基于HSI彩色空间的图像定位算法研究

摘要：图像定位算法多是基于RGB彩色空间，这种定位算法易受光照的影响，而直接进行基于HSI彩色空间的图像定位的话，图像定位精度较低。鉴于此，本文提出了基于HSI彩色空间的二次图像定位算法，该算法不易受光照和天气等因素影响，另外算法定位精度更高。

关键词：交通标志定位；RGB彩色空间；HSI彩色空间

1 引言

近几年，智能交通系统的开发与应用得到各国政府和学术界的重视，交通标志自动识别系统作为智能交通系统的重要组成部分成为学术界的研究热点。由于交通标志识别需要处理的信息量很大，如何有效排除干扰，降低算法复杂度以及增强系统鲁棒性成为目前各国学者面临的主要问题。

在交通标志识别过程中，图像的定位与分割至关重要，其算法的优劣直接影响后续图像特征提取的算法复杂度，以及系统的分类识别率。以往的图像定位算法多是基于RGB彩色空间，这种定位算法易受光照的影响，而直接进行基于HSI彩色空间的图像定位的话，图像定位精度较低。鉴于此，本文提出了基于HSI彩色空间的二次图像定位算法。

2 图像定位算法研究

2.1 基于RGB彩色空间的图像定位算法

常规条件下采集的图像大都是24位的RGB图像，直接在RGB彩色空间进行图像定位会比较方便。RGB彩色空间是一种矩形直角空间结构的模型，该彩色空间是通过对颜色进行加运算完成颜色综合的彩色系统。它用R、G和B三个基本分量的值来表示颜色。

基于RGB彩色空间的图像定位算法实现如下：

1）观察彩色图像的三分量直方图，确定目标和背景的聚类中心(R1,G1,B1)和(R2,G2,B2)。

2）利用ruler公式，分别计算图像中某点的RGB分量距离目标颜色聚类中心和背景颜色聚类中心的距离，即：

3）比较d1和d2大小，若d1小于d2，则该像素点被识别为目标；否则，该像素点被识别为背景。

该算法在彩色图像三分量直方图已知的情况下，通过人为选取聚类中心(R1,G1,B1)和(R2,G2,B2)，就可完成图像精确定位与分割。所以，对于实时性要求不高，均匀光照的图像，这种算法效果很好。但是实际情况下，算法中目标和背景彩色聚类中心会随着光照或图像等的变化而变化，导致每次使用此算法时要重新修改聚类中心，算法复杂度较高。

2.2 基于HSI彩色空间的图像定位算法

在HSI彩色空间中，色度H反映了该色彩最接近的光谱波长，饱和度S反映色彩的纯与不纯的区别，亮度I指色彩的明暗程度。在识别图像时，有时需要提取图像在色彩方面的本质特性，而色彩多受到光照明暗等条件的影响，光照明暗给物体带来的直接影响就是亮度分量I的变化。RGB彩色空间明显没有应对光照不均的策略，而在HSI彩色空间进行图像定位时，只需用反映色彩本质的色度、饱和度进行聚类分析，而不考虑亮度的影响，就会获得较好的定位效果。基于HSI彩色空间的图像定位算法实现步骤如下：

1）将拍摄到的RGB图像转化成HSI彩色图像；

2）通过多次试验，分别确定红色、蓝色和黄色的色度上下阈值：(RHl, RHh)、(GHl, GHh)、 (HHl, HHh)和饱和度上下阈值(RSl, RSh)、(GSl, GSh)、(HSl, HSh)；

3）根据HSI图像色度、饱和度上下阈值，对像素点进行分类。

在该算法中，HSI彩色空间三分量间相关性较小，基于HSI彩色空间的图像定位不考虑亮度的影响，对于随机采集的处于自然环境中的图像，图像定位效果较好。同时这种算法基本不需要人工参与，可执行性高。但是由于一幅图像中背景面积一般大于目标面积，应用基于HSI彩色空间的图像定位算法精度较低。

2.3 基于行、列扫描的彩色图像定位算法

由于光照条件的随机变化和噪声干扰等原因，一般在自然场景中实现理想定位比较困难，为了提高彩色定位算法的可靠性，本文对传统的基于RGB彩色空间的行、列扫描算法进行适当改进，选择在HSI彩色空间进行行、列像素点统计的行、列扫描算法，这样光照变化或不均对图像定位的影响将被降到最低。在定位出的行区域内，扫描并统计列方向蓝色像素点的数量，同样设定合理的阈值，最终便可确定完整的交通符号图像区域。

该算法在图像底色等先验知识已知，同时环境中没有和目标图像色调相近的大块区域时，一般都可得到满意的结果，但是应用该算法定位出的图像不方便直接特征提取。

3 基于HSI彩色空间的二次图像定位算法

实际拍摄到的交通符号图像背景都较复杂，不排除一些零星的和目标图像色调相近的区域。图像背景越复杂，图像定位算法的算法复杂度就越高。同时，错检或漏检的目标区域也会增大。本文提出了基于HSI彩色空间的二次图像定位算法，即将基于HSI彩色空间的图像定位算法和基于行、列扫描的图像定位算法结合起来，实现图像精确定位。实现步骤如下：

1）对现场采集的图像进行行、列扫描，确定较准确的目标交通符号区域。

2）对行、列扫描的输出结果进行基于HSI彩色空间的二次图像定位，最终得到二值化的目标图像区域。

相比其它定位算法，该算法定位精度更高，具备上述基于HSI彩色空间的图像定位算法和基于行、列扫描的图像定位算法的所有优点。

4 实验分析

本次实验我们以实际拍摄到的交通符号图像为例，对其进行图像预处理后，分别采用上述四种图像定位算法，并验证算法的优劣性。

1）给出原始彩色图像经自适应中值滤波处理后的结果如图1所示。

2）经过基于RGB彩色空间的图像定位算法和基于HSI彩色空间的图像定位算法后，输出结果图像如图2所示：

3）将基于行、列扫描的图像定位算法应用于上述彩色图像，实验结果如图3所示。

4）图像定位算法4是在基于行、列扫描图像定位算法基础上，对图像进行二次定位。实验结果如图4所示。

此处首先给定本文定位精度的衡量标准：该定位算法是否能准确的定位出完整的交通符号区域；定位输出结果和相应标准公路交通符号之间的相似度是否更接近于1。以上述定位精度的衡量标准为依据，比较实验输出的几幅交通符号图像发现，基于HSI彩色空间的二次图像定位结果定位精度最高。

5 结论

分析上面实验结果发现，基于HSI彩色空间的二次图像定位算法一方面图像定位精度很高，另一方面通用性还很强，对于背景不太复杂的各种图像定位场合均能实现较好的图像定位效果。

参考文献

[1] 何明一,卫保国编著. 数字图像处理[M]. 西北工业大学出版社. 2006.

[2] 四维科技,胡小峰,赵辉编著. VC++/MATLAB图像处理与识别实用案例精选

[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.

作者简介：

魏艳艳（1979-），西安电子科技大学在读研究生，讲师，工作单位：陕西交通职业技术学院，从事计算机专业教学工作与研究。