CN104599271B - 基于CIE Lab彩色空间的灰度阈值分割方法 - Google Patents

Abstract

一种基于CIE Lab彩色空间的灰度阈值分割方法，包括如下步骤：步骤1：将RGB彩色空间的图像变换至CIE Lab彩色空间；步骤2：对CIE Lab彩色空间的各个灰度通道进行高斯直方图滤波；步骤3：采用Otsu阈值法计算出各个灰度通道的阈值，并调整阈值为局部极小值；步骤4：计算CIE Lab彩色空间的各个灰度通道的灰度分离度，选取灰度分离度最大的灰度通道，采用步骤3中计算出的相应的阈值进行二值化分割。本发明很好的解决了一部分彩色图像分割的问题。并且该分割可以作为复杂彩色图像的预分割，所提出的分离度指标也可以作为图像评价的一个标准。

Description

基于CIE Lab彩色空间的灰度阈值分割方法

技术领域

本发明涉及图像处理技术领域，特别是一种基于彩色空间至灰度空间转换的简单有效的全局阈值分割方法。

背景技术

图像分割是图像处理中的经典难题，也是图像分析和模式识别的首要问题。图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。

目前大部分的研究工作都集中在灰度图像的分割，主流的图像分割方法可以分为三类。一，基于像素的方法，也称为基于阈值的方案，比较经典的方案有峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法。二，基于区域的方法，有区域生长法，区域分裂与合并发，分水岭算法等。三，基于边界的方法，有各种边缘提取算子Sobel梯度，拉普拉斯梯度算子等。四，基于特定理论的算法，如小波分析，level cut，grab cut，蚁群算法等等。由于人眼对灰度级的识别能力有限，只能识别几十种灰度级，但却能识别成千上万种颜色。而彩色图像相比灰度图像提供了更多的信息，因此基于彩色空间的图像分割也开始受到越来越多的关注，但是相对于灰度图像分割的研究，成果还远远不够。而在实际的应用中，无论是相机或者摄像头获取的图像。甚至是医学伪彩色图像都并非灰度图像，所以研究彩色图像的分割具有非常现实的意义。虽然已有不少成熟的彩色图像分割算法，如Kmeans，分水岭等，但是各自有特定的应用范围，不断开拓新的算法始终是研究者们的追求。

本文在这样的背景下，提出了一种全新的非常简单的彩色图像分割方案，它可以用于普通的自然彩色图像分割和医学伪彩色图像分割。

对于很多的自然彩色图像，尤其是植物和动物类图像，由于其本身在颜色或者亮度上相对于背景具有很好的分离性，此时采用复杂的彩色图像分割方案没有必要。CIE Lab的L，a，b各个通道能够分别均匀而独立地反应出彩色图像在亮度，红色至绿色分量，黄色至蓝色分量上的变化，从而而采用灰度阈值法完成彩色图像分割提供了可能。对于普通的灰度医学图像，首先将其进行伪彩色化，能够突出和增强组织的边缘，而再次将其转换至CIELab彩色空间的L，a，b通道，能够相比原有的灰度图像，更好的反映出软组织，病灶组织相对于背景的对比度，从而可以采用基本阈值法完成更精确的预提取。

发明内容

本发明的目的在于，提出一种基于CIE Lab彩色空间的灰度阈值分割方法，该方法是无监督，简单有效的彩色图像分割方案。它没有敏感的参数，也没有复杂的迭代过程，而是利用了对象和背景的亮度，色度信息，将彩色图像的分割转换成灰度图像的分割，从而很好的解决了一部分彩色图像分割的问题。并且该分割可以作为复杂彩色图像的预分割，所提出的分离度指标也可以作为图像评价的一个标准。

本发明提供一种基于CIE Lab彩色空间的灰度阈值分割方法，包括如下步骤：

步骤1：将RGB彩色空间的图像变换至CIE Lab彩色空间；

步骤2：对CIE Lab彩色空间的各个灰度通道进行高斯直方图滤波；

步骤3：采用Otsu阈值法计算出各个灰度通道的阈值，并调整阈值为局部极小值；

步骤4：计算CIE Lab彩色空间的各个灰度通道的灰度分离度，选取灰度分离度最大的灰度通道，采用步骤3中计算出的相应的阈值进行二值化分割。

从上述技术方案可以看出，本发明具有以下技术效果：

1、本发明提供的基于CIE Lab彩色空间的灰度阈值分割方法，提出了一个新的图像评价标准，即灰度图像分离度指标η，用于比较不同灰度图像的可分离特性。

2、本发明提供的基于CIE Lab彩色空间的灰度阈值分割方法，将彩色图像的分割问题，转换成了灰度图像的分割问题，降低了原有问题的难度，在实际的自然图像分割和伪彩色医学图像分割的应用中，取得了很好的效果。

3、本发明提供的基于CIE Lab彩色空间的灰度阈值分割方法，针对经典Otsu阈值方法在前景和背景方差差异很大时不能取得有效的阈值的缺点，提出了非常简单而有效的修正方案。

附图说明

为进一步说明本发明的技术内容，以下结合附图及实施案例对本发明详细说明如后，其中：

图1是本发明提供的基于CIE Lab彩色空间的灰度阈值分割方法的步骤流程图；

图2是本发明提供的基于CIE Lab彩色空间的灰度阈值分割方案中分离度中归一化面积的示意图；

图3是本发明实施案例中的实验样本RGB图以及R、G、B通道图；

图4是本发明实施案例中的实验样本Lab图以及L、a、b通道图；

图5是本发明部分实验样本的分割结果，分割结果采用叠加轮廓的方式显示。

图6是本发明脑肿瘤实验样本的RGB图，相应的Lab图以及相应的灰度图；

图7是图6中脑肿瘤实验样本的CIE Lab彩色空间对应的L，a，b灰度通道图；

具体实施方式

请参阅图1所示，本发明提供一种基于CIE Lab彩色空间的灰度阈值分割方法，包括如下步骤：

步骤1：将RGB彩色空间的图像变换至CIE Lab彩色空间，所述的RGB彩色空间至CIELab彩色空间转换，是采用先从RGB空间转换至CIE XYZ彩色空间，再转换至CIE Lab彩色空间的算法，具体包含以下步骤；

步骤1a：RGB至CIE XYZ彩色空间转换

RGB色彩模式是在生理学的基础上，基于光的三原色的工业界的颜色标准。光的三原色是红色、绿色和蓝色，这是由于人类有三种视锥细胞分别对红、绿和蓝光最敏感。RGB色彩模式通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。

在颜色感知的研究中，CIE 1931XYZ色彩空间(也叫做CIE 1931色彩空间)是其中一个最先采用数学方式来定义的色彩空间，它由国际照明委员会(CIE)于1931年创立。因为人类眼睛有响应不同波长范围的三种类型的颜色传感器，所有可视颜色的完整绘图是三维的。但是颜色的概念可以分为两部分：明度和色度。例如，白色是明亮的颜色，而灰色被认为是不太亮的白色。换句话说，白色和灰色的色度是一样的，而明度不同。

CIE XYZ色彩空间设计使得Y参数是颜色的明度或亮度的测量，而颜色的色度则通过导出参数x和y指定，它们是所有三个三色刺激值X、Y和Z的函数所规范化的三个值中的两个。参照OpenCV中对于电子系统的8位彩色图像，RGB-XYZ的转换如下：

步骤1b：CIE XYZ至CIE Lab彩色空间转换

Lab是在1931年国际照明委员会(CIE)制定的颜色度量国际标准的基础上建立起来的。1976年，经修改后被正式命名为CIE Lab。它是一种设备无关的颜色系统，也是一种基于生理特征的颜色系统。CIE Lab用数字化的方法来描述人的视觉感应，致力于感知均匀性。Lab颜色空间中的L分量用于表示像素的亮度，取值范围是[0，100]，表示从纯黑到纯白；a表示从红色到绿色的范围，取值范围是[127，-128]；b表示从黄色到蓝色

的范围，取值范围是[127，-128]。可以通过修改a和b分量的输出色阶来做精确的颜色平衡，或使用L分量来调整亮度对比。RGB和LAB之间没有直接的转换公式，其必须用通道XYZ颜色空间作为中间层。参照OpenCV中对于电子系统的8位彩色图像，XYZ-Lab的转换如下：

X＝X/0.950456

Z＝Z/1.088754

a＝500(f(X)-f(Y))+128

b＝200(f(Y)-f(Z))+128

其中

所得到的L，a，b的范围是

0≤L≤100， -127≤a≤127， -127≤b≤127。

可以通过下式将其转换到8位的范围

L＝L×255/128， a＝a+128， b＝b+128。

之所以采用CIE Lab彩色空间，是因为它相比RGB彩色空间，具有更好的光照均匀性。L通道去除了颜色的影响，a与b通道去除了亮度的影响，而R，G，B三个通道不仅包含了亮度和颜色的信息，三者之间甚至是相互耦合的，并不互相独立。参阅附图3与4，可以看出，在R、G、B三个通道中，前景金字塔和背景天空在灰度空间相互重叠，对比度不高，难以采用阈值法进行区分。而a通道中，前景和背景则在灰度空间具有很好的区分度，附图5就是选择了a通道，采用单一的阈值法将前景与背景分离开，从所叠加的轮廓结果可以看出，分割结果非常的准确，即前景和背景在a通道的灰度空间的重叠非常小。

步骤2：对CIE Lab彩色空间的各个通道进行高斯直方图滤波，所述的高斯直方图滤波，是通过高斯函数，对灰度直方图进行平滑滤波，具体算法如下：hist(t)表示灰度级为t的概率密度，高斯滤波核方差因子σ取0.75；

采用该高斯滤波之后，原来的直方图中许多的伪峰值将被去除，从而有利于后续将Otsu阈值调整为局部极小值的工作。

步骤3：所述的Otsu阈值法，是一种求取全局阈值的方法。阈值分割方案是最古老也是应用最简单与普遍的方法，它的关键在于阈值的选取，已经被国内外学者广泛研究，非常适用于分割前景和背景具有不同灰度级的图像。全局阈值法可以分为基于直方图峰值检测的方法；基于优化准则的方法如最大类间方差法，也叫Otsu方法，它通过最大化类间方差来求取阈值；最大熵法，它通过最大化分割信息熵求取阈值，最小交叉熵法通过最小化分割交叉信息熵求取阈值，最小误差法则通过最小化贝叶斯风险求取阈值；基于空间灰度分布信息的方法如矩不变法，通过使得分割图像与源图像的矩不变求取阈值；基于变换区域的方法如有效平均梯度法；以及基于特定理论的方法如基于遗传算法的阈值法等。在所有的这些方法中，Otsu提出的最大类间方差法，也即前述的Otsu方法表现得最稳定，且无需参数，对于现实图像保持了最好的均匀性和形状特性，被商业软件GIMP和学术软件Matlab采纳为自动阈值法，因此也被本发明所采用。

Otsu阈值法是通过灰度直方图，计算类间最大方差，来求取阈值t，I代表灰度级处于[0，1，…，L-1]之间的灰度图像，ni表示灰度为n的像素个数，N代表总像素的个数，所以N＝Σni，则灰度级n的概率p_i为，p_i＝n_i/N。假设两类分别为C₁和C₂，通过阈值t进行分割，C₁包含灰度级处于[0，…，t]之间的像素，C₂包含像素级处于[t+1，…，L-1]之间的像素，使p₁(t)和p₂(t)表示两类的累积概率，m₁(t)和m₂(t)表示两类的灰度均值，σ² ₁(t)和σ² ₂(t)表示两类的归一化方差，σ² _B(t)和σ² _w(t)代表整个图像的类间方差和类内方差，σ² _T(t)代表图像总体方差，则这些量的计算如下：

灰度阈值t通过公式(13)来得到；而所述的对阈值进行调整，使其为局部极小值，是由t将原来的直方图分为两部分，可以得到相应的峰值p₁和p₂，然后通过计算峰值之间的最低谷值t’来代替原有的Otsu阈值的方法，此时得到的谷值t’优于原有的Otsu阈值t，因为它处于两类的交叉点，将其用于阈值分割，两类在直方图熵将具有最小的重叠度。

步骤4：计算CIE Lab彩色空间的L、a、b三个灰度通道的灰度分离度，是通过自定义的分离度准则，它可以表征灰度通道的可分离度特性；分离度越大，说明前景与背景的可分性越强，在灰度空间的重叠度越小，分离度的计算如下：其中m_h、m₁代表最高和最低灰度值，s₁、s₂、s₃分别代表三角形的面积Δp₁vp₂、Δp₂vv₀和Δp₁vv₀，详情可以参阅附图2，在计算三角形的面积时，灰度被归一化至0到1的范围；点p₁与p₂分别代表峰值点，v代表谷值点，v₀代表谷值点在灰度轴上的投影点：

η_cd＝(m₂-m₁)/(m_h-m_l) (14)

η_area＝S₁/(S₁+S₂+S₃) (16)

η＝(η_ov+η_cd)log₂(1+η_area) (17)；

计算出各个灰度通道的分离度后，选择分离度最大的图像，其具有最大的对比度，因此可以采用Otsu阈值法进行二值化分割，取得较好的效果。此发明只针对二类图像分割问题，即图像只包含前景和背景两类目标，对于包含多类的情况，可以迭代的使用本发明的方法，即依次将某个类划分出来；η_ov是类间方差与全局方差的比值，它在一定的程度上反映出了灰度图像中两类的可分离性；研究表明，两类在灰度空间的重叠越小，则η_ov越大，但反之往往不然；η_cd反映的是两类的灰度空间的距离，也在一定程度上反映了两类的可分离性，但它与η_ov一样，均不是可分离性的充分条件，即无法有效地反映出分离的有效性，而η_area则是可分离性的充分条件，即η_area越大，可分性越强，但是η_area相对敏感，高的η_area指标不能作为强可分离性的必要条件，因此综合三者的特点，提出了η作为最终的可分离度指标，实践表明，它优于上述其中的任何单一的指标，是非常有效的定量的分离度描述子。

实施案例1

为验证本发明提供基于CIE Lab彩色空间的灰度阈值分割方案的效果，进行了如下实验：选取实验样本如附图5所示。参阅附图3中RGB彩色图像以及各自的分量，和附图4中Lab彩色图像以及各自的分量可以看出：原来的R，G，B分量都不能很好的将前景和背景在灰度图上区分开，L通道的作用类似，这说明通过亮度无法有效的区分前景和背景。而a通道则在灰度上很好的区分开了前景和背景，L、a、b通道各自的灰度分离度分别为0.0989、0.6871、0.4173，这也可以反映出分离度的有效性，分割结果如附图5所示，叠加的白色轮廓即为分割结果，附图5也显示了一些其他图像的分割效果，分别采用叠加白色轮廓和红色轮廓的方法进行展示，可以看出，本方法是非常有效的。

实施案例2

本方法亦可以很好的应用于医学图像分割，附图6显示了一幅脑肿瘤的伪彩色RGB医学图像，以及相应的Lab彩色图像和灰度图像，图7显示了对应的L、a、b灰度图像。对比可以看出，a和b通道中肿瘤和周围组织的对比度更强，实际上分离度也是b通道最大，从而可以相比灰度图，更好的应用阈值法进行预分割，以便更精确地提取出病变组织。

Claims (6)

1.一种基于CIE Lab彩色空间的灰度阈值分割方法，包括如下步骤：

步骤1：将RGB彩色空间的图像变换至CIE Lab彩色空间；

步骤2：对CIE Lab彩色空间的各个灰度通道进行高斯直方图滤波；

步骤3：采用Otsu阈值法计算出各个灰度通道的阈值，并调整阈值为局部极小值；

步骤4：计算CIE Lab彩色空间的各个灰度通道的灰度分离度，选取灰度分离度最大的灰度通道，采用步骤3中计算出的相应的阈值进行二值化分割；

其中所述的灰度分离度，是自定义的分离度准则，它可以表征灰度通道的可分离度特性；分离度越大，说明前景与背景的可分性越强，在灰度空间的重叠度越小，分离度的计算如下：其中m_h，m₁代表最高和最低灰度值，m₁、m₂代表两类的平均灰度值，σ² _B(t)代表类间方差，σ² _T代表图像方差，s₁、s₂、s₃分别代表三角形的面积Δp₁vp₂、Δp₂vv₀和Δp₁vv₀，在计算三角形的面积时，灰度被归一化至0到1的范围；点p₁与p₂分别代表峰值点，v代表谷值点，v₀代表谷值点在灰度轴上的投影点：

η_cd＝(m₂-m₁)/(m_h-m_l) (14)

${\mathrm{\η}}_{ov}={\mathrm{\σ}}_B^2\left(t\right)/{\mathrm{\σ}}_T^2---\left(15\right)$

η_area＝S₁/(S₁+S₂+S₃) (16)

η＝(η_ov+η_cd)log₂(1+η_area) (17)。

2.如权利要求1所述的基于CIE Lab彩色空间的灰度阈值分割方法，其中所述的RGB彩色空间至CIE Lab空间转换，是采用先从RGB空间转换至CIE XYZ空间，再转换至CIE Lab空间的算法。

3.如权利要求1所述的基于CIE Lab彩色空间的灰度阈值分割方法，其中所述的高斯直方图滤波，是通过高斯函数，对灰度直方图进行平滑滤波，具体算法如下：hist(t)表示灰度级为t的概率密度，高斯滤波核函数K_σ方差因子σ取0.75；

$hist\left(t\right)=\underset{0\≤k\≤L-1}{\Σ}hist\left(t\right)K_{\mathrm{\σ}}(t-k)---\left(1\right)$

$K_{\mathrm{\σ}}\left(x\right)=e^{-x^2/2{\mathrm{\σ}}^2}/{\left(2{\mathrm{\π\σ}}^2\right)}^{1/2}---\left(2\right).$

4.如权利要求1所述的基于CIE Lab彩色空间的灰度阈值分割方法，其中所述的Otsu阈值法，是通过灰度直方图，计算类间最大方差，来求取阈值t，I代表灰度级处于[0，1，…，L-1]之间的灰度图像，ni表示灰度为n的像素个数，N代表总像素的个数，所以N＝∑ni，则灰度级n的概率p_i为，p_i＝n_i/N；假设两类分别为C₁和C₂，通过阈值t进行分割，C₁包含灰度级处于[0，…，t]之间的像素，C₂包含像素级处于[t+1，…，L-1]之间的像素，使p₁(t)和p₂(t)表示两类的累积概率，m₁(t)和m₂(t)表示两类的灰度均值，σ² ₁(t)和σ² ₂(t)表示两类的归一化方差，σ² _B(t)和σ² _w(t)代表整个图像的类间方差和类内方差，σ² _T代表图像方差，则这些量的计算如下：

$p_1\left(t\right)=\underset{0}{\overset{t}{\Σ}}{p}_i---\left(3\right)$

$p_2\left(t\right)=\underset{t+1}{\overset{L-1}{\Σ}}{p}_i---\left(4\right)$

$m_1\left(t\right)=\underset{0}{\overset{t}{\Σ}}{\mathrm{ip}}_i/p_1\left(t\right)---\left(5\right)$

${\mathrm{\σ}}_1^2\left(t\right)=\underset{0}{\overset{t}{\Σ}}{(i-m_1(t\left)\right)}^2{p}_i/p_1\left(t\right)---\left(6\right)$

$m_2\left(t\right)=\underset{t+1}{\overset{L-1}{\Σ}}{\mathrm{ip}}_i/p_2\left(t\right)---\left(7\right)$

${\mathrm{\σ}}_2^2\left(t\right)=\underset{t+1}{\overset{L-1}{\Σ}}{(i-m_2(t\left)\right)}^2{p}_i/p_2\left(t\right)---\left(8\right)$

$m_g=\underset{0}{\overset{l}{\Σ}}{\mathrm{ip}}_i---\left(9\right)$

${\mathrm{\σ}}_w^2\left(t\right)=p_1\left(t\right){\mathrm{\σ}}_1^2\left(t\right)+p_2\left(t\right){\mathrm{\σ}}_2^2\left(t\right)---\left(10\right)$

${\mathrm{\σ}}_B^2\left(t\right)=p_1\left(t\right)p_2\left(t\right){\left(m_1\right(t)-m_2(t\left)\right)}^2---\left(11\right)$

${\mathrm{\σ}}_T^2=\underset{0}{\overset{L-1}{\Σ}}{(i-m_g)}^2{p}_i---\left(12\right)$

$t=\underset{0\&le;t<L-1}{\arg }max\left\{{\mathrm{\&sigma;}}_B^2\left(t\right)\right\}---\left(13\right)$

灰度阈值t通过公式(13)来得到。

5.如权利要求1所述的基于CIE Lab彩色空间的灰度阈值分割方法，其中所述的调整阈值，是通过将0tsu阈值法应用于直方图得到初始阈值t，t将原来的直方图分为两部分，可以得到相应的峰值p₁和p₂，然后通过计算峰值之间的最低谷值t’来代替原有的Otsu阈值的方法，此时得到的谷值t’优于原有的Otsu阈值t。

6.如权利要求1所述的基于CIE Lab彩色空间的灰度阈值分割方法，其中所述的二值化分割，是指将灰度分离度最大的灰度通道，按照对应的阈值，将灰度值大于阈值的归为一类，小于阈值的归为另一类。