基于HSI彩色空間的圖像定位算法研究

摘要：圖像定位算法多是基于RGB彩色空間，這種定位算法易受光照的影響，而直接進行基于HSI彩色空間的圖像定位的話，圖像定位精度較低。鑒于此，本文提出了基于HSI彩色空間的二次圖像定位算法，該算法不易受光照和天氣等因素影響，另外算法定位精度更高。

關鍵詞：交通標志定位；RGB彩色空間；HSI彩色空間

1 引言

近幾年，智能交通系統的開發與應用得到各國政府和學術界的重視，交通標志自動識別系統作為智能交通系統的重要組成部分成為學術界的研究熱點。由于交通標志識別需要處理的信息量很大，如何有效排除干擾，降低算法復雜度以及增強系統魯棒性成為目前各國學者面臨的主要問題。

在交通標志識別過程中，圖像的定位與分割至關重要，其算法的優劣直接影響后續圖像特征提取的算法復雜度，以及系統的分類識別率。以往的圖像定位算法多是基于RGB彩色空間，這種定位算法易受光照的影響，而直接進行基于HSI彩色空間的圖像定位的話，圖像定位精度較低。鑒于此，本文提出了基于HSI彩色空間的二次圖像定位算法。

2 圖像定位算法研究

2.1 基于RGB彩色空間的圖像定位算法

常規條件下采集的圖像大都是24位的RGB圖像，直接在RGB彩色空間進行圖像定位會比較方便。RGB彩色空間是一種矩形直角空間結構的模型，該彩色空間是通過對顏色進行加運算完成顏色綜合的彩色系統。它用R、G和B三個基本分量的值來表示顏色。

基于RGB彩色空間的圖像定位算法實現如下：

1）觀察彩色圖像的三分量直方圖，確定目標和背景的聚類中心(R1,G1,B1)和(R2,G2,B2)。

2）利用ruler公式，分別計算圖像中某點的RGB分量距離目標顏色聚類中心和背景顏色聚類中心的距離，即：

3）比較d1和d2大小，若d1小于d2，則該像素點被識別為目標；否則，該像素點被識別為背景。

該算法在彩色圖像三分量直方圖已知的情況下，通過人為選取聚類中心(R1,G1,B1)和(R2,G2,B2)，就可完成圖像精確定位與分割。所以，對于實時性要求不高，均勻光照的圖像，這種算法效果很好。但是實際情況下，算法中目標和背景彩色聚類中心會隨著光照或圖像等的變化而變化，導致每次使用此算法時要重新修改聚類中心，算法復雜度較高。

2.2 基于HSI彩色空間的圖像定位算法

在HSI彩色空間中，色度H反映了該色彩最接近的光譜波長，飽和度S反映色彩的純與不純的區別，亮度I指色彩的明暗程度。在識別圖像時，有時需要提取圖像在色彩方面的本質特性，而色彩多受到光照明暗等條件的影響，光照明暗給物體帶來的直接影響就是亮度分量I的變化。RGB彩色空間明顯沒有應對光照不均的策略，而在HSI彩色空間進行圖像定位時，只需用反映色彩本質的色度、飽和度進行聚類分析，而不考慮亮度的影響，就會獲得較好的定位效果。基于HSI彩色空間的圖像定位算法實現步驟如下：

1）將拍攝到的RGB圖像轉化成HSI彩色圖像；

2）通過多次試驗，分別確定紅色、藍色和黃色的色度上下閾值：(RHl, RHh)、(GHl, GHh)、 (HHl, HHh)和飽和度上下閾值(RSl, RSh)、(GSl, GSh)、(HSl, HSh)；

3）根據HSI圖像色度、飽和度上下閾值，對像素點進行分類。

在該算法中，HSI彩色空間三分量間相關性較小，基于HSI彩色空間的圖像定位不考慮亮度的影響，對于隨機采集的處于自然環境中的圖像，圖像定位效果較好。同時這種算法基本不需要人工參與，可執行性高。但是由于一幅圖像中背景面積一般大于目標面積，應用基于HSI彩色空間的圖像定位算法精度較低。

2.3 基于行、列掃描的彩色圖像定位算法

由于光照條件的隨機變化和噪聲干擾等原因，一般在自然場景中實現理想定位比較困難，為了提高彩色定位算法的可靠性，本文對傳統的基于RGB彩色空間的行、列掃描算法進行適當改進，選擇在HSI彩色空間進行行、列像素點統計的行、列掃描算法，這樣光照變化或不均對圖像定位的影響將被降到最低。在定位出的行區域內，掃描并統計列方向藍色像素點的數量，同樣設定合理的閾值，最終便可確定完整的交通符號圖像區域。

該算法在圖像底色等先驗知識已知，同時環境中沒有和目標圖像色調相近的大塊區域時，一般都可得到滿意的結果，但是應用該算法定位出的圖像不方便直接特征提取。

3 基于HSI彩色空間的二次圖像定位算法

實際拍攝到的交通符號圖像背景都較復雜，不排除一些零星的和目標圖像色調相近的區域。圖像背景越復雜，圖像定位算法的算法復雜度就越高。同時，錯檢或漏檢的目標區域也會增大。本文提出了基于HSI彩色空間的二次圖像定位算法，即將基于HSI彩色空間的圖像定位算法和基于行、列掃描的圖像定位算法結合起來，實現圖像精確定位。實現步驟如下：

1）對現場采集的圖像進行行、列掃描，確定較準確的目標交通符號區域。

2）對行、列掃描的輸出結果進行基于HSI彩色空間的二次圖像定位，最終得到二值化的目標圖像區域。

相比其它定位算法，該算法定位精度更高，具備上述基于HSI彩色空間的圖像定位算法和基于行、列掃描的圖像定位算法的所有優點。

4 實驗分析

本次實驗我們以實際拍攝到的交通符號圖像為例，對其進行圖像預處理后，分別采用上述四種圖像定位算法，并驗證算法的優劣性。

1）給出原始彩色圖像經自適應中值濾波處理后的結果如圖1所示。

2）經過基于RGB彩色空間的圖像定位算法和基于HSI彩色空間的圖像定位算法后，輸出結果圖像如圖2所示：

3）將基于行、列掃描的圖像定位算法應用于上述彩色圖像，實驗結果如圖3所示。

4）圖像定位算法4是在基于行、列掃描圖像定位算法基礎上，對圖像進行二次定位。實驗結果如圖4所示。

此處首先給定本文定位精度的衡量標準：該定位算法是否能準確的定位出完整的交通符號區域；定位輸出結果和相應標準公路交通符號之間的相似度是否更接近于1。以上述定位精度的衡量標準為依據，比較實驗輸出的幾幅交通符號圖像發現，基于HSI彩色空間的二次圖像定位結果定位精度最高。

5 結論

分析上面實驗結果發現，基于HSI彩色空間的二次圖像定位算法一方面圖像定位精度很高，另一方面通用性還很強，對于背景不太復雜的各種圖像定位場合均能實現較好的圖像定位效果。

參考文獻

[1] 何明一,衛保國編著. 數字圖像處理[M]. 西北工業大學出版社. 2006.

[2] 四維科技,胡小峰,趙輝編著. VC++/MATLAB圖像處理與識別實用案例精選

[3] A de la Escalera，J M Armingol，M Mata. Traffic Sign Recognition and Analysis for Intelligent Vehicles [J]. Image and Vision Computing，2003，21 (3)：2472258.

作者簡介：

魏艷艷（1979-），西安電子科技大學在讀研究生，講師，工作單位：陜西交通職業技術學院，從事計算機專業教學工作與研究。