基于HIS模型的茶葉分類技術研究

吳發輝

（武夷學院 福建武夷山 354300）

一、HIS彩色模型與茶湯圖像處理

茶湯是有顏色的，在分類過程中須對顏色進行處理，實際應用中，常見的顏色處理模型有RGB 模型、CMY 模型、HSV 模型、Lab 模型以及 HIS 模型等[1]，其中 HIS 模型是從人的視覺系統出發，符合人眼特性比較適合用于茶湯的計算機識別。

（一）HIS 彩色模型。每一種顏色都是由色調（Hue）、飽和度（Saturation 或Chroma）和亮度（Intensity 或Brightness）三要素來表示，HIS 模型就是從人的視覺系統出發，直接使用顏色三要素來描述顏色。其中色調是決定顏色的本質，是彩色中最重要的屬性，物體反射光線中占優勢的波長的差別來決定了色調的不同，不同的波長產生不同的顏色感覺，便有了紅、黃、藍等各類色彩的相貌稱謂。飽和度是指顏色的深淺和濃淡程度，飽和度越高，顏色越深。飽和度的深淺和白色的比例有關，白色所占比例越高，飽和度越低。亮度是眼睛對光源和物體表面的明暗程度的感覺，主要是由光線強弱決定的一種視覺經驗，光線越強，亮度越大。

HIS 彩色空間可以用一個圓錐空間模型來描述，如圖1所示。人們通常把色調和飽和度統稱為色度，用來表示顏色的類別和深淺程度。在圖中圓錐中間的橫截面圓就是色度圓，而圓錐向上或向下延伸的便是亮度分量的表示。

圖1 HIS模型示意圖

從圖1可得：（1）I（亮度）的分量與圖像的顏色信息無關；（2）H（色調）和S（飽和度）分量與人眼獲得顏色的方式密切相關。這是由于人的視覺對顏色濃淡的敏感程度遠遠弱于對亮度的敏感程度，為了便于顏色處理和識別，人的視覺神經系統常采用HIS 彩色空間，它相比于RGB（Red，Green，Blue）或其它色彩空間更符合人的視覺特性，描述也很接近人眼感知色彩的方式。在圖像處理和計算機視覺中大量算法都可在HSI色彩空間中方便地使用，選擇HIS色彩空間作為彩色圖像處理的模型進行圖像分析和處理，以達到不同色彩的物體進行分類，可大大簡化其工作量。

由于通過相機采集到的茶葉茶湯圖片是RGB 格式的，為了使圖像色彩更能符合人眼的視覺要求，本研究在圖像處理時將RGB模型轉換為HIS模型，以便更準確的實現茶葉的分類。此外，由于HIS 空間中亮度和灰色度具有可分離特性，使得圖像處理和機器視覺中大量灰度處理算法都可以在HIS彩色空間中方便地使用。

HIS 彩色模型和RGB 彩色模型只是同一物理量的不同表示法，它們之間存在著轉換關系。給定一幅RGB 格式的圖像，每一個RGB像素和H分量可以用下面的公式得到[2]：

此處

飽和度分量由下式給出：

最后，強度分量為：

假定RGB 值歸一化為[0，1]范圍內，色調可以用第一個式子得到的值除以360度歸一化為[0，1]范圍內，而其它兩個HIS分量已經在[0，1]范圍之內[3]。

（二）茶湯圖像預處理。利用計算機圖像處理技術實現茶葉分類分為三個階段：首先對原始圖像進行圖像預處理，選擇圖像的關鍵部分；接著是圖像特征提取階段，計算機對提取的圖像進行關鍵的加工處理，從圖像中提取物體的客觀特征的顏色信息；最后是識別階段。

茶葉茶湯圖像預處理主要有以下幾種方法：

1．圖像增強。在實際應用中，由于圖像在電路傳輸時所產生噪聲影響，或圖像光線不足導致的圖像灰度過于集中等問題，使得圖像質量下降，因此獲取的原始圖片圖像清晰度并不很高，常是模糊的或根本難以看清。為了改善圖像質量，在圖像分析前對圖像進行預處理是不可缺少的。目前在圖像預處理所用的改善圖像質量的方法常用的有圖像增強和圖像復原兩種。因為本研究對茶湯圖像處理的目的是進行分類，所謂的分類是指按照種類、等級或性質分別歸類，圖像中最能體現某種物體所具有的且與其它種物體不同的屬性才能做為分類的依據，而圖像增強可以對圖像感興趣的特征進行有選擇的突出，衰減不需要的特征，從而減少圖像的復雜度，提高圖像的可懂性，所以運用圖像增強對茶葉茶湯進行圖像預處理是最佳選擇。

2．圖像平滑。在圖像預處理時圖像平滑是一種可以減少和抑制圖像噪聲影響的數字圖像處理技術[4]，是用于突出圖像的寬大區域、低頻成分、主干部分或抑制圖像噪聲和干擾高頻成分的圖像處理方法，目的是使圖像亮度平緩漸變，減小突變梯度，改善圖像質量。圖像平滑的方法包括插值方法，線性平滑方法，卷積法等多種方法，而中值濾波是一種常用的非線性平滑技術，在圖像處理中，是經典的平滑噪聲的方法，它是把鄰域圖像的像素按灰度進行排序，然后選取該組中間值作為輸出像素值，中值濾波器對與周圍像素灰度值差別較大的像素不那么敏感，在降噪的同時引起的模糊效應較低。因此運用中值濾波這種非線性的信號處理方法進行圖像預處理，它在一定條件下可以克服如最小均方濾波、均值濾波帶來的圖像細節模糊，而且可以有效的濾除脈沖干擾和圖像噪聲。它不同于卷積的鄰域運算，中值濾波將一個包含奇數個像素的滑動窗口G在圖像上移動，將領域中的像素按灰度級排序，取其中間值作為輸出像素。

中值濾波的數學描述：

若S為像素(x0，y0)的鄰域集合（包含(x0，y0)），(x，y)表示S中的元素，f(x，y)表示(x，y)點的灰度值，|S|表示集合S中元素的個數，Sort表示排序，則對(x0，y0)平滑可以表示為

窗口G可以是方形(m×n)，長方形(m×n)或者是十字形等，中值濾波可以表示為：

對于方形與長方形窗口，上式可以表示為：

3．圖像直方圖均衡化。茶葉茶湯的圖像在采集的時候容易受到諸多環境因素的影響，如光線、拍攝角度等，采集到的茶葉圖像的品質會有所下降，這樣不利于后續的圖像處理，因此需要利用計算機，借助一些特殊的圖像處理方法來降低這些不良因素的影響，改善圖像的質量，提高圖像的使用價值。為了改善圖像的質量，需要使用直方圖修正方法實現圖像增強。針對不同的原始圖像有各自特點的直方圖，通過分析一幅圖像的直方圖的形狀，能判斷圖像的黑白對比度以及圖像的清晰度。如果一幅圖像的直方圖的效果不能滿足需求，就使用直方圖均衡化處理對圖像做適當的修改，將原始圖像的不均衡的直方圖變成一幅具有均勻分布的新圖像[5]，直方圖均衡化拓展了像素元素的動態范圍，從而達到了使圖像清晰的效果。

直方圖均衡化的數學描述為：

數字圖像中灰度級為γk的像素出現的概率為：

式中N是一幅圖像的總像素數，nk為第k級灰度的像素數，γk表示第k個灰度級，P(γk)表示該灰度級出現的概率。對該數字圖像進行直方圖均衡化時對應的離散形式為：

二、茶湯圖像特征提取

茶葉特征選擇是茶葉分類的重要前提，要是茶葉特征選擇不對，那么對茶葉分類的準確性將產生偏差。

在HIS模型中主要特征參數有3個，分別是茶葉茶湯圖像的所有像素點的H、I、S的值，同時分析數據，計算3個分量的平均值和標準差。

通過提取茶湯顏色特征，計算這些數據，比較不同茶湯的顏色特征，實現茶葉的分類。

三、實驗

（一）圖像截取功能。為了排除圖像中無關部分的影響，將樣本圖像截取有用的部分，使接下來的圖像預處理不受背景的無關因素的干擾。圖像截取如圖2所示。

圖2 圖像截取

（二）圖像預處理模塊。圖像預處理主是對茶湯圖像先進行去噪平滑，排除一些不良因素對圖像質量的影響，再進行中值濾波，中值濾波的目的是為了減少圖像的噪聲，最后還要將圖像從RGB 彩色模型轉換為更符合人眼感官的HIS模型。圖像預處理結果如下：

圖3 圖像預處理

圖像預處理模塊代碼如下：

%執行RGB轉換HIS

num=0.5*((r-g)+(r-b))；den=sqrt((r-g).^2+(r-b).^(g-b))；

theta=acos(num./(den+eps))；%·防止除數為0

H=theta；H(b＞g)=2*pi-H(b＞g)；

H=H/(2*pi)； num=min(min(r，g)，b)；

den=r+g+b；den(den==0)=eps；%·防止除數為0

S=1-3.*num./den；H(S==0)=0；

I=(r+g+b)/3； HIS=cat(3，H，I，S)；

（三）圖像特征數據提取功能。圖像特征數據提取功能是將轉換為HIS模型的圖像的H分量和S分量的均值和方差計算出來，是后續實現茶葉茶湯的分類重要顏色特征數據。圖像特征數據提取模塊的截圖如圖4所示。

圖4 圖像數據特征提取

通過MATLAB自帶的mean2()函數和std2()函數[7]分別計算轉換成HIS模式的茶湯圖像的H分量和S分量的均值和方差，用于茶葉的分類。模塊代碼如下所示：

global HIS；

mH=mean2(HIS(：，：，1))；%求 H 分量的均值

stdH=std2(HIS(：，：，1))；%求 H 分量的方差

mS=mean2(HIS(：，：，2))；%求S分量的均值

stdS=std2(HIS(：，：，2))；%求 S分量的方差

四、結論

根據圖像特征數據提取的顏色特征，通過對比兩幅圖像的顏色特征，可用于對圖像中的茶湯分類。本實驗是通過提取H分量和S分量的顏色特征，即求得H分量和S分量的均值和標準差的方法。