摘 要： 模糊C均值(FCM)被廣泛應(yīng)用于彩色圖像分割中，但傳統(tǒng)的模糊C均值由于沒有考慮空間信息，因此對噪聲特別敏感。針對此問題，提出了一種在HIS顏色空間結(jié)合像素鄰域空間信息的模糊聚類新方法。實驗結(jié)果表明，此方法對高噪聲圖像有較好的處理結(jié)果。
關(guān)鍵詞： 彩色圖像分割; HIS彩色空間; 鄰域均值; 模糊C均值
圖像分割就是將相似屬性的像素進行分類的過程,是圖像處理的第一步。由于彩色圖像比灰度圖像具有更多的信息，而且近年來隨著計算機處理能力的提高，彩色圖像處理得到了人們越來越多的關(guān)注。彩色圖像處理方法一般是借助于灰度圖像的處理方法，因為灰度圖像的研究起步較早，算法相對成熟,而對彩色圖像的研究則起步晚，仍有很多有待改進的地方， 彩色圖像的分割算法一直是近年研究的熱點[1]。常見的彩色圖像分割方法有閾值法、邊緣檢測法、聚類法、基于區(qū)域的方法和神經(jīng)元網(wǎng)絡(luò)法等。本文討論基于HIS顏色空間的模糊聚類法。
最常見的顏色空間是RGB空間，由于R、G、B三分量相關(guān)性非常高，分割時往往不能得到所需要的結(jié)果（如亮度不同但顏色相同的區(qū)域會被分成不同區(qū)域）。而HIS空間是RGB空間的非線性變換，去掉了三分量之間的相關(guān)性，而且此空間更符合人眼視覺特點，顏色信息H、S和亮度信息I被分開，如果只需要對色調(diào)進行分割時，可以單獨使用色調(diào)H分量來進行分割。模糊C均值FCM(Fuzzy C-Mean)聚類是一種無監(jiān)督的分割方法，它不需要訓(xùn)練樣本。但傳統(tǒng)的模糊聚類由于只考慮了灰度或顏色信息，沒考慮空間信息，因此對噪聲比較敏感。本文提出了一種結(jié)合空間信息和HSI色彩信息的多維模糊C均值聚類方法，此方法對含噪聲的圖像有較好的去噪效果。
1 顏色空間
對于彩色圖像處理，選擇合適的顏色空間是很重要的,常見的顏色模型有RGB、HIS、NTSC、YCbCr、Lab、CIE、YUV、YIQ和HSV等。其中RGB是最基本的顏色模型，其他的都是在它的基礎(chǔ)上通過線性或非線性變換得來的。
1.1 RGB顏色空間
根據(jù)人眼結(jié)構(gòu)，所有顏色都可以看作紅（R）、綠（G）和藍(B)3個基本顏色的不同組合，RGB模型如圖1所示。
如圖1所示，連接黑色與白色的直線稱為灰色線，它是等量三基色混合而成的。位于坐標(biāo)軸上的三頂點分別為紅、綠、藍三基色，另外三頂點為黃、青及品紅。
每一個分量都有0~255共256個等級,也就是8 bit，這樣組合在一起共有256×256×256(約1 600萬)種顏色，具有24 bit深度。RGB適合于顏色顯示，但是由于三分量的高相關(guān)性，它不適合于彩色圖像的分割與分析。
1.2 HIS顏色空間
HIS顏色空間[2]是一種符合人眼感知的顏色空間。其中，H稱為色調(diào)，代表基本顏色,反映顏色的波長；S稱為飽和度，反映顏色的深淺程度，表明白光和色調(diào)混合的數(shù)量；I稱為亮度。H和S包含了顏色信息，而I則與彩色信息無關(guān)。三分量可以分開處理，而且是獨立的。HIS模型如圖2所示。
色調(diào)H以角度來表示，其取值范圍為0～360°。飽和度S是圓心到彩色點的半徑長度。強度I用軸線方向上的高度來表示，它描述了灰度級。
HIS 顏色空間是由RGB顏色空間通過非線性轉(zhuǎn)換得來的，其轉(zhuǎn)換公式是[3]：
通過對比兩種方法的處理結(jié)果可以看出，本文提出的算法在抑制噪聲方面明顯優(yōu)于傳統(tǒng)方法。對于系數(shù)α，可以通過實驗確定,不同值的對分割效果有較大的影響，噪聲含量大的圖片,α值可以相應(yīng)取大一些。
本文提出的結(jié)合鄰域空間信息的彩色圖像分割方法對含有噪聲的圖片有較好的噪聲抑制效果，為彩色圖像分割的應(yīng)用提供了新的、有效的思路。本文采用了H、S、I 3個分量加上它們的鄰域均值共6個維度來進行聚類，由于H、S、I三量的獨立性，可以根據(jù)需要只用其中某一個分量(如H分量)及它的鄰域均值共兩個量來進行聚類，這樣可以節(jié)省處理時間。
參考文獻
[1] 王月蘭，曾迎生. 信息融合技術(shù)在彩色圖像分割方法中的應(yīng)用[J]. 計算機學(xué)報，2000,23(17):763-767.
[2] 章毓晉. 圖像處理與分析[M].北京：清華大學(xué)出版社，1999.
[3] 岡薩雷斯.數(shù)字圖像處理(第2版)[M]. 阮秋琦，阮宇智，譯.北京：電子工業(yè)出版社，2007.
[4] DUNN J C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters[J]. J Cybemet,1973,8(3):32-57.
[5] BEZDEK J C. Pattern recognition with fuzzy objective function algorithms[M].New York: Plenum Press,1981.