楊 肖，徐 曉

（華南理工大學(xué)理學(xué)院，廣東廣州 510640）

0 引言

圖像分割是一種重要的圖像技術(shù)，分割的好壞將會(huì)直接影響信息提取的精確性和快速性，因此，無(wú)論是在理論研究領(lǐng)域還是在實(shí)際應(yīng)用中都得到了廣泛的重視［1］。針對(duì)不同彩色圖片上的信息，基于彩色圖像的分割方法早已呈現(xiàn)出了多樣化和差異化。文獻(xiàn)［2］提出了多種常用的彩色圖像分割的方法，其中指出彩色圖像分割由灰度圖像分割方法和彩色空間組合而成，為彩色圖像的分割提出了方法論。文獻(xiàn)［3］基于HSV空間提出了顏色距離的思想，并運(yùn)用改進(jìn)后的Sobel算子，有效結(jié)合了顏色信息和空間信息實(shí)現(xiàn)了彩色圖像邊界的提取。文獻(xiàn)［4］為了突顯彩色圖像中的重要區(qū)域，采取顏色分類(lèi)和圖像細(xì)節(jié)區(qū)域檢測(cè)的組合的方式提取出了特殊區(qū)域。

不同的彩色圖片可以提取不同的信息，相同的彩色圖片也可以提取出不同的信息［5，6］。本文為了提取儀器儀表上的字符，提出一種基于顏色空間和遺傳算法分割圖片的算法。選取HSV空間為顏色空間，H分量作為粗分割的主信息，然后采用遺傳算法細(xì)分割，實(shí)現(xiàn)字符的提取。

1 HSV空間的選取、轉(zhuǎn)換及H選取

1.1 HSV顏色空間的選取

HSV（hue，saturation，value）顏色空間是一種均勻的顏色空間，比較接近人眼的色彩感知，它可以用一個(gè)圓錐空間模型來(lái)描述，如圖1。色彩H，S包含顏色信息，而V與色彩信息無(wú)關(guān)。色調(diào)H由繞V軸的旋轉(zhuǎn)角給定。紅、綠、藍(lán)分別相隔120°，每一種顏色和它的補(bǔ)色相差180°。色彩S代表純度，是所選顏色的純度與該顏色最大的純度之間的比率，范圍為0～1。色彩V代表色彩的明亮程度，范圍為0～1。

圖1 HSV空間Fig 1 HSV space

1.2 顏色空間的轉(zhuǎn)換

將彩色圖像（0～255）上所有點(diǎn)從RGB空間轉(zhuǎn)換到HSV空間，可以由下面的程序轉(zhuǎn)換

根據(jù)如上轉(zhuǎn)換定義，H的范圍為［0°，360°］，S，V的范圍均為［0，1］。

1.3 H分量的選取

圖片轉(zhuǎn)換到HSV空間后，分別提取出H，S，V，將H分量中大于0.8小于1的像素點(diǎn)濾掉，然后統(tǒng)計(jì)分割出H分量小于0.1 的像素點(diǎn)（0.1，0.8，1 是經(jīng)過(guò)試驗(yàn)仿真測(cè)試得出的最佳臨界點(diǎn)）。用Matlab所寫(xiě)代碼如下:

2 遺傳算法設(shè)計(jì)

遺傳算法（GA）以自然選擇和遺傳理論為基礎(chǔ)，模擬達(dá)爾文的遺傳選擇和淘汰的生物進(jìn)化過(guò)程，對(duì)群體反復(fù)進(jìn)行基于遺傳學(xué)的操作。根據(jù)預(yù)定的目標(biāo)適應(yīng)度函數(shù)對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià)，依據(jù)適者生存、優(yōu)勝劣汰的進(jìn)化準(zhǔn)則，不斷得到更優(yōu)的群體，同時(shí)以全局并行搜索方式來(lái)搜索優(yōu)化群體中的最優(yōu)個(gè)體，以求得滿足要求的最優(yōu)解［7］。

基本遺傳算法可表示為

式中 C為個(gè)體的編碼方法;E為初始種群;M為種群大小;Φ為選擇算子;Γ為交叉算子;Ψ為變異算子;T為遺傳運(yùn)算終止條件。

利用遺傳算法進(jìn)行圖像分割的基本思想是，把圖像中的像素按灰度值用閾值M分成兩類(lèi)圖像，一類(lèi)為目標(biāo)圖像C1，另一類(lèi)為背景圖像C2。圖像C1由灰度值在ML－M之間的像素組成，圖像C2由灰度值在M－MH之間的像素組成。其中ML為圖像中最小的灰度值，MH為最大的灰度值，MA為平均值。

2.1 染色體編碼

對(duì)于任意一副彩色圖像，其灰度圖上各個(gè)像素點(diǎn)的灰度值處在0～255之間，采用二進(jìn)制編碼方式，用長(zhǎng)度為8的染色體即可表示出所有灰度值，即0～28。本算法中，一副圖片進(jìn)行粗分割后，統(tǒng)計(jì)計(jì)算出灰度圖的最大值M1和最小值M2，不同的圖片其最大值和最小值動(dòng)態(tài)變化。

2.2 初始種群的生成

隨機(jī)生成的初始種群大小為40，個(gè)體的染色體編碼有一定的大小范圍，不同的圖片、不同的字符在不同的光照下，其灰度的最大值和最小值均不同，因而，其隨機(jī)生成的初始種群也不同，初始種群用Chrom數(shù)組表示。

2.3 個(gè)體適應(yīng)度評(píng)價(jià)

將粗切割出的圖像上的所有像素點(diǎn)的灰度值均一與初始種群中的動(dòng)態(tài)灰度值M進(jìn)行比較。大于灰度M的像素點(diǎn)個(gè)數(shù)為O1（M），平均灰度為U1（M）。小于或等于灰度M的像素點(diǎn)為O2（M），平均灰度為U2（M），選取的灰度適應(yīng)度函數(shù)表達(dá)式為f（M）=O1（M）·O2（M）·［U1（M）－U2（M）］2，適應(yīng)度值越大，遺傳概率越大。

不同條件下，最優(yōu)適應(yīng)度不同，根據(jù)每幅圖片中的最大值、最小值、均值和灰度直方圖，經(jīng)過(guò)測(cè)試仿真，灰度最優(yōu)適應(yīng)度值出現(xiàn)在灰度為1.1MA±5%左右（MA為平均灰度）。

2.4 遺傳算子

2.4.1 選擇算子

個(gè)體的差異性使個(gè)體在環(huán)境中體現(xiàn)出的適應(yīng)性不同，根據(jù)種群個(gè)體適應(yīng)度評(píng)價(jià)函數(shù)的高低排序，Matlab條件下選擇算子代碼為 select（'SUS'，Chrom，F(xiàn)itnV，0.9）。SUS 代表隨機(jī)遍歷抽樣，Chrom是初始種群矩陣，F(xiàn)itnV是包含初始種群的個(gè)體適應(yīng)度的列矩陣。從父代復(fù)制到子代的選擇率為 0.9。

2.4.2 交叉算子

交叉算子在遺傳算法中起著至關(guān)重要的作用，是產(chǎn)生新個(gè)體的主要方法，本算法中，交叉算子Matlab條件下所使用的代碼為:recombin（'XOVSP'，SelCh，0.7），XOVSP 代表單點(diǎn)交叉，Selch代表交叉矩陣，0.7為單點(diǎn)交叉率。

2.4.3 變異算子

變異算法決定了遺傳算法的局部搜索能力。變異率太大會(huì)破壞優(yōu)秀個(gè)體的繼承，變異率太小則不利于收斂。本算法中，變異算子 Matlab條件下所使用的代碼為:mut（SelCh）。缺省值變異率PM=0.7/Lind，即 0.0875。

2.5 終止條件判斷

為了采集到研究最終需要的信息，本算法基于實(shí)驗(yàn)的不斷測(cè)試，采用的停止準(zhǔn)則如下:自行遺傳一定的代數(shù)，判斷閾值是否符合最優(yōu)的適應(yīng)度算子，如符合，則輸出閾值并得出二值化圖像做進(jìn)一步處理，如不符合，則重新刷新初始種群和遺傳代數(shù)直至得到最優(yōu)解。

3 算法設(shè)計(jì)

為了對(duì)儀器儀表中的關(guān)鍵字符信息進(jìn)行快速提取，基于HSV空間和遺傳算法的圖像分割步驟（如圖2）。

1）顏色空間轉(zhuǎn)化:根據(jù)式（1）將目標(biāo)圖像從RGB空間轉(zhuǎn)換到HSV顏色空間;

2）粗分割:在H分量圖進(jìn)行去噪處理后分割出最大的黑色區(qū)域。映射到RGB空間即可實(shí)現(xiàn)粗分割;

3）細(xì)分割:對(duì)粗分割出的區(qū)域的灰度進(jìn)行估量進(jìn)而確定了遺傳算法初始種群的灰度區(qū)域，然后基于遺傳算法實(shí)現(xiàn)目標(biāo)信息和背景的分離，進(jìn)而提取出了字符信息。

圖2 分割流程圖Fig 2 Flow chart of segmentation

4 實(shí)驗(yàn)結(jié)果分析比較

本算法基于Matlab R2009a對(duì)1000幅不同條件下儀器儀表上的數(shù)值字符進(jìn)行了測(cè)試提取，不同的光照環(huán)境條件下，本算法均切實(shí)可行地分割出了目標(biāo)字符。

本文以隨機(jī)抽取的三幅圖像作為樣本（如圖3樣本圖1、樣本圖2與樣本圖3），樣本圖1與樣本圖2是基于相同的光照下的不同的字符提?。ㄏ嗤瑮l件條件下不同信息的提?。?，樣本圖2和樣本圖3是相同的字符在不同光照條件下的分割提?。ú煌瑮l件下相同信息的提?。?。

本算法有效利用HSV色彩空間與RGB空間的差異性，結(jié)合RGB和HSV空間，并針對(duì)各自的空間對(duì)相同圖片進(jìn)行了分割，分割效果如表1所示。從各自分割出的結(jié)果可以看出:基于HSV空間的粗分割更精準(zhǔn)。

表1 粗分割Tab 1 Coarse segmentation

基于粗分割后的圖片，本算法分別就簡(jiǎn)單的平均閾值分割（AS）和 GA閾值分割（GAS）進(jìn)行了仿真測(cè)試（如圖4），如表2結(jié)果所示，對(duì)比三幅原圖片和最后分割二值化的結(jié)果，可以看出:GAS算法不僅實(shí)現(xiàn)了閾值的收斂，而且更標(biāo)準(zhǔn)化地實(shí)現(xiàn)了圖片的二值化。表3分別用兩種算法對(duì)1000幅圖片進(jìn)行分割比較，GAS算法對(duì)比AS算法，所花費(fèi)的時(shí)間相對(duì)較長(zhǎng)，其時(shí)間的長(zhǎng)短由遺傳算法代數(shù)決定的，但其正確率相對(duì)較高。

表2 細(xì)分割（M代表灰度閾值）Tab 2 Fine segmentation（M is gray level threshold）

表3 GAS同AS比較Tab 3 Comparison of GAS and AS

圖3 樣本圖Fig 3 Sample charts

圖4 多種方法分割效果圖Fig 4 Segmentation effect digram of a variety of methods

5 結(jié)束語(yǔ)

本文基于RGB和HSV空間的差異性，將二者有機(jī)結(jié)合起來(lái)，實(shí)現(xiàn)了特定區(qū)域的提取。然后，基于GA將特定區(qū)域的特定信息與背景有效分離，從而精準(zhǔn)地分割出了待提取信息。經(jīng)仿真測(cè)試，達(dá)到了一定的精度和速度。在GA過(guò)程中，其收斂性具有穩(wěn)定性［8］，但是偶爾也會(huì)出現(xiàn)死循環(huán)得不到收斂后的二值化結(jié)果，而這種情況可以通過(guò)控制工業(yè)環(huán)境得到一定的改善［9］。

［1］黃慶明，張?zhí)镂?，潘少靜.基于色彩學(xué)習(xí)的彩色圖像分割方法［J］.計(jì)算機(jī)研究與發(fā)展，1995，32（9）:60 －64.

［2］林開(kāi)顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述［J］.中國(guó)圖形圖像學(xué)報(bào)，2005，10（1）:1 －10.

［3］包全磊.基于 HSV空間的彩色圖像分割［J］.軟件導(dǎo)刊，2010，7（9）:171 －172.

［4］張國(guó)權(quán)，李戰(zhàn)明，李向偉，等.HSV空間中彩色圖像分割研究［J］.計(jì)算機(jī)工程與應(yīng)用，2005，46（26）:179 －181.

［5］張志安，駱 斌.基于顏色和空間特征的圖像檢索［J］.桂林工學(xué)院學(xué)報(bào)，2007，27（3）:422 －426.

［6］Brown L G.A survey of image registration techniques［J］.ACM Computer Survey，2002，24（4）:325 －376.

［7］Sugisaka M，F(xiàn)an Xinjian.Adaptive genetic algorithm with a cooperative mode［C］//Proceedings of IEEE International Symposium on Industrial Electromics，2001.

［8］惲為民，席裕庚.遺傳算法的全局收斂性和計(jì)算效率分析［J］.控制理論與應(yīng)用，1996，13（4）:454 －460.

［9］徐宗本，高 勇.遺傳算法過(guò)早收斂現(xiàn)象的特征分析及其預(yù)防［J］.中國(guó)科學(xué)，1996，26（4）:564 －375.