岡薩雷斯數(shù)字圖像處理第五章彩色圖像處理課件

1、第五章 彩色圖像處理 1. 彩色基礎2.MATLAB中彩色圖像的表示方法3. 彩色空間及其轉換4. 彩色圖像處理基礎5. 彩色圖像的空間濾波6. 在RGB向量直接處理白光 在17世紀，牛頓通過三棱鏡研究對白光的折射就已發(fā)現(xiàn)： 白光可被分解成一系列從紫到紅的連續(xù)光譜，從而證明白光是由不同顏色（而且這些顏色并不能再進一步被分解）的光線相混合而組成的。5.1 彩色基礎5.1 彩色基礎可見光 可見光是由電磁波譜中相對較窄的波段組成，如果一個物體比較均衡地反射各種光譜，則人看到的物體是白的； 而如果一個物體對某些可見光譜反射的較多，則人看到的物體就呈現(xiàn)相對應的顏色。 例如，綠色物體反射具有500570n

2、m（納米）范圍的光，吸收其他波長光的多數(shù)能量。圖 可見范圍電磁波譜的波長組成人眼的吸收特性： 人眼的錐狀細胞是負責彩色視覺的傳感器，人眼的錐狀細胞可分為三個主要的感覺類別。 大約65%的錐狀細胞對紅光敏感，33%對綠光敏感，只有2%對藍光敏感。 由于人眼的這些吸收特性，被看到的彩色是所謂的原色紅（R，red）、綠(G，green)和藍（B，blue）的各種組合。 5.1 彩色基礎三原色原理指出自然界中的可見顏色都可以用三種原色按一定比例混合得到；反之，任意一種顏色都可以分解為三種原色。作為原色的三種顏色應該相互獨立，即其中任何一種都不能用其他兩種混合得到。5.1 彩色基礎三原色原理 為了標準化

3、起見，國際照明委員會（CIE）規(guī)定用波長為700nm、546.1nm、435.8nm的單色光分別作為紅(R)、綠(G)、藍(B)三原色。 紅綠藍三原色按照比例混合可以得到各種顏色，其配色方程為： C=aR+bG+cB5.1 彩色基礎5.2 MATLAB中彩色圖像的表示方法 5.2.1 RGB圖像 5.2.2 索引圖像 5.2.3 用來處理RGB圖像和索引圖像的IPT函數(shù)RGB模型RGB模型采用CIE規(guī)定的三基色構成表色系統(tǒng)。自然界的任一顏色都可通過這三種基色按不同比例混合而成。由于RGB模型將三基色同時加入以產(chǎn)生新的顏色，所以，它是一個加色系統(tǒng)。設顏色傳感器把數(shù)字圖像上的一個像素編碼成(R，G

4、，B)，每個分量量化范圍為 0，255共256級。因此，RGB模型可以表示 256256256=16 777 2161670萬種顏色。 這足以表示自然界的任一顏色，故又稱其為24位真彩色。一幅圖像中的每一個像素點均被賦予不同的RGB值，便可以形成真彩色圖像，如紅色(255，0，0)、綠色(0，255，0)、藍色(0，0，255)、青色(0，255，255)、品紅(255，0，255)、黃色(255，255，0)、白色(255，255，255)、黑色(0，0，0)等，等比例混合三基色產(chǎn)生的是灰色。RGB顏色模型可用一個三維空間中的單位立方體來表示，如圖所示。function rgbcube(vx

5、,vy,vz)vertices_matrix=0 0 0;0 0 1;0 1 0;0 1 1;1 0 0;1 0 1;1 1 0;1 1 1;faces_matrix=1 5 6 2;1 3 7 5;1 2 4 3;2 4 8 6;3 7 8 4;5 6 8 7;colors=vertices_matrix;patch(Vertices,vertices_matrix,Faces,faces_matrix,. FaceVertexCData,colors,FaceColor,interp,. EdgeAlpha,0)%Set up viewing point.if nargin=0 vx=10

6、;vy=10;vz=4;elseif nargin=3 error(Wrong number of inputs.)endaxis offview(vx,vy,vz)axis squareRGB圖像一幅RGB圖像就是彩色像素有一個MN3數(shù)組, 其中每一個彩色像素點都是在特定空間位置的彩色圖像對應的紅, 綠, 藍三個分量.紅色分量圖像綠色分量圖像藍色分量圖像5.1 MATLAB中彩色圖像的表示 5.2.1 RGB圖像 5.2.2 索引圖像 5.2.3 用來處理RGB圖像和索引圖像的IPT函數(shù)2. 索引圖像 索引圖像:由數(shù)據(jù)矩陣X和色彩映射矩陣map組成 X是一個整數(shù)的數(shù)據(jù)矩陣 矩陣map是一個大

7、小為L3，取值在0，1的double類的數(shù)組，其長度L同它所定義的顏色數(shù)目相等。 X與map之間的對應X為double型 X(i, j)map(1,:)，當X(i, j)=1 X(i, j)map(n,:)，當X(i, j)g)=2*pi-H(bg); %BG時，H1800,3600，而2-H 1800,3600 H=H/(2*pi); num=min(min(r,g),b);den=r+g+b;den(den=0)=eps;S=1-3.*num./den;H(S=0)=0;I=(r+g+b)/3;%Combine all three results into an hsi image.hsi

8、=cat(3,H,S,I);figure(2)subplot(2,2,1) imshow(H) title(色調(diào)圖像)subplot(2,2,2) imshow(S) title(飽和度圖像)subplot(2,2,3) imshow(I) title(強度圖像)subplot(2,2,4) imshow(hsi) title(HIS圖像)（2）從HSI轉換到RGB：a.當H在 之間時：b.當H在 之間時：c.當H在 之間時：function rgb=hsi2rgb(hsi)H=hsi(:,:,1)*2*pi;S=hsi(:,:,2);I=hsi(:,:,3);%Implement the c

9、onversion equations.R=zeros(size(hsi,1),size(hsi,2);G=zeros(size(hsi,1),size(hsi,2);B=zeros(size(hsi,1),size(hsi,2);%RG sector (0=H2*pi/3).idx=find(0=H)&(H2*pi/3);B(idx)=I(idx).*(1-S(idx);R(idx)=I(idx).*(1+S(idx).*cos(H(idx)./. cos(pi/3-H(idx);G(idx)=3*I(idx)-(R(idx)+B(idx);%BG sector (2*pi/3=H4*pi/

10、3).idx=find(2*pi/3=H)&(H4*pi/3);R(idx)=I(idx).*(1-S(idx);G(idx)=I(idx).*(1+S(idx).*cos(H(idx)-2*pi/3)./. cos(pi-H(idx);B(idx)=3*I(idx)-(R(idx)+G(idx);%BR sector (4*pi/3=H=2*pi).idx=find(4*pi/3=H)&(H0.3*(max(max(S);F=S1.*H;abcdef圖 在HSI空間的圖像分割。(a)原RGB圖像，(b)色調(diào)分量H，(c)飽和度分量S，(d)強度分量I，(e)二值飽和度模板（黑=0），（f）紅

11、色花的分割結果(a)原像(b)色調(diào)(c)飽和度(d)強度(e)二值飽和度模板(f) (b)*(e)(g) (f)的直方圖(h) (a)中紅分量的分割假設目標是在RGB圖像中分割特殊彩色區(qū)域的物體,給定一個感興趣彩色的有代表性的彩色點樣品集，可得到一個彩色“平均”估計，這種彩色是我們希望分割的彩色。雖然在HSI空間彩色圖像較直觀。通常用RGB彩色向量進行分割。方法： 令這個平均彩色用RGB向量a來表示。分割的目標是對給定圖像中每一個RGB像素進行分類。這就需要一個相似性度量。令z代表RGB空間中的任意一點，如果它們之間的距離小于特定的閾值D0，我們就說z與a是相似的。最簡單的度量之一是歐氏距離，

12、 z和a之間的距離可以是歐氏距離，如： z和a之間的距離對一幅RGB彩色圖像，選擇要分割的區(qū)域，計算該區(qū)域中的彩色點的平均向量a。盒子的中點在a，它的尺度沿每一個RGB軸以沿相應軸的數(shù)據(jù)標準差的1.25倍選擇。例如，令R代表樣點紅分量的標準偏差，aR代表平均向量a的紅分量： （aR-1.25R，aR+1.25R），這里在整個彩色圖像中編碼每一點的結果為：如果點位于盒子表面或內(nèi)部為白色，否則為黑色。 rgb=imread(flower608.jpg);rgb1=im2double(rgb);r=rgb1(:,:,1);g=rgb1(:,:,2);b=rgb1(:,:,3);r1=r(129:25

13、6,86:170);r1_u=mean(mean(r1(:);m,n=size(r1);sd1=0.0;for i=1:m for j=1:n sd1=sd1+(r1(i,j)-r1_u)*(r1(i,j)-r1_u); endendr1_d=sqrt(sd1/(m*n);r2=zeros(size(rgb1,1),size(rgb1,2);ind=find(rr1_u-1.25*r1_d)&(rr1_u+1.25*r1_d);r2(ind)=1;圖9.15 RGB空間分割。（a）RGB原圖像，（b）R分量，（c）G分量，（d）B分量，（e）RGB向量空間彩色分割的結果邊緣檢測對圖像分割是一個

14、重要的工具。 比較：（1）以各個單獨顏色分量圖像為基礎計算邊緣（2）在彩色空間直接計算邊緣的問題。3. 彩色邊緣檢測 標量函數(shù)的梯度一般方法： 分別計算各個顏色分量圖像的梯度，然后形成彩色圖像的梯度。得到的結果行否？向量的梯度 ?令c代表RGB彩色空間中的任意向量，c的分量是一幅彩色圖像在一點上的RGB分量。彩色分量是坐標（x，y）的函數(shù)，表示為：首要的問題：定義向量c在任意點（x，y）處的梯度（幅度和方向）。標量函數(shù)f（x，y）在坐標（x，y）處的梯度：是指向f的最大變化率方向的向量。將這一思想擴展到向量梯度，下面介紹各種方法中的一種。令r，g，b是RGB彩色空間沿R，G，B軸的單位向量，可

15、定義向量為：數(shù)量gxx，gyy，gxy定義為這些向量的點乘，如下所示：參考文獻指出，c（x，y）的最大變化率方向由角度給出：（x，y）點在方向上變化率的值由下式給出：在向量空間的邊緣檢測例子比較兩種彩色圖像邊緣檢測：（1）由各個顏色分量圖像梯度的混合檢測邊緣（2）用彩色空間的向量梯度檢測邊緣。計算時，偏導數(shù)用Sobel算子實現(xiàn)圖（a）RGB圖像，（b）R分量邊緣，（c）G分量邊緣，（d）B分量邊緣，（e）三分量疊加后邊緣，（f）彩色向量梯度計算后邊緣，（g）（f）和（e）之間的差別在向量空間的邊緣檢測例子比較兩種彩色圖像邊緣檢測：由各個顏色分量圖像梯度的混合檢測邊緣和用彩色空間的向量梯度檢測邊緣。圖（f）是圖（a）圖像的梯度，它是用剛剛討論的向量方法得到的。圖（b）（d）顯示了由計算每一個RGB分量圖像的梯度，通過在每一坐標點（x，y）處疊加相應的3個分