一种基于HLS的快速图像分割算法
【摘要】本文提出了一种新的基于HLS的快速图像分割算法。
通过分析HLS 颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区域。
在图像的预分割过程中起到了快速定位的作用。
与基于MEANSHIFT 的图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速的，良好的的特性。
【关键词】预分割；图像分割；HLS颜色空间
1.分割的意义与现状
图像分割是计算机图像处理与机器视觉研究领域中的基本问题之一。
随着计算机硬件和计算机理论的不断取得突破进展，数字图像处理技术和计算机视觉技术得到了广泛的应用。
在对图像进行研究和应用中，前景提取或前景分割是一个重要的研究组成部分。
在应用的过程中，往往只对图像中某些部分某些区域感兴趣，这些部分通常称之为前景。
前景是图像中特定的，具有某些特性的区域，或者说是具有更高层次语义的区域。
例如人，桌子等等自然物体，也可能是人身体的一部分，如头发，脸等等。
为了进一步的研究分析，需要把前景区域单独提取出来，作为下一步的算法的输入。
所以说图像分割算法是指将某些特定区域从背景中分割出来的算法。
图像分割是数字图像处理与计算机视觉研究领域中的基本问题之一，也是热点之一。
在每一次交互式的过程中，我们并不需要对整幅图像进行处理，只需要对交互处周围的像素点进行分析即可。
这样不仅仅是因为处理的像素点减少，从而可以节省大量的处理时间，同时在处理过程中，可以去掉不相似点的干扰，在处理速度上，在收敛性上，也可以节省大量的时间。
所以如果能明确处理的区域，可以提高处理速度，从而保证算法的实时性。
如果定义一个固定的矩形或者圆形等形状的话，对于不同的物体显然具有不同的效果。
如果物体比所定义的矩形框大，则不能一次性的分割出相邻的区域。
如果物体比所定义的矩形框小很多的时候，不仅仅是处理速度上变慢，分割效果会降低。
所以使用简单的分割算法进行粗定位，确定下一步的处理范围，对整个交互式过程来说是一个非常重要的步骤。
在过去二十多年中，人们对前景图像提取问题做了大量的研究。
最简单的方法是，能过选取满足用户指定图像的颜色值的所有像素来提取前景。
Photoshop 的智能剪刀和魔杖工具就是采用了这种方法。
但是这种方法需要大量的用户交互，使用起来极其不方便。
近十年来，研究者提出了很多精确提取前景区域的系统，同时使用户的交互尽可能少。
比如智能画布[1]和基于对象的图像编辑系统[2]等，通过将图像分割成区域，然后用户选取一些区域产生最后的前景对象的方法。
Grab cut系统[3]
与Lazy Snapping[4]算法也是一种基于Graph cut的交互式图像分割方法。
Lazy Snapping算法的基本思想是使用用户标出的所有前景和背景的种子点，建立前景与背景的颜色模型，再以图像为基础建立的马尔可夫随机场，然后利用图割分算法在进行能量优化，以确定图像中每个像素属于前景还是属于背景。
Lazy Snapping第一次提出在多尺度的图像上进行交互式图像分割，Lazy snapping在算法的加速方面进行了更充分的考虑，使用用了分水岭算法，对图像进行过分割处理，获得很多的小区域（即超像素），这些区域颜色非常相似，可以认为它们是同一个颜色值。
基于RGB的颜色空间进行分析。
常用的图像分割算法有mean shift图像分割算法与基于分水岭的图像分割算法。
但是这些方法都属迭代的方法，时间复杂度比较大，在图像处理过程中浪费时间。
本论文针对此前的分割使用时间太长的问题提出了一种新的图像分割算法，同时此方法可以运用于其它图像分割算法的预分割中，会加速图像的分割时间。
2.基于HSL颜色空间的快速图像分割算法
2.1 RGB颜色空间
众所周知图像采集设备以及显示设计都是采用的RGB颜色空间。
它是基于自然界任何一种颜色均可以用红，绿，蓝三原色混合生成。
这在几何上能够以R、G、B，这3个互相垂直的轴所构成的空间坐标系统来表示。
这种颜色空间适应于显示相关的用途，但是它在人的视觉中，图像处理中，并不是一种最佳的颜色空间。
将RGB颜色空间模型的截面图，方法如下：生成256张256*256像素大小的图片，每幅图像的R通道灰度值等于纵坐标的值，即从上到下的值为0到255逐渐递增；G通道的灰度值等于横坐标的值，即从左到右的值为0到255逐渐递增；B通道的灰度值等于图片的序号，即从第0张图片到第255张图片，每张图片B通道的值是固定的。
然后再将这256幅图片拼在一起，形成了图1-1。
笼统地讲是把RGB色彩空间的每个B通道的截面图，合并为一张图。
2.2 HSL颜色空间
HSL颜色空间是基于人的心理感知角度建立的，它是用色调(Hue)、饱和度(Saturation)以及亮度(Intensity)来描述色彩。
HSI色彩空间是用一个圆锥空间模型来描述。
但它可以很好把色调、亮度和饱和度的变化情形表现得很清楚，并且在图像处理中给了可以更好的定义描述一种颜色。
接下来通过图3-1所示来介绍HIS彩色空间。
对于HSL颜色空间，如同RGB颜色空间一样，生成了256张图片。
每幅图像的H通道灰度值等于纵坐标的值；S通道的灰度值等于横坐标的值；L通道的灰度值等于图片的序号，每张图片L通道的值是固定的。
然后把转化RGB颜色空间来显示，如图3-6，我们发现在相同坐标下，也就是具有不同的L值，相同H，S值时，颜色是一致的。
并且我们还可以发现，在同一张256*256的小图片中，具有相同纵坐标，也就是具有相同的S值时，像素的颜色是属于同一色系
的。
从这张综合图中可以分析到，只要知道H值，就可以粗略的知道此像素是什么颜色。
2.3 颜色相似性算法
在计算两个颜色值是否相似的时
放大HSL颜色空间其中的一幅截面图，我们发现颜色在纵坐标上他们是周期性的重复出现，周期是180个像素点。
近一步分析得到，粉色在[15，45]区间上，红色处在[45，75]的区间上，黄色在[75，105]，绿色在[105，135]的区间上，青色在[135，165]的区间上，蓝色在[0，15]与[165，180]区间上。
每种颜色占据30个单位，可以通过数学分式很好的描述。
这样化分后，我们可以通过H的灰度值，粗略在确定某个像素点大概分布在什么颜色上。
由于蓝色分布[0，15]和[165，180]区间上，它们是不连续的，在处理过程中不方便，对H进行一个预处理，使蓝色处在一个相同的空间中，同时保证其它颜色也是连续的。
本文中采用取余的方式获取，公式如下：
(3-8)
由公式可以将其它颜色提高15个单位，同时将蓝色分布在[0，30]区间上。
其中黑色分布在横坐标[0，10]区间上，白色分布在横坐标[230，255]区间上。
这样我们可以把颜色粗略的分为8种颜色，这8种颜色可以覆盖所有的颜色。
对比RGB颜色空间与HSL颜色空间，HSL颜色空间在图像处理中有很大的优势。
通过HSL颜色空间，我们可以明确定义哪些部分是红色，哪些部分是蓝色，而在RGB颜色空间上分布比较复杂，很难用数学公式去描述。
这为定义两个像素点的相似性做了很大的贡献。
在RGB颜色空间上，我们通常定义两个像素的相似性与它们之间的欧氏距离成反比。
这种算法在简单，如果颜色相差较大时，是一种很不错的方法，能够很好的计算两个像素之间的相似性。
但是当像素点处于几种颜色的交界处时，就很难用这种方法来计算他们的相似性了。
如图3-8所示，距圆心相等距离的圆周上，却是不同的颜色。
反而下面的那个点距圆心较圆周上的点的距离远，但是我们可以看出，这个点与圆心点更相似。
由此说明RGB颜色空间在做相似性处理方面颜色不好。
