基于颜色特征和纹理特征的磨粒彩色图像分割

格式：pdf
大小：1.13 MB
文档页数：4

下载文档原格式

基于颜色重心和k-means的彩色图像聚类分割算法

收稿Ｅ期：０９１０ｌ２０２４
作者简介：郭庆锐（９３）男，１８，山东泰安人，硕士研究生，主要从事图像处理、数字视频方面的研究。
第４期
郭庆锐等：基于颜色重心和ｋｍａｓ－ｅ的彩色图像聚类分割算法ｎ
１１颜色重心的概念．
基于颜色重心和ｋｍｅｎ彩色图像聚类分割算法－ａｓ的
郭庆锐，许建龙，孙树森，何云
（浙江理工大学信息电子学院，州３０１）杭１０８摘要：图像分割是图像分析的关键步骤，实现彩色图像的快速有效分割是图像处理研究的重点和难点。针对
在文献Ｉ］￣，－ｒ作者提出了一种颜色重心模Ｎ（ｏｏａｙｅｔｒｈｘｇｎＢＨ）称之为ＣＨ模型，４ｃｌｒｒｃｎｅｓｅａｏ，Ｃｂ，Ｂ其基本思想是将ＲＧＢ空间转换到二维空间中，于彩色图像中的任意像素，Ｒ、Ｂ的值在该空间中对对其Ｇ、
边缘检测，形图像分割，动一致性分割以及基于马尔科夫、工神经网络的分割方法。灰度图像的分割分运人
技术和方法相对成熟，对于灰度图，色图包含了更多的信息，理也就变得复杂而耗时。在过去对彩色相彩处
ＲＢ空间转换到ＸＹＧＺ空间，后再转换到Ｌｂ空间，且还要考虑ａｂ两个通道。相对于以上提到的颜色然ａ而，
模型，本文利用一种ＣＨ颜色空间模型结合ｋｍｅｎ算法实现彩色图像的分割，Ｂ－ａｓ这种方法只需处理一维数据。

彩色图像分割算法的研究与实现

彩色图像分割算法的研究与实现图像分割技术是图像处理的一个重要分支，它的目的是从含有颜色的图像中将几何形状的元素提取出来。

目前，彩色图像分割算法具有高效率、简单易行处理以及准确性方面的优势，广泛应用于机器视觉、识别等诸多领域。

本文从图像分割理论和技术基础入手，综述目前彩色图像分割算法的研究情况，包括基于阈值分割、基于模板匹配、基于区域生长和基于边缘检测等方法。

然后提出了一种基于改进的Otsu算法的彩色图像分割算法，将偏色抑制、局部阈值和K-means聚类算法相结合，最终实现了高效的彩色图像分割。

IntroductionImage segmentation is an important branch of image processing, its purpose is to extract geometric elements from color images. At present, the color image segmentation algorithm has the advantages of high efficiency, simple and easy processing and accuracy, and is widely used in many fields such as machine vision and recognition. In this paper, we review the current research on color image segmentation algorithms, including threshold segmentation, template matching, region growing and edge detection methods. Then, a color image segmentation algorithm based on an improved Otsu algorithm is presented, which combinescolor suppression, local threshold and K-means clustering algorithm to achieve efficient color image segmentation.1.本理论图像分割是图像处理的基本过程，要根据图像中所含信息，将整幅图像划分成合理的子块，从而可以实现将不同的物体背景划分开来的目的。

彩色图像分割方法综述_马英辉

图像中的色彩可以用模糊集合表示，如耿伯英等提出了一种基于模糊主色调的彩色图像分割方法。Ｃｈｉｅｎ等提出了一种基于模糊颜色相似测度的彩色图像分割方法，即首先在ＨＬＳ颜色空间上定义一个模糊颜色集合，这样图像中的任何一个像素都可以用一个模糊颜色集合表示，然后利用两个模糊集合的相似测度来度量两个像素模糊颜色的相似程度，最后以该模糊相似测度为准则反复合并相邻像素，以形成有意义的区域。
潘晨等人利用真彩色图像像素在３Ｄ空间呈现的聚类特性，通过多维阈值分割（ＭＤＴ）法与３Ｄ直方图生长法和尺度空间聚类法有机结合，克服了过度分割现象，分类过程简单，容易实现，但存在以下缺点：第一，主要限制条件：彩色图像中的颜色数目；第二，特征通常是独立于图像的，怎样选取特征以获取满意的分割结果仍不清楚；第三，没有利用空间信息。
类器分类的结果中选取标记；马丽红等则先对图像开闭滤波的结果做二
大类：基于邻域的方法，直方图阈值法，颜色聚类的方法和结合特定理论
值标记预处理，并将其作为初始分割步骤，然后将所得的分割结果作为
工具的方法。其中，基于直方图的方法最早被使用。现在，颜色聚类被越
分水岭算法的种子（标记）等。
基于邻域的方法是指连接具有相同或相似性质的近邻像素而得到分割图像的方法。包括各种区域生长和区域分裂与合并技术、分水岭分割方法、随机场模型技术。这类算法使用局部像素信息，但是，这类方法需要一些先验信息，例如，种子像素、值和各种标准来定义彩色目标边界。其优点是使用了空间信息和像素间的关联。１．１区域生长和区域分裂与合并技术

基于EM的MRF彩色图像分割

P( f | d )df
when 0, the above is approximated by R( f * ) 1 P( f | d )
• where k is the volume of the space containing all points f for which || f * f ||
R( f *) 0, we obtain the min imal var iance estimate : * f fP( f | d )df
f F

• 根据（2）贝叶斯风险为：
R( f * )
f :|| f * f ||

P( f | d )df 1
f :|| f * f ||
出于简单起见，一个联合事件被简写成：F=f 这里f={f1 ,f 2 ,...,f m }是随机场F的一个configuration (构型)，相应于这个随机场的一个实现。
Definition
称随机场F 为在位置集S 上关于领域系统N 的markov random fields 当且仅当满足以下两个条件： 1.p(f) > 0 ,f F (positivity) 2.p(f i |f S-{i} )=p(f i |f Ni ) (markovianity) 其中S-{i}表示在位置集上除像素点i以外的所有点。fS-{i}表示在位置S-{i}处的标记集合， f Ni { f i ' | i ' N i }.
MLL 模型和多级GRF模型
• There are M (>2) discrete labels in the label set ,L={1,2,…,M}.

灰度分割和彩色分割的方法

灰度分割和彩色分割的方法灰度分割和彩色分割的概述灰度分割和彩色分割是图像处理领域常用的方法，用于将图像分割为不同的区域或对象。

灰度分割适用于灰度图像，彩色分割则适用于彩色图像。

本文将详细介绍灰度分割和彩色分割的原理、方法和应用。

灰度分割灰度分割是指将灰度图像分割为具有不同灰度级别的区域。

其主要目的是提取出感兴趣的目标，便于后续的分析和处理。

下面介绍几种常用的灰度分割方法。

基于阈值的分割基于阈值的分割是最简单常用的分割方法之一。

其基本原理是将图像的像素根据灰度值与预先确定的阈值进行比较，将大于阈值的像素设置为目标区域，将小于阈值的像素设置为背景区域。

基于区域的分割基于区域的分割方法将图像分割成一系列具有相似特征的区域。

其基本思想是将相邻像素根据一定的相似性准则进行合并，形成具有统一特征的区域。

基于边缘的分割基于边缘的分割方法通过检测图像中的边缘信息，将图像分割为由边缘组成的区域。

常用的边缘检测算法有Canny算法、Sobel算法等。

彩色分割彩色分割是指将彩色图像分割为不同的颜色区域或对象。

相比灰度分割，彩色分割更复杂，因为需要考虑颜色信息的不同。

下面介绍几种常用的彩色分割方法。

基于颜色空间的分割基于颜色空间的分割方法是最常用的彩色分割方法之一。

常见的颜色空间包括RGB、HSV、Lab等。

该方法的基本思路是选取恰当的颜色空间，并将图像像素在该颜色空间中的分布作为分割的依据。

基于聚类的分割基于聚类的分割方法将图像像素根据其颜色信息进行聚类，形成一系列具有相似颜色的区域。

常用的聚类算法有K均值聚类、高斯混合模型等。

基于纹理的分割基于纹理的分割方法考虑图像中不同区域的纹理特征，将图像分割为具有相似纹理的区域。

常用的纹理特征包括灰度共生矩阵、小波变换等。

基于边缘的分割基于边缘的分割方法在彩色图像中同样适用。

通过检测图像中的边缘信息，将图像分割为由边缘组成的区域。

灰度分割和彩色分割的应用领域灰度分割和彩色分割方法在许多领域都得到了广泛的应用。

彩色图像分割方法综述

彩色图像分割方法综述作者：王怡涂宇罗斐何美生来源：《电脑知识与技术》2020年第23期摘要：随着人工智能技术和计算机视觉快速发展，图像分割技术成为机器视觉中图像处理过程需要解决的核心问题。

彩色图像比灰度图像信息量多、易识别物体的优点，已经成为研究热点。

本文对现有彩色图像分割算法做了系统的综述，分析了各自的优缺点，在结论部分对彩色图像分割技术未来的发展方向做出了展望。

关键词：色图像分割;颜色特征;区域生长点;分水岭;神经网络中图分类号：TP311; ; ; 文献标识码：A文章编号：1009-3044（2020）23-0183-021 引言近年来，机器视觉已经广泛应用于我们生活中各个领域，图像处理作为计算机视觉的基本问题。

图像处理又可以分为特征提取、图像分割和语义划分等。

图像分割的精度严重影响视觉识别的准确度。

目前，对于传统的灰度图像的分割原理比较简单，这部分的研究成果比较成熟了，而对彩色图像的分割，由于比较复杂，研究的却比较少。

灰度图像和彩色图像最主要的区别，我们从图像分割的原理来说，这主要是像素的空间维度不同，灰度图像是一维亮度空间内，彩色图像是三维颜色空间内。

灰度图像描述的知识物体的表面形状难以识别，而三通道RGB彩色图像可以准确地描述物体真实性。

总的来说，我们对彩色图像分割方法的研究是必要的。

这篇综述的主要目的是对图像分割技术的现状做一个系统的总结，并且对未来有可能发展方向提出展望，给更多本领域的研究者一个参考。

2 彩色图像分割方法根据不同的分类标准，彩色图像分割有多种分类方法。

例如根据颜色和空间特征进行分类，我们可以将其分为有监督和无监督的分类问题。

早期应用于灰度图像分割的方法也可以应用到彩色图像分割上，比如直方图阈值法、自适应模糊算法、人工神经网络算法等。

目前，彩色图像分割方法主要有基于区域的方法、直方图阈值化、特征空间聚类、边缘检测、模糊技术、人工神经网络和基于物理模型的方法。

以下我们将从上面這些方法展开论述。

基于云模型的多粒度彩色图像分割_马鸿耀

图1 云图
高层次和更高概念的粒度空间 ([ X k ],[Cg k ]) ，于是就形成多粒度层次的转换空间。因此，图像分割过程就是实现粒度 ( X ,Cg ) ([ X ],[Cg ]) 的变换。由上面粒度概念的分析可以看出，图像分割的实质就是图像由细粒度空间转变成粗粒度空间的过程，而粒度空间的转变将形成新的中间层次的粒度空间，于是就形成了一种多粒度空间的转换过程，即对图像的分割过程。在图像处理过程中，由于噪声干扰、图像退化或是人类认识知识的不确定性等原因，很难做到精确化。粒计算和云模型的结合很好地避免了传统图像分割算法的“硬分割” ，即将分割的不确定性表达在类别尺度上，忽视了像素属于其他类别的概率。
1
概述
图像分割是图像分析和处理技术的重要手段，是模式
云模型能很好地表达概念的不确定性、降低概念分层的不确定性，可以有效地研究图像分割中的不确定性问题，解决传统图像分割算法对不确定性信息的忽视和像素不确定性在不同域不一致性的问题 [3]。本文针对灰度特征丢失了颜色特征这一重要属性，利用云模型对彩色图像进行信息粒的构建，实现粒化，并探索一种新的云粒合成方法，以实现对彩色图像的有效划分。
布称为云模型，简称为云，每一个 x 称为一个云滴 [4]。云模型的数字特征用期望 Ex 、熵 En 和超熵 He 来表征，它们反映了定性概念 C 的整体上的定量特征。给定 Ex =0 、 En =3 、 He =0.3 、 n =10 000 时，生成云图如图 1 所示。
(x)
成所需要的图像区域。 3.2 多粒度空间描述用二元组 ( X , Cg ) 描述原始待分割的彩色图像，其中， X 为原始待分割彩色图像的像素点集合； Cg 为目标图像区域的云粒概念描述，初始为空，用 ([ X i ],[Cgi ]) 描述第 i 个分割后的图像区域。若有 2 个不同的二元组 ([ X i ],[Cgi ]) 和 ([ X j ],[Cg j ]) ，根据多粒度转变规则 ( 本文采用 “软或” 概念提升思想 [7] ) 实现 {([ X i ],[Cgi ]),([ X j ],[Cg j ])} ([ X k ],[Cg k ]) 转换，得到更

融合局部纹理特征的颗粒图像SLIC超像素分割方法

融合局部纹理特征的颗粒图像SLIC超像素分割方法李啸宇;张秋菊【摘要】将 SLIC超像素分割的方法引入颗粒图像检测的分割过程中，将颗粒图像分割成感兴趣的超像素块，可降低后续图像处理过程的复杂度。

由于 SLIC超像素分割在聚类过程中计算相似度时没有考虑图像的纹理特征，一定程度上会影响颗粒目标外轮廓分割的细节。

利用CRLBP局部纹理算子纹理特征，改进 SLIC分割中聚类相似度的计算，并按照符合颗粒形状的圆形邻域搜索相似点，保证了分割速度。

通过对棉种颗粒图像的分割试验，与传统分水岭算法和SLIC 超像素算法进行比较，结果表明改进的 SLIC 超像素分割方法能更有效地分割出颗粒目标。

%This paper adopts SLIC-based superpixel segmentation method in the granular image detection.SLIC method segments the granular image into superpixel block which will reduce the complexity of the subsequent image processing.As SLIC superpixel segmentation method doesn’t use the texture feature in the distance calculation,the detail of the outline for the granular object is lost. This paper adopts the CRLBP local texture operator as the texture feature to improve the SLIC segmentation’s distance calculation and searches the similar pixel in circle neighborhood pixels to guarantee the processing speed.The test on cotton seed image shows that the improved SLIC superpixel segmentation method is more efficient than watershedand original SLIC method.【期刊名称】《食品与机械》【年(卷),期】2016(032)012【总页数】5页(P31-34,39)【关键词】颗粒图像;超像素分割;SLIC;局部纹理算子;CRLBP【作者】李啸宇;张秋菊【作者单位】江南大学机械工程学院，江苏无锡 214122; 江苏省食品先进制造装备与技术重点实验室，江苏无锡 214122;江南大学机械工程学院，江苏无锡214122; 江苏省食品先进制造装备与技术重点实验室，江苏无锡 214122【正文语种】中文在农业生产过程中，经常需要对颗粒状农产品进行视觉检测与品质分选[1]。

基于颜色特征rstr-gmr的群体小麦图像分割算法

RGB 颜色空间的带限定条件的 GMR（RSTR-GMR）阈值分割算法，实现了小麦与背景的分离。实验结果表明：
分割精确度达到 82.3%，RMSE 为 7.2。将分割图像与 HIS 空间下的 H 分量 K 均值分割算法 (H-K) 进行了比较，
在所有拍摄条件下 RSTR-GMR 算法均优于 H-K。
基于颜色特征 RSTR-GMR 的群体小麦图像分割算法
宋宇斐，滕桂法，苑迎春，刘天真，潘飞
( 河北农业大学信息科学与技术学院，河北保定 071001)
摘要：图像分割是图像预处理中的关键步骤，该步骤是后期特征提取和识别的基础。大田环境下群体小麦图像
受光照和背景影响，使用经典分割算法精度较低，针对大田环境下群体小麦图像分割问题，提出了 1 种基于
关键词：图像处理；阈值分割；小麦冠层；RGB 颜色空间；颜色特征
中图分类号：TP391.4
开放科学（资源服务）标识码（OSID）：
文献标志码：A
Group wheat image segmentation algorithm based on
color feature RSTR-GMR
SONG Yufei,TENG Guifa,YUAN Yingchun,LIU Tianzhen,PAN Fei
(School of Information Science and Technology, Hebei Agricultural University, Baoding 071001,China) Abstract: Image segmentation is a key step in image preprocessing, which is the basis for later feature extraction and recognition. The image of group wheat in the field environment is affected by illumination and background, and the accuracy of using classical segmentation algorithm is low. Aiming at the problem of image segmentation of group wheat in field environment, a threshold algorithm of GMR (RSTR-GMR) based on RGB color space is proposed. The segmentation algorithm achieves the separation of wheat from the background. The experimental results show that the segmentation accuracy reaches 82.3% and the RMSE is 7.2. The segmentation image is compared with the H-component K-means segmentation algorithm (H-K) in HIS space, and the result indicates that the RSTR-GMR algorithm is better than H-K under all shooting condition. Keywords: image processing; threshold segmentation ; wheat canopy; RGB color space; color图像分割［3］

一种改进的多类 SVM 彩色图像分割算法

彩色图像分割的目的是将图像中具有不同特征的区域区分开，图像的分割也可以看作是基于颜色特征和空间特征的分类问题。支持向
分析中表现出优良性能的ＲＢＦ（ＲａｄｉａｌＢａｓｉｓ
Ｆｕｎｃｔｉｏｎ）核仍然适用于彩色图像的分割，并且分割结果和处理时间都优于ＦＦＣＭ。
种改进的多类ＳＶＭ彩色图像分割算法
吕景美
（长沙师范学院教育技术中心，湖南长沙，４１０１００）
摘要：针对复杂自然场景下的目标分割和识别问题，提出了一种基于多类支持向量机（ＳＶＭ）的彩
色图像分割算法，该算法综合纹理特征和颜色特征，把灰度共生矩阵（ＧＬＣＭ）提取的纹理特征和ＬＡＢ颜色空间的颜色矩组成输入向量，用主成份分析（ＰＣＡ）算法降维，提取样本特征向量，再用改进后的多类
ＳＶＭ进行彩色图像分割。通过数据预处理并结合中值滤波算法，有效克服了ＳＶＭ基于像素分割产生无
效边缘的缺点，提高了彩色图像的分割质量，并分析了不同颜色空间和核函数对该分割算法的影响。实
验结果表明，与快速模糊Ｃ均值聚类算法（ＦＦＣＭ）相比，图像分割的质量有明显改善，缩短了分割时间，分割图像中的目标明显，适用于以目标识别为目的的图像分割。关键词：多类支持向量机；灰度共生矩阵；纹理特征；图像分割中图分类号：ＴＰ３９１文献标志码：Ａ文章编号：０２５８－０９３４（２０１３）０８－０９９００５－

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

２０１３年６月　
第３８卷第６期　
润滑与密封　

ＬＵＢＲＩＣＡＴＩＯＮ　ＥＮＧＩＮＥＥＲＩＮＧ　
Ｊｕｎｅ　２０１３　

Ｖ０１．３８　Ｎｏ．６　

ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０２５４—０１５０．２０１３．０６．０２０　
基于颜色特征和纹理特征的磨粒彩色图像分割　

郭恒光　瞿军　汪兴海　
（１．海军航空工程学院研究生管理大队山东烟台２６４０００；２．海军航空工程学院　
飞行器工程系　山东烟台２６４０００；３．海军航空工程学院基础实验部山东烟台２６４０００）　

摘要：根据磨粒彩色图像中磨粒区域和背景区域在颜色和纹理特征上的差异，提出基于颜色特征和纹理特征的磨　
粒彩色图像分割算法。为了使提取的特征更加符合人眼的视觉特性，在ＣＩＥＬａｂ彩色空间下，以加权平均值和加权标准　
方差作为像素的颜色特征；在ＹＣｂＣｒ彩色空间下，对Ｙ通道进行Ｇａｂｏｒ小波变换，以能量特征均值作为像素的纹理特　
征；采用模糊Ｃ均值聚类算法实现磨粒彩色图像的分割。实验结果表明，该方法能够充分利用磨粒区域和背景区域在　
颜色和纹理特征上的差异，准确、高效地实现磨粒彩色图像分割。　
关键词：磨粒；图像分割；颜色特征；纹理特征　
中图分类号：ＴＰ３９１文献标识码：Ａ文章编号：０２５４—０１５０（２０１３）６—０９４—４　

Ｗｅａｒ　Ｐａｒｔｉｃｌｅ　Ｃｏｌｏｒ　Ｉｍａｇｅ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｂａｓｅｄ　ｏｎ　Ｃｏｌｏｒ　
Ｆｅａｔｕｒｅ　ａｎｄ　Ｔｅｘｔｕｒｅ　Ｆｅａｔｕｒｅ　
Ｇｕｏ　Ｈｅｎｇｇｕａｎｇ　Ｑｕ　Ｊｕｎ　Ｗａｎｇ　Ｘｉｎｇｈａｉ。　
（１．Ｇｒａｄｕａｔｅ　Ｓｔｕｄｅｎｔｓ’Ｂｒｉｇａｄｅ，Ｎａｖａｌ　Ａｅｒｏｎａｕｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ，Ｙａｎｔａｉ　Ｓｈａｎｄｏｎｇ　２６４０００，Ｃｈｉｎａ；　
２．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ａｉｒｂｏｒｎｅ　Ｖｅｈｉｃｌｅ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｖａｌ　Ａｅｒｏｎａｕｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ，Ｙａｎｔａｉ　Ｓｈａｎｄｏｎｇ　２６４０００，　
Ｃｈｉｎａ；３．Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｂａｓｉｃ　Ｅｘｐｅｒｉｍｅｎｔ，Ｎａｖａｌ　Ａｅｒｏｎａｕｔｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ，Ｙａｎｔａｉ　Ｓｈａｎｄｏｎｇ　２６４０００，Ｃｈｉｎａ）　
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｃｏｌｏｒ　ｆｅａｔｕｒｅ　ａｎｄ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　ｄｉｆｆｅｒｅｎｃｅｓ　ｏｆ　ｗｅａｒ　ｐａｒｔｉｃｌｅ　ａｒｅａ　ａｎｄ　ｂａｃｋｇｒｏｕｎｄ　ａｒｅａ，ｗｅａｒ　
ｐａｒｔｉｃｌｅ　ｃｏｌｏｒ　ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｃｏｌｏｒ　ｆｅａｔｕｒｅ　ａｎｄ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　Ｗａｓ　ｐｒｏｐｏｓｅｄ．Ｉｎ　ｏｒｄｅｒ　ｔｏ　ｌｅｔ　ｔｈｅ　ｆｅａ－　
ｔｕｒｅｓ　ｅｘｔｒａｃｔｅｄ　ｉｎ　ａｃｃｏｒｄ　ｗｉｔｈ　ｔｈｅ　ｖｉｓｕａｌ　ｃｈａｒａｃｔｅｒｉｓｔｉｃ　ｏｆ　ｈｕｍａｎ　ｅｙｅｓ，ｔｈｅ　ｗｅｉｇｈｔｅｄ　ｍｅａｎ　ａｎｄ　ｗｅｉｇｈｔｅｄ　ｓｔａｎｄａｒｄ　ｄｅｖｉａｔｉｏｎ　
ｗｅｒｅ　ｓｅｌｅｃｔｅｄ　ａｓ　ｐｉｘｅｌ　ｃｏｌｏｒ　ｆｅａｔｕｒｅｓ　ｉｎ　ＣＩＥＬａｂ　ｃｏｌｏｒ　ｓｐａｃｅ；ｔｈｅ　ｅｎｅｒｇｙ　ｍｅａｎ　ｗａｓ　ｓｅｌｅｃｔｅｄ　ａｓ　ｐｉｘｅｌ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ，ａｆｔｅｒ　ｔｈｅ　
Ｙ　ｃｏｌｏｒ　ｃｏｍｐｏｎｅｎｔ　ｗａｓ　ｆｉｌｔｅｒｅｄ　ｂｙ　Ｇａｂｏｒ—ｗａｖｅｌｅｔ　ｆｉｌｔｅｒｓ．Ｔｈｅ　ｆｕｚｚｙ　ｃｌｕｓｔｅｒ　ｍｅｔｈｏｄ　ｗａｓ　ｕｓｅｄ　ｔｏ　ａｃｈｉｅｖｅ　ｗｅａｒ　ｐａｒｔｉｃｌｅ　ｃｏｌｏｒ　
ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ．Ｔｈｅ　ｒｅｓｕｌｔ　ｄｅｍｏｎｓｔｒａｔｅｓ　ｔｈａｔ　ｔｈｅ　ｍｅｔｈｏｄ　ｐｒｏｐｏｓｅｄ　ｃａｎ　ｍａｋｅ　ｆｕｌｌ　ｕｓｅ　ｏｆ　ｃｏｌｏｒ　ａｎｄ　ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　ｄｉｆｆｅｒ－　
ｅｎｃｅｓ　ｂｅｔｗｅｅｎ　ｗｅａｒ　ｐａｒｔｉｃｌｅ　ａｒｅａ　ａｎｄ　ｂａｃｋｇｒｏｕｎｄ　ａｒｅａ，ａｎｄ　ｃａｎ　ｓｅｇｍｅｎｔ　ｗｅａｒ　ｐａｒｔｉｃｌｅ　ｃｏｌｏｒ　ｉｍａｇｅ　ａｃｃｕｒａｔｅｌｙ　ａｎｄ　ｅｆｆｅｃｔｉｖｅｌｙ．　
Ｋｅｙｗｏｒｄｓ：ｗｅａｒ　ｐａｒｔｉｃｌｅ；ｉｍａｇｅ　ｓｅｇｍｅｎｔａｔｉｏｎ；ｃｏｌｏｒ　ｆｅａｔｕｒｅ；ｔｅｘｔｕｒｅ　ｆｅａｔｕｒｅ　

磨粒分析的手段多种多样，其中磨粒图像分析受　到了广泛重视　，通过对磨粒图像的识别和分类，　可实现磨损故障的智能化诊断。磨粒图像分析主要包　括３个过程：图像分割，特征提取和磨粒分类。磨粒　图像分割是第一步，也是关键的一步，磨粒分割的效　果和准确性将直接影响到磨粒特征的提取、分类和识　别　引。　图像分割是将图像中感兴趣的区域与背景分离开　来，以便对这些区域进行描述或特征提取。进行图像　分割的基本依据是区域的同质特征，同质特征主要表　现为灰度、颜色、纹理等。磨粒图像的背景区域一般　是均匀的、颜色单一的。而磨粒颜色与背景颜色差别　明显，磨粒表面粗糙，包含丰富的纹理信息等　。根　据磨粒图像的这些特点，本文作者提出了基于颜色特　收稿１３期：２０１２—１２—２６　作者简介：郭恒光（１９８６一），男，博士研究生，研究领域为机　械系统故障诊断理论与技术，Ｅ—ｍａｉｌ：ｇｕｏｈｅｎｇｇｕａｎｇ＠１２６．ｃｏｍ．　征和纹理特征的磨粒彩色图像聚类分割方法。提取颜　
色特征时，选用更符合人眼视觉感知特征的ＣＩＥＬａｂ　
彩色空间；提取纹理特征时，采用和人类视觉系统的　
响应很相似的Ｇａｂｏｒ小波变换方法。最后利用模糊Ｃ　
均值聚类算法，实现磨粒彩色图像的聚类分割。　
１　磨粒彩色图像颜色特征提取　
颜色特征作为彩色图像最基本和最直接的特征，　
已被广泛用于彩色图像分割。图像颜色特征的提取一　
般在ＲＧＢ彩色空间中进行，但Ｒ、Ｇ、Ｂ数值和色彩　
的３个基本视觉特性（亮度、色调、饱和度）没有　
直接的关系，没有考虑到人眼对亮度和色彩的区分　
度　。因此本文作者选用更符合人眼视觉感知特性的　
ＣＩＥＬａｂ彩色空间。　
对于大小为Ｍ　ＸＮ的图像，像素点（ｉ，＿『）处的　
像素值为Ｐ　＝（　，，　，Ｐ　），定义像素点（ｉ，　）　
的颜色特征为ＣＦ￣ｊ（ｋ＝Ｌ，ｏ，６），采用各彩色通道像　
素值的加权均值和加权方差作为颜色特征。首先计算　
反映局部区域变换的像素点颜色复杂度，然后利用颜