matlab0053 基于颜色的交通标志分割

图像分割是图像识别和图像理解的基本前提，图像分割质量的好坏直接影响后续图像处理的效果。因此图像分割的作用是至关重要的^[9]。图像分割一直是图像处理中研究的一

个热点问题，人们已提出上千种分割方法，但至今为止还没有一个通用的、理想的解决办法。彩色图像由于比灰度图像包含更多的色彩信息，所以它的分割就显得尤为重要。

   现有的彩色图像分割方法基本上可归结为两种：第一种是把彩色图像转化为灰度图像，然后用灰度图像的分割算法进行分割。这种方法算法比较成熟丰富，但分割过程中丢失了彩色信息，很难分割出彩色信息的细节成分。第二种是专门针对彩色图像的分割算法。分为基于颜色信息的分割方法和基于空间信息的分割方法。基于图像颜色信息的分割方法把颜色信息作为图像分割的主要依据。一般使用K-均值聚类算法或模糊K-均值聚类算法^[10]。基于像素空间关系的分割方法主要有两种。一种是基于像素区域之间的边界进行图像分割，人们一般是有Sobel、Canny等算子进行边缘检测^[11]，其二是基于区域的方法。利用区域（像素）之间邻接和相似性进行图像区域生长与合并来进行图像分割。尽管基于区域的图像分割既考虑到彩色空间中颜色的贡献，又考虑到与邻近像素之间的联系，是一种比较有效的图像分割方法，但分割之前必须指出种子点个数和位置，难以实现自动分割。从现有的彩色图像分割方法可以看出，不管用什么方法对彩色图像分割，都要定义两种颜色之间的距离。本文采取的是基于颜色模型的分割方法对交通标志图像进行分割，其颜色分割算法原理如下。

颜色无疑是交通标志最主要、最显著的特征^[12]，目前大部分交通标志识别系统都把颜色分析作为初步分割的依据。以颜色为依据进行检测的方法有许多，交通标志检测中较常用的有：彩色空间的各通道进行阈值分割或聚类色结构编码(Color Structure Code)，构造模糊分类器进行推断^[13]，区域分裂^[14]等方法。阈值分割是颜色分割中最常见的方法，该法通过一定的阈值，将图像划分为感兴趣色彩区域（如红色、蓝色等属于交通标志的颜色）和非感兴趣色彩区域，这种方法操作简单，计算量较小。但单一阈值对光照等因素的鲁棒性较低，对分割效果造成很大影响。改进的思路主要从彩色空间的选择和阈值选取两方面展开。由于图像中物体的颜色实际上是物体在光源照射下反射光的颜色，除了物体本身的颜色，还取决于光源的位置和强度，因此许多研究致力于寻找具有“色彩不变性”（即不受光源等外部因素影响）的量，即选择合适的彩色空间。

目    录
1  绪论    1
1.1 研究背景    1
1.2 目的和意义    1
1.3 研究现状    2
2 基于颜色的图像分割原理    4
2.1 基于RGB模型的颜色分割算法    4
2.2 基于HSV模型的颜色分割算法    6
2.3 基于SVF模型的颜色分割算法    8
3 图像预处理    9
3.1 图像加噪    9
3.2 图像去噪    10
4 算法实现    14
4.1 RGB模型的颜色分割    14
4.2 HSV模型的颜色分割    15
4.3 SVF模型的颜色分割    17
4.4 颜色分割结果比较    19
5 小结    23
致谢    24
参看文献    25
附录    26

HSV色彩模型从CIE三维颜色空间演变而来，它采用的是用户直观的色彩描述方法，它跟孟塞尔显色系统的 HVC 球型色立体较接近。(如图HSV 色彩六棱锥)只不过HSV色彩模型是一个倒立的六菱锥，只相当于孟塞尔球型色立体的一半（南半球），所以不含黑色的纯净颜色都处于六菱锥顶面的一个色平面上。在HSV六菱锥色彩模型中，色相（H）处于平行于六菱锥顶面的色平面上，它们围绕中心轴V旋转和变化，红、黄、绿、青、蓝、品红六个标准色分别相隔60度。色彩明度（B）沿六菱锥中心轴V从上至下变化，中心轴顶端呈白色（V = 1），底端呈黑色（V = 0），它们表示无彩色系的灰度颜色。色彩饱和度（S）沿水平方向变化，越接近六菱锥中心轴的色彩，其饱和度越低，六边形正中心的色彩饱和度为零（S = 0），与最高明度的V = 1相重合，最高饱和度的颜色则处于六边形外框的边缘线上（S = 1）。
    (1) 色平面（H、S）的基础是CIE色度图的x、y色平面
    (2) 明度与六棱锥中轴色（v）