CN102496163A - 一种基于灰度极值的背景重构方法 - Google Patents

Abstract

本发明公开了一种基于灰度极值的背景重构方法，具体包括如下步骤：将图像采集设备采集到的N帧图像序列读入计算机系统，用于重构场景的背景图像；基于灰度极值的像素灰度归类：通过下式分别计算各灰度区间类的权重；选择像素点背景；该方法通过灰度极值划分灰度区间类，选择像素点的背景灰度值以构建场景的背景，节省了存储空间，且计算量小；无需对场景中的背景和目标建立模型，能有效避免混合现象；能准确进行背景重构，鲁棒性好；在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。

Description

一种基于灰度极值的背景重构方法

技术领域

本发明涉及一种应用于运动目标检测和跟踪的背景重构方法，尤其涉及一种基于灰度极值的背景重构方法。

背景技术

视频序列运动目标检测在智能监控系统、机械视觉、军事科学等领域有着广泛的应用前景，它能在无人干预的情况下，对视频序列的运动目标进行自动提取和定位，并对其进行分析和判断目标的行为，能为后续的目标识别、跟踪、报警与记录提供基础，还能在异常情况发生时做出及时反应。

目前，常用的视频序列运动目标检测方法主要有光流法、帧差法和背景差法。光流法能应用于摄像机运动的情况，但其计算量非常大，且对噪声比较敏感，对硬件要求比较高；帧差法计算量小、能实现实时的运动检测，但分割出的运动目标不完整，检测的运动目标容易出现空洞和拉伸，甚至出现检测不出运动目标的情况，严重影响了后续的应用；背景差法通过构建出场景的背景图像帧，将当前帧和背景图像作比较，能得到完整的运动目标，易于实现，是一种最为简单和有效的方法，完全克服了帧差法的缺点，是实时系统的首选。背景重构是背景差法的核心内容，其直接影响运动检测提取的实时性与准确性。

近年来，国内外的研究人员针对背景重构方法进行了大量的研究。常见的背景重构方法有两类，一类是模型法，另一类是灰度归类法。模型法是为各个像素点的灰度建立统计模型，如高斯分布模型、混合高斯分布模型等，并采用自适应的方法通过调整模型参数来更新背景，这种方法只有在场景中不含有运动目标时才能正确地对模型初始化，在实际应用中存在一定的困难；灰度归类法是根据一定的假设，利用已观测到的一段连续视频序列选择像素灰度获得当前的背景图像，如：基于像素归类的背景重构技术，该方法计算量小，但是当像素灰度发生缓慢变化时，则会产生错误的重构结果。因此，研究一种计算量小且构建准确的背景重构一种基于灰度极值的背景重构方法是非常有必要的。

发明内容

针对上述现有技术存在的缺陷或不足，本发明提出了一种基于灰度极值的背景重构方法，该方法通过灰度极值划分灰度区间类，选择像素点的背景灰度值以构建场景的背景，节省了存储空间，且计算量小；无需对场景中的背景和目标建立模型，能有效避免混合现象；能准确进行背景重构，鲁棒性好。

为了达到上述目的，本发明采用如下的技术解决方案：

一种基于灰度极值的背景重构方法，其特征在于，具体包括如下步骤：

步骤1：将图像采集设备采集到的N帧图像序列(f₁，f₂，......，f_N)读入计算机系统，用于重构场景的背景图像；

步骤2：基于灰度极值的像素灰度归类：将图像数据划分为若干个灰度区间，每个灰度区间用极小值和极大值表征，当新数据被输入时，计算该新数据和每个已形成的灰度区间类之间的距离，若该新数据和与其最近的灰度区间类的距离小于等于设定的阈值，则将该新数据归入与其最近的灰度区间类，反之，创建一个新的灰度区间类，将该新数据归入该新的灰度区间类；

步骤3：通过下式分别计算各灰度区间类的权重

$w^i\left(p\right)=\frac{{\mathrm{Cn}}^i\left(p\right)}{N}$

其中，i为类序号，1≤i≤m(p)；wⁱ(p)为第i个灰度区间类Cⁱ(p)的权重，Cnⁱ(p)表示第i个灰度区间类Cⁱ(p)的类像素数，m(p)表示像素点p形成的灰度区间类的个数；

步骤4：选择像素点背景

按照权重由大到小的顺序将灰度区间类排序后，取前B(p)个灰度区间类作为像素点的背景，满足该前B(p)个灰度区间类的权重之和大于等于δ；被选为背景的灰度区间类称为背景灰度区间类；δ为阈值，对于256级的灰度图像，δ通常取0.75；B(p)为背景灰度区间类的个数；

当背景灰度区间类为单极值类时，其背景灰度值为该单极值灰度区间类的极小值；当背景灰度区间类为双极值类时，其背景灰度值为该灰度区间类的极小值和极大值的均值；

步骤5：基于灰度极值的背景重构结束。

进一步的，所述步骤2：基于灰度极值的像素灰度归类的具体步骤如下：

步1：读取第一个数据f_t(p)，将f_t(p)归入第i个灰度区间类Cⁱ(p)并进行该初类的初始化，此时i＝1，t＝1，像素点p形成的灰度区间类的个数m(p)＝1，该初类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，此时无极大值；其中，i为类序号；f_t(p)表示像素点p在第t帧的灰度值，1≤t≤N，CIⁱ(p)表示Cⁱ(p)的极小值，CAⁱ(p)表示Cⁱ(p)的极大值；

转入步2；

步2：继续读取新数据f_t(p)，即t＝t+1，当t≤N时，转入步3；否则，转入步7；

步3：计算新数据f_t(p)和每个已形成的灰度区间类Cⁱ(p)之间的距离d(Cⁱ(p)，f_t(p))，其中，i为类序号，1≤i≤m(p)；d(Cⁱ(p)，f_t(p))的具体计算如下：

(1)当Cⁱ(p)为单极值类时，d(Cⁱ(p)，f_t(p))＝|f_t(p)-CIⁱ(p)|；

(2)当Cⁱ(p)为双极值类时，d(Cⁱ(p)，f_t(p))的计算如下：

①若CIⁱ(p)≤f_t(p)≤CAⁱ(p)，d(Cⁱ(p)，f_t(p))＝0；

②若f_t(p)＜CIⁱ(p)，

③若f_t(p)＞CAⁱ(p)，

其中，Θ为阈值，对于256级灰度图像，Θ取20-40；

转入步4；

步4：查找与f_t(p)距离最近的灰度区间类C^j(p)，即C^j(p)满足 $d(C^j\left(p\right),f_t\left(p\right))=\underset{i=1}{\overset{m\left(p\right)}{\min }}d(C^i\left(p\right),f_t\left(p\right)),$ 其中，j∈m(p)；若d(C^j(p)，f_t(p))≤Θ，则认为f_t(p)和C^j(p)匹配，转入步5；否则，转入步6；

步5：将f_t(p)归入C^j(p)并更新C^j(p)的各项参数，具体更新步骤如下：

(1)当C^j(p)为单极值类时：

①若f_t(p)＝CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＞CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

③若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，先将C^j(p)的极小值CI^j(p)赋给极大值CA^j(p)，即CA^j(p)＝CI^j(p)，再将f_t(p)作为灰度区间类C^j(p)的极小值CI^j(p)，即CI^j(p)＝f_t(p)；

(2)当C^j(p)为双极值类时：

①若CI^j(p)≤f_t(p)≤CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极小值CI^j(p)＝f_t(p)；

③若f_t(p)＞CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

转入步2；

步6：创建一个新的灰度区间类，即m(p)＝m(p)+1，将f_t(p)归入该新类并初始化该新类的参数：使该新类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，该新类无极大值；转入步2；

步7，基于灰度极值的像素灰度归类结束。

所述灰度区间类的极大值是指灰度区间类中像素点灰度值的最大值，极小值是指灰度区间类中像素点灰度值的最小值。

所述单极值类是指仅有极小值而无极大值的灰度区间类，双极值类是既有极小值又有极大值的灰度区间类。

本发明的基于灰度极值的背景重构方法的优点如下：

1、实际使用中无需记录过多的连续若干帧图像以进行逐像素统计，只要等间隔采样若干帧，同时边采样边丢弃，因此不涉及资源消耗过大的问题，节省了大量的存储空间。

2、计算量小，既不需要对场景中的背景和目标建立模型，也不需要计算灰度区间的灰度均值。

3、能直接从含有运动前景的场景图像中重构背景，能够有效避免混合现象。

4、在机械视觉、视频监控、军事科学、城市交通监控中和居民日常安全监控等实时系统领域有着广泛的应用前景。

附图说明

图1是本发明的基于灰度极值的背景重构方法流程图。

图2是输入图像帧。

图3是构建的背景图像帧。

图4是运动检测结果。

图5是基于灰度极值像素灰度归类的流程图。

以下结合附图和具体实施方式对本发明作进一步解释说明。

具体实施方式

本发明的基于灰度极值的背景重构方法，具体包括如下步骤：

步骤1：将图像采集设备采集到的N帧图像序列(f₁，f₂，......，f_N)读入计算机系统，用于重构场景的背景图像；

步骤2：基于灰度极值的像素灰度归类

基于灰度极值的像素灰度归类的中心思想：将图像数据划分为若干个灰度区间，每个灰度区间用极小值和极大值表征，当新数据被输入时，计算该新数据和每个已形成的灰度区间类之间的距离，若该新数据和与其最近的灰度区间类的距离小于等于设定的阈值，则将该新数据归入与其最近的灰度区间类，反之，创建一个新的灰度区间类，将该新数据归入该新的灰度区间类。

步1：读取第一个数据f_t(p)，将f_t(p)归入第i个灰度区间类Cⁱ(p)并进行该初类的初始化，此时i＝1，t＝1，像素点p形成的灰度区间类的个数m(p)＝1，该初类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，此时无极大值；其中，i为类序号；f_t(p)表示像素点p在第t帧的灰度值，1≤t≤N，CIⁱ(p)表示Cⁱ(p)的极小值，CAⁱ(p)表示Cⁱ(p)的极大值；灰度区间类的极大值是指灰度区间类中像素点灰度值的最大值，极小值是指灰度区间类中像素点灰度值的最小值；

转入步2；

步2：继续读取新数据f_t(p)，即t＝t+1，当t≤N时，转入步3；否则，转入步7；

步3：计算新数据f_t(p)和每个已形成的灰度区间类Cⁱ(p)之间的距离d(Cⁱ(p)，f_t(p))，其中，i为类序号，1≤i≤m(p)；单极值类是指仅有极小值而无极大值的灰度区间类，双极值类是既有极小值又有极大值的灰度区间类；d(Cⁱ(p)，f_t(p))的具体计算如下：

(1)当Cⁱ(p)为单极值类时，d(Cⁱ(p)，f_t(p))＝|f_t(p)-CIⁱ(p)|；

(2)当Cⁱ(p)为双极值类时，d(Cⁱ(p)，f_t(p))的计算如下：

①若CIⁱ(p)≤f_t(p)≤CAⁱ(p)，d(Cⁱ(p)，f_t(p))＝0；

②若f_t(p)＜CIⁱ(p)，

③若f_t(p)＞CAⁱ(p)，

其中，Θ为阈值，对于256级灰度图像，Θ取20-40；

转入步4；

步4：查找与f_t(p)距离最近的灰度区间类C^j(p)，即C^j(p)满足 $d(C^j\left(p\right),f_t\left(p\right))=\underset{i=1}{\overset{m\left(p\right)}{\min }}d(C^i\left(p\right),f_t\left(p\right)),$ 其中，j∈m(p)；若d(C^j(p)，f_t(p))≤Θ，则认为f_t(p)和C^j(p)匹配，转入步5；否则，转入步6；

步5：将f_t(p)归入C^j(p)并更新C^j(p)的各项参数，具体更新步骤如下：

(1)当C^j(p)为单极值类时：

①若f_t(p)＝CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＞CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

③若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，先将C^j(p)的极小值CI^j(p)赋给极大值CA^j(p)，即CA^j(p)＝CI^j(p)，再将f_t(p)作为灰度区间类C^j(p)的极小值CI^j(p)，即CI^j(p)＝f_t(p)；

(2)当C^j(p)为双极值类时：

①若CI^j(p)≤f_t(p)≤CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极小值CI^j(p)＝f_t(p)；

③若f_t(p)＞CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

转入步2；

步6：创建一个新的灰度区间类，即m(p)＝m(p)+1，将f_t(p)归入该新类并初始化该新类的参数：使该新类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，该新类无极大值；

转入步2；

步7，基于灰度极值的像素灰度归类结束；

步骤3：通过下式分别计算各灰度区间类的权重：

$w^i\left(p\right)=\frac{{\mathrm{Cn}}^i\left(p\right)}{N}$

其中，1≤i≤m(p)；wⁱ(p)为第i个灰度区间类Cⁱ(p)的权重，Cnⁱ(p)表示第i个灰度区间类Cⁱ(p)的类像素数；

步骤4：选择像素点背景；

采用多背景的选择策略表征多模态场景(如：闪络显示屏、飘荡旗帜、波动的水面等)，即按照权重由大到小的顺序将灰度区间类排序后，取前B(p)个灰度区间类作为像素点的背景，满足该前B(p)个灰度区间类的权重之和大于等于δ。将被选为背景的灰度区间类称为背景灰度区间类。δ为阈值，对于256级的灰度图像，δ通常取0.75；B(p)为背景灰度区间类的个数。

当背景灰度区间类为单极值类时，其背景灰度值为该单极值灰度区间类的极小值；当背景灰度区间类为双极值类时，其背景灰度值为该灰度区间类的极小值和极大值的均值；

步骤5：基于灰度极值的背景重构结束。

参见图5，本发明的具体实施过程包括如下步骤：

步骤S0：将图像采集设备采集到的N帧图像序列(f₁，f₂，......，f_N)读入计算机系统，用于重构场景的背景图像；

转入步骤S1；

步骤S1：读取第一个数据f_t(p)，将f_t(p)归入第i个灰度区间类Cⁱ(p)并进行该初类的初始化，此时i＝1，t＝1，像素点p形成的灰度区间类的个数m(p)＝1，该初类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，此时无极大值；其中，i为类序号；f_t(p)表示像素点p在第t帧的灰度值，1≤t≤N，CIⁱ(p)表示Cⁱ(p)的极小值，CAⁱ(p)表示Cⁱ(p)的极大值；灰度区间类的极大值是指灰度区间类中像素点灰度值的最大值，极小值是指灰度区间类中像素点灰度值的最小值；

转入步骤S2；

步骤S2：继续读取新数据f_t(p)，即t＝t+1，当t≤N时，转入步骤S3；否则，转入步骤S7；

步骤S3：计算新数据f_t(p)和每个已形成的灰度区间类Cⁱ(p)之间的距离d(Cⁱ(p)，f_t(p))，其中，i为类序号，1≤i≤m(p)；单极值类是指仅有极小值而无极大值的灰度区间类，双极值类是既有极小值又有极大值的灰度区间类；d(Cⁱ(p)，f_t(p))的具体计算如下：

(1)当Cⁱ(p)为单极值类时，d(Cⁱ(p)，f_t(p))＝|f_t(p)-CIⁱ(p)|；

(2)当Cⁱ(p)为双极值类时，d(Cⁱ(p)，f_t(p))的计算如下：

①若CIⁱ(p)≤f_t(p)≤CAⁱ(p)，d(Cⁱ(p)，f_t(p))＝0；

②若f_t(p)＜CIⁱ(p)，

③若f_t(p)＞CAⁱ(p)，

其中，Θ为阈值，对于256级灰度图像，Θ取20-40；

转入步骤S4；

步骤S4：查找与f_t(p)距离最近的灰度区间类C^j(p)，即C^j(p)满足 $d(C^j\left(p\right),f_t\left(p\right))=\underset{i=1}{\overset{m\left(p\right)}{\min }}d(C^i\left(p\right),f_t\left(p\right)),$ 其中，j∈m(p)；若d(C^j(p)，f_t(p))≤Θ，则认为f_t(p)和C^j(p)匹配，转入步骤S5；否则，转入步骤S6；

步骤S5：将f_t(p)归入C^j(p)并更新C^j(p)的各项参数，具体更新步骤如下：

(1)当C^j(p)为单极值类时：

①若f_t(p)＝CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＞CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

③若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，先将C^j(p)的极小值CI^j(p)赋给极大值CA^j(p)，即CA^j(p)＝CI^j(p)，再将f_t(p)作为灰度区间类C^j(p)的极小值CI^j(p)，即CI^j(p)＝f_t(p)；

(2)当C^j(p)为双极值类时：

①若CI^j(p)≤f_t(p)≤CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极小值CI^j(p)＝f_t(p)；

③若f_t(p)＞CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

转入步骤S2；

步骤S6：创建一个新的灰度区间类，即m(p)＝m(p)+1，将f_t(p)归入该新类并初始化该新类的参数：使该新类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，该新类无极大值；

转入步骤S2；

步骤S7：通过下式分别计算各灰度区间类的权重；

$w^i\left(p\right)=\frac{{\mathrm{Cn}}^i\left(p\right)}{N}$

其中，1≤i≤m(p)；wⁱ(p)为第i个灰度区间类Cⁱ(p)的权重，Cnⁱ(p)表示第i个灰度区间类Cⁱ(p)的类像素数；

执行步骤S8；

步骤S8：选择像素点背景；

按照权重由大到小的顺序将灰度区间类排序后，取前B(p)个灰度区间类作为像素点的背景，满足该前B(p)个灰度区间类的权重之和大于等于δ。将被选为背景的灰度区间类称为背景灰度区间类。δ为阈值，对于256级的灰度图像，δ通常取0.75；B(p)为背景灰度区间类的个数。

当背景灰度区间类为单极值类时，其背景灰度值为该单极值灰度区间类的极小值；当背景灰度区间类为双极值类时，其背景灰度值为该灰度区间类的极小值和极大值的均值；

执行步骤S9；

步骤S9：基于灰度极值的背景重构结束。

本发明未涉及部分均与现有技术相同或可采用现有技术加以改造，本发明并不限于上述方式。在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员可根据本发明所作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利保护范围。

Claims (4)

1.一种基于灰度极值的背景重构方法，其特征在于，具体包括如下步骤：

步骤1：将图像采集设备采集到的N帧图像序列(f₁，f₂，......，f_N)读入计算机系统，用于重构场景的背景图像；

步骤2：基于灰度极值的像素灰度归类：将图像数据划分为若干个灰度区间，每个灰度区间用极小值和极大值表征，当新数据被输入时，计算该新数据和每个已形成的灰度区间类之间的距离，若该新数据和与其最近的灰度区间类的距离小于等于设定的阈值，则将该新数据归入与其最近的灰度区间类，反之，创建一个新的灰度区间类，将该新数据归入该新的灰度区间类；

步骤3：通过下式分别计算各灰度区间类的权重

其中，i为类序号，1≤i≤m(p)；wⁱ(p)为第i个灰度区间类Cⁱ(p)的权重，Cnⁱ(p)表示第i个灰度区间类Cⁱ(p)的类像素数，m(p)表示像素点p形成的灰度区间类的个数；

步骤4：选择像素点背景

按照权重由大到小的顺序将灰度区间类排序后，取前B(p)个灰度区间类作为像素点的背景，满足该前B(p)个灰度区间类的权重之和大于等于δ；被选为背景的灰度区间类称为背景灰度区间类；δ为阈值，对于256级的灰度图像，δ通常取0.75；B(p)为背景灰度区间类的个数；

当背景灰度区间类为单极值类时，其背景灰度值为该单极值灰度区间类的极小值；当背景灰度区间类为双极值类时，其背景灰度值为该灰度区间类的极小值和极大值的均值；

步骤5：基于灰度极值的背景重构结束。

2.如权利要求1所述的基于灰度极值的背景重构方法，其特征在于，所述步骤2：基于灰度极值的像素灰度归类的具体步骤如下：

步1：读取第一个数据f_t(p)，将f_t(p)归入第i个灰度区间类Cⁱ(p)并进行该初类的初始化，此时i＝1，t＝1，像素点p形成的灰度区间类的个数m(p)＝1，该初类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，此时无极大值；其中，i为类序号；f_t(p)表示像素点p在第t帧的灰度值，1≤t≤N，CIⁱ(p)表示Cⁱ(p)的极小值，CAⁱ(p)表示Cⁱ(p)的极大值；

转入步2；

步2：继续读取新数据f_t(p)，即t＝t+1，当t≤N时，转入步3；否则，转入步7；

步3：计算新数据f_t(p)和每个已形成的灰度区间类Cⁱ(p)之间的距离d(Cⁱ(p)，f_t(p))，其中，i为类序号，1≤i≤m(p)；d(Cⁱ(p)，f_t(p))的具体计算如下：

(1)当Cⁱ(p)为单极值类时，d(Cⁱ(p)，f_t(p))＝|f_t(p)-CIⁱ(p)|；

(2)当Cⁱ(p)为双极值类时，d(Cⁱ(p)，f_t(p))的计算如下：

①若CIⁱ(p)≤f_t(p)≤CAⁱ(p)，d(Cⁱ(p)，f_t(p))＝0；

②若f_t(p)＜CIⁱ(p)，

③若f_t(p)＞CAⁱ(p)，

其中，Θ为阈值，对于256级灰度图像，Θ取20-40；

转入步4；

步4：查找与f_t(p)距离最近的灰度区间类C^j(p)，即C^j(p)满足 $d(C^j\left(p\right),f_t\left(p\right))=\underset{i=1}{\overset{m\left(p\right)}{\min }}d(C^i\left(p\right),f_t\left(p\right)),$ 其中，j∈m(p)；若d(C^j(p)，f_t(p))≤Θ，则认为f_t(p)和C^j(p)匹配，转入步5；否则，转入步6；

步5：将f_t(p)归入C^j(p)并更新C^j(p)的各项参数，具体更新步骤如下：

(1)当C^j(p)为单极值类时：

①若f_t(p)＝CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＞CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

③若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，先将C^j(p)的极小值CI^j(p)赋给极大值CA^j(p)，即CA^j(p)＝CI^j(p)，再将f_t(p)作为灰度区间类C^j(p)的极小值CI^j(p)，即CI^j(p)＝f_t(p)；

(2)当C^j(p)为双极值类时：

①若CI^j(p)≤f_t(p)≤CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1；

②若f_t(p)＜CI^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极小值CI^j(p)＝f_t(p)；

③若f_t(p)＞CA^j(p)，将C^j(p)的类像素数Cn^j(p)累加1，即Cn^j(p)＝Cn^j(p)+1，C^j(p)的极大值CA^j(p)＝f_t(p)；

转入步2；

步6：创建一个新的灰度区间类，即m(p)＝m(p)+1，将f_t(p)归入该新类并初始化该新类的参数：使该新类的类像素数Cnⁱ(p)＝1，极小值CIⁱ(p)＝f_t(p)，该新类无极大值；转入步2；

步7，基于灰度极值的像素灰度归类结束。

3.如权利要求1或2所述的方法，其特征在于，所述灰度区间类的极大值是指灰度区间类中像素点灰度值的最大值，极小值是指灰度区间类中像素点灰度值的最小值。

4.如权利要求1或2所述的方法，其特征在于，所述单极值类是指仅有极小值而无极大值的灰度区间类，双极值类是既有极小值又有极大值的灰度区间类。

Images