颜色迁移在荧光薄片图像分析中的应用

朱　峰　滕奇志　何小海

(四川大学电子信息学院图像信息研究所　成都　610065)



颜色迁移在荧光薄片图像分析中的应用

朱峰滕奇志何小海

(四川大学电子信息学院图像信息研究所成都610065)

摘要论文采用颜色迁移的方法解决不同显微镜下不同摄像头拍摄的荧光图像颜色差异问题,并针对原颜色迁移算法局部信息的欠考虑问题做了融入局部信息的改进。该算法首先将目标图像和原图像转换到lαβ颜色空间,并提取目标图像的l、α、β的局部信息,然后先对源图像的分量进行整体颜色迁移,再根据迁移结果对源图像的α、β分量进行融入局部信息的颜色迁移。实验证明,该算法对于荧光图像之间的转换效果较好,能解决实际问题。

关键词颜色迁移; lαβ颜色空间; HSI颜色空间; 荧光图像

Fluorescence Image Analysis Using Color Transfer

ZHU FengTENG QizhiHE Xiaohai

(Image Information Institute, School of Electronics and Information Engineering, Sichuan University, Chengdu610065)

AbstractThe color transfer method is proposed to weaken the differences in fluorescence images obtained from different cameras, and the local information is used to improve the color transfer algorithm. The algorithm converts the target image and the source image from RGB color space tolαβcolor space, extracts the local information inlαβcolor space of target image respectively, transfers thelchannel of source image using the overall color transfer, then transfers theα,βchannels of source image using the color transfer blending local information respectively according to the result oflchannel. Experiments show that the algorithm is good for the conversion between fluorescence images.

Key Wordscolor transfer,lαβcolor space, HSI color space, fluorescence image

Class NumberTP391

1引言

通过图像处理技术分析岩石薄片含油成分的实验手段称为荧光薄片图像分析[1]。含油薄片在紫外光的照射下,会激发薄片上的沥青物质发出荧光,通过荧光显微镜上的摄像头拍摄生成荧光彩色图像,再对显现荧光的区域进行提取并根据各种沥青物质的分类标准进行划分,然后进行含量统计,最后得到含油薄片上各种沥青物质的含量比例。

图像的颜色信息是荧光图像含油成分分析的依据。按照不同油质的荧光颜色进行分类,得到各沥青含量的比例。但在实际分析中,薄片荧光图像受到各种因素的影响,比如,同一张荧光薄片,在不同的显微镜、不同的摄像头下得到的图像色彩并不完全相同,在不同的显示器上呈现的颜色也有差异,这样会造成荧光分类的不统一,使荧光图像的成分分析受到影响。

颜色迁移是通过合成图A的色彩信息和图B的形状信息从而得到图C,也就是图B在保持自身的形状特点的情况下,融入了图A的色彩信息,我们称图A是色彩图像,图B是形状图像。Ruderman[2]等统计了自然界图像的颜色值的分布,应用变换颜色空间的方式,得到了在统计意义上的具有正交基性质的颜色空间lαβ,并提出RGB空间变换到lαβ空间的公式。Reinhard[3]等通过此变换在lαβ空间中对图像进行统计对比,完成了图像的颜色迁移问题。为了提高荧光分析的准确性,本文提出了基于颜色迁移的解决方案:通过有经验的专业人员对图像进行认定从而建立标准图像即颜色信息图像,其它采集的图像即形状信息图像,向该标准图像进行颜色迁移,从而得到统一的图像标准,保证了荧光分析的准确性;考虑到原颜色迁移算法没有考虑到局部的信息[8],提出了融入局部颜色基调的颜色迁移算法,并对颜色通道的相关性进行分析。

2颜色空间的相关性分析

颜色空间的选择关系到图像的颜色迁移的效果。不同的颜色空间各个通道之间均匀性、相关性不同,同样的处理操作在不同的颜色空间处理的结果相差很大。下面将讨论一些熟知的颜色空间。

2.1RGB空间

RGB空间是非均匀的,同时RGB空间的三个通道具有强烈的相关性,并且RGB空间中的色彩与人感受颜色的方式不同,不适用于人眼的感知特性,在颜色转换时各通道的像素值的变化会相互影响,导致图像的失真,不适于用于本文的颜色迁移处理。

2.2HSI空间

孟塞尔(Munsell)的HSI[4]颜色空间在彩色图像中使得色彩与亮度分离,HSI空间的各通道之间相关性比较弱,色调和饱和度分量与人眼感知特性比较相似。但HSI空间存在色调奇异点,从RGB空间与HSI空间的变换方程关系可以看出,当B、G、R相等,H值是未定义的,而在实际应用中,把此时H的值当作0来处理,这与红色的色调值之间发生混淆。对于RGB空间中的三通道值很相近的点,即使各通道分量发生微小的改变,都可能会使转换后的H分量发生巨大波动。所以在颜色处理时这种RGB空间的各通道颜色值相近的点转换到HSI空间时H分量的值却相差很大,所以HSI颜色空间也不适于用于颜色迁移处理。

2.3lαβ空间

lαβ颜色空间是对人眼感觉[7]的研究,由亮度分量l、和色度分量α、β分量组成,其中α分量表示黄-蓝通道,β分量表示红-绿通道。

由于lαβ空间是从LMS空间[5]转换过来的,LMS空间是基于人眼视网膜上对短波光线敏感的锥体细胞(S锥体),对中波光线敏感的锥体(M锥体),对长波光线敏感的锥体(L锥体)的颜色空间。因此要将颜色值从基于设备的RGB空间变换到lαβ空间中,先要将颜色值转化到基于对波长敏感的LMS空间。由于LMS空间是由RGB空间进行简单的矩阵变换得到,所以LMS空间的分量还是比较分散,分布在0~255之间。为了让转换到LMS空间的颜色值比较集中,方便处理,在实际应用中,我们使用下面的方程进行转化:

L=log10Ls

(1)

M=log10Ms

(2)

S=log10Ss

(3)

此时的LMS空间各分量分布在0~3之间,比较集中,同时求出LMS的自相关矩阵:

(4)

其中r#*表示整个图像中#通道的值序列与*通道的值序列之间的相关系数。

RLMS通常不是一个对角阵,并且非对角线上的值也比较大,说明LMS空间的三个通道之间相关性很严重[6]。这就显示了如果要改变一个通道的值,则同时要修改其他通道的值来消除相关性带来的影响。为此本文通过对LMS的自相关矩阵进行主元分析和特征值分析来减弱LMS空间的三个通道的相关性,从而生成lαβ颜色空间。主元分析是对原强相关性序列进行统计分析和聚类,将强相关性的变量转化为弱相关性变量,同时生成变换矩阵。

根据矩阵论相关知识,对LMS空间的自相关矩阵RLMS进行特征值求解,得到特征值λ1、λ2、λ3(λ1>λ2>λ3),和对应的特征向量e1、e2、e3,并得到特征值矩阵为

(5)

P=[p1p2p3]

(6)

从而得到LMS空间到lαβ空间的转换的过渡矩阵C=PT-1(其中T-1是特征值矩阵T的逆矩阵),并进行归一化,从而有以下LMS到lαβ空间的转换:

[lαβ]T=C[LMS]T

(7)

3颜色迁移合成算法

3.1RGB空间与lαβ空间的相互变换:

RGB空间与lαβ空间可以相互变换,公式如下[3]:

1) 先将RGB空间转换到LMS空间:

(8)

2) 为了让LMS空间的分量分布更加聚敛,所以将其转换到LMS对数空间中:

L′=log10L

(9)

M′=log10M

(10)

S′=log10S

(11)

3) 将LMS空间转到lαβ空间:

(12)

在lαβ空间进行颜色迁移后,为了显示结果图,还是要把结果从lαβ空间变换到RGB空间,下面给出相应变换:

1) 将lαβ空间转到LMS对数空间:

(13)

2) 从LMS对数空间转化到LMS空间:

L=10L′

(14)

M=10M′

(15)

S=10S′

(16)

3) 从LMS空间到RGB空间的转换:

(17)

3.2改进的颜色迁移算法

Reinhard的整体颜色迁移算法没有考虑局部的颜色信息[9~10],只考虑了图像整体的颜色基调[6],造成结果图像的颜色细节信息有损失。本文考虑了局部的颜色信息,通过获取目标图像的局部颜色信息,使得转换后的结果图像颜色基调更接近目标图像。本文算法如下:

1) 先将源图像和目标图像从RGB颜色空间变换到lαβ颜色空间。

2) 对源图像的l分量处理:

(18)

3) 扫描目标图像,对每个n×n区域提取l、α、β分量的局部均值和局部标准差(n值可变),并建立数组。

4) 对源图像的每个像素点分别提取n×n邻域的l*、α、β分量的局部均值和局部标准差,用得到的l*的局部均值与局部标准差与目标图像中提取的l分量的局部均值和局部标准差数组的各个元素进行如下比较:

(19)

源图像该像素点的最佳匹配就取结果最小值所对应的目标图像的局部均值和局部标准差。并将源图像的α、β分量进行如下处理:

(20)

(21)

5) 将得到的l*、α*、β*分量进行逆转化为RGB图像,得到颜色迁移后的结果图。

4颜色迁移实验结果

采用本文的算法(其中C1=0.9,C2=0.1,n=55)和Reinhard的整体颜色迁移算法进行了800组对比实验,实验的部分处理图如图1、2所示。

从上面的两组图对比看,本文的算法加入了局部颜色信息,比算法的细节信息要多,纹理清晰一些。

荧光分析中对各沥青组分的划分主要是以荧光薄片的发光颜色为依据,其对应关系如表1所示。

(a)源图像

(b)标准图像

(c)Reinhard算法

(d)本文算法

(a)源图像

(b)标准图像

(c)Reinhard算法

(d)本文算法

沥青组分发光颜色油质沥青黄,黄白,淡黄白,绿黄,浅绿,白等胶质沥青以橙为主,黄橙,淡黄橙,褐橙沥青质沥青以褐为主,褐,淡褐,橙褐等碳质沥青不发光(全黑)

荧光分析主要以上述的颜色范围结合颜色值来划分各个沥青组分。本文对比颜色迁移前后荧光分析得出的各沥青含量比例,下面是部分数据:

从上述结果看出,未经过颜色迁移,原图和标准图荧光分析数据相差很大,应用颜色迁移算法的处理,对图像的荧光分析可以很接近目标图像的分析结果,本文算法在分析结果上也比算法更加偏向标准图像的分析结果,所以本文算法在荧光含油成分分析中有很好的作用。在实际应用中,先采集标准图像与待标定的图像,将待标定图像向标准图像进行颜色迁移,并获取相关参数,以后就可以直接用参数对图像进行转换。保证了荧光分析的准确性。

表2　处理结果1

表3　处理结果2

表4　处理结果3

5结语

本文介绍了从LMS空间到空间的变换的主元分析,对不同颜色空间的进行了相关性分析。针对不同的摄像头拍摄的荧光图像差别比较大,影响了荧光分析的准确性,本文提出的融入局部信息的颜色迁移算法能够减弱差异性,并取得了很好的效

果。但该算法对局部信息的提取没有选择性,比较盲目,导致处理比较慢,比较耗时间,在以后的研究中将考虑提取有针对性的局部信息,以期能得到比较好的实时性和更好的效果。

参 考 文 献

[1] 何小海,吴小强.岩石薄片彩色荧光图象的采集与分析[J].数据采集与处理,1998,13(A10):172-174.

HE Xiaohai, WU Xiaoqiang. Acquisition and analysis of rock slice’s color fluorescent image[J]. Journal of Data Acquisition and Processing,1998,13(A10):172-174.

[2] Ruderman D. L., Cronin T. W., Chiao C.C. Statistics of cone responses to natural images: implications for visual coding[J]. Joural of Optical Society of America,1998,15(8):2036-2045.

[3] Reinhard E., Ashikhmin M., Gooch B., et al. Color transfer between images[J]. IEEE Computer Graphics and Applications,2001,21(5):34-40.

[4] Rafael C. Gonzalez, Richard E. Woods.数字图像处理[M].第三版.北京:电子工业出版社,2011:257-261.

Rafael C. Gonzalez, Richard E. Woods. Digital Image Processing[M]. Third Edition. Beijing: Publishing House of Electronics Industry,2011:257-261.

[5] Smith V. C., Pokorny J. Spectral sensitivity of the foveal conephotopigments between 400 and 500 nm[J]. Vision Research,1975,15(2):161-171.

[6] 胡国飞,傅健,彭群生.自适应颜色迁移[J].计算机学报,2004,27(9):1245-1249.

HU Guofei, FU Jian, PENG Qunsheng. Adaptive Color Transfer[J]. Chinese Journal of Computers,2004,27(9):1245-1249.

[7] Borer S., Siisstrunk S. Opponent color space motivated by retinal processing[C]//Proceedings of the IS&T CGIV, Poitiers, France,2002:187-189.

[8] Rogowitz B. E., Kalvin. The “Which Blair Project”: A quick visual method for evaluating perceptual color maps[C]//Proceedings of IEEE Visualization, San Diego, USA,2001:183-190.

[9] Xiao, XZ, Ma, LZ. Gradient-Preserving Color Transfer[J]. Computer Graphics Forum: Journal of the European Association for Computer Graphics,2009,28(7):1879-1886.

[10] 陈海,冯国灿.保持细节的局部颜色迁移改进算法[J].计算机科学,2013,40(z2):301-303.

CHEN Hai, FENG Guocan. Novel Algorithm for Local Color Transfer Based on Preserving Detail Texture[J]. Computer Science,2013,40(z2):301-303.

中图分类号TP391

DOI:10.3969/j.issn.1672-9722.2016.01.026

作者简介:朱峰,男,硕士研究生,研究方向:图像处理与网络通信。滕奇志,女,博士,教授,博士生导师,研究方向:图像处理与模式识别。何小海,男,博士,教授,博士生导师,研究方向:图像处理与网络通信。

基金项目:国家自然科学基金“岩石微观非均质结构三维图像重建及分辨率提升技术研究”(编号:61372174)资助。

收稿日期:2015年7月15日,修回日期:2015年8月25日