基于DSP的图像灰度化处理方法研究.docx

基于DSP的图像灰度化处理方法研究.docx

《基于DSP的图像灰度化处理方法研究.docx》由会员分享，可在线阅读，更多相关《基于DSP的图像灰度化处理方法研究.docx（23页珍藏版）》请在冰豆网上搜索。

基于DSP的图像灰度化处理方法研究

摘要

 彩色图像的灰度化是图像处理的一个基本方法，在图像检测与识别、图像分析与处理等领域有着广泛的应用，把采集来的彩色图像进行灰度化处理，这样既可以提高后续算法速度，而且可以提高系统综合应用实效，达到更为理想的要求。

DSP强大的信号处理能力为实时图像信息处理提供了应用基础。

随着信息技术的高速发展，DSP在图形图像领域方面的应用越加广泛，如图形变换、图像压缩、图像传输、图像增强、图像识别等。

本文正是在研究基于DSP进行图像灰度化处理的过程中，首先基于不同颜色模型，即RGB与YUV模型分别进行图像分析，然后对图像灰度化处理的原理与方法进行了研究（本文重点研究的是图像的线性灰度变换），由于RGB与YUV模型在灰度化处理中原理相同，所以本文重点对RGB模型进行软件仿真。

在MATLAB软件环境中实现了对RGB彩色模型的仿真的基础上,又在DSP处理平台上完成程序设计，给出实验结果，并与MATLAB仿真结果相比较进行分析。

本文通过分量法、加权平均法、平均值法和最大值法这四种方法，依次对实现了彩色图像的灰度化处理，并对它们进行了对比分析。

最后，完成了彩色图像灰度化的仿真，由于MATLAB仿真结果与CCS处理结果十分接近，从而实现了此次研究的目的。

关键词：

DSP彩色图像灰度化MATLAB

ABSTRACT

Graycolorimageisabasicmethodofimageprocessing,imagedetectionandrecognitioninthefieldofimageanalysisandprocessingwithawiderangeofapplications,suchas,theacquisitionofcolorimagestograyscaleprocessing,bothtoimprovethefollow-uptothespeedofthealgorithm,andcanimprovetheeffectivenessofintegratedapplicationsystemtoachievemoredesirablerequirements.DSPpowerfulsignalprocessingcapabilitiesofrealtimeimageprocessingprovidesapplicationinfrastructure.Withtherapiddevelopmentofinformationtechnology,DSPapplicationsinthefieldofgraphicimageshasbecomeincreasinglywidespread,suchasgraphicstransform,imagecompression,imagetransmission,imageenhancement,imagerecognition.ThisarticleisbasedonresearchconductedDSPimageprocessinggrayingprocess,thefirstbasedondifferentcolormodels,ieRGBandYUVimageanalysismodelsrespectively,thentheprinciplesandmethodsofgrayimageprocessingwerestudied（thefocusofthisarticleResearchistheimageofalineargray-scaletransformation）,duetotheRGBandYUVmodelgrayingprocessonthesameprinciple,thisarticlefocusesontheRGBmodelsimulationsoftware.Realizationofsimulation-basedRGBcolormodel,alsocompletedintheDSPprocessingplatformprogramdesign,experimentalresultsaregiven,andcomparedwithMATLABsimulationresultsareanalyzedintheMATLABsoftwareenvironment.Throughthecomponentmethod,theweightedaveragemethod,theaverageandmaximumLawActthesefourmethods,inordertoachieveagraycolorimageprocessing,andtheywerecomparedandanalyzed.Finally,thefinishedcolorimagegraysimulation,becauseMATLABsimulationresultsandtheresultsareverycloseCCS,thusachievingthepurposeofthisstudy.

Keywords:

DSP;colorimage;gray;MATLAB

第一章绪论

1.1论文研究背景与意义

图像是自然界景物的客观反映。

自然界的图像无论是在亮度、色彩，还是在空间分布上，都是以模拟函数的形式出现的。

现行的电视系统传输、显示的图像是模拟图像，难以用连续数学理论分析、设计图像处理系统，更无法采用数字计算机进行处理、传输和存储[1]。

图像在成像、采集、传输、复制等过程中不可避免地会造成某些降质（退化），如在成像过程中由于光学系统会导致图像失真，不同的光照条件会使图像的曝光度差异很大，运动状态下成像会使图像模糊；而在传输过程中，各种噪声和干扰将污染图像。

因此，通常需要对降质的图像进行预处理，以满足后期处理或分析的需要。

而图像增强是使图像可读懂的一类方法，通过处理有选择地突出某些感兴趣的信息，便于人或机器分析这些信息，抑制无用信息，以提高图像的使用价值。

在一些场合中，为了将图像灰度级的整个范围或一段范围扩展或压缩到记录或显示设备的动态范围内，从而使图像变得更加清晰、图像上的特征更加明显，可以采用灰度变换的方法[2]。

彩色图像的灰度化是图像处理的一个基本方法，在图像检测与识别、图像分析与处理等领域有着广泛的应用，如人像、文字、车牌的识别和处理等。

图像的灰度化看起来好像是一个没有什么变化的简单过程，实际上也具有较大的灵活性，可以根据实际需要来控制灰度化效果，合理的灰度化对于图像信息的提取和后续处理有很大的帮助，在系统预处理阶段，把采集来的彩色图像进行灰度化处理，这样既可以提高后续算法速度，而且可以提高系统综合应用实效，达到更为理想的要求。

因此灰度化处理是图像处理中很重要的一步，它的结果是后续处理的基础，研究图像灰度化技术，寻求一种正确有效的灰度化处理方法具有重要的意义。

随着计算机、多媒体和数字通信技术的高速发展，数字图像技术近年来得到了极大的重视和长足的发展，并在科学研究、工业生产、医疗卫生、教育、娱乐、管理、通信等方面取得了广泛的应用。

同时，人们对计算机视频应用的要求也越来越高，从而使得高速、便捷、智能化的高性能数字图像处理设备成为未来视频设备的发展方向，实时图像处理技术在目标跟踪、机器人导航、辅助驾驶、智能交通监控中得到越来越多的应用。

由于图像处理的数据量大，因此实时图像处理系统必须具有强大的运算能力。

高性能数字信号处理器DSP不仅可以满足在运算性能方面的需要，而且由于DSP的可编程性，还可以在硬件级获得系统设计的灵活性。

DSP强大的信号处理能力为实时图像信息处理提供了应用基础。

随着信息技术的高速发展，DSP在图形图像领域方面的应用越加广泛，如图形变换、图像压缩、图像传输、图像增强、图像识别等。

因此，本文展开了基于DSP的图像灰度化处理的研究。

1.2国内外的研究现状

目前在数字图像处理领域有多种从色彩到灰度转换算法。

传统的线性混合算法取出图像中每个像素的R、G、B值，之后分别乘以一个固定系数后相加得到一个灰度数值，如分量法、最大值法、平均值法以及加权平均法等（本文主要对传统的线性混合算法进行研究实现）。

研究人员在传统算法的基础上做了改进，他们在分离出R、G、B值之后，使用其亮度值而非色度值进行线性混合后映射为灰度级。

线性转换算法通常具有较低的时间复杂度和空间复杂度，但其不能很好的保留下色彩差异所传递出的视觉信息。

另一类是非线性的从色彩到灰度转换算法，Karl,RobertGeist等提出的多维缩放矩阵（MDS）算法[4]。

其思想是将色彩图像中的每一个像素对都定义一个函数来表示转换过程中的转换误差,通过最小化该函数来获得转换矩阵，并通过多维缩放矩阵来建模该过程。

该算法虽然能得到较好的转换效果,但算法的转换时间与色彩图像中的色彩数量紧密相关，当色彩数量较多时时间开销太大，无法满足实时性的要求。

为了能够更好的保留色彩图像中的视觉信息，宋黎明等提出了一种采用高斯混合模型（GaussianmixturemodelGMM）的从色彩到灰度转换算法。

该算法首先对原始图像进行重采样，对重采样的数据用GMM建模，将采样数据分为若干个色彩类别，并将每一个色彩类别映射到一个灰度级别。

之后考察色彩图像中的每一个像素的GMM参数，从而获得其属于每一个类别的概率，最终确定此像素映射到灰度图像中的灰度级别[7]。

但该算法在为每个分类分配灰度级别时，并不能保证在色彩图像上差异较大的类别能够分配到差异较大的灰度级别，因此并不能满足视频信息处理的要求，同时，该算法的时间复杂度也较大，同样无法满足视频的实时处理。

而且该算法要求工作在CIELAB色彩空间上，与通常使用的RGB色彩空间有较大的差异，所以该算法的通用性不是太好。

基于此，科学家们提出一种基于高斯混合模型的实时色彩转换算法，高斯混合模型能够在聚类分析中有效的捕获随机数据点的同质性，在图像分析中，GMM能够有效的将相似的颜色做聚类处理，据此就能在灰度图像中尽量多的保留色彩图像中的视觉信息，同时为了兼顾通用性和实时性的要求。

1.3本文结构

基于以上对国内外图像灰度化处理技术研究状况的分析，结合国内外对图像处理技术发展趋势和图像灰度化技术不断发展的需求，本文主要围绕基于MATLAB与DSP进行不同颜色模型的方法研究，论文具体内容安排如下：

第一部分：

介绍课题的研究背景，指出本论文的研究目的和研究意义。

首先概述数字图像处理的背景及发展现状，指出基于DSP进行的图像灰度化处理的必要性。

然后介绍国际间对于图像灰度化技术的方法研究，最后给出了全文的主要研究内容总结。

第二部分：

本部分中首先对颜色的不同模型及其转化为灰度图像的原理与方法，进行了详细介绍，然后为了实现在MATLAB上的仿真，先对MATLAB进行简单的介绍，在对MATLAB有了了解之后，主要实现了对RGB模型的仿真。

第三部分：

为实现在DSP平台上的仿真，首先对DSP系统平台和开发环境CCS进行了介绍，然后实现了基于DSP的仿真，并对比MATLAB的性能，进行分析。

第四部分：

对灰度化处理技术进行了总结并提出改进方法。

第二章图像灰度化的原理及MATLB仿真

2.1引言

灰度图像的每一个像素都有一个量化的灰度值来描述图像。

它不包含彩色信息。

在计算机领域中，灰度图像是每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮白色的灰度，尽管理论上这个采样可以表示任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。

对于RGB模型，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫做灰度值。

常用的色彩空间有RGB和YUV色彩空间。

采用RGB编码方法，每种颜色都可用三个变量来表示—红色、绿色以及蓝色的强度。

它缺乏与早期黑白显示系统的良好兼容性，因此很多厂商经常将RGB转换成YUV颜色空间，处理完成再根据需要换回RGB格式，以便在计算机上显示彩色图形。

本章将会介绍将RGB与YUV两种彩色模型图像转化为灰度图像的原理及方法流程，同时会实现RGB彩色图像基于MATLAB的灰度转变。

2.2图像灰度化处理的基本原理与方法

2.2.1RGB彩色图像转化灰度图像的原理与方法

俄国科学家提出的三基色（RGB）原理奠定了认识色觉的基础。

RGB颜色模型作为一种常用的彩色图像表示模型，它的每个像素的颜色有R、G、B三个分量决定，它的每一个像素的颜色值直接存放在图像矩阵中，设用N与M分别表示图像的高度与宽度，则该图像要用三个二维矩阵来分别表示各个像素的R、G、B三个颜色分量。

RGB图像的数据类型一般为8位无符号整形，通常用于表示和存放真彩色图像，当然也可以存放灰度图像。

例如，原图像是真彩色位图，图像中每个像素占3个字节，转换的目标图像是256级灰度图，即每个像素用8bit表示，显示出来的图像是黑白效果，最黑的像素的灰度（也叫亮度）值为0，最白的像素的灰度值为255，整个图像各个像素的灰度值随机的分布在0到255的区间中，越黑的像素，其灰度值越接近于0，越白的像素，其灰度值越接近于255[4]。

由于彩色图像的每一个像素的颜色由R、G、B三个分量决定，而每个分量有256个不同的值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。

而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其中一个像素点的变化范围为255种，所以在数字图像处理中一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。

灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。

在RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫做灰度值。

因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255。

图像的灰度化处理一般有以下4种转化方案。

方法1：

分量法

将彩色图像中RGB三个分量的某一个分量作为该点的灰度值，根据应用需要进行选取。

（2-1）

其中

为转换后的灰度图像在（i,j）处的灰度值。

方法2：

加权平均法

根据重要性及其它指标，将三个分量以不同的权值进行加权平均。

由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，对RGB三分量进行加权平均能得到较合理的灰度图像。

（2-2）

方法3：

平均值法

求出每个像素点的R、G、B三个分量的平均值，然后将彩色图像中的这个平均值赋予给这个像素，见公式（2-3）。

（2-3）

方法4：

最大值法

将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

（2-4）

根据以上四种处理方法，通过编程均能将彩色图像转化成灰度图像。

将彩色图像转化为灰度图像的算法流程见下页图2-1。

2.2.2YUV彩色图像转化为灰度图像

YUV（YCrCb）是被欧洲电视系统所采用的一种颜色编码方法（属于PAL）。

在现代彩色电视系统中，通常采用三管彩色摄影机或彩色CCD摄像机进行摄像，然后把取得的彩色图像信号经分色、分别放大校正后得到RGB，再经过矩阵变换电路得到亮度信号Y和两个色差信号U、V，最后发送端将亮度和色差三个信号分别进行编码，用同一信道发送出去。

这种色彩的表示方法就是所谓的YUV颜色模型表示。

采用YUV颜色模型的重要性是它的亮度信号Y和色度信号U、V是分离的。

如果只有Y信号分量而没有U、V信号分量，那么这样表示的图像就是黑白灰度图像。

彩色电视采用YUV颜色模型正是为了用亮度信号Y解决彩色电视机与黑白电视机的相容问题，使黑白电视机也能接收彩色电视信号[6]。

关于YUV空间的彩色图像，其Y的分量的物理意义本身就是像素点的亮度，由该值反映亮度等级，因此可根据RGB和YUV颜色空间的变化关系建立亮度Y与R、G、B三个颜色分量的对应：

Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。

图2-1彩色图像灰度化的算法流程图

基于这些原因，在视频信号传输中采用的是YUV颜色合成的方法，其中“Y”表示明亮度，也就是灰度值：

而“U”和“V”表示的则是色度，作用是描述影像色彩及饱和度，分别用Cr和CB来表示。

其中，Cr反映了RGB输入信号红色部分与RGB信号亮度值之间的差异。

而CB反映的是RGB输入信号蓝色部分与RGB信号亮度值之间的差异。

RGB与YUV转换公式为：

 （2-5）

由于本文中RGB与YUV图像灰度化的原方法相同，文章将只对RGB模型进行灰度变化。

第三章中同样也是只针对RGB模型进行灰度化。

2.3基于MATLAB的仿真

2.3.1MATLAB的简介

MATLAB对于技术计算来说是一种高性能的语言。

它以易于应用的环境集成了计算、可视化和编程，在该环境下，问题及其解以我们熟悉的数学表示法来表示。

典型的应用包括如下方面：

数学和计算

算法和开发

建模、模拟和原型设计

科学和工程图形

应用开发，包括图像用户界面构建

MATLAB是一种交互式系统，其基本数据元素是并不要求确定维数的一个数组。

这就允许人们用公式化方法求解很多技术计算问题，特别是涉及矩阵表示的问题。

有时，MATLAB可调用使用C这类非交互式语言编写的程序。

MATLAB是matrixlaboratory的缩写。

MATLAB由LINPACK和EISPACK项目开发，最初用于矩阵处理。

今天，MATLAB已集成了LAPACK和BLAS库，并成为了矩阵计算的首选软件。

MATLAB的图像处理工具箱提供一套全方位的参照标准算法和图形工具，用于进行图像处理、分析、可视化和算法开发。

可用其对有噪声图像或退化图像进行去噪声或还原、增强图像以获得更高清晰度、提取特征、分析形状和纹理以及对两个图像进行匹配等[5]。

2.3.2仿真结果及其分析

本章的描述基于MATLAB仿真软件，通过分量法，加权法平均法，平均值法，最大值法四种方法，实现彩色图像的灰度化处理，并对四种方法的处理结果进行分析对比。

对于加权平均法，根据重要性及其它指标，将R、G、B三个分量以不同的权值进行加权平均。

由于人眼对绿色的敏感度最高，对蓝色敏感度最低。

因此，在MATLAB中我们可以按下式系统函数对RGB三分量进行加权平均能得到较合理的灰度图像。

 程序首先读取一个RGB格式的图象,然后调用已有的函数rgb2gray（）来实现彩色图像灰度化。

对于平均值法，将彩色图像中的R、G、B三个分量的亮度求简单的平均值，将得到均值作为灰度值输出而得到灰度图。

用size函数读取原图像图像的尺寸，并以该尺寸构建一个全零矩阵来存储用下面的方法产生的灰度图像。

由于在此之前的语句创建之后图像为双精度型， 因而我们采用uint8（）将其转化成无符号整型。

然后对原图像中的像素逐点处理，在采用均值法时，即将每个像素点上的R，G,B分量取其平均，将处理后均值作为该像素点的灰度值输出，对应代码中I（ i,j,k ）/3语句，在对所有像素点处理完毕后即可实现彩色图像的灰度化处理。

在用最大值法时，调用max（）函数读取像素点上RGB分量中的最大值作为该点灰度值输出，从而实现彩色图像的灰度化处理。

对于分量法，将彩色图像中RGB三个分量的某一个分量作为该点的灰度值，根据应用需要进行选取。

下图2-2为经过加权平均，平均值法，最大值法所得的灰度化图像；

下图2-3为经过分量法所得的各个分量的灰度化图像；

稍作比较即可发现，以四种方法得到的处理结果并不完全相同，这是由于不同的处理方法对于灰度值的选取不同，图b考虑库函数rgb2gray（）,其转化是依据亮度方程

来实现的，即依据人眼对不同颜色的敏感度不同，对RGB分量以不同系数的加权平均，得到较为合理的灰度化结果。

而图c是对RGB三个分量取简单的平均，从而得到对应灰度值，而图d是直接取用RGB分量中最大值作为灰度值输出。

分量法是将彩色图像中RGB三个分量的某一个分量作为该点的灰度值。

图2-2经加权平均、平均值、最大值法得到的灰度图像

图2-3经分量法得到的灰度图像

为作进一步说明问题，我们可以分别选用红色图，绿色图以及蓝色图用如上方法处理后来进一步比较说明。

首先，我们选用以红色分量较多的图像进行处理，运用本章中涉及到的四种方法。

加权平均、平均值法、最大值法的结果如图2-4所示，分量法的处理结果如图2-5所示。

图2-4经加权平均、平均值、最大值法得到的灰度图像

图2-5经分量法得到的灰度图像

观察如上对比结果可以发现，图中红色分量灰度化之后基本没有区别，这是由于采用加权平均法对红色分量R的加权系数为0.30，而图c采用简单平均法的红色分量系数为0.33，故两者对于红色分量的处理结果区别不大，而对于图d采用最大值法，故在亮度实现上明显大于前面二者。

而采用R、G、B分量时，由于原图中红色分量最多，所以R分量图亮度最大，而使用G、B分量法时，没有相应像素分量，所以亮度最小。

由此可想，对于R、G、B分量法而言，只要是单量图像，只有在相应分量中时灰度化处理后的亮度才是最亮的，其他两个分量灰度图像亮度最暗。

接下来，选取一绿色分量为主的图像进行处理分析，结果如图2-6，2-7所示。

图2-6经加权平均、平均值、最大值法得到的灰度图像

图2-7经分量法得到的灰度图像

观察如上对比图像结果可以发现，平均值法的亮度明显低于加权平均得到的灰度图像，而最大值法的亮度则为三个处理结果中最大的。

稍加分析，不难发现，这是由于在加权平均处理中，其对于绿色分量的加权系数为0.59，而平均处理中绿色分量的系数约为0.33，加之上图中物体部分颜色为绿色，故作处理后，加权平均中得的灰度值大于平均值法处理得到的灰度值，因而在显示上，图b对应的较之图c对应的更亮；而对于图d，因其取的是最大值，故最终的灰度值也最大，所以显示最亮。

同样，按照前文分析，G分量即图2-7的c图的灰度图像的亮度最亮。

同样对于以蓝色分量为主的图像进行处理，也符合该结论。

第三章基于DSP的图像处理实现

3.1引言

DSP作为一种先进的可编程处理器，近几年来应用极其广泛。

其中，TMS320C64X+是TI公司推出的定点系列数字信号处理芯片，它具有运算速度高、CPU结构优化、功耗低和智能化外设等特点，特别适用于实时嵌入式系统的开发。

它已成为数字产品设计中低成本、低功耗、高性能的数字信号处理芯片的首选，在便携式仪器、消费类电子、医疗设备等领域得到广泛的应用。

本章中将在TMS320C64X+芯片上进行图像的仿真。

3.2DSP系统平台与开发环境CCS简介

基于DSP的图像处理技术包括硬件和软件实现两大部分。

由于DSP的高速处理性能使得很多以前难以实现的复杂图像处理算法得以应用，因而DSP为信息处理技术的发展提供了广阔的应用空间[8]。

DSP虽然也是集成了CPU及相应外设的单元芯片，但它与普通的单片机相比还是有很多不同之处，主要是超强处理速