提取到的每个分量图像的色度特征、饱和度特征和亮度特征进行线性滤波和gamma函数变换，得到每个分量图像的色度特征图、饱和度特征图和亮度特征图；
步骤S3还包括：
步骤S301：将所述HSI增强性模型的H、S、I三分量归一化；
步骤S302：将H分量扩大360倍，并按照以下公式进行图像空间的转换；
当0<H<120，H位于RG扇形时，RGB分量为：
Figure FDA0003362770070000021
G＝3I-(R+B)
B＝I(1-S)
当120＜H＜240，H位于GB扇区时，RGB分量为：
R＝I(1-S)
Figure FDA0003362770070000022
B＝3I-(R+G)
而且，先令H＝H-120，然后再计算；
当240＜H＜360，H位于BR扇区时，RGB分量为：
R＝3I-(R+B)
G＝I(1-S)
Figure FDA0003362770070000023
而且，先令H＝H-240，然后再计算
步骤S4中，对所述增强性模型进行图像灰度化处理的方式为：
Gray＝aR+bG+cB
a+b+c＝1
其中，Gray表示灰度值，且a、b、c分别为R、G、B的权重。
CN201810482841.9A 2018-05-18 2018-05-18 一种基于hsi增强性模型的目标分割方法 Active CN108711160B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810482841.9A CN108711160B (zh) 2018-05-18 2018-05-18 一种基于hsi增强性模型的目标分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810482841.9A CN108711160B (zh) 2018-05-18 2018-05-18 一种基于hsi增强性模型的目标分割方法

Publications (2)

Publication Number Publication Date
CN108711160A CN108711160A (zh) 2018-10-26
CN108711160B true CN108711160B (zh) 2022-06-14

Family

ID=63869139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810482841.9A Active CN108711160B (zh) 2018-05-18 2018-05-18 一种基于hsi增强性模型的目标分割方法

Country Status (1)

Country Link
CN (1) CN108711160B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523562A (zh) * 2018-12-14 2019-03-26 哈尔滨理工大学 一种基于人眼视觉特性的红外图像分割方法
CN110381233A (zh) * 2019-04-16 2019-10-25 泰州市朗嘉尚网络科技有限公司 自适应清晰度调节系统
CN111835995A (zh) * 2019-04-16 2020-10-27 泰州市朗嘉尚网络科技有限公司 自适应清晰度调节方法
CN113129300A (zh) * 2021-05-10 2021-07-16 深圳市水务工程检测有限公司 一种降低误检率的排水管道缺陷检测方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436666A (zh) * 2011-08-31 2012-05-02 上海大学 基于ihs变换的对象与场景融合方法
CN104156911A (zh) * 2014-07-18 2014-11-19 苏州阔地网络科技有限公司 一种图像融合处理方法及系统
WO2017059774A1 (en) * 2015-10-09 2017-04-13 Zhejiang Dahua Technology Co., Ltd. Methods and systems for fusion display of thermal infrared and visible image
CN107301405A (zh) * 2017-07-04 2017-10-27 上海应用技术大学 自然场景下的交通标志检测方法
CN107590791A (zh) * 2017-09-22 2018-01-16 深圳市华星光电半导体显示技术有限公司 图像增强方法以及图像处理装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101706780A (zh) * 2009-09-03 2010-05-12 北京交通大学 一种基于视觉注意力模型的图像语义检索方法
CN102903099A (zh) * 2012-09-05 2013-01-30 西安电子科技大学 基于directionlet变换的彩色图像边缘检测方法
CN105205804B (zh) * 2015-08-18 2018-10-30 爱威科技股份有限公司 血细胞图像中白细胞的核浆分离方法、分类方法及装置
CN106504212A (zh) * 2016-11-07 2017-03-15 湖南源信光电科技有限公司 一种改进的hsi空间信息低照度彩色图像增强算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102436666A (zh) * 2011-08-31 2012-05-02 上海大学 基于ihs变换的对象与场景融合方法
CN104156911A (zh) * 2014-07-18 2014-11-19 苏州阔地网络科技有限公司 一种图像融合处理方法及系统
WO2017059774A1 (en) * 2015-10-09 2017-04-13 Zhejiang Dahua Technology Co., Ltd. Methods and systems for fusion display of thermal infrared and visible image
CN107301405A (zh) * 2017-07-04 2017-10-27 上海应用技术大学 自然场景下的交通标志检测方法
CN107590791A (zh) * 2017-09-22 2018-01-16 深圳市华星光电半导体显示技术有限公司 图像增强方法以及图像处理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Color image segmentation in HSI space for automotive applications;Calin Rotaru等;《J Real-Time Image Proc》;20080319;311-322 *

Also Published As

Publication number Publication date
CN108711160A (zh) 2018-10-26

Similar Documents

Publication Publication Date Title
CN108711160B (zh) 一种基于hsi增强性模型的目标分割方法
Huang et al. Efficient contrast enhancement using adaptive gamma correction with weighting distribution
CN104537634B (zh) 动态图像中去除雨滴影响的方法和系统
CN111429370B (zh) 一种煤矿井下的图像增强方法、系统及计算机存储介质
Liu et al. Low-light video image enhancement based on multiscale retinex-like algorithm
CN112561899A (zh) 电力巡检图像识别方法
CN103839245B (zh) 基于统计规律的Retinex夜间彩色图像增强方法
CN107256539B (zh) 一种基于局部对比度的图像锐化方法
CN109272475A (zh) 一种快速有效修复与强化水下图像颜色的方法
CN111476744A (zh) 一种基于分类及大气成像模型的水下图像增强方法
CN111027564A (zh) 基于深度学习一体化的低照度成像车牌识别方法及装置
US20240086661A1 (en) Method and apparatus for processing graphic symbol and computer-readable storage medium
CN112435184A (zh) 一种基于Retinex和四元数的雾霾天图像识别方法
CN112465711A (zh) 一种针对雾天环境下的降质图像增强方法
CN111815548A (zh) 一种中长波双波段红外图像融合方法
CN111611940A (zh) 一种基于大数据处理的快速视频人脸识别方法
Yu et al. Color constancy-based visibility enhancement in low-light conditions
CN110930358A (zh) 一种基于自适应算法的太阳能面板图像处理方法
CN115358948A (zh) 一种基于改进Retinex算法的低照度图像增强方法
CN114549358A (zh) 基于引导滤波的相机特性的低照度图像增强方法及系统
CN108198156B (zh) 一种作物叶片图像的增强方法和装置
Jiang Region Enhancement Methods of Color Blurred Image Based on Visual Communication
CN111915500A (zh) 一种基于改进Retinex算法的雾天图像增强方法
CN105741248A (zh) 一种去除图像中阴霾退化的方法
CN110059682B (zh) 一种基于流行排序算法的近色系目标识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant