基于HSV空间和遗传算法的仪器仪表信息提取

杨 肖，徐 晓

（华南理工大学理学院，广东广州 510640）

0 引言

图像分割是一种重要的图像技术，分割的好坏将会直接影响信息提取的精确性和快速性，因此，无论是在理论研究领域还是在实际应用中都得到了广泛的重视［1］。针对不同彩色图片上的信息，基于彩色图像的分割方法早已呈现出了多样化和差异化。文献［2］提出了多种常用的彩色图像分割的方法，其中指出彩色图像分割由灰度图像分割方法和彩色空间组合而成，为彩色图像的分割提出了方法论。文献［3］基于HSV空间提出了颜色距离的思想，并运用改进后的Sobel算子，有效结合了颜色信息和空间信息实现了彩色图像边界的提取。文献［4］为了突显彩色图像中的重要区域，采取颜色分类和图像细节区域检测的组合的方式提取出了特殊区域。

不同的彩色图片可以提取不同的信息，相同的彩色图片也可以提取出不同的信息［5，6］。本文为了提取仪器仪表上的字符，提出一种基于颜色空间和遗传算法分割图片的算法。选取HSV空间为颜色空间，H分量作为粗分割的主信息，然后采用遗传算法细分割，实现字符的提取。

1 HSV空间的选取、转换及H选取

1.1 HSV颜色空间的选取

HSV（hue，saturation，value）颜色空间是一种均匀的颜色空间，比较接近人眼的色彩感知，它可以用一个圆锥空间模型来描述，如图1。色彩H，S包含颜色信息，而V与色彩信息无关。色调H由绕V轴的旋转角给定。红、绿、蓝分别相隔120°，每一种颜色和它的补色相差180°。色彩S代表纯度，是所选颜色的纯度与该颜色最大的纯度之间的比率，范围为0～1。色彩V代表色彩的明亮程度，范围为0～1。

图1 HSV空间Fig 1 HSV space

1.2 颜色空间的转换

将彩色图像（0～255）上所有点从RGB空间转换到HSV空间，可以由下面的程序转换

根据如上转换定义，H的范围为［0°，360°］，S，V的范围均为［0，1］。

1.3 H分量的选取

图片转换到HSV空间后，分别提取出H，S，V，将H分量中大于0.8小于1的像素点滤掉，然后统计分割出H分量小于0.1 的像素点（0.1，0.8，1 是经过试验仿真测试得出的最佳临界点）。用Matlab所写代码如下:

2 遗传算法设计

遗传算法（GA）以自然选择和遗传理论为基础，模拟达尔文的遗传选择和淘汰的生物进化过程，对群体反复进行基于遗传学的操作。根据预定的目标适应度函数对每个个体进行评价，依据适者生存、优胜劣汰的进化准则，不断得到更优的群体，同时以全局并行搜索方式来搜索优化群体中的最优个体，以求得满足要求的最优解［7］。

基本遗传算法可表示为

式中 C为个体的编码方法;E为初始种群;M为种群大小;Φ为选择算子;Γ为交叉算子;Ψ为变异算子;T为遗传运算终止条件。

利用遗传算法进行图像分割的基本思想是，把图像中的像素按灰度值用阈值M分成两类图像，一类为目标图像C1，另一类为背景图像C2。图像C1由灰度值在ML－M之间的像素组成，图像C2由灰度值在M－MH之间的像素组成。其中ML为图像中最小的灰度值，MH为最大的灰度值，MA为平均值。

2.1 染色体编码

对于任意一副彩色图像，其灰度图上各个像素点的灰度值处在0～255之间，采用二进制编码方式，用长度为8的染色体即可表示出所有灰度值，即0～28。本算法中，一副图片进行粗分割后，统计计算出灰度图的最大值M1和最小值M2，不同的图片其最大值和最小值动态变化。

2.2 初始种群的生成

随机生成的初始种群大小为40，个体的染色体编码有一定的大小范围，不同的图片、不同的字符在不同的光照下，其灰度的最大值和最小值均不同，因而，其随机生成的初始种群也不同，初始种群用Chrom数组表示。

2.3 个体适应度评价

将粗切割出的图像上的所有像素点的灰度值均一与初始种群中的动态灰度值M进行比较。大于灰度M的像素点个数为O1（M），平均灰度为U1（M）。小于或等于灰度M的像素点为O2（M），平均灰度为U2（M），选取的灰度适应度函数表达式为f（M）=O1（M）·O2（M）·［U1（M）－U2（M）］2，适应度值越大，遗传概率越大。

不同条件下，最优适应度不同，根据每幅图片中的最大值、最小值、均值和灰度直方图，经过测试仿真，灰度最优适应度值出现在灰度为1.1MA±5%左右（MA为平均灰度）。

2.4 遗传算子

2.4.1 选择算子

个体的差异性使个体在环境中体现出的适应性不同，根据种群个体适应度评价函数的高低排序，Matlab条件下选择算子代码为 select（'SUS'，Chrom，FitnV，0.9）。SUS 代表随机遍历抽样，Chrom是初始种群矩阵，FitnV是包含初始种群的个体适应度的列矩阵。从父代复制到子代的选择率为 0.9。

2.4.2 交叉算子

交叉算子在遗传算法中起着至关重要的作用，是产生新个体的主要方法，本算法中，交叉算子Matlab条件下所使用的代码为:recombin（'XOVSP'，SelCh，0.7），XOVSP 代表单点交叉，Selch代表交叉矩阵，0.7为单点交叉率。

2.4.3 变异算子

变异算法决定了遗传算法的局部搜索能力。变异率太大会破坏优秀个体的继承，变异率太小则不利于收敛。本算法中，变异算子 Matlab条件下所使用的代码为:mut（SelCh）。缺省值变异率PM=0.7/Lind，即 0.0875。

2.5 终止条件判断

为了采集到研究最终需要的信息，本算法基于实验的不断测试，采用的停止准则如下:自行遗传一定的代数，判断阈值是否符合最优的适应度算子，如符合，则输出阈值并得出二值化图像做进一步处理，如不符合，则重新刷新初始种群和遗传代数直至得到最优解。

3 算法设计

为了对仪器仪表中的关键字符信息进行快速提取，基于HSV空间和遗传算法的图像分割步骤（如图2）。

1）颜色空间转化:根据式（1）将目标图像从RGB空间转换到HSV颜色空间;

2）粗分割:在H分量图进行去噪处理后分割出最大的黑色区域。映射到RGB空间即可实现粗分割;

3）细分割:对粗分割出的区域的灰度进行估量进而确定了遗传算法初始种群的灰度区域，然后基于遗传算法实现目标信息和背景的分离，进而提取出了字符信息。

图2 分割流程图Fig 2 Flow chart of segmentation

4 实验结果分析比较

本算法基于Matlab R2009a对1000幅不同条件下仪器仪表上的数值字符进行了测试提取，不同的光照环境条件下，本算法均切实可行地分割出了目标字符。

本文以随机抽取的三幅图像作为样本（如图3样本图1、样本图2与样本图3），样本图1与样本图2是基于相同的光照下的不同的字符提取（相同条件条件下不同信息的提取），样本图2和样本图3是相同的字符在不同光照条件下的分割提取（不同条件下相同信息的提取）。

本算法有效利用HSV色彩空间与RGB空间的差异性，结合RGB和HSV空间，并针对各自的空间对相同图片进行了分割，分割效果如表1所示。从各自分割出的结果可以看出:基于HSV空间的粗分割更精准。

表1 粗分割Tab 1 Coarse segmentation

基于粗分割后的图片，本算法分别就简单的平均阈值分割（AS）和 GA阈值分割（GAS）进行了仿真测试（如图4），如表2结果所示，对比三幅原图片和最后分割二值化的结果，可以看出:GAS算法不仅实现了阈值的收敛，而且更标准化地实现了图片的二值化。表3分别用两种算法对1000幅图片进行分割比较，GAS算法对比AS算法，所花费的时间相对较长，其时间的长短由遗传算法代数决定的，但其正确率相对较高。

表2 细分割（M代表灰度阈值）Tab 2 Fine segmentation（M is gray level threshold）

表3 GAS同AS比较Tab 3 Comparison of GAS and AS

图3 样本图Fig 3 Sample charts

图4 多种方法分割效果图Fig 4 Segmentation effect digram of a variety of methods

5 结束语

本文基于RGB和HSV空间的差异性，将二者有机结合起来，实现了特定区域的提取。然后，基于GA将特定区域的特定信息与背景有效分离，从而精准地分割出了待提取信息。经仿真测试，达到了一定的精度和速度。在GA过程中，其收敛性具有稳定性［8］，但是偶尔也会出现死循环得不到收敛后的二值化结果，而这种情况可以通过控制工业环境得到一定的改善［9］。

［1］黄庆明，张田文，潘少静.基于色彩学习的彩色图像分割方法［J］.计算机研究与发展，1995，32（9）:60 －64.

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

［3］包全磊.基于 HSV空间的彩色图像分割［J］.软件导刊，2010，7（9）:171 －172.

［4］张国权，李战明，李向伟，等.HSV空间中彩色图像分割研究［J］.计算机工程与应用，2005，46（26）:179 －181.

［5］张志安，骆 斌.基于颜色和空间特征的图像检索［J］.桂林工学院学报，2007，27（3）:422 －426.

［6］Brown L G.A survey of image registration techniques［J］.ACM Computer Survey，2002，24（4）:325 －376.

［7］Sugisaka M，Fan Xinjian.Adaptive genetic algorithm with a cooperative mode［C］//Proceedings of IEEE International Symposium on Industrial Electromics，2001.

［8］恽为民，席裕庚.遗传算法的全局收敛性和计算效率分析［J］.控制理论与应用，1996，13（4）:454 －460.

［9］徐宗本，高 勇.遗传算法过早收敛现象的特征分析及其预防［J］.中国科学，1996，26（4）:564 －375.