第1页共10页基于形态学处理与模式识别的手部图像分割摘要：为了更有效地分割手部图像，提出一种基于彩色阈值变换、形态学处理与模式识别的手部识别算法。利用手部与周围背景在RGB颜色分量上存在一定的差异，先通过RGB阈值变幻将彩色图像二值化，然后进行闭运算与孔洞填充，最后根据周长面积比去除背景中的孤立点集以提取手部。实验证明，该算法能够较为有效地将手部从背景中提取出来。关键词：手部图像分割；彩色阈值；形态学处理；特征提取；模式识别：TN911.73?34；TP751文献标识码：A：1004?373X（2015）12?0080?030引言手部识别属于模式识别问题，其中涉及图像处理和特征提取操第2页共10页作。由于手部识别的应用范围广阔，许多学者及研究机构都在对此进行研究。在已有的研究成果和算法中，最常使用的方法是机器视觉技术[1]，很多研究者通过诸多不同的机器视觉技术实现了精确有效地手部识别。Bhuyan.M.K等人提出一组新的描述手部连续姿态的特征集[2]。郭训力等人提出一种融合肤色模型和三维深度信息的手部识别方法[3]。覃文军等人提出了通过手部形状特征检测的手势感兴趣区提取方法[4]。魏来等人利用Kinect的关节点信息和肤色颜色模型提取出手部区域[5]。柴功博等人提出一种基于手掌分割的摄像机阵列手部定位技术[6]。DE.STEFANO.C等人将遗传算法应用于模式识别中对手部图像的处理[7]。此外，还有通过外部设备获取生物电信号实现手部识别的方法，如郭一娜等人提出一种基于肌电信号与柔性神经树（FlexibleNeuralTrees）FNT模型的实时手势识别模型[8]。以上这些算法都过于复杂，不利于工程实现。本文意在寻找一第3页共10页种简单且复杂度较低的算法来解决手部的识别问题。本文根据手部与周围背景在RGB颜色分量上的差异，对彩色图像阈值变换所得到的二值图像，进行开闭操作及特征提取，最后完成手部的识别过程。实验结果表明，该方法能够较为有效地实现手部与周围背景的分割。1数据这里手动采集了27幅手部图像，其中包含了男性和女性样本，年龄在18～20岁之间，摆出不同的姿态。图1给出了数据库的4幅示意图。2方法本文方法分为3个步骤如图2所示。在采集原始手部图像后，首先通过多通道阈值分割，得到二值图像；接着通过形态学操作，填充孔洞；最后通过模式识别方法，去除图像中的孤立点集，此时得到的就是最终的分割图像。2.1基于通道的阈值分割第4页共10页物体表面的颜色即表面色是因光照而呈现的颜色[9]。在自然光照射及其他因素的影响下，手部和其他物体形成不同的表面色，且推测手部表面色会处于某个色彩范围内，本文正是利用手部和周围环境在RGB颜色分量上的差异进行识别。截取样本图像中的感兴趣区域ROI（RegionofInterest），即图像中的手部部分，对其进行RGB颜色分量统计，得到颜色分量直方图，如图3所示。可见，手部图像在RGB颜色分量直方图上均存在波峰，可进一步划分彩色阈值。由上述颜色分量直方图可得出手部的RGB颜色分量分布区域，根据这些信息将图像二值化。设R（m，n），G（m，n），B（m，n）分别代表（m，n）处的R、G、B分量值，而bw（m，n）代表该点的二值化值，则：[bwm，n=1，Rm，nin100，130Gm，nin60，90Bm，nin（40，70）0，otherwise]（1）2.2形态学操作第5页共10页彩色阈值分割后，手部可能会因为表面纹理造成图像中存在孔洞，所以，对变换后的二值图像先进行孔洞填充操作。然后，以白色手部区域为前景，其余黑色部分为背景，对得到的二值图像进行闭运算，闭运算即先膨胀再腐蚀的结果，将图像中狭窄的缺口连接起来，并填充比结构元素小的洞，平滑对象的轮廓。进行闭运算后，再进行一次孔洞填充，补完图像。2.3模式识别在孔洞填充之后，图像中还有可能出现孤立的局部点集，这是由于拍摄时受噪声影响。为此，将所有互相连接的点集标号，提取对应的特征，建立规则选取符合手部图像的点集。图像特征是指图像中可以用来标志的属性[10]，在其提取过程中，一般包括面积、周长、重心等。对手部图像进行特征提取，考虑到手指部分的形状，整个手部的周长面积比会与其他物体有所区分，所以根据周长面积比将手部从背景中提取出来。面积：指物体区域包含的像素数，用...