彩色影像切割是機器視覺系統最重要的前處理工作，本論文提出一種非監督式的色彩閥值分割演算法有效的去解決這個議題。此演算法包含學習程序以及多閥值搜尋程序。前者目的在於學習輸入影像在HSV色彩空間中的顏色分佈模型，後者則基於新的變異數標準(class-variance criterion)自動決定最佳閥值去切割影像中的感興趣色彩。在學習程序中採用了彩色像素提取演算法與色彩分佈學習演算法來學習視訊影像的色彩分佈模型，而在多閥值搜尋程序中則提出一非參數化多閥值搜尋演算法與延伸的群內變異數(within-class variance)評估準則自動尋找各色彩通道的最佳上、下限閥值。在完成物件切割後，本論文亦提出一以影像為基礎之物體角度估測演算法，利用幾何物體在不同角度之投影量的改變為概念設計出一準確且有效率之演算法。電腦模擬與實驗結果呈現出本論文提出的兩種演算法皆能達到不錯的效果，亦能搭配機械手臂完成感興趣物體切割以及幾何物體的抓取等任務。

Color image segmentation is one of the most important preliminary tasks in robotic vision systems. This thesis presents a novel unsupervised multilevel color thresholding algorithm to address this issue efficiently. The proposed algorithm consists of a learning process and a multi-threshold searching process. The former aims to learn the color distribution of an input video sequence in HSV color space, and the latter automatically determines the optimal multiple thresholds to segment all colors-of-interest in the video based on a new class-variance criterion. In the learn process, a novel color-distribution learning algorithm cooperating with a color-pixel extraction method is proposed to learn a color distribution model of all colors-of-interest in the video images. In the multi-threshold searching process, a nonparametric multilevel color thresholding algorithm with an extended within-class variance criterion is proposed to automatically find the optimal upper-bound and lower-bound threshold values of each color channel. After segmenting objects-of-interest, this thesis also proposes an image-based object orientation estimation algorithm, which is developed based on the projection of a geometric object with different angles to accurately and efficiently estimate its orientation from a single view image. Simulation and experimental results show that both proposed algorithms not only provide satisfactory results, but also are suitable to combine with a robot manipulator system for achieving object-segmentation and pick-and-place tasks.

中文摘要	I
Abstract	II
目錄	III
圖目錄	VI
表目錄	X
第一章	 序論	1
1.1	 研究背景	1
1.2	 研究動機與目的	6
1.3	 論文架構	9
第二章	機器手臂系統介紹	10
2.1	 系統介紹	10
2.2	 HSV色彩模型	11
第三章	以新型群內類別變異數為基礎之自動多閥值搜尋演算法	14
3.1	彩色像素提取	14
3.2	從輸入之視訊影像學習色彩分佈模型	17
3.3	利用新型的群內變異數完成多閥值搜索	18
3.3.1	平均色調直方圖之峰值偵測	19
3.3.2	使用延伸之群內變異數估算閥值	20
3.4	合併閥值	25
3.5	飽和度及明亮度閥值的決定	27
第四章	以影像為基礎之幾何物體方向角度估測演算法	29
4.1	 現有角度估測演算法	29
4.1.1	影像主要慣性軸之角度估測法	29
4.1.2	影像力矩法	31
4.2	 以影像為基礎之物體角度估測演算法	32
第五章	 實驗結果與分析	37
5.1	 自動多閥值搜尋演算法	37
5.1.1	彩色影像之多閥值切割測試結果	38
5.1.2	膚色影像切割測試結果	46
5.1.3	即時視訊影像切割測試結果	48
5.2	 幾何物體方向角度估測演算法	51
5.2.1	電腦模擬測試結果	51
5.2.2	實際測試結果	55
5.2.3	強健性測試結果	58
第六章	 結論與未來展望	61
參考文獻	62

圖目錄
圖1.1、上銀機器手實作競賽關卡之眼明手快。	3
圖1.2、眼明手快關卡：(a)工作平台，(b) 道具箱。	3
圖1.3、多閥值問題的兩種形式：(a)典型問題形式，(b)本研究所考慮之延伸形式。	8
圖2.1、機器人視覺控制系統的系統架構。	11
圖2.2、(a)實際實驗環境，(b)裝置於夾具上之攝影機。	11
圖2.3、HSV色彩模型。	12
圖3.1、本論文所提出之彩色多閥值演算法流程圖。	15
圖3.2、飽和度與明亮度之α關係。	16
圖3.3、Ratio-map影像的直方圖。	16
圖3.4、提取彩色影像之色彩像素:(a)原始影像，(b)原始影像相應之色調直方圖，(c)原始影像之色彩像素，(d)色彩像素相應之直方圖。	17
圖3.5、平均色調直方圖的峰值偵測:(a)未執行低通濾波的操作，(b)有執行低通濾波的操作。在此例中，類別數目為N=4偵測到之峰值數量為m=6。	20
圖3.6、使用兩組閥值組(tl(1), tu(1))和(tl(2), tu(2))切割兩種類別(N=2)。	21
圖3.7、說明類別集中度因子之樣本直方圖。	22
圖3.8、合併閥值流程圖。	26
圖3.9、(a)相鄰之閥值，(b)合併完成之閥值。	26
圖3.10、對灰階值i=1~L的累積分佈直方圖。	27
圖4.1、(a)n多邊形角度定義，(b)實際應用在物體零度時因視角關係而導致的形變。	30
圖4.2、影像力矩法之角度定義。	32
圖4.3、(a)本論文所提出之演算法的角度定義(θ¬s)，(b)n多邊形物體之限制點集合。	32
圖4.4、(a)投影點集合與給定之單位向量 以及限制點集合 之間的關係概念示意圖，(b) (4.11)式中定義之正實數函數的計算數值。	34
圖5.1、各種影像切割方法之切割結果：(a)原始影像，(b)色彩提取演算法切割結果，(c)TSMO方法之切割結果，(d)CQPSO方法之切割結果，(e) HMTS方法之切割結果，(f)本論文方法之切割結果。	40
圖5.2、各種影像切割方法之閥值搜尋結果：(a)TSMO方法之多閥值搜尋結果，(b)CQPSO方法之多閥值搜尋結果， (c)HMTS方法之多閥值搜尋結果，(d)本論文方法之多閥值搜尋結果。	41
圖5.3、各種影像切割方法之切割結果：(a)原始影像，(b)色彩提取演算法切割結果，(c)TSMO方法之切割結果，(d)CQPSO方法之切割結果，(e) HMTS方法之切割結果，(f)本論文方法之切割結果。	42
圖5.4、各種影像切割方法之閥值搜尋結果：(a)TSMO方法之多閥值搜尋結果，(b)CQPSO方法之多閥值搜尋結果， (c)HMTS方法之多閥值搜尋結果，(d)本論文方法之多閥值搜尋結果。	43
圖5.5、各種影像切割方法之切割結果：(a)原始影像，(b)色彩提取演算法切割結果，(c)TSMO方法之切割結果，(d)CQPSO方法之切割結果，(e) HMTS方法之切割結果，(f)本論文方法之切割結果。	44
圖5.6、各種影像切割方法之閥值搜尋結果：(a)TSMO方法之多閥值搜尋結果，(b)CQPSO方法之多閥值搜尋結果， (c)HMTS方法之多閥值搜尋結果，(d)本論文方法之多閥值搜尋結果。	45
圖5.7、(a)膚色原始影像，(b) HMTS方法之切割結果，(c)本論文方法切割結果。	47
圖5.8、(a)膚色原始影像，(b) HMTS方法之切割結果，(c)本論文方法切割結果。	47
圖5.9、以直方圖為基礎之多閥值搜尋演算法的缺點。	49
圖5.10、(a)原始影像，(b)色彩提取演算法切割結果，(c)HMTS方法之多閥值搜尋結果，(d) HMTS方法之切割結果，(e)本論文方法之多閥值搜尋結果，(f)本論文方法之切割結果。	50
圖5.11、方向角度估測實驗之測試圖片:(a)角度為0°之原始圖片，(b)原始圖片旋轉15°。	52
圖5.12、使用本論文方法之正方體角度估測結果，其真實與估測角度分別為:(a)0°與0.0°(絕對誤差值為0°)，(b) 20°與20.1°(絕對誤差值為0.1°)，(c) 40°與39.9°(絕對誤差值為0.1°)，(d)-20°與-19.9°(絕對誤差值為0.1°)，(e) -40°與-39.9°(絕對誤差值為0.1°)，(f) 45°與45.0°(絕對誤差值為0°)。	57
圖5.13、強健性測試，機械手臂移動角度分別為:(a) 移動角度為90°，(b) 移動角度為90°時之估測結果，(c) 移動角度為100°，(d) 移動角度為100°時之估測結果，(e) 移動角度為80°，(f) 移動角度為80°時之估測結果。	59

表目錄
表5.1、比較方法與本論文提出之方法在實驗時所使用之參數設定	37
表5.2、各方法之閥值與均方誤差值資訊	46
表5.3、膚色切割之閥值與均方誤差值資訊	48
表5.4、即時視訊影像切割之閥值與均方誤差值資訊	51
表5.5、本論文方法處理視訊影像之時間數據	51
表5.6、本論文方法與比較方法之正方形物體方向角度估測結果	53
表5.7、本論文方法與比較方法之六邊形物體方向角度估測結果	54
表5.8、本論文方法與比較方法之正八邊形物體方向角度估測結果	55
表5.9、本論文方法與比較方法之正三邊形物體方向角度估測結果	56
表5.10、各方法對形變物體之方向角度估測結果	58

[1]	智慧機器人產品創意競賽， available at: http://www.pmc102.com.tw/news.php 
[2]	上銀機器手實作競賽， available at: http://www.hiwin.com.tw/RobotAward/Robot_Regulation.aspx
[3]	H.　D. Cheng, X.　H. Jiang, Y. Sun, and J. Wang, “Color Image Segmentation: Advances and Prospects,” Pattern Recognition, Vol. 34, No. 12, pp. 2259-2281, 2001.
[4]	W.　S. Kin and R.　H. Park, “Color Image Palette Construction based on the HSI Color System for Minimizing the Reconstruction Error,” IEEE International Conference on Image Processing, Lausanne, Switzerland, pp. 1041-1044, 1996.
[5]	A. S. Abutaleb, “Automatic Thresholding of Gray-Level Pictures Using Two-Dimensional Entropy,” Computer Vision, Graphics, and Image Processing, Vol. 47, No. 1, pp. 22-32, 1989.
[6]	N. Otsu, “A Threshold Selection Method from Gray‐Level Histograms,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 9, No. 1, pp. 62‐66, 1979.
[7]	P.‐S. Liao, T.‐S. Chen, and P.‐C. Chung, “A Fast Algorithm for Multilevel Thresholding,” Journal of Information Science and Engineering, Vol. 17, No. 5, pp. 713‐727, 2001.
[8]	D.-Y. Huang and C.-H. Wang, “Optimal Multi-level Thresholding using a Two-Stage Otsu Optimization Approach,” Pattern Recognition Letters, Vol. 30, No. 3, pp. 275-284, 2009
[9]	H. Gao, W. Xu, J. Sun and Y. Tang, “Multilevel Thresholding for Image Segmentation Through an Improved Quantum-behaved Particle Swarm Algorithm,” IEEE Transactions on Instrumentation and Measurement, Vol. 59, No. 4, pp. 934-946, 2010.
[10]	B. K. P. Horn, Robot Vision, The MIT Press, 1986.
[11]	K. Stanley, A Hybrid Motion Vision Guided Robotic System with Image Based Grasp Planning, Simon Fraser University, 1997.
[12]	D. V. S. Chandra, “Target Orientation Estimation Using Fourier Energy Spectrum,” IEEE Transactions on Aerospace and Electronic Systems, Vol. 34, No. 3, pp. 1009-1012, 1998.
[13]	Z. Wasik and A. Saffiotti, “A Fuzzy Behavior-Based Control System for Manipulation,” IEEE/RSJ International Conference on Intelligent Robots and Systems, Lausanne, Switzerland, pp. 1596-1601, 2002.
[14]	Z. Wasik and A. Saffiotti, “A Hierarchical Behavior-Based Approach to Manipulation Tasks,” IEEE International Conference on Robotics and Automation, Taipei, Taiwan, pp. 2780-2785, 2003.
[15]	F. Chaumette, “Image Moments: A General and Useful Set of Features for Visual Servoing,” IEEE Transactions on Robotics, Vol. 21, No. 4, pp. 713-723, 2004
[16]	R. C. Gonzalez and R. E. Woods, Digital Image Processing, 2nd edition, NJ: Prentice-Hall, 2002.
[17]	陳煒傑(2012)，“以直方圖為基礎之多閥值搜尋演算法應用於彩色多物體切割”，淡江大學電機工程學系機器人工程碩士班碩士論文。
[18]	C.-Y. Tsai, T.-Y. Liu and W.-C. Chen, “A Novel Histogram-Based Multi-Threshold Searching Algorithm for Multilevel Color Thresholding,” International Journal of Advanced Robotic Systems, Vol. 9, No. 223:2012, pp. 1-13.
[19]	HSV色彩模型，available at: http://commons.wikimedia.org/wiki/File:HSV_cone.jpg
[20]	C. Lazar, A. Burlacu and C. Copot, “Unified Point and Image Moment Features for Image-based Predictive Visual Servoing Systems,” IEEE International Conference on Optimization of Electrical and Electronic Equipment, Brasov, Romania, pp. 1458-1464, 2012.
[21]	J. S. Arora, Introduction to Optimum Design, McGraw-Hill, 1989.
[22]	E. K. P. Chong and S. H. Żak, An Introduction to Optimization, John Wiley & Sons, 1996