|
|
|
发布时间: 2017-01-25 |
图像分析和识别 |
|
|
|
孙元1, 彭小奇1,2, 宋彦坡2 |
收稿日期: 2016-04-06; 修回日期: 2016-09-29
基金项目: 国家自然科学基金项目（61273169）；湖南省自然科学基金项目（13JJ6085）
第一作者简介: 孙元(1980-), 男, 讲师, 2012年于中南大学获控制理论与工程专业博士学位, 主要研究方向为工业过程软测量。E-mail:may5th@163.com
中图法分类号: TP391.41
文献标识码: A
文章编号: 1006-8961(2017)01-0020-09
|
摘要
目的 高温热辐射图像存在较为严重的环境光、烟雾和粉尘干扰，因此图像滤波和分割是CCD比色测温法中实现准确测温的关键步骤。但传统的彩色图像处理方法不适合直接应用于辐射图像处理。 方法 热辐射图像相邻像素间具有较强的相关性，为了量化表征不同空间距离像素颜色值之间的相互关联程度，设计了一种归一化空间距离加权函数，并与能同时滤除色调和亮度噪声的距离方向滤波器相结合，构建一种归一化空间距离加权距离方向滤波器。热辐射图像B基色接近于零，R、G基色分布在特定的直线方向上，且在该直线方向上呈现易于分割的双峰特性。为此提出利用Fisher准则构建R-G基色2维向量最佳1维投影，在1维空间利用最大类间方差法进行图像分割。 结果 将本文方法与传统图像处理方法（采用距离方向滤波器滤波，彩色空间聚类法进行图像分割）进行比较，在高温工业炉上，经传统方法处理后的测量最大相对误差为1.99%，本文方法处理后为1.10%；在铜锍熔炼闪速炉上，传统方法最大相对误差为3.67%，本文方法为1.31%。经河南省计量院校验，基于本文方法构建的高温场测量仪在880℃~1 520℃的温度范围内测温最大绝对误差为4.2℃，最大相对误差为0.43%。 结论 归一化空间距离加权使得滤波器在抑制冲击噪声的同时具有更好的保留细节的能力，图像分割算法能够克服与目标亮度相近的干扰，准确分割出待测目标。因此本文提出的图像处理方法能够有效克服高温辐射图像中的各种干扰，提高辐射测温的精确度和可靠性。
关键词
矢量滤波法; 彩色图像分割; Fisher准则; 彩色CCD; 比色测温法; 辐射测温方法
Sun Yuan1, Peng Xiaoqi1,2, Song Yanpo2 Abstract
Objective The use of noncontact temperature measurements based on colored charge-coupled device (CCD) has significantly accelerated in recent years. However, the quality of radiation images is degraded by ambient light, smog, and dust interferences, and their suppression is indispensable to facilitate accurate measurements. Noise reduction and image target segmentation are regarded as key steps in colored CCD-based colorimetric thermometry. Nevertheless, traditional color image-processing methods are unsuitable for radiation images. Method In this work, an approach to the problem of impulsive noise removal and target segmentation in radiation images is presented. Given the strong spatial correlation among adjacent pixels in radiation images, a normalized spatial distance weighted function is designed to quantify the correlation degree among pixels in various distances. A normalized spatial distance weighted directional-distance filter is built based on the spatial distance weighted function and the directional-distance filter for the removal of color and light noises. In traditional filters, such as vector median, basic vector directional, and directional-distance filters, only the angle or distance among vectors is utilized. By contrast, the spatial distance of the vectors in a filtering window is considered in the normalized spatial distance weighted filter to alleviate the problems caused by the blurring properties of traditional filters. In radiation images, the blue color is nearly zero, whereas the red and green colors are distributed along a certain line with the double peak phenomenon. Traditional image segmentation algorithms fail because of the missing blue color information. In the proposed segmentation algorithm, the red and green two-dimensional color vectors are reduced to one dimension based on the optimal one-dimensional projection using the Fisher criterion. The measured target is segmented in the one-dimensional projection using Otsu's method. The segmentation approach utilizes the red and green color information to conquer the interference with light that is similar to the target. Result The proposed method is compared with the traditional method of directional-distance filter and the clustering algorithm in color space. In a high-temperature heating furnace, the maximum absolute error is 1.99% using the traditional method, whereas the maximum absolute error decreases to 1.10% using the proposed method. In a copper-matte converting flash furnace, the maximum absolute errors are 3.67% and 1.31% using the traditional method and proposed method, respectively. A set of colored CCD-based colorimetric thermometry is designed by the proposed image-preprocessing method. The thermometry performance is examined with the blackbody furnace at the Henan Institute of Metrology. Experimental results show that the maximum absolute error is 4.2℃, and the maximum relative error is 0.43% of the thermometry in the measured range of 800℃~1 520℃. Conclusion The main advantage of the proposed normalized spatial distance weighted filter is its ability to suppress the noise component, while preserving image details. The proposed image segmentation approach overcomes the interferences whose brightness is close to the target image and segments the target accurately. The proposed radiation image-preprocessing method is characterized by low computational complexity, which enables the adaption of the novel technique in real-time temperature measurement.
Key words
vector filtering; color image segmentation; Fisher criterion; colored CCD; colorimetric thermometry; radiation temperature measurement
0 引言
基于彩色CCD (charge-coupled device)的比色测温方法能够实现快速、准确的高温场在线测量，是高温检测领域的研究热点[1-2]。图 1给出了CCD比色测温系统结构，其中，图像预处理包含图像滤波和图像分割，是实现准确测温的关键步骤。
工业现场的环境光源、烟雾和粉尘导致CCD采集到的热辐射图像噪声严重，需要对热辐射图像进行滤波。热辐射图像噪声表现为冲击噪声，冲击噪声滤波方法主要为矢量滤波法，其中代表性的有矢量中值滤波器(VMF)[3]，基本矢量方向滤波器(BVDF)[4-5]和距离方向滤波器(DDF)[6]。VMF对亮度噪声有很好的滤波效果；BVDF对于色调噪声有较好的滤波能力；DDF综合了VMF和BVDF的优点，能够同时消除上述两种噪声。为了平衡滤波算法抑制噪声和保留细节的能力，研究者又设计了各种空间距离加权矢量滤波器[7-8]，但存在加权效果受窗口尺寸影响，权值调节算法复杂的问题。
在进行温度场计算前，需要从背景中准确分割出待测辐射体目标。热辐射图像中环境光和烟雾干扰体积很大，无法通过图像滤波消除，这就要求图像分割方法具有较强的抗噪能力。目前经典的彩色图像分割算法可以分为边缘检测方法、颜色阈值法、基于区域的方法(包括聚类、模糊聚类及区域生长法)、基于形态学的方法、水平集活动轮廓方法和基于神经网络的方法[9-10]。但将这些算法直接应用于热辐射图像分割存在两个问题：1) 环境光、烟雾干扰亮度和待测目标接近，基于亮度信息的分割算法难以准确分割待测目标；2) 热辐射图像B基色接近于零[11]，B基色信息缺失将会导致基于色调信息的分割算法失效。
高温辐射体表面温度场连续变化，热辐射图像空间相关性很强。为此设计了一种归一化空间距离加权函数，该函数通过对空间距离归一化消除不同滤波窗口大小对加权结果的影响，根据像素的空间距离赋予像素相应的权值以量化表征像素间的关联程度。将空间距离加权函数与DDF相结合，提出一种归一化空间距离加权距离方向滤波算法。提出利用Fisher准则构建R-G 2维空间的最佳投影，对R-G 2维空间进行降维后，在1维向量中进行图像分割。图像处理和测温实验证明，本文方法能够准确地从热辐射图像中提取测温目标。
1 热辐射图像特性分析
与普通彩色图像相比，热辐射彩色图像具有以下特点：
1) 热辐射图像中噪声源自环境光、烟雾和粉尘的干扰。图 2(a)(b)(c)为3幅有代表性的高温辐射图像，其中就存在粉尘附着观察窗导致的暗斑、环境光导致的光斑，观察窗散射辐射光导致的光晕，烟雾散射辐射光导致的雾状噪声。
2) 在高温生产常用的温度范围内，辐射光RGB三色单色亮度相差悬殊，导致热辐射图像中B基色接近于零。
3) 高温辐射测温对象通常为金属，其导热系数是所有物质中最高的，辐射体表面温度连续变化，因此辐射图像像素间具有很强的空间相关性。
4) 图 3(a)(b)(c)给出了图 2(a)(b)(c)的R-G 2维直方图，可见热辐射图像R、G基色集中分布于特定直线方向上，且在该直线方向上呈现出易于分割的双峰特性。图 2(a)(b)(c)中高温辐射体温度分为1 370℃、967℃和1 243℃，对比可知该直线在不同温度下方向变化不大。
2 空间距离加权DDF设计
2.1 距离方向滤波器
设图像中坐标位置为[
| $ {d_{k,l}} = {\left\| {{\boldsymbol{x}_k} - {\boldsymbol{x}_l}} \right\|_2},{\rm{ }}{\boldsymbol{x}_k},{\boldsymbol{x}_l} \in \boldsymbol{W} $ | (1) |
定义矢量xk与xl夹角为
| $ {a_{k,l}} = {\rm{arccos}}\left( {\frac{{\boldsymbol{x}_k^{\rm{T}}{\boldsymbol{x}_l}}}{{{{\left\| {{\boldsymbol{x}_k}} \right\|}_2}{{\left\| {{\boldsymbol{x}_j}} \right\|}_2}}}} \right),{\rm{ }}{\boldsymbol{x}_k},{\boldsymbol{x}_l} \in \boldsymbol{W} $ | (2) |
定义矢量xk的距离方向因子ηk为
| $ {\eta _k} = {\left( {\sum\limits_{l = 1}^m {{d_{k,l}}} } \right)^\gamma }\cdot{\left( {\sum\limits_{l = 1}^m {{a_{k,l}}} } \right)^{1 - \gamma }} $ | (3) |
DDF首先对窗口内所有像素的η进行排序，并选择η最小的矢量值作为滤波输出，其滤波输出值为
| $ {\boldsymbol{y}_{{\rm{DDF}}}} = \mathop {{\rm{arg}}\;{\rm{min}}}\limits_{{{\rm{x}}_k} \in \boldsymbol{W}} ({\eta _k}) $ | (4) |
DDF综合利用矢量距离和矢量夹角进行滤波，能有效地消除亮度和色调噪声。参数γ用以调节矢量模与夹角在滤波中的重要性，0≤γ≤1。由于比色测温方法利用辐射体颜色比进行温度测量，因此色调噪声对测温结果引入的误差大于亮度噪声，选择γ=0.75。
2.2 归一化空间距离加权
高温辐射体的高导热率导致热辐射图像具有很强的空间相关性，空间距离越相近的两个像素，其颜色值相关程度越大。因此，在对距离方向因子进行排序时，应考虑空间相关性对排序结果的影响。为此，需要设计一个根据空间距离加权的函数，以表征空间距离对滤波结果的影响。对于坐标位置为(s, t)和(u, v)的两点xk、xl，定义归一化空间距离r
| $ {r_{k,l}} = \frac{{D({\boldsymbol{x}_k},{\boldsymbol{x}_l})}}{{{D_{{\rm{max}}}}}} = \frac{{{\rm{max}}\left( {\left| {s - u} \right|,\left| {t - v} \right|} \right)}}{{{D_{{\rm{max}}}}}} $ | (5) |
式中，D(xk, xl)表示像素点xk、xl的棋盘距离；Dmax表示滤波窗口内距离的最大值。在各种空间距离中棋盘距离的计算耗时最小，更适用于CCD比色测温这一对实时性要求很高的应用场合。
设计归一化空间距离加权公式为
| $ {\rho _{k,l}} = \frac{{{\rm{ln}}(1 + \mu \cdot{r_{k,l}})}}{{{\rm{ln}}\left( {1 + \mu } \right)}},{\rm{ }}\mu \ge 0 $ | (6) |
权值函数ρ(r)具有以下性质：1) ρ(r)为r的单调递减函数，即两像素越邻近，其相关程度越大，则ρ(r)越小；2) r较小时，ρ(r)增加较快，r较大时，ρ(r)增加缓慢，即距离在很小的范围变化时，权值的变化比较迅速，而当其距离较远时，权值变化较为缓慢；3) 0≤ρ(r)≤1，无论滤波窗口尺寸大小，距离最远的像素权值为1，从而消除了滤波窗口尺寸对加权效果的影响。
图 4给出了当μ=10，μ=50，μ=200时图 2(a)(277h×236v)滤波效果，滤波窗口尺寸均为7×7像素，γ=0.75。可见，参数μ控制加权幅度，当μ=0时，ρ(r)≡1，即不进行加权；μ > 0时，μ取值越大加权效果越强烈，抑制噪声效果越明显。在进行比色测温前，根据现场环境和测温对象的特点，通过实验人工选定参数μ的取值。CCD测温仪往往固定于测温现场，对确定测温目标进行长期温度监测，因此只要在使用之初通过实验人工确定阈值，其后长期运行过程中无需对阈值进行改变。
增加滤波窗口尺寸同样可以增加滤波器滤波能力，如图 5给出了当滤波窗口尺寸增大到11×11像素时DDF滤波器的滤波效果。但平滑能力过强导致图像细节损失严重，且出现很强的块状效应。此外，滤波窗口尺寸增大也提高的算法的复杂程度，难以适应辐射测温对实时性的要求。加权算法并非仅仅提高了滤波器去噪能力，还能更好地在平滑噪声和保留图像细节中找到平衡。测量仪所用工业摄像头分辨率为277h×236v，通过反复实验，综合考虑去噪能力和运算实时性，选取
定义矢量xk的加权距离方向因子为
| $ \begin{array}{l} {\Delta _k} = {\left( {\sum\limits_{l = 1}^m {{\rho _{k,l}}\cdot{d_{k,l}}} } \right)^\gamma }\cdot\\ \;\;\;{\left( {\sum\limits_{l = 1}^m {{\rho _{k,l}}\cdot{a_{k,l}}} } \right)^{1 - \gamma }} \end{array} $ | (7) |
对窗口内所有像素的Δ进行排序，并选择Δ最小的矢量值作为滤波输出，即
| $ \boldsymbol{y} = \mathop {{\rm{arg}}\;{\rm{min}}}\limits_{{x_k} \in \boldsymbol{W}} ({\Delta _k}) $ | (8) |
3 基于R-G 2维图像特征的图像分割方法
图像滤波仅能消除体积较小的噪声，而环境光干扰、烟雾干扰体积较大，无法通过图像滤波消除，这就要求图像分割方法具有较强的抗噪能力。环境光干扰的光源色温很高，因此主要干扰短波段图像(G基色)；烟雾干扰来自于烟雾对辐射光的折射和散射，色温较低，主要干扰长波段图像(R基色)。通过对彩色图像的R、G基色特征进行分割，可以有效克服上述干扰。热辐射图像R、G基色主要分布在特定直线方向上，因此，可以找到R-G 2维空间的最佳1维投影，然后在1维空间内进行图像分割，不但可以有效利用热辐射图像颜色信息，而且具有较高的实时性。
Fisher准则能够获得高维特征矢量的最佳1维投影，基于Fisher准则获取的目标、背景两类样本投影的均值差能尽可能大，而类内样本离散度能尽可能小，从而使投影后的两类样本达到最佳分离程度[12]。设彩色图像中目标样本和背景样本分别组成集合X1和X2，则两类样本均值
| $ {{\boldsymbol{\bar x}}_k} = \frac{1}{{{N_k}}}\sum\limits_{{\boldsymbol{x}_{i,j}} \in {X_k}} {{\boldsymbol{x}_{i,j}}} ,{\rm{ }}k = 1,2 $ | (9) |
式中，N1和N2分别表示目标和背景样本数。
两类样本类内离散度S1和S2定义为
| $ \begin{array}{l} {S_k} = \sum\limits_{{x_{i,j}} \in X} {({\boldsymbol{x}_{i,j}} - {\boldsymbol{{\bar x}}_k}){{({\boldsymbol{x}_{i,j}} - {\boldsymbol{{\bar x}}_k})}^{\rm{T}}}} \\ \;\;\;\;\;\;\;\;\;\;\;\;k = 1,2 \end{array} $ | (10) |
总类内离散度Sw定义为
| $ {S_w} = {S_1} + {S_2} $ | (11) |
基于Fisher准则得到的最佳投影线为
| $ {\boldsymbol{w}^{\rm{*}}} = S_{\rm{w}}^{ - 1}({\boldsymbol{{\bar x}}_1} - {\boldsymbol{{\bar x}}_2}) $ | (12) |
在图像分割时，首先计算各像素点
| $ {g_{i,j}} = {({\boldsymbol{w}^*})^{\rm{T}}}\cdot{\boldsymbol{x}_{i,j}} $ | (13) |
然后运用1维矢量分割方法，例如最大类间方差法进行分割。设基于最大类间方差法计算得到的阈值为Th，可以获得二值化分割矩阵I为
| $ {I_{i,j}} = \left\{ {\begin{array}{*{20}{l}} 1 &{{g_{i,j}} \ge {T_h}}\\ 0 &{{g_{i,j}} < {T_h}} \end{array}} \right. $ | (14) |
将二值化矩阵I与滤波后图像进行与运算，即可将待测目标提取出来。
4 实验研究
4.1 图像滤波实验
为了比较滤波效果，分别采用表 1所列的滤波算法对图 2(a)进行滤波，并对滤波后的图像进行测温，滤波结果和温度场伪彩色图如图 6所示(滤波窗口尺寸均为7×7像素)。
表 1
用以比较的滤波算法
Table 1
Filters used for comparisons
图 2(a)中高温辐射体真实温度均值为1 370℃，表面温差为±35℃。对比可见，在相同的滤波窗口尺寸下，只有数学形态学方法和本文提出的滤波器能够消除暗斑，而其他滤波器只能消除体积较小的噪声。暗斑在图像分割时被误判为背景，导致测得温度场内出现孔洞。形态学滤波处理后图像测得平均温度为1 327℃，存在系统偏差。这是因为形态学滤波算子在处理图像时都会存在图像色调发生偏移的问题，例如：以腐蚀起始的形态学滤波算子导致最终滤波后的图像整体变暗，而以膨胀起始的形态学滤波算子导致滤波后的图像变亮。这种偏差肉眼基本难以分辨，但比色测温基于辐射体R-G基色比进行测温，对这种色调偏差非常敏感。
4.2 目标识别实验
为比较分割算法效果，分别采用表 2中所列的分割算法，对图 2(b)(c)进行分割，分割效果如图 7所示。
表 2
用以比较的图像分割方法
Table 2
Image segment methods used for comparisons
从图 7可见，用以比较的图像分割方法无法克服与辐射体亮度相近的干扰，光晕、光斑和烟雾干扰被误分割为待测目标。光晕、烟雾计算得到的温度显著低于高温辐射体温度，将会导致测得平均温度存在较大系统偏差。而光斑的影响更为严重，由于光斑的R、G之比接近于1，代入比色测温公式的结果为无穷大，直接导致测温失败。而本文提出的图像分割方法准确分割出了待测目标，光斑、光晕、烟雾均被有效消除，且具有较好的实时性。
4.3 测温实验结果
由于只有彩色空间聚类法和本文方法能够准确消除光斑，因此分别采用DDF加彩色空间聚类法和本文提出的图像预处理方法对热辐射图像进行预处理，测温结果如表 3所示。
表 3
两种预处理方法测温结果比较
Table 3
Comparison of measured results by two reprocessing methods
| 测温对象 | 图像预处理方法 | 最大绝对误差/℃ | 最大相对误差/% | 不确定度/℃ |
| 高温黑体炉 | DDF+聚类法 本文方法 |
5.3 5.0 |
0.37 0.33 |
±5 |
| 高温工业炉 | DDF+聚类法 本文方法 |
22.9 13.6 |
1.99 1.10 |
±33 |
| 铜锍闪速熔炼 | DDF+聚类法 本文方法 |
-47.0 -19.8 |
3.67 1.31 |
±5 |
高温黑体炉测温实验在较为理想的环境下进行，图像噪声较小，分别运用两种方法进行图像预处理后，测温结果相差不大。但在图像噪声较强的工业炉和闪速炉上，本文提出了图像预处理方法显著优于用以比较的DDF加彩色空间聚类法。
基于本文提出的图像预处理算法构建了高温场测量仪，并委托河南省计量科学研究院进行了校验，校验结果如表 4所示，
表 4
校验结果
Table 4
Experimental results
| 检测温度点/℃ | 显示温度/℃ | 绝对误差/℃ | 相对误差/% | 扩展不确定度 ( |
| 885.0 | 881.2 | 3.8 | 0.43 | 3.1 |
| 984.2 | 980.9 | 3.3 | 0.34 | 3.2 |
| 1 092.2 | 1 089.6 | 2.6 | 0.24 | 2.3 |
| 1 200.0 | 1 195.8 | 4.2 | 0.35 | 2.3 |
| 1 301.1 | 1 298.6 | 2.5 | 0.19 | 2.4 |
| 1 411.4 | 1 406.4 | 5 | 0.35 | 2.4 |
| 1 521.7 | 1 520.2 | 1.5 | 0.10 | 2.4 |
检测结果表明，高温测量仪在880℃1 520℃的温度范围内最大绝对误差为4.2℃，最大相对误差为0.43%，其测温精度能够满足实际应用要求。
5 结论
1) 热辐射测温对象主要为金属，在各类物质中导热率最高，因此其表面温度连续变化，导致热辐射图像存在很强的空间相关性。为此设计了一种归一化空间距离加权函数，用以量化表征不同空间距离像素之间的相关程度。亮度和色调噪声均会给比色测温引入误差，而DDF能够同时滤除这两种噪声，因此基于DDF构建滤波算法。将归一化空间距离加权函数与DDF相结合，提出一种空间距离加权距离方向滤波器。实验结果表明，本文设计的滤波器具有很强的平滑噪声能力，同时也能很好地保留图像的细节和纹理。
2) 高温辐射图像B基色接近于零，导致传统的彩色图像分割方法难以直接适用。辐射图像R-G基色2维直方图分布在特定直线方向，且在测温范围内方向变化不大。而在该直线方向上，R-G基色呈现利于图像分割的双峰特性。为此，提出通过Fisher准则函数获取R-G 2维空间的最佳投影线，降维后再利用1维图像分割方法进行分割。该方法能够很好地克服图像噪声，准确识别待测目标。
采用标准测试图像集实验后发现，由于热辐射图像的空间相关性远大于普通图像，对于非热辐射图像，采用归一化空间距离加权后滤波效果并未显著提升。此外，由于普通图像R-G 2维直方图散布在整个值域内，并未像热辐射图像一样聚集在某一确定直线方向上，基于R-G 2维空间最佳投影的图像分割算法在非热辐射图像中无法取得理想的图像分割效果。因此，本文提出的热辐射图像预处理方法并不具有普遍适用性。
参考文献
-
[1] Shao Y M, Chen Y R, Zhao Q, et al. Endpoint temperature prediction of the basic oxygen furnace based on the flame temperature measurement at the converter mouth[J]. Spectroscopy and Spectral Analysis , 2015, 35 (11) : 3023–3027. [ 邵艳明, 陈延如, 赵琦, 等. 基于炉口火焰辐射测温的转炉终温预测研究[J]. 光谱学与光谱分析 , 2015, 35 (11) : 3023–3027. DOI:10.3964/j.issn.1000-0593(2015)11-3023-05 ]
-
[2] Li Y H, Ma R, Zhang H, et al. Dual waveband colori-metric temperature accurate measurement technology[J]. Infrared and Laser Engineering , 2015, 44 (1) : 27–35. [ 李云红, 马蓉, 张恒, 等. 双波段比色精确测温技术[J]. 红外与激光工程 , 2015, 44 (1) : 27–35. DOI:10.3969/j.issn.1007-2276.2015.01.005 ]
-
[3] Astola J, Haavisto P, Neuvo Y. Vector median filters[J]. Proceedings of the IEEE , 1990, 78 (4) : 678–689. DOI:10.1109/5.54807
-
[4] Trahanias P E, Venetsanopoulos A N. Vector directional filters-a new class of multichannel image processing filters[J]. IEEE Transactions on Image Processing , 1993, 2 (4) : 528–534. DOI:10.1109/83.242362
-
[5] Trahanias P E, Karakos D, Venetsanopoulos A N. Directional processing of color images:theory and experimental results[J]. IEEE Transactions on Image Processing , 1996, 5 (6) : 868–880. DOI:10.1109/83.503905
-
[6] Karakos D G, Trahanias P E. Generalized multichannel image-filtering structures[J]. IEEE Transactions on Image Processing , 1997, 6 (7) : 1038–1045. DOI:10.1109/83.597278
-
[7] Lukac R. Adaptive color image filtering based on center-weighted vector directional filters[J]. Multidimensional Systems and Signal Processing , 2004, 15 (2) : 169–196. DOI:10.1023/B:MULT.0000017024.66297.a0
-
[8] Jin L H, Li D H. An adaptive spatial distance-weighted vector median filter[J]. Journal of Image and Graphics , 2007, 12 (6) : 970–976. [ 金良海, 李德华. 一种基于空间距离加权的自适应矢量中值滤波器[J]. 中国图象图形学报 , 2007, 12 (6) : 970–976. DOI:10.11834/jig.20070603 ]
-
[9] Agrawal S, Xaxa D K. Survey on image segmentation techniques and color models[J]. International Journal of Computer Science and Information Technologies , 2014, 5 (3) : 3025–3030.
-
[10] Basavaprasad B, Hegadi R S. Color image segmentation using adaptive growCut method[J]. Procedia Computer Science , 2015, 45 : 328–335. DOI:10.1016/j.procs.2015.03.153
-
[11] Sun Y, Peng X Q. Comparative study on two-color and three-color colorimetric temperature measurement based on colored CCD[J]. Chinese Journal of Sensors and Actuators , 2015, 28 (8) : 1184–1187. [ 孙元, 彭小奇. 基于彩色CCD的双色与三色比色测温法比较研究[J]. 传感技术学报 , 2015, 28 (8) : 1184–1187. DOI:10.3969/j.issn.1004-1699.2015.08.014 ]
-
[12] Abo-Eleneen Z A, Abdel-Azim G. A novel approach for MRI brain images segmentation[J]. International Journal of Image, Graphics and Signal Processing , 2013, 5 (3) : 10–18. DOI:10.5815/ijigsp.2013.03.02
-
[13] Lukac R, Plataniotis K N. A taxonomy of color image filtering and enhancement solutions[J]. Advances in Imaging and Electron Physics , 2006, 140 : 187–264. DOI:10.1016/S1076-5670(05)40004-X
-
[14] Smolka B, Chydzinski A. Fast detection and impulsive noise removal in color images[J]. Real-time Imaging , 2005, 11 (5-6) : 389–402. DOI:10.1016/j.rti.2005.07.003
-
[15] Lukac R. Adaptive vector median filtering[J]. Pattern Recognition Letters , 2003, 24 (12) : 1889–1899. DOI:10.1016/S0167-8655(03)00016-3
-
[16] Lei T, Fan Y Y, Zhao J. Vector morphological operators in HSV color space[J]. Scientia Sinica Informationis , 2012, 42 (5) : 588–602. [ 雷涛, 樊养余, 赵炯. 基于HSV彩色空间的矢量形态学算子[J]. 中国科学:信息科学 , 2012, 42 (5) : 588–602. ]
-
[17] Pang X M, Min Z J, Kan J M. Color image segmentation based on HSI and LAB color space[J]. Journal of Guangxi University:Nature Science Edition , 2011, 36 (6) : 976–980. [ 庞晓敏, 闵子建, 阚江明. 基于HSI和LAB颜色空间的彩色图像分割[J]. 广西大学学报:自然科学版 , 2011, 36 (6) : 976–980. DOI:10.13624/j.cnki.issn.1001-7445.2011.06.019 ]
-
[18] Xu T Z, Zhang G C, Jia Y. Color image segmentation based on morphology gradients and watershed algorithm[J]. Computer Engineering and Applications , 2016, 52 (11) : 200–203. [ 徐天芝, 张贵仓, 贾园. 基于形态学梯度的分水岭彩色图像分割[J]. 计算机工程与应用 , 2016, 52 (11) : 200–203. DOI:10.3778/j.issn.1002-8331.1510-0075 ]
-
[19] Vese L A, Chan T F. A multiphase level set framework for image segmentation using the Mumford and Shah model[J]. International Journal of Computer Vision , 2002, 50 (3) : 271–293. DOI:10.1023/A:1020874308076
