基于HIS的颜色识别
- 格式：doc
- 大小：448.00 KB
- 文档页数：7
基于HIS的颜色识别
1. HIS颜色模型简介
识别原理、方法
实例
定义
HIS颜色模型是从人的视觉系统出发，用色调（Hue），色饱和度(Saturation)和亮度(Intensity)来描述颜色的一种方法。
二、HIS颜色模型的特点
特点
由于人的视觉对颜色亮度敏感程度远强于对颜色浓度的敏感程度，所以HIS颜色模型比RGB颜色模型更加符合人的视觉特性，为了便于颜色处理和识别，人的视觉系统通常采用HIS颜色模型。
另外，图像处理和计算机视觉中大量算法都可以在HIS 颜色模型中方便地使用，使用HIS颜色模型可以大大减小图像分析和处理的工作量。
HIS和RGB的关系
三、应用举例
1.基于HIS颜色模型的田间成熟番茄识别
（1）田间成熟番茄识别的目的：在自然生长条件下，将由计算机拍摄的番茄图像中成熟的番茄识别出来，并确定其质心的位置。
其关键在于将图像中的成熟番茄的信息与未成熟番茄、枝干、叶子的信息分解开，提取到成熟番茄的信息并加以处理。
（2）番茄图像的获取。
番茄图像的获取由计算机视觉系统实现，计算机视觉系统由CCD摄像机，计算机，图像采集卡，图像监测器组成。
CCD摄像机在田间拍摄番茄图像，并与装有图像采集卡的计算机相连通，通过动态库函数就可以把图像直接输入到计算机中，图1为采集到的一幅番茄图像。
图1 计算机视觉系统获得的番茄图像
（3）成熟番茄的区域分割。
番茄成熟前后的颜色有着明显的差别，成熟的番茄是红色的，与未成熟的番茄（绿色）和叶子（绿色）有着明显的差别，鉴于这种色度的差别，可以通过HIS图像中H 分量灰度的差别来区分成熟番茄和未成熟番茄、叶子、枝干，下面通过实验来获得具体的数据。
实验：通过计算机视觉系统获取50幅RGB的图像，通过相应算法转换成HIS 的图像，在每幅图像中取成熟的番茄，未成熟的番茄，叶子，枝干的特征像素各20个，这样每种均获得像素1000个，分别统计这1000个像素的H分量灰度分布，发现以下规律：成熟番茄的色度值范围主要分布在（0-30）度和（350-360）度之间，而未成熟番茄，叶子，枝干的色度值范围主要集中在（65-140）度之间。
通过以上实验所获得的信息，可以把图中色度值在（0-30）度和（350-360）度之间的像素点处理成黑色，代表成熟的番茄；把色度值在这两个范围之外的像素点处理成白色，代表非成熟番茄的部分，图1所示的图像经过处理如图2所示：
图2 根据H分量分割成熟番茄区域的处理图像
由图2可以看出，除了成熟番茄区域的像素点置为黑色外，还有一些黑色小区域，这是由于一些与成熟番茄色度值相近的点所产生的，必须通过相应的算法进行处理。
（4）黑色小区域消除算法。
为了使分割后的图像只存在成熟番茄的信息，需要对图2中的黑色小区域进行消除，因为黑色小区域与真正成熟番茄的区域相比是非常小的，所以可以采用面积阈值分割法，把这些黑色小区域消除掉。
算法如下：
对图2所示的二值图像中黑色像素进行搜索，如果黑色像素之间按8领域方式能够连接在一起，则称这些连接在一起的区域为黑体，将各个黑体分别标为黑体1，黑体2至黑体n。
再计算各个黑体的面积（黑体中所包含的像素数目），统计黑体面积，找出面积阈值，记为MaxAera，如果黑体面积小于这个阈值，就将像素灰度置位白色，这样就可以将非成熟番茄的误判区域消除。
（5）空洞填充
黑色小区域消除以后，我们发现在成熟番茄区域出现了一个空洞。
这是由于田间条件下光照比较复杂，顺光时强光照射会使番茄表面形成一个亮斑，亮斑的色度值与叶子接近，所以这个亮斑被处理成白色，在成熟番茄中形成一个空洞。
为了准确的找到成熟番茄的质心位置，必须把成熟番茄中间的空洞填充起来，采用的算法主要是轮廓跟踪和种子填充，经过种子填充算法后的图像如图3 所示：
图3 空洞填充后的图像
（6）质心计算：可以采用矩方法进行质心的计算。
总结：通过HIS颜色模型对田间成熟的番茄进行识别，主要的步骤包括图像获取，图像的分割，黑色小区域消除，空洞填充，质心计算。
2.基于HIS颜色模型的珍珠颜色分选方法
（1）珍珠颜色分选简介：颜色分选是珍珠生产的最后一个环节，颜色是划分珍珠类别的重要参数之一，目前很多国内外的企业都是通过人工的方法对珍珠进行颜色的分选。
通过HIS颜色模型，可以实现珍珠颜色H分量和S分量的自动分选。
（2）珍珠图像获取和颜色模型转化：由于珍珠表面有反光及呈现表面映像等特有的现象，所以在珍珠图像获取时，应选择与之色差较大的黑色作为背景，并柔弱的灯光下进行，这样便于图像的分析和处理。
根据转换公式将获得的RGB图像转换成HIS图像，这里仅取I分量进行分析，得到的图像如图4所示：
图4 珍珠亮度分量图像
（3）中值滤波：由于实际拍摄的图像中有很多噪声点，会干扰有用信息的提取，所以要对珍珠图像进行滤波处理，这里采用的是中值滤波方法。
中值滤波是一种非线性平滑方法，可以减少边界的噪声点。
它的主要思想是：当前点的亮度值用与它相邻若干点的亮度中值来代替，由于相邻若干点的亮度中值不会被个别点的冲击噪声影响，所以平滑滤波消除冲击噪声的效果很好。
（4）图像分割：由于珍珠表面非常光滑，由图4可以看出所拍摄得到的图像反光区特别明亮，这部分信息对颜色信息的提取已经没有什么意义，所以在实际分析中需要剔除。
这里采用阈值分割法来实现。
阈值分割法是通过一个或者几个阈值将图像中的灰度直方图分成几类，认为图像中灰度值在同一灰度类的像素点属于同一个物体。
整体阈值是对整个图像选择一个固定的灰度值，并以此进行图像的分割，得到的图像如图5的b所示。
（5）颜色信息的提取：为了得到珍珠图像的颜色信息，将得到的光亮区的灰度图像与实际拍摄得到的珍珠彩色图像进行掩模运算，获得含有彩色信息的珍珠光亮区，得到的图像如图5的c所示。
在此将其由RGB颜色模型转变为HIS颜色模型，求出该区域的色调Ｈ饱和度Ｓ的平均值，作为珍珠颜色信息的分类依据，为后续的颜色分类做好准备。
图５
四、应用总结
1.基于HIS的颜色识别应用范围
主要用于对具有特定范围色调和色饱和度的物体进行颜色识别，达到区分不同类型物体的目的。
可以用于大量物体的自动筛选分类，也可以用于对一幅图像中特定物体的识别和处理。
2.应用步骤
由上面两个典型例子可以看出，应用需按以下的步骤进行。
3.各步骤论述
（1）图像获取与处理
图像的获取应通过计算机视觉系统来实现，可以用CCD摄像机进行拍摄，并通过图像采集卡把图像传到计算机上，以方便后续的分析和处理。
拍摄图像时应该根据实际情况做相应的处理，比如番茄的图片的获取应在正常日光照射下进行拍摄，并选择在清晨、中午、下午等不同的时间段进行拍摄，以全面考虑到各种情况。
像珍珠这样容易产生反光现象的物体，应在柔弱的灯光下进行拍摄，并以黑色作为背景，以方便处理。
拍摄结束后应将相应的RGB图像转换成HIS图像，可以根据公式进行编程处理，有时处理的后的图像不太理想，可以通过滤波进行处理，如中值滤波。
（2）图象分割
图象分割是为了获得到有用的区域，以方便后续颜色信息的提取及处理。
可以根据实际的情况选择色调、色饱和度、亮度中的一种作为分割的依据，先通过大量图片进行实验，获得分割图像的阈值，再通过计算机实现图像的分割。
（3）图像分割后的处理
如果图像分割后效果不太理想，需要进行一些处理，如在成熟番茄的识别试验中，需要消除黑色小区域的干扰，并进行空洞的填补，具体的处理方法应根据实际的图像分割效果进行选择。
（4）颜色信息的获取与后续处理
根据应用的需要，可以获取图像中相应的色度信息，以方便后续的处理和利用，
也可以通过图像处理得到我们想要的信息。
