Procesamiento de imágenes (Capítulo 9 procesamiento de imágenes en color, modelo de color, RGB, HSI, YCbCr, procesamiento de pseudo-color, procesamiento de imágenes a todo color, histograma, suavizado, nitidez, segmentación, eliminación de ojos rojos)

Capítulo nueve

9.1 Conceptos básicos de color

9.1.1 Conceptos básicos de colorimetría (solo entiéndalo)

La luz blanca se puede descomponer en una serie de espectros continuos que van del púrpura al rojo.

(1) Características de absorción del
ojo humano Las células cónicas del ojo humano son sensores responsables de la visión del color Las células cónicas del ojo humano se pueden dividir en tres categorías sensoriales principales.

Aproximadamente el 65% de las células cónicas son sensibles a la luz roja, el 33% son sensibles a la luz verde y solo el 2% son sensibles a la luz azul.

Debido a las características de absorción del ojo humano, los colores que se ven son varias combinaciones de los denominados colores primarios rojo (R, rojo), verde (G, verde) y azul (B, azul).

(2) El principio de los tres colores primarios
Se puede obtener cualquier color mezclando 3 colores básicos diferentes en diferentes proporciones.

Los tres colores primarios de rojo, verde y azul se pueden mezclar en proporción para obtener varios colores. La ecuación de coincidencia de color es:

(3) Conversión
de color a escala de grises de los tres colores primarios del mismo brillo. El ojo humano siente que el brillo de luz verde es la más brillante y la luz roja es la segunda. La luz azul es la más débil.
Si se usa Y para representar la luz blanca, es decir, el brillo (escala de grises) de la luz, la relación es la siguiente:
Y = 0.299R + 0.587G + 0.114B

9.2 Modelo de color

Para describir cuantitativamente y utilizar el color científicamente, se han propuesto varios modelos de color. Los modelos de color comúnmente utilizados se pueden dividir en tres categorías según sus propósitos:
① Los modelos de color calculados se
utilizan para la investigación teórica sobre colores. Los modelos RGB comunes, los modelos CIE XYZ, los modelos de laboratorio, etc. pertenecen a este tipo.

②Modelo de color visual se
refiere a un modelo similar al modelo visual de percepción del color del ojo humano. Se utiliza principalmente para la comprensión del color. Los más comunes son el modelo HSI, el modelo HSV y el modelo HSL.

③El modelo de color industrial se
centra en aplicaciones prácticas, incluidos los sistemas de visualización en color, los sistemas de transmisión de color y los sistemas de transmisión de televisión. Como el modelo CMYK utilizado en la impresión, el modelo YUV utilizado en los sistemas de televisión y el modelo YCbCr utilizado en la compresión de imágenes en color.

9.2.1Modelo de color RGB (solo entiéndelo)

Los diferentes colores están sobre o dentro del cubo y se pueden definir mediante un vector distribuido desde el origen. Y asumiendo que todos los valores de color están normalizados, el cubo que se muestra en la figura anterior es un cubo unitario, es decir, todos los valores RGB están dentro del rango de [0,1].

9.2.2 Modelo CIE XYZ (solo entiéndalo)

Luz visible F, hay: F ​​= x⋅X + y⋅Y + z⋅Z

9.2.3 Modelo de color de laboratorio (solo entiéndalo)

Los dos componentes de cromaticidad ayb de L brillo o componente de brillo a
en la dirección positiva significa más rojo, y el valor más grande en la dirección negativa significa más verde; cuanto
mayor sea el valor de b en la dirección positiva significa más amarillo, Cuanto mayor sea el valor en la dirección negativa, más azul es.

9.2.4 Modelo de color HSI (énfasis)

(1) ¿Por qué se usa ampliamente el modelo hsi en el procesamiento y reconocimiento de imágenes (énfasis)?

① El componente I (luminancia) no tiene nada que ver con la información de color de la imagen;
② Los componentes H (tono) y S (saturación) están estrechamente relacionados con la forma en que las personas perciben los colores. Estas características hacen que el modelo HSI sea muy adecuado para la detección y el análisis de características de color.

(2) Características

9.2.5 Modelo de color CMY (solo entiéndalo)

Los colores primarios son: cian (cian), magenta (magenta), amarillo (amarillo)

En aplicaciones prácticas, debido a la gran cantidad de negro, la tinta negra a menudo se usa directamente para producir negro en la impresión, ahorrando así la cantidad de tintas cian, magenta y amarilla. Por lo tanto, CMYK se usa a menudo para representar el modelo CMY.

9.2.6 Sistema de coordenadas de color de la señal de TV YUV (solo entiéndalo)

Cuando se transmite la señal de televisión en color, RGB se convierte en una señal de luminancia y una señal de crominancia. El sistema PAL transforma las señales de tres colores RGB en una señal YUV, donde la señal Y representa el brillo y las señales U y V representan la diferencia de color.

9.2.7YCbCr modelo (solo comprenda)

Se compone de brillo Y, diferencia de color Cb y diferencia de color Cr. A diferencia del modelo YUV, la importancia diferente de los tres componentes de R, G y B en la percepción visual se considera completamente al construir la señal de diferencia de color.

9.3 Procesamiento de pseudo-color

El procesamiento de pseudo-color también se denomina procesamiento de falso color
(1) La definición se
refiere a la conversión de una imagen en escala de grises en una imagen en color, o una imagen monocromática en una imagen con una distribución de color determinada.

(2) Propósito
Con el fin de mejorar la capacidad del ojo humano para distinguir los detalles de la imagen para lograr el propósito de mejora de la imagen.

(3) Principios básicos Haga
coincidir cada nivel de gris de una imagen gris o monocromática con un punto en el espacio de color, de modo que la imagen monocromática se mapee en una imagen en color.

Aunque el procesamiento de pseudo-color puede convertir la escala de grises en color, este color no es realmente el color original de la imagen, sino solo un pseudo-color que es fácil de identificar.

(4) Métodos Los
métodos de procesamiento de pseudo-color incluyen principalmente estratificación de intensidad y conversión de escala de grises a color.

9.3.1 Estratificación de la fuerza

Código

I=imread('i_peppers_gray.bmp'); 

GS8=grayslice(I,8);%将原图的灰度分成8层
GS64=grayslice(I,64); %分成64层

subplot(1,3,1), imshow(I), title('原始灰度图像');
subplot(1,3,2), subimage(GS8,hot(8)), title('分成8层伪彩色');
subplot(1,3,3), subimage(GS64,hot(64)), title('分成64层伪彩色');	

9.3.2 Conversión de escala de grises a color

256 escalas de grises, salida R, G, B en proporción en segmentos y transformar en color

9.4 Procesamiento de imágenes a todo color

La investigación del procesamiento de imágenes a todo color se divide en dos categorías.
①La primera categoría: procese cada imagen de componente por separado y luego forme una imagen de color compuesta a partir de las imágenes de componente procesadas por separado.

②La segunda categoría: procesar píxeles de color directamente

9.4.1 Conceptos básicos del procesamiento de imágenes a todo color

Debido a que una imagen a todo color tiene al menos 3 componentes, un píxel de color es en realidad un vector.

Para que el procesamiento de cada componente de color y el procesamiento basado en vectores sean equivalentes, se deben cumplir dos condiciones:
primero, el procesamiento debe estar disponible tanto para los vectores como para los escalares, y en
segundo lugar, las operaciones en cada componente del vector deben ser independientes de las demás. componentes.

9.4.2 Procesamiento de histogramas de imágenes en color

Expanda uniformemente la intensidad del color y mantenga el color en sí (es decir, tono y saturación) sin cambios, es decir, utilice el modelo HSI. La ecualización del histograma se realiza en I (intensidad).
(Ps: aplicación del modelo HSI)

9.4.3 Suavizado de la imagen en color

Filtro de suavizado RGB de 3 componentes o filtro de suavizado de componentes HSI I

Utilice el método de filtrado espacial-promedio de vecindad para suavizar y filtrar imágenes en color.

其主要Matlab程序实现如下：
    rgb=imread('flower608.jpg');
    fR=rgb(:,:,1);
    fG=rgb(:,:,2);
    fB=rgb(:,:,3);
    w=fspecial('average');%算子
    fR_filtered=imfilter(fR,w);
    fG_filtered=imfilter(fG,w);
    fB_filtered=imfilter(fB,w);
    rgb_filtered=cat(3,fR_filtered,fG_filtered,fB_filtered);

9.4.4 Nitidez de la imagen en color

El objetivo principal de la nitidez es resaltar los detalles (partes de los bordes) de la imagen.

使用经典的Laplacian滤波模板分别对每个分量图像进行锐化。
其主要Matlab程序实现如下：
    rgb=imread('flower608.jpg');
    fR=rgb(:,:,1);
    fG=rgb(:,:,2);
    fB=rgb(:,:,3);
    lapMatrix=[1 1 1;1 -8 1;1 1 1];%锐化的算各元素和为0
    fR_tmp=imfilter(fR,lapMatrix,'replicate');
    fG_tmp=imfilter(fG,lapMatrix,'replicate');
    fB_tmp=imfilter(fB,lapMatrix,'replicate');
    rgb_tmp=cat(3,fR_tmp,fG_tmp,fB_tmp);
    rgb_sharped=imsubtract(rgb,rgb_tmp);

9.5 Segmentación de imágenes en color

La segmentación de imágenes es la técnica y el proceso de dividir una imagen en regiones con características y extraer objetos de interés.

9.5.1 Segmentación del espacio de color HSI

Chroma se usa para describir colores en imágenes .

En saturación como imagen de plantilla, desde la imagen de tono que separa el área de características de interés .

Dado que la intensidad no lleva información de color, la segmentación de imágenes en color generalmente no utiliza imágenes de intensidad.


Utilice la saturación como imagen de plantilla: seleccione un valor de umbral igual al 30% de la saturación máxima en la imagen de saturación, asigne 1 (blanco) a cualquier valor de píxel mayor que el umbral y asigne 0 (negro) a los demás.

Separe el área de interés de la característica de la imagen de tono: utilice la plantilla binaria de saturación para actuar sobre la imagen de tono y producir el resultado de la segmentación de flores rojas.

其主要Matlab程序如下：
S1=(S>0.3*(max(max(S))));%S>最大饱和度的30%，max(max(s))是因为s是二维的max一次是行一次是列
F=S1.*H;

9.5.2 Segmentación del espacio de color RGB

Aunque la imagen en color en el espacio HSI es más intuitiva.
El vector de color RGB se usa generalmente para la segmentación

El objetivo de la segmentación es clasificar cada píxel RGB en una imagen determinada. Esto requiere una medida de similitud.

Sea z cualquier punto en el espacio RGB, si la distancia entre ellos es menor que un cierto umbral D ₀ , decimos que zya son similares.
Una de las medidas más simples es la distancia euclidiana.

9.5.3 Detección de bordes de color (solo comprenda)

La detección de bordes es una herramienta importante para la segmentación de imágenes.
Comparación:
(1) Calcule el borde basándose en cada imagen de componente de color individual
(2) Calcule el borde directamente en el espacio de color.

Compare dos tipos de detección de bordes de imágenes en color:
(1) detecte el borde mediante la mezcla del degradado de cada imagen de componente de color
(2) detecte el borde con el degradado vectorial del espacio de color.

9.6 Otras aplicaciones del procesamiento de imágenes en color

9.6.1 Eliminación de ojos rojos

(1) Causas de ojos rojos (énfasis)

Al tomar retratos con una cámara, a veces pueden aparecer ojos rojos. Porque al disparar en un entorno con poca luz, el destello del flash hará que las pupilas del ojo humano se dilaten instantáneamente y los vasos sanguíneos de la retina se reflejen en la película, lo que resultará en un fenómeno de ojos rojos.

(2) Procesamiento Los
modelos de color más utilizados para la tecnología de eliminación de ojos rojos son: modelo RGB, modelo CIE Lab y modelo HSI. Modelos comunes de HSI

9.6.2 Detección de color de piel

YCbCr de uso común