CN100576246C

CN100576246C - 一种基于属性直方图的图像分割方法

Info

Publication number: CN100576246C
Application number: CN200710052271A
Authority: CN
Inventors: 曹治国; 肖阳; 邹腊梅
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2007-05-23
Filing date: 2007-05-23
Publication date: 2009-12-30
Anticipated expiration: 2027-05-23
Also published as: CN101059870A

Abstract

一种基于属性直方图的图像分割方法，属于数字图像处理方法，目的在于克服现有方法存在的问题，提高目标分割精度与实时处理速度。本发明用于目标检测与识别。顺序包括：(1)图像输入步骤，(2)图像压缩步骤，(3)统计步骤，统计压缩图像所对应的灰度空间分布密度概率矩阵，(4)提取直方图步骤，提取压缩图像所对应的一维灰度空间分布属性直方图，(5)确定阈值步骤，利用KSW最大熵图像分割方法确定图像的分割阈值，(6)图像分割步骤，基于所确定的阈值，对压缩图像进行分割。本发明将属性直方图的概念应用于KSW最大熵图像分割方法中，以灰度的空间分布特性作为属性直方图的有效特性，在保证实时性的前提下，能有效地对目标进行分割。

Description

一种基于属性直方图的图像分割方法

技术领域

本发明属于数字图像处理方法，具体涉及一种基于属性直方图的图像分割方法，用于目标检测与识别。

背景技术

图像分割是将一幅图像分解成一些互不交叠区域的集合，是图像处理领域中极为重要的内容，也是自动目标识别的重要组成部分。图像分割的正确性和自适应性在一定程度上影响着目标检测和识别的智能化程度，而图像分割算法的处理速度也影响了其应用的实时性。

在众多的图像分割方法中，阈值法利用图像中所要提取的目标与背景在灰度特性上的差异，通过选取合适的灰度阈值来对图像进行分割，从而将目标从背景中区分出来，因其实现简单(不需要输入参数，不需要监督)、计算量小、性能稳定等优点被广泛采用。熵是平均信息量的表征，20世纪80年代初人们开始利用信息论中熵的概念选取分割阈值。1980年T.Pun.A new method for grey-level picture thresholding using the entropyof the histogram.Signal Processing，1980，2(3)：223～237提出最大后验熵上限法，1982年G.Johannsen，J.Bille.A threshold selection method usinginformation measures.Proceedings of the 6th International Conference onPattern Recognition，Munich，Germany，1982，1：140～142提出的最小信息互相关法也采用了图像灰度级的熵，1985年J.N.Kapue，P.K.Sahoo，A.K.C.Wong.A new method for gray-level picture thresholding using the entropy ofthe histogram.Computer Vision，Graphics，and Image Processing，1985，29(3)：273～285提出了最大熵图像分割方法，简称KSW法。1989年N.R.Pal，S.K.Pal.Entropic thresholding.Signal Processing，1989，16(2)：97～108引入图像的q阶局部熵与条件熵的概念，提出了最大二阶局部熵与最大条件熵阈值选取方法，1989年A.S.Abutaleb.Automatic thresholding of gray-levelpictures using two-dimensional entropy.Computer Vision，Graphics andImage Processing，1989，47(1)：22～32介绍了一种考虑均匀性与形状的最大熵阈值选取方法。这些熵方法中KSW法最为简单有效，应用最广，但是当图像灰度直方图不是理想的双峰形状，则KSW法的分割效果会受到影响。

传统的一维图像灰度直方图仅仅统计了灰度级在图像中的出现概率，并没有考虑灰度的空间分布信息，因此噪声及边缘的存在极大地影响了分割效果。二维灰度直方图既统计了像素点的灰度分布信息，也利用了像素点的空间分布特性，考虑的范围由单点的灰度值转变成该点的灰度和其领域的灰度均值的结合，A.S.Abutaleb.Automatic thresholdingof gray-level pictures using two-dimensional entropy.Computer Vision，Graphics，and Image Processing，1989，47(1)：22～32提出了基于二维灰度直方图的阈值分割算法，与传统的分割算法比，分割效果有了一定的提高。

二维灰度直方图分割算法的缺陷是耗时长，实时性差。

2002年卢逢春，张殿伦，郭海涛.基于属性直方图的图像分割方法及其在声纳图像分割中的应用.哈尔滨工程大学学报，2002，23(3)：1～3提出了属性直方图的概念，属性直方图仅仅考虑了图像中具有某种属性的像素，从某种意义上说它是一种残缺的直方图，但是正是因为这种残缺性，使属性直方图能够舍弃通常意义的直方图中一些具有一定先验知识的干扰成分或具体问题不关心的成分，而简化直方图，从而使基于直方图的图像处理方法得到简化和变得可行。不过卢逢春等人只是将属性直方图应用于声纳图像分割中，具体所使用的属性缺乏一般性。

发明内容

本发明提供一种基于属性直方图的图像分割方法，目的在于克服现有方法中所存在的问题，在保证实时性的前提下，提高目标的分割精度。

本发明的一种基于属性直方图的图像分割方法，顺序包括：

(1)图像输入步骤，输入原始图像；

(2)图像压缩步骤，将原始图像的灰度级数压缩为其1/2～1/4，使目标与背景区域像素的灰度分布更加均匀；

(3)统计步骤，统计压缩后图像f(x，y)所对应的灰度空间分布密度概率矩阵：

图像f(x，y)大小为M×N，灰度级数为m，其所对应的灰度空间分布密度概率矩阵T为大小为m×K²的二维矩阵，矩阵中的元素T(i，j)表示在图像f(x，y)中灰度级i在图像中所有K×K邻域中分布密度为j的概率，即灰度级i在图像中所有K×K邻域中出现j次的概率，

Σ_{i = 0}^{m - 1} Σ_{j = 1}^{K^{2}} T (i, j) = 1;

i＝0，1，…m-1，j＝1，2，…K²；K＝3或4；

(4)提取直方图步骤，基于灰度空间分布密度概率矩阵T，提取图像f(x，y)所对应的一维灰度空间分布属性直方图，j值一定时，由T中每一维对应的列向量所构造的一维灰度空间分布属性直方图定义为：

p_{Q} (l) = \frac{T (l, j)}{Σ_{i = 0}^{m - 1} T (i, j)},

式中l＝0，1，…m表示图像中像素各灰度级；j为1～3之间整数值，表示某一灰度空间分布密度值；

(5)确定阈值步骤，基于一维灰度空间分布属性直方图，利用KSW最大熵图像分割方法确定图像f(x，y)的分割阈值；

(6)图像分割步骤，基于所确定的阈值，对图像f(x，y)进行分割，得到二值化图像。

所述的一种基于属性直方图的图像分割方法，其特征在于：所述的图像压缩步骤中，图像像素原始灰度级l，其压缩后的灰度级为l_p，l_p与l的转换关系为：

l_{p} = int (\frac{l \times m}{256}) \times \frac{256}{m},

式中int(·)表示取整操作，m＝128或64，为图像所要压缩成的灰度级数。

现有二维灰度直方图既统计了像素点的灰度分布信息，也利用了像素点的空间分布特性，考虑的范围由单点的灰度值转变成该点的灰度和其领域的灰度均值结合，与传统的分割算法比，二维灰度直方图的阈值分割算法在分割效果上有了一定的提高。

属性直方图仅仅考虑了图像中具有某种属性的像素，从某种意义上说它是一种残缺的直方图，但是正是因为这种残缺性，使属性直方图能够舍弃通常意义的直方图中一些具有一定先验知识的干扰成分或具体问题不关心的成分，而简化直方图，其提取过程为：

(1)将灰度级为L、大小为M×N的图像的所有像素视为论域X＝{(x，y)|0≤x≤M-1，0≤y≤N-1}，其中(x，y)表示像素。设Q为论域X上的某种属性集，(x，y)∈Q表示像素(x，y)具有某种属性。对于图像X，属性Q上的属性直方图定义为由p_Q(l)-l形成的离散图线，p_Q(l)为：

p_{Q} (l) = \frac{n_{Q} (l)}{N_{Q}};

式中：n_Q(l)表示图像X中具有属性Q且灰度值为l的像素数目，N_Q表示图像中具有属性Q的像素总数，有

Σ_{l = L_{1}}^{L_{2}} p_{Q} (l) = 1;

其中L₁、L₂分别为属性集Q中像素的最小灰度值和最大灰度值，通常0≤L₁，L₂≤L-1。

(2)确定属性直方图的关键是根据具体问题和先验知识构造属性集Q，Q的一般构造式为：Q＝{(x，y)|Φ[(x，y)]}；

式中：Φ[(x，y)]表示像素(x，y)具有某种先验知识Φ，也就是说具有某种约束Φ。

本发明借鉴二维直方图的思想，利用所定义的灰度空间分布密度概率矩阵，将像素点的空间分布特性作为属性直方图的有效属性，提出了能有效加强直方图双峰特性的一维灰度空间分布属性直方图。

由于目标与背景区域内部像素比较均匀，故其所对应像素与邻域像素之间有较大可能具有相同的灰度值，因此目标与背景所对应灰度级的分布密度概率值在所定义的灰度空间分布密度概率矩阵T中j＞1的区域会有较强的分布。而噪声及边缘点像素的灰度级及其空间分布比较杂乱，因此所对应灰度级的分布密度概率值在T中j＞1的区域分布会比较弱。从一维的角度来看，当j值一定时，属性直方图的属性集Q定义为：

Q＝{(x，y)|图像所有K×K邻域中，与j-1个邻域像素具有相同灰度级的像素点}

由T中每一维对应的列向量所构造的一维灰度空间分布属性直方图定义为：

p_{Q} (l) = \frac{T (l, j)}{Σ_{i = 0}^{m - 1} T (i, j)},

式中l＝0，1，…m表示图像中像素各灰度级；j为1到3之间某一整数值，表示某一灰度空间分布密度值；

由前面的论述可知，在对应j＞1的一维灰度空间分布属性直方图中，噪声及边缘点所对应的灰度级会遭到抑制，而目标及背景所对应的灰度级会得到保留，因而直方图的双峰特性会得到加强。

表1是基于不同分割算法飞机、细胞和集成电路(IC)图像分割的耗时比较。

表1

与普通直方图KSW最大熵图像分割方法，P氏熵分割算法和JM熵分割算法相比，本发明所提出的图像阈值分割方法能有效提高分割的效果，去除掉被错分为目标的噪声点，实时性上大体相当；与二维直方图KSW最大熵图像分割方法相比，本发明所提出的图像阈值分割方法的分割效果与之大体相当，但在实时性上具有很大优势。

附图说明

图1是本发明流程示意图；

图2是一幅飞机的原始图像；

图3是飞机压缩图像对应的灰度空间分布密度概率矩阵三维示意图；

图4是飞机原始图像的普通直方图；

图5是飞机压缩图像的一维灰度空间分布属性直方图；

图6是飞机原始图像基于普通直方图的KSW最大熵图像分割结果；

图7是飞机原始图像基于普通直方图的P氏熵图像分割结果；

图8是飞机原始图像基于普通直方图的JM熵图像分割结果；

图9是飞机原始图像基于二维直方图的KSW最大熵图像分割结果；

图10是飞机压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果；

图11是一幅细胞原始图像；

图12是细胞原始图像基于普通直方图的KSW最大熵图像分割结果；

图13是细胞原始图像基于普通直方图的P氏熵图像分割结果；

图14是细胞原始图像基于普通直方图的JM熵图像分割结果；

图15是细胞原始图像基于二维直方图的KSW最大熵图像分割结果；

图16是细胞压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果；

图17是一幅集成电路(IC)原始图像；

图18是IC原始图像基于二维直方图的KSW最大熵图像分割结果；

图19是IC原始图像基于普通直方图的P氏熵图像分割结果；

图20是IC原始图像基于普通直方图的JM氏熵图像分割结果；

图21是IC原始图像基于二维直方图的KSW最大熵图像分割结果；

图22是IC压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果。

具体实施方式

本发明利用自定义的一维灰度空间分布属性直方图，结合KSW最大熵图像分割方法确定图像分割阈值，处理流程如图1所示：

(1)图像输入步骤，输入原始图像；

(2)图像压缩步骤，对原始图像的灰度级进行了压缩，使目标与背景区域像素的灰度分布更加均匀；具体方法如下：

对于图像中的原始灰度级l，其压缩后的灰度级为l_p，l_p与l的转换关系如下：

l_{p} = imt (\frac{l \times m}{256}) \times \frac{256}{m};

式中int(·)表示取整操作，m＝128或64，为图像所要压缩成的灰度级数，具体实施中可取m＝128，即将图像的灰度级动态范围由256压缩为128。

(3)统计压缩图像所对应的灰度空间分布密度概率矩阵，该矩阵反映了图像中灰度的空间分布信息。对于大小为M×N，灰度级数为m的灰度图像f(x，y)，其所对应的灰度空间分布密度概率矩阵T为大小为m×K²的二维矩阵，矩阵中的元素T(i，j)(i＝0，1，…m-1，j＝1，2，…K²)表示的是在图像f(x，y)中，灰度级i在图像中所有的K×K邻域中分布密度为j的概率，即灰度级i在图像中所有K×K领域中出现j次的概率。对于T中的元素有

Σ_{i = 0}^{m - 1} Σ_{j = 1}^{K^{2}} T (i, j) = 1 .

具体实施中可取K＝3，即邻域大小为3×3。图2所示的是一幅飞机图像，图3所示的是该图像所对应的灰度空间分布密度概率矩阵。图2的飞机图像中天空背景的灰度级分布在[165，175]的范围内，由灰度分布密度概率矩阵T可以很清楚地观察到，背景所对应的灰度级在T中k＞1的区域有很强的分布。

(4)基于灰度空间分布密度概率矩阵，提取压缩图像所对应的一维灰度空间分布属性直方图。从一维的角度来看，当j值一定时，T中每一维对应的列向量都能构造一维灰度空间分布属性直方图，即将属性直方图的属性集Q定义为：

由每一维列向量所构造的一维灰度空间分布属性直方图定义为：

p_{Q} (l) = \frac{T (l, j)}{Σ_{i = 0}^{m - 1} T (i, j)};

式中l＝0，1，…m表示图像中各灰度级；j为1到K²之间某一整数值，表示某一灰度空间分布密度值。由前面的论述可知，在对应j＞1的一维灰度空间分布属性直方图中，噪声及边缘点所对应的灰度级会遭到抑制，而目标及背景所对应的灰度级会得到保留，因而直方图的双峰特性会得到加强。具体实施中可取j＝2，即将属性直方图的属性集Q定义为：Q＝{(x，y)|图像所有3×3邻域中，与1个邻域像素具有相同灰度级的像素点}，图4所示的是飞机原始图像的普通直方图，图5所示的飞机压缩图像所对应的一维灰度空间分布属性直方图。由图4与图5的对比可看到本发明所定义的一维灰度空间分布属性直方图能有效加强直方图的双峰特性。

(5)基于一维灰度空间分布属性直方图，利用KSW最大熵图像分割算法确定图像的分割阈值OT。

基于图5所示的飞机压缩图像所对应的一维灰度空间分布属性直方图，确定飞机压缩图像的分割阈值OT＝130。

(6)基于所确定的阈值，对压缩图像进行分割，得到二值化图像。设f(x，y)为原始图像，g(x，y)为分割后的二值化图像，则：

g (x, y) = \{\begin{matrix} 0, f (x, y) < = OT \\ 255, f (x, y) > OT \end{matrix};

图6是飞机原始图像基于普通直方图的KSW最大熵图像分割结果。图7是飞机原始图像基于普通直方图的P氏熵图像分割结果。图8是飞机原始图像基于普通直方图的JM熵图像分割结果。图9是飞机原始图像基于二维直方图的KSW最大熵图像分割结果。图10是飞机压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果。

按照上述各步骤，同样可以对细胞图像和集成电路IC图像进行分割。

图11是一幅细胞原始图像。图12是细胞原始图像基于普通直方图的KSW最大熵图像分割结果。图13是细胞原始图像基于普通直方图的P氏熵图像分割结果。图14是细胞原始图像基于普通直方图的JM熵图像分割结果。图15是细胞原始图像基于二维直方图的KSW最大熵图像分割结果。图16是细胞压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果。

图17是一幅IC原始图像。图18是IC原始图像基于二维直方图的KSW最大熵图像分割结果。图19是IC原始图像基于普通直方图的P氏熵图像分割结果。图20是IC原始图像基于普通直方图的JM氏熵图像分割结果。图21是IC原始图像基于二维直方图的KSW最大熵图像分割结果。图22是IC压缩图像基于一维灰度空间分布属性直方图的KSW最大熵图像分割结果。

Claims

1.一种基于属性直方图的图像分割方法，包括：

(1)图像输入步骤，输入原始图像；

其特征在于，其还具有下述步骤：

Σ_{i = 0}^{m - 1} Σ_{j = 1}^{K^{2}} T (i, j) = 1;

i＝0，1，…m-1，j＝1，2，…K²；K＝3或4；

p_{Q} (l_{p}) = \frac{T (l_{p}, j)}{Σ_{i = 0}^{m - 1} T (i, j)},

式中l_p＝0，1，…m表示图像中像素各灰度级；j为1～3之间整数值，表示某一灰度空间分布密度值；

2.如权利要求1所述的一种基于属性直方图的图像分割方法，其特征在于：所述的图像压缩步骤中，图像像素原始灰度级l，其压缩后的灰度级为l_p，l_p与l的转换关系为：

l_{p} = int (\frac{l \times m}{256}) \times \frac{256}{m},