环境:Windows XP+MATLAB 2010b
基本思路:
1)将基于彩色空间的RGB模型转换为YCbCr模型(考虑到人脸的生理特征,只采取了Cr分量作为辅助)
2)阈值分割,根据多次实验发现,正常黄种人的Cr分量大约在140~·160之间
3)滤波,本实验采用性能较好的中值滤波
4)特征区域提取,利用matlab的bwlabel函数
5)对标记的特征区域利用高宽度之比和面积两个指数来进一步简化特征区域
具体实验代码及原理讲解
1)rgb->ycbcr
%公式 Y = 0.2990*R + 0.5780*G + 0.1140*B + 0
%公式 Cr = 0.5000*R - 0.4187*G - 0.0813*B + 128
%公式 Cb = -0.1687*R - 0.3313*G + 0.5000*B + 128
(参见http://en.wikipedia.org/wiki/YCbCr)
本实验直接采用mtalab自带函数rgb2ycbcr()转换就OK了。
I1=imread('blue_lg.jpg'); si=size(I1); m=si(1);n=si(2); img1=rgb2ycbcr(I1); cr1=img1(:,:,3);%大小为mxn的二维矩阵
2)阈值分割
cr3=cr1; for i=1:m for j=1:n if(cr3(i,j)>140&&cr3(i,j)<160)%140~160为本人实验多次得到的合理值 cr3(i,j)=255; else cr3(i,j)=0; end end end
3)中值滤波器(本实验采用的是5x5的子模板)
c_r=cr3; for i=3:m-2 for j=3:n-2; temp=cr3(i-2:i+2,j-2:j+2);%提取5x5区域 temp1=sort(temp);%排序 c_r(i,j)=temp1(13);%中值 end end
4)利用bwlabel进行特征区域提取
关于matlab函数bwlabel:[L, num] = bwlabel(BW, n);
根据领域的链接性质,将整个区域分为num个子区域,L为一矩阵,其中每个子区域在此矩阵中的值为子区域的序号。值得注意的是,序号为0的情况(我理解为背景,直接弃之不用)。n指的是领域性质,4邻域or8邻域。
举个例子,
BW = logical ([1 1 1 0 0 0 0 0 1 1 1 0 1 1 0 0 1 1 1 0 1 1 0 0 1 1 1 0 0 0 1 0 1 1 1 0 0 0 1 0 1 1 1 0 0 0 1 0 1 1 1 0 0 1 1 0 1 1 1 0 0 0 0 0]);
3种背景颜色分别表示3个子区域,剩下的即为区域0,理解为背景吧。
对应生成的L矩阵即为
% L = bwlabel(BW,4);
L =
1 1 1 0 0 0 0 0
1 1 1 0 2 2 0 0
1 1 1 0 2 2 0 0
1 1 1 0 0 0 3 0
1 1 1 0 0 0 3 0
1 1 1 0 0 0 3 0
1 1 1 0 0 3 3 0
1 1 1 0 0 0 0 0
(参考mtlab自带文档)
我的做法是在当前路径下重新定义了一个子函数findlimit()。
function [l,kk]=findlimit(I) %l为已分类有序矩阵 %kk为特征区域的序号 tt=size(size(I)); if tt(2)==3 %若I为3维矩阵,则需要转换为灰度图像 J=rgb2gray(I); else %I为3维矩阵 J=I; end %[m,n]=size(J); [l,num]=bwlabel(J,8); area=zeros(1,num+1);%面积 zhonghengbi=zeros(1,num+1);%比例 %re=zeros(num+1,4); re1=zeros(num+1,2); for k=0:num [r,c]= find(l==k); % re(k+1,1)=min(r); %垂直方向最小值(上) % re(k+1,2)=max(r); %垂直方向最大值(下) % re(k+1,3)=min(c); %水平方向最小值(左) % re(k+1,4)=max(c); %水平方向最大值(右) re1(k+1,1)=max(r)-min(r);%高度 re1(k+1,2)=max(c)-min(c);%宽度 zhonghengbi(k+1)=re1(k+1,1)/re1(k+1,2);%高宽比 if(re1(k+1,2)==0) zhonghengbi(k+1)=0;end%防止出现单条垂直线的情况 area(k+1)=re1(k+1,1)*re1(k+1,2); end j=1; for i=1:num+1 if zhonghengbi(i)>0.2&&zhonghengbi(i)<3.0&&area(i)>1000 %高宽比设置为0.2~3.0之间,面积认为大于1000,注意面积为随机项,与图片大小有很大的关系 kk(j)=i-1; j=j+1; end end
5)把特征区域整个提取出来
在此之前定义了一个判断序号是否在提取出的特征区域内的isson()函数,如下:
function x=isson(y,I) x=0; z=size(I); for i=1:z(2) if(y==I(i)) x=1; break; end end
[l,kk]=findlimit(c_r); J=l; for i=1:m for j=1:n if(l(i,j)~=0&&isson(l(i,j),kk)==1) J(i,j)=255; else J(i,j)=0; end end end figure;imshow(J,[]);
然后就可以达到最后的人脸头像了。
原始图像:
处理后
2原始图像
处理后:
到这里,本文即将完结,但是可能大家都注意到,许多图像之中,由于手臂的肤色与人脸一致,以及背景不可避免的颜色巧合,导致最终的效果不是特别理想。
这里主要讨论手与脸的区分问题(考虑使用类圆相似度来解决,可能在下一篇中解决,当然这是后话)。
转载请标明http://www.cnblogs.com/blue-lg/archive/2011/12/07/2279879.html