一种基于改进的slic超像素分割算法的颜色识别方法
【技术领域】
[0001] 本发明涉及计算机视觉和图像识别技术领域，具体涉及一种基于改进的SLIC超 像素分割算法的颜色识别方法。
【背景技术】
[0002] 彩色图像相对于灰度图像具有更多的信息量，彩色图像的颜色识别在实时检测系 统及自动控制方面具有重要的意义，其在现代生产和科研方面都取得了越来越广泛的应 用，比如在遥感技术、工业过程控制、材料的分拣识别、图像识别和产品质量检测等方面都 取得了广泛的应用。
[0003] 传统的彩色图像识别技术通常是基于RGB颜色空间对图像中的每个像素进行颜 色判断，这样比较耗时也不利于图像的整体分析。由于图像颜色一般都是渐变的，一种颜色 不会仅有一个像素，因此为了提高图像的处理速度，首先需要对图像进行超像素聚类，然后 每个区域仅需要判断一次颜色，从而大大减小了运算量，提高了处理速度。
【发明内容】
[0004] 本发明的目的在于提供一种基于改进的SLIC超像素分割算法的颜色识别方法， 该方法首先对图像进行超像素聚类，然后判断每个区域的颜色；相对于以往对每个像素进 行判断大大减小了运算量，提高了处理速度。
[0005] 为实现上述目的，本发明采用了以下技术方案：
[0006] -种基于改进的SLIC超像素分割算法的颜色识别方法，步骤如下：
[0007] (1)加载Lab颜色模式样本集；
[0008] (2)获取待识别的目标彩色图像并对该目标彩色图像进行滤波、校正预处理；
[0009] (3)用SLIC超像素分割算法对预处理后的目标彩色图像进行处理，分割出多个不 同的超像素区域；
[0010] (4)对经步骤（3)分割出的每个超像素区域进行均值处理，使每个单个超像素区 域内的所有像素值是相同的，其均值" =，式中：
[0012] 其中：队表示第1^个区域的像素个数，1^、\、1^表示对应1^颜色模式中三通道的 像素值；
[0013] (5)将超像素区域中的一个像素值与步骤⑴中加载的样本集中颜色利用马氏距 离进行比较，马氏距离最小值所对应的颜色即为该超像素区域的颜色，马氏距离计算公式 为：
[0015] 式中：Lah表示第i个超像素区域内的一个像素的颜色值，Lab sj表示Lab颜色模 式样本集中的第j类样本中第i个像素的颜色值，S 1为协方差矩阵S的逆，T表示矩阵的 转置。
[0016] 进一步方案，所述步骤（2)中的对目标彩色图像进行滤波、校正预处理是指先利 用中值滤波器对其进行平滑图像和抑制噪声处理，然后对其进行gamma校正，以提高彩色 图像的对比度。
[0017] 更进一步方案，所述gamma校正是对目标彩色图像中RGB进行非线性色调编辑，则 RGB中红、绿、蓝三个通道的颜色R、G、B分别如下：
[0020] r，g，b为像素三个通道值，取值范围均为[0, 255]。
[0021] 进一步方案，所述步骤（3)中的用SLIC超像素分割算法对预处理后的目标彩色图 像进行处理的步骤如下：
[0022] (a)首先将目标彩色图像从RGB空间转化为Lab空间供后续超像素分割所用；
[0023] (b)初始化目标彩色图像被分割成超像素区域的类别数量K和迭代次数；对于像 素大小为N的彩色图像，以步长
初始化聚类中心，即以宽、高间隔为s取像素点为 聚类中心点，聚类中心用五维向量表示为Ci= [1 i, a;, bi, Xi, yj'其中（li, a;, bi)表示第i 个聚类中心的颜色值，（Xl，yi)为第i个聚类中心的坐标值，T表示转置；第i个聚类中心Q 与其周围像素点的距离d(i)在初始化时为无穷大，即d(i) =°°。
[0024] (c)在以聚类中心Q为中心点的3*3区域内，比较两两像素之间的梯度大小，并将 聚类中心(；移到梯度最小的区域SCk，从而避免聚类中心是边缘点和噪声点，其中两两像 素之间的梯度G(x，y)定义如下：
[0026] 式中V表示像素的五维向量，即为V[L，a，b，X，y]，其中（L，a，b)表示像素的颜色 值，（x，y)表示像素的坐标值；
[0027] (d)在移动后的聚类中心(；的2sX2s邻域内比较每个像素到聚类中心的空间距 离，其中2sX2s邻域指的是以聚类中心(；为中心的2sX2s区域的所有像素，s为步骤（b) 中的步长大小，也就是聚类中心的周围区域；然后更新聚类中心，具体如下所示：
[0030] 上两式中：03表示为第i个像素到聚类中心Ck的空间距离；C kn为更新后的聚类中 心的五维向量；
[0031] Lab;表示第i个像素的彩色值：Lab ;= [L ;，a;, bd ;Labk表示聚类中心C k的彩色 值 Labk= [Lk,ak,bk];
[0032] Si表示第i个像素的二维空间位置坐标，S1= [Xl，yi]T，Sk表示聚类中心Ck的二 维空间位置坐标，Sk= [xk，yk]T;
[0033] NlajP N s分别为彩色和空间距离的归一化常数；
[0034] Gk表示聚类中心Ck所表示的聚类区域，Nk表示聚类中心C kft所包含的像素数量；
[0035] (e)比较步骤（b)中聚类中心Q与周围像素点的距离d(i)和步骤⑷中像素到 聚类中心Ck的空间距离D s之间的大小，若Ds〈d(i)，则更新聚类中心使d(i) = Ds，并通过 标签记录此时的位置；
[0036] (f)反复执行步骤（d)、（e)，直到达到步骤（b)所设定的迭代次数；
[0037] (g)比较两两相邻的更新后的聚类中心区域的亮度差值，当该差值小于设定的阈 值时，将最小的聚类中心区域合并到其相邻的最大的聚类中心区域中，否则，该最小聚类中 心区域继续寻找最近的聚类中心区域进行合并，其中亮度差值公式如下：
[0038] 〇η=(μ-μη)2
[0039] 式中，μ和分别表示最小聚类中心区域的平均亮度值和与其最近的邻聚类中 心区域的平均亮度值，表示最小的聚类中心区域和与其最近且最大的邻聚类中心区域亮 度差值，Γη = 1，2，· · ·，M。
[0040] 进一步方案，将目标彩色图像从RGB空间转化为Lab空间的步骤如下：
[0041] (a)首先将目标彩色图像的RGB空间按下面公式转换到XYZ彩色空间，
[0043] 式中：R、G、B分别代表彩色空间RGB的三个通道，X、Y、Z对应XYZ彩色空间的三个 通道，Μ为3X3的矩阵，且
[0044] (b)将ΧΥΖ彩色空间转换到Lab空间，其转换公式如下：
[0047] ΙΛ a% b*是最终的LAB彩色空间三个通道的值，X n、Yn、Zn-般默认都是1。
[0048] 本发明提出一种基于改进SLIC超像素分隔的颜色识别方法，该发明首先对图像 进行预处理，去除图像噪声点并提高图像对比度；然后利用SLIC算法对图像进行超像素区 域分割，并对超像素区域进行均值处理，便于后续基于区域进行颜色识别；最后利用马氏距 离来进行颜色识别，该算法相对于以往基于每个像素的颜色识别方法具有准确度高、运算 量小等优点。
【附图说明】
[0049] 图1是本发明的方法流程图；
[0050] 图2中值滤波对待识别的目标彩色图像进行处理示例；
[0051] 图3用SLIC超像素分割算法对预处理后的目标彩色图像进行超像素分割流程 图；
【具体实施方式】
[0052] 为了更好的理解本发明，下面结合附图对本发明做进一步说明。
[0053] 实施例1 :
[0054] 如图1所示的是基于SLIC颜色识别的流程图，该方法包括以下步骤：
[0055] -种基于改进的SLIC超像素分割算法的颜色识别方法，步骤如下：
[0056] (1)加载Lab颜色模式样本集；
[0057] (2)获取待识别的目标彩色图像并利用中值滤波器对其进行平滑图像和抑制噪声 处理，然后对其进行gamma校正，以提高彩色图像的对比度；从而避免了 SLIC图像分割后产 生大量微小区域，中值滤波器在平滑图像和抑制噪声的同时可以有效保留边界，如图2所 示是利用中值滤波器对3 X 3模板进行进行平滑图像和抑制噪声处理示意图，从图2中可看 出若像素点是噪声点（像素值较大）则由周围区域的像素点表示，在对图像平滑处理的同 时保留了边界，处理区域为黑色字体加黑部分。
[0058] 所述ga_a校正是对目标彩色图像中RGB进行非线性色调编辑，则RGB中红、绿、 蓝三个通道的颜色R、G、B分别如下：
[0061] r，g，b为像素三个通道值，取值范围均为[0,255]，其中gamma函数不是唯一的，主 要用来对图像进行非线性色调编辑。
[0062] (3)用SLIC超像素分割算法对预处理后的目标彩色图像进行超像素分割处理，分 割出多个不同的超像素区域；其流程图如图3所示，具体步骤如下：
[0063] (a)首先将目标彩色图像从RGB空间转化为Lab空间供后续超像素分割所用，具体 转化如下：
[0064] (aa)首先将目标彩色图像的RGB空间按下面公式转换到XYZ彩色空间，
[0066] 式中：R、G、B分别代表彩色空间RGB的三个通道，X、Y、Z对应XYZ彩色空间的三个 通道，Μ为3X3的矩阵，且
[0067] (ab)将ΧΥΖ彩色空间转换到Lab空间，其转换公式如下：
[0070] ΙΛ a% b*是最终的LAB彩色空间三个通道的值，X n、Yn、Zn-般默认都是1。
[0071] (b)初始化目标彩色图像被分割成超像素区域的类别数量K和迭代次数；对于像 素大小为N的彩色图像，以步长^·^^初始化聚类中心，即以宽、高间隔为s取像素点为 聚类中心点，聚类中心用五维向量表示为Ci= [1 i, a;, bi, Xi, yj'其中（li, a;, bi)表示第i 个聚类中心的颜色值，（Xl，yi)为第i个聚类中心的坐标值，T表示转置；第i个聚类中心Q 与其周围像素点的距离d(i)在初始化时为无穷大，即d(i) =°°。
[0072] (c)在以聚类中心Q为中心点的3*3区域内，比较两两像素之间的梯度大小，并将 聚类中心(；移到梯度最小的区域SCk，从而避免聚类中心是边缘点和噪声点，其中两两像 素之间的梯度G(x，y)