快速图像分割算法及在MSRS NAO中的应用

开篇：润墨网以专业的文秘视角，为您筛选了一篇快速图像分割算法及在MSRS NAO中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：针对MSRS nao仿真机器人的彩色图像分割问题， 提出了一种改进的快速颜色阈值分割算法。首先利用手工颜色标定对被标识物采集其最大、最小值、出现频率最大的HSB值，相对于自动颜色标定的方法更加准确，针对性更强。为了简化计算，进一步提出了元素值为布尔型的索引表，通过逻辑与运算为真来标识物体；最后设计了一个类型矩阵，元素的值不仅可以标识每种物体，而且可以方便地进行逻辑与和逻辑或运算，并给出了针对多个物体的标识算法。实验结果表明，改进后的算法对多个物体的标识，准确性得到了很大提高，改善了算法的时间复杂度，速度提高了近4倍。

关键词：MSRS NAO ；颜色阈值；手工颜色标定；快速分割算法

中图分类号：TP39文献标志码：A

NAO类人仿真比赛采用微软公司的Microsoft Robotic Studio作为仿真环境，以Aldebaran公司的NAO机器人为仿真模型（简称 MSRS NAO）。MSRS NAO视觉系统需要对真彩色图像和动态目标的实时识别。一个鲁棒、准确、实时的视觉系统，直接影响到后续决策，直接关系到比赛的结果。

足球机器人视觉系统在处理方法和步骤上与一般的图像识别系统很相似，但又有其重点和难点。首先，虽然场地上的球、球门和角柱等物体颜色和形状已知，但由于光照、运动及遮挡等问题，导致颜色和形状提取、识别困难。其次，视觉系统每秒钟至少要处理25帧320×240的彩色图像，总计约5.5 MB的数据量，对视觉系统的实时性提出极高的要求。另外还要求有很高的精度。

图像分割是图像处理的第一步，分割质量和速度直接影响后续的图像处理及识别。图像分割是根据灰度、彩色、纹理或几何形状等特征把图像划分成若干互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显不同。在机器人视觉系统中，只对图像中某些部分感兴趣，比如球、球门、场地线等，这些部分被称为物体或前景。为了辨识和分析物体，需要将其从图像中分离并提取出来，在此基础之上再进行对象特征的提取和参数测量。

现有大多数图像分割算法是针对灰度图像，彩色图像分割算法分类有基于区域、聚类、阈值、边缘等[1-2]。基于边缘的方法将彩色图像分成三个灰度空图像，分别进行边缘检测，再进行综合，常见有梯度算子法、LOG算子法、边界跟踪法[3]；基于阈值的方法，主要是根据图像中要提取的目标物体灰度值和背景灰度值的差异来选择一个合适的阈值，然后判断图像中的各像素点的特征属性是否满足阐值的要求，若满足则该像素点属于目的区域，否则属子背景区域，依此产生二值图像[4-5]。此法对物体与背景区别较大的景物分割特别有用，常见有直方图；基于区域的方法，是将具有相似性质的像素集合起来构成区域，即将图像划分为具有最大一致性的区域，其一致性准则可基于灰度、色彩、纹理、形状或模型等，常见的方法包括区域生长法、区域分裂法、区域生长与分裂法和分水岭分割法[6]；基于聚类的方法，不需要训练样本，是一种非监督学习方法，其基本思想是根据像素值的相似度将所有像素分为若干个聚类（物体类和背景类），每个聚类中的像素具有较高的相似度，而不同聚类间的像素值差别较大，常见的方法有K-均值法、模糊C-均值法和移动均值法[7-8]。

1图像分割的形式化定义

彩色图像分割的关键在于如何利用丰富的彩色信息达到分割的目的，要分割一幅彩色图像，首先要选取合适的颜色模型，其次选取适合此模型的分割方法。

没有一种分割方法对所有颜色特征都有效，需要根据环境进行算法的选择。由于在NAO类人仿真比赛环境中各种物体在原始图像中具有颜色分明的特点，所以，采用基于颜色阈值的分割算法是最佳的。而且，此算法时间复杂度较低，并且可以使用索引表程序设计技巧进一步降低其复杂度。

2一种新的手工颜色标定的方法

图像分割的准确性基本上就取决于颜色空间的选取和颜色标定，其中颜色标定是最困难的，颜色标定就是确定场上各个物体的颜色属性，作为图像分割的依据。由于在NAO类人仿真比赛中各种物体的颜色属性是一成不变的。在因此，设计了一种工颜色标定的方法，由于其针对性强，相对于自动颜色标定的方法更加准确。

首先，从比赛环境中导出图像，其次利用拾色器进行颜色标定。拾色器可以给出选定像素点的颜色信息HSB值。在这里使用Photoshop中的拾色器进行颜色拾取，然后标定。

使用Photoshop中的吸管工具，对于一个待标识物体，探测属于它的各个像素点的HSB值，记录下最大值、最小值和出现频率最大的值。在探测过程中抛弃对那些颜色与物体本身的颜色极不相同但属于物体内部的点，如球的被光照后形成的白点，这些白点对实验统计是无意义的。然后，根据这些值，为此物体标定了一个HSB颜色范围。此范围应满足下列三条准则，准则按优先顺序从上到下排列：

1） 此范围应所包含的像素点能保持物体的形状特征。因为保持了形状特征也就保持了物体的最关键的部分，这样才能为以后获取物体特征信息的准确性提供保证。

2） 此范围应尽可能多的包含属于物体的像素点。因为物体是否被发现就取决于分割出的物体的像素点个数，具体见下文。

3） 此范围应尽可能小和尽可能不包含属于其他物体的像素点。因为这样才能使错误分割的像素点更少，更孤立，使用本论文设计的去噪和增强算法可以有效去除或者恢复它们（见图1）。

3.2算法实现

在实现此算法时，采用一个类型矩阵ObjectIdentifier做为分类的结果，即把位图中的每个像素点映射到类型矩阵中相应的元素，元素值能标识该位置的像素所属的物体种类。分类过程中，不在任何物体的颜色范围内的像素被认为是背景像素，在程序中用ObjectIdentifier枚举类型中的BACKGROUND值进行标识；在多个物体的颜色范围内的像素被认为是未识别的像素，在程序中用ObjectIdentifier枚举类型中的UNIDENTIFIED值进行标识。

3.3算法分析

分析其时间复杂度，摄像机拍摄的每一个图像帧有m个像素，分割一个物体时，每个像素要比较6次。假定系统中有n个物体要进行分割，算法时间频度为T（n）=6×n×m，时间复杂度为O（n）。

4快速的基于颜色阈值的分割算法

上述基于颜色阈值的分割算法无论从理解上还是实现上都很简单，使用类型矩阵可以改进基本的分割算法，降低了原算法时间复杂度。但是计算量任然很大，严重降低了视觉系统的效率。

下面介绍改进后的快速的分割算法。

4.1算法描述

1） 用于单个物体分割的算法。在算法中，索引表是用数组[HuClass；SaturatioClass； BrightnessClass]实现的，数组的下标表示颜色分量值，元素类型为布尔型，元素值表示该颜色分量值是否在某物体的颜色范围内，如在则值为true，反之为false。

对图像像素进行遍历，根据已标定的每种物体的颜色范围，对所有像素进行分类。分类参照如下方法：假设有某个像素的HSB值为（h，s，b），如果HueClass[h] && SaturationClass[s] && BrightnessClass[b]为真，那么就表示该HSB值在物体的颜色范围内，应把该像素划分为此物体的类型。

分析改进后算法的时间复杂度，摄像机拍摄的每一个图像帧有m个像素，假设有n个物体要进行分割，分割所有物体是同时进行的，每个像素要仅进行2次逻辑与运算和7次比较运算。改进后的算法，时间频度为T（n）=9*m，时间复杂度为O（1），与基本算法相比，大大提高了算法的效率，并且当要分割的物体个数越多，改进后算法的优势就越明显。

5结论

采用改进后基于颜色阈值的快速图像分割算法，不仅颜色标定更准确，而且降低了算法的复杂度，识别目标准确性以及比赛实时性都有了很大的提高。

参考文献：

[1]林开颜， 吴军辉， 徐立鸿. 彩色图像分割方法综述[J].中国图象图形学报， 2005， 10（1）：1-8.

[2]魏宝刚， 李向阳，鲁东明，等.彩色图像分割研究进展[J]. 计算机科学，1999， 26 （4）： 59-62.

[3]赵春江，施文康，邓勇.新的梯度边缘检测方法[J]. 光电工程，2005， 32（4）：86-88.

[4]李景福， 赵进辉. 基于阈值的彩色农业图像分割方法研究[J]. 安徽农业科学， 2007，35 （28）：8 869-8 870.

[5]张伟，蒋宏，任章. 自适应多阈值图像分割算法[J].自动化技术与应用，2007， 26（（8）： 71-73.

[6]余旺盛，侯志强，王朝英，等. 基于改进滤波和标记提取的分水岭算法[J].电子学报， 2011， 39（4）：825-829.

[7]李云松， 李明.基于灰度空间特征的模C均值聚类图像分割[J].计算机工程与设计， 2007， 28（6）： 1 358-1 360.

[8]张菊.改进的K-均值聚类算法图像边缘检测研究[J]. 科技通报，2012， 28（6）：47-48.