本論文設計了一種無監督式搜尋多色彩閥值的方法，並且可應用於彩色多物體的切割。現有的色彩閥值切割技術大多需要利用各顏色通道資訊，透過人工調整方式選擇適當的參數，將所感興趣的彩色物體與背景分離。本論文中提出了一種無監督式多閥值搜尋的演算法，其可自動搜尋各彩色物體的最佳門檻值，並利用此資訊從影像中切割出感興趣的彩色物體。為了達到此目的，首先將提出一個新穎的ratio-map影像計算方法，其能夠有效的提高前景像素與背景像素的對比度。接著套用傳統Otsu演算法於ratio-map影像中，即可使得影像中前景彩色物體能從背景中被切割出來。最後，本論文亦提出了一個新的以直方圖為基礎之多閥值搜尋演算法，用來搜尋色調、飽和度以及明亮度三通道的最佳上限與下限門檻值，進而切割影像中所有的彩色物體。在實驗結果的部分，將呈現以本論文所提出的方法之切割結果。實驗證明本論文的方法可以成功地切割出所有感興趣的彩色物體，達到色彩切割或色彩建模的目的。

This thesis addresses the issue of unsupervised multi-color thresholding design for color-based multiple objects segmentation. Most of the current color thresholding techniques require setting threshold values of each color channel for multiple colors-of-interest in a supervised way. In this thesis, an unsupervised multi-threshold searching algorithm is proposed to automatically search the optimal threshold values for segmenting multiple color objects. To achieve this, a novel ratio-map image computation method is proposed to efficiently enhance the contrast between foreground and background pixels. The Otsu’s method is then applied to the ratio-map image to extract all foreground color objects from the background image. Finally, a new histogram-based multi-threshold searching algorithm is proposed to search the optimal upper-bound and lower-bound threshold values of hue, saturation and brightness components for each color object. Experimental results show that the proposed method succeeds to separate all color objects-of-interest in a realistic scenario.

中文摘要	I
Abstract	II
目錄	III
圖目錄	V
表目錄	VII
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	 實驗系統介紹	11
2.1	 硬體介紹	11
2.2	 HSV色彩模型	11
第三章	 影像分割相關演算法	15
第四章	 以直方圖為基礎之門檻值搜尋	19
4.1	 色彩像素提取	19
4.2	 以直方圖為基礎之多門檻值搜尋演算法	24
4.2.1	初始化處理	24
4.2.2	平滑化處理	25
4.2.3	峰值搜尋與初始化閥值處理	26
4.2.4	動態門檻值搜尋	28
4.2.5	合併重複閥值	31
4.3	 系統架構圖	33
第五章	 實驗結果與分析	36
5.1	 峰值訊噪比	36
5.2	 實驗結果	36
5.2.1	兩種彩色物體分割測試結果	37
5.2.2	與Otsu方法比較結果	38
5.2.3	與Fuzzy方法比較結果	42
5.3	 實驗延伸	44
5.3.1	多種物體切割	45
5.3.2	膚色影像切割	46
第六章	 結論與未來展望	52
參考文獻	53


圖目錄
圖1.1、眼明手快關卡。	5
圖1.2、比賽場地之競賽台。	5
圖1.3、道具箱規格。	6
圖1.4、影像色彩分割範例：(a)原始彩色影像，(b)藍色影像切割之二值化影像。	8
圖2.1、Webcam 圖。	12
圖2.2、HSV色彩模型。	13
圖2.3、HSV數值調整設定介面。	14
圖4.1、主要方法流程圖。	20
圖4.2、(a)影像在Hue通道影像資訊，(b)原始直方圖統計(包含黑色與白色像素)。	20
圖4.3、飽和度與明亮度之alpha關係。	22
圖4.4、Ratio image：(a)β=2 (較低對比度)，(b)β=4(較高對比度)。	22
圖4.5、Ratio-map影像的直方圖。	22
圖4.6、(a)以Otsu演算法方法切割結果，(b)遮罩處理後的彩色影像。	23
圖4.7、彩色區域直方圖統計。	23
圖4.8、初始化處理流程圖。	25
圖4.9、由圖4.7平滑後之結果。	26
列公式進行判斷與偵測：	26
圖4.10、(a)各種顏色的最大峰值分佈，(b)設定初始門檻值。	27
圖4.11、動態門檻值搜尋法之流程圖。	28
圖4.12、動態門檻值搜尋法之動作流程圖：(a)搜尋下限門檻值，(b)搜尋上限門檻值。	29
圖4.13、最佳上限以及最佳下限門檻值。	30
圖4.14、(a)飽和度最佳門檻值，(b)明亮度最佳門檻值。	30
圖4.15、合併重複閥值處理流程圖。	32
圖4.16、(a)重複門檻值，(b)合併重複門檻值。	33
圖4.17、系統架構圖。	34
圖5.1、實驗結果：(a)人工閥值調整，(b)本論文方法。	37
圖5.2、實驗結果：(a)人工閥值調整，(b)本論文方法。	37
圖5.3、實驗結果：(a)人工閥值調整，(b)本論文方法。	38
圖5.4、實驗結果：(a)原始影像，(b)快速多層全域門檻值由(3.21)式，(c)快速多層全域門檻值由(3.24)式，(d)本論文方法。	39
圖5.5、實驗結果：(a)原始影像 (b)快速多層全域門檻值由(3.21)式，(c)快速多層全域門檻值由(3.24)式，(d)本論文方法。	40
圖5.6、實驗結果：(a)原始影像，(b)快速多層全域門檻值由(3.21)式，(c)快速多層全域門檻值由(3.24)式，(d)本論文方法。	41
圖5.7、由圖5.4(a)進行切割實驗：(a)模糊理論之影像切割方法，(b)本論文方法。	43
圖5.8、由圖5.5(a)進行切割實驗：(a)模糊理論之影像切割方法，(b)本論文方法。	43
圖5.9、由圖5.6(a)進行切割實驗：(a)模糊理論之影像切割方法，(b)本論文方法。	43
圖5.10、實驗結果：(a)原始影像，(b)本論文切割結果。	45
圖5.11、實驗結果：(a)原始影像，(b)本論文切割結果。	45
圖5.12、膚色切割：(a)原始影像，(b)本論文切割結果。	47
圖5.13、膚色切割：(a)原始影像，(b)本論文切割結果。	47
圖5.14、膚色切割：(a)原始影像，(b)本論文切割結果。	48
圖5.15、膚色切割：(a)原始影像，(b)本論文切割結果。	48
圖5.16、膚色切割：(a)原始影像，(b)本論文切割結果。	49
圖5.17、影像切割：(a)原始影像，(b)本論文切割結果。	49
圖5.18、由圖5.13之眼睛範圍放大圖	51


表目錄
表2.1	Webcam相關規格需求表	12
表2.2	電腦規格表	12
表5.1	人工閥值切割與本論文方法之PSNR值	38
表5.2	圖5.4與圖5.5上下限門檻值搜尋結果	40
表5.3	圖5.6之各方法閥值比較	42
表5.4	圖5.7至圖5.9之各方法閥值比較	44
表5.5	圖5.10與圖5.11門檻值搜尋結果與執行時間	46
表5.6	圖5.12至圖5.17門檻值搜尋結果與執行時間	50

[1]	A. Y. Yang, J. Wright, Y. Ma, and S. S. Sastry, “Unsupervised Segmentation of Natural Images via Lossy Data Compression,” Computer Vision and Image Understanding, Vol. 110, No. 2, pp. 212-225, May 2008.
[2]	N. Otsu, “A Threshold Selection Method from Gray-Level Histograms,” IEEE Transactions on Systems, Man and Cybernetics, Vol. 9, No. 1, pp. 62-66, Jan. 1979.
[3]	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, Sep. 2001.
[4]	Y. Wu, Q. Liu, and T. S. Huang, “Robust Real-Time Human Hand Localization by Self-Organizing Color Segmentation,” International Workshop on Recognition, Analysis, and Tracking of Faces and Gestures in Real-Time Systems, Greece, pp. 161-166, 1999.
[5]	S. H. Hamed and R. S, “Automatic Multilevel Thresholding for Image Segmentation by the Growing Time Adaptive Self-Organizing Map,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 24, No. 10, pp. 1388-1393, Oct. 2002.
[6]	Z. Yu, O. Au, R. Zou, W. Yu, and J. Tian, “An Adaptive Unsupervised Approach toward Pixel Clustering and Color Image Segmentation,” Pattern Recognition, Vol. 43, No. 5, pp. 1889–1906, May 2010.
[7]	S. H. Ong, N. C. Yeo, K. H. Lee, Y. V. Venkatesh, D.M. Cao, “Segmentation of Color Images Using a Two-Stage Self-Organizing Network,” Image and Vision Computing, Vol. 20, No. 4, pp. 279-289, 2002.
[8]	N. V. Lopes, P. A. M. Couto, H. Bustince, “Automatic Histogram Threshold Using Fuzzy Measures,” IEEE Transactions on Image Processing, Vol. 19, No. 1, pp. 199-204, Jan, 2010.
[9]	T. W. Ridler, S. Calvard, “Picture Tthresholding Using an Iterative Selection Method,” IEEE Trans. Syst., Man, Cybern., vol. SMC-8, pp. 630–632, Aug. 1978.
[10]	Y. Jia, Y. Ding and Z. P. Liu, “Study on Improved Arithmetic of Image Segmentation,” Optical Technique, Vol. 31, No. 1, pp. 155–157, 2005.
[11]	P. Kakumanu, S. Makrogiannis and N. Bourbakis, ” A Survey of Skin-Color Modeling and Detection Methods,” Pattern Recognition, Vol. 40, No. 3, pp. 1106-1122, 2007
[12]	P. Yogarajah, J. Condell, K. Curran, A. Cheddad and P. McKevitt , “A Dynamic Threshold Approach for Skin Segmentation in Color Images,” IEEE International Conference on Image Processing, Hong Kong, pp. 2225-2228, Sep. 2010
[13]	http://www.robotown.org.tw/content.php?r=1120
[14]	R. C. Gonzalez and R. E. Woods, Digital Image Processing, 2nd edition, NJ: Prentice-Hall, 2002.
[15]	M. Zhao, A. M. Fu, and H. Yan,, “A Technique of Three-level Thresholding Based on Probability Partition and Fuzzy 3-Partition,” IEEE Transactions Fuzzy Systems, Vol. 9, No. 3, pp. 469-479, Jun. 2001.
[16]	M. Zhao, Image Thresholding Technique Based On Fuzzy Partition and Entropy Maximization, PhD Thesis, School of Electrical and Information Engineering, University of Sydney, Dec. 2004.
[17]	K. Sobottka and I. Pitas, “A Novel Method for Automatic Face Segmentation, Facial Feature Extraction and Tracking,” Signal Processing: Image Communication, Vol. 12, No. 3, pp. 263-281, 1998.
[18]	S. L. Phung, A. Bouzerdoum, and D. Chai, “Skin Segmentation Using Color Pixel Classification: Analysis and Comparison,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 1, pp. 148-154, Jan. 2005.