第2期 董旭德，等：基于质心分水岭算法的静态手势分割算法模型 ·349· 手势图片 改进的质心 (a)原始图片 (b)分割后的颜色区域图片 分水岭算法 图6ICWA算法的处理效果 高斯模糊（这里原图片大小为480×480. Fig.6 Output results of ICWA 采用7×7的滤波核进行高斯滤波) Hu矩质心特征（以质心点为初始分割 点，分割梯度值为22) 分水岭算法进行分制、提取 (a)原始图片 (b)分割后的颜色区域图片 分割成功后的手势图片数据 图7传统分水龄算法(WA)的处理结果 图5改进后分水岭算法(ICWA)流程图 Fig.7 Output results of the traditional WA Fig.5 The workflow of ICWA 1)对开闭操作后的灰度图像进行高斯滤波， 以去除噪声数据。例如，经过高斯滤波后的灰度 图像可以消除大量无效的局部最小值点，以防止 过度分割。 2)计算开、闭操作后灰度图的Hu矩，再由 H山矩特征得到质心坐标。几何矩和质心坐标的 计算式为 x'yf(x,y)dxd山y (4) 图8ICWA提取的手势图片 Fig.8 The gesture image of extracted by ICWA x=m0,5=m (5) 00 o0 式(4)表示图像x,y)的p叶q阶几何矩，而式 (5)表示图像x,y)的质心坐标。 3)将质心和经过高斯滤波过滤后的图像梯度 的局部极小值作为积水盆地（经过大量实验验 证，这里选择梯度值低于22)，并开始一点点填充 寻找分水岭。经过ICWA处理结果的对比实验证 明，该算法可以完整地分割、提取出浅蓝色的手 图9中值滤波处理结果 势区域，并准确地排除其他类肤色区域，如图6所 Fig.9 The processing result median filter 示。与之相比，传统WA会造成严重的过分割现 3手臂分割 象，如图7所示。此外，如图8所示，经过ICWA 分割、处理得到的图片周边会存在很多毛刺，因 在手势识别中手掌部分的信息是最重要的， 此还需要对图8进行中值滤波处理，处理后的结 其影响着手势识别的正确率，而手臂部分则是冗 果如图9所示。 余信息完全可以删除，所以实现手掌与手臂之间1) 对开闭操作后的灰度图像进行高斯滤波， 以去除噪声数据。例如，经过高斯滤波后的灰度 图像可以消除大量无效的局部最小值点，以防止 过度分割。 2) 计算开、闭操作后灰度图的 Hu 矩，再由 Hu 矩特征得到质心坐标。几何矩和质心坐标的 计算式为 Mpq = ∫ +∞ −∞ ∫ +∞ −∞ x p y q f(x, y)dxdy (4) x = m10 m00 , y = m01 m00 (5) 式 (4) 表示图像 f(x，y) 的 p+q 阶几何矩，而式 (5) 表示图像 f(x，y) 的质心坐标。 3) 将质心和经过高斯滤波过滤后的图像梯度 的局部极小值作为积水盆地 (经过大量实验验 证，这里选择梯度值低于 22)，并开始一点点填充 寻找分水岭。经过 ICWA 处理结果的对比实验证 明，该算法可以完整地分割、提取出浅蓝色的手 势区域，并准确地排除其他类肤色区域，如图 6 所 示。与之相比，传统 WA 会造成严重的过分割现 象，如图 7 所示。此外，如图 8 所示，经过 ICWA 分割、处理得到的图片周边会存在很多毛刺，因 此还需要对图 8 进行中值滤波处理，处理后的结 果如图 9 所示。 3 手臂分割 在手势识别中手掌部分的信息是最重要的， 其影响着手势识别的正确率，而手臂部分则是冗 余信息完全可以删除，所以实现手掌与手臂之间 手势图片 高斯模糊 (这里原图片大小为480×480， 采用7×7的滤波核进行高斯滤波) Hu矩质心特征(以质心点为初始分割 点，分割梯度值为22) 分割成功后的手势图片数据 改进的质心 分水岭算法 分水岭算法进行分割、提取 图 5 改进后分水岭算法 (ICWA) 流程图 Fig. 5 The workflow of ICWA (a) 原始图片 (b) 分割后的颜色区域图片 图 6 ICWA 算法的处理效果 Fig. 6 Output results of ICWA (a) 原始图片 (b) 分割后的颜色区域图片 图 7 传统分水岭算法 (WA) 的处理结果 Fig. 7 Output results of the traditional WA 图 8 ICWA 提取的手势图片 Fig. 8 The gesture image of extracted by ICWA 图 9 中值滤波处理结果 Fig. 9 The processing result median filter 第 2 期 董旭德，等：基于质心分水岭算法的静态手势分割算法模型 ·349·