CN102779339A - 一种图像处理方法及系统 - Google Patents
一种图像处理方法及系统 Download PDFInfo
- Publication number
- CN102779339A CN102779339A CN2011104602891A CN201110460289A CN102779339A CN 102779339 A CN102779339 A CN 102779339A CN 2011104602891 A CN2011104602891 A CN 2011104602891A CN 201110460289 A CN201110460289 A CN 201110460289A CN 102779339 A CN102779339 A CN 102779339A
- Authority
- CN
- China
- Prior art keywords
- alpha
- image
- gray scale
- entropy
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开了一种图像处理方法,包括:根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,得到原始图像f(x,y)的点灰度i、梯度图像|f(x,y)-g(x,y)|的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系;基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系进行熵阈值选取;根据所述选取的熵阈值进行图像处理。本发明还相应地公开了一种图像处理系统。由于在熵值计算过程中基本包含所有的目标点和背景点,所以本发明能够使计算结果更加准确,提高熵阈值选取的准确性,进一步提高图像分割效果。
Description
技术领域
本发明涉及图像分割技术,尤其涉及一种图像处理方法及系统。
背景技术
图像分割是从图像处理到图像分析的一个关键步骤,在图像工程中占有非常重要的位置。基于图像灰度值的阈值分割分类技术基于以下假设:每个区域由许多灰度值相近的像素构成,物体和背景之间或不同物体之间的灰度值有明显的差别,可以通过阈值来区分。熵阈值法因其实现简单、性能稳定、具有良好的信息论背景而成为一类典型的阈值选取方法,并在实际中得到了广泛的应用。现有应用的熵阈值方法有最大熵法、最大交叉熵准则、最小交叉熵准则、Tsallis熵准则等方法,这些方法通常基于图像的一维直方图或用图像灰度-邻域平均灰度构建的二维直方图来计算熵阈值。
设原始灰度图像f(x,y)的灰度级数为L,图像大小为M×N,经过对其进行区域灰度特征的3×3或者5×5点阵的平滑滤波处理(一般为取平均值)得到平滑图像g(x,y),由于图像的灰度级数不会因为平滑滤波改变,所以平滑图像的灰度级数仍是L。一般的,一维直方图的横轴表示图像的灰度级,纵轴表示图像中某一灰度级的像素总数。设ηij为在原图像f(x,y)中点灰度为i、在平滑图像g(x,y)中区域灰度均值为j的象素的总数,p(i,j)为点灰度-区域灰度均值对发生的概率,其取值为用ηij(i,j=0,1,...L-1)除以图像的总像素数。基于原始灰度图像中的像素灰度、平滑图像中的邻域平均灰度j、p(i,j)便可得到图像灰度-邻域平均灰度二维直方图。
但是,由于上述一维直方图只是描述了各个灰度级出现的频率,以各个灰度级出现的频率来代替概率是不够精确的,具有较大的估计误差,从而基于该一维直方图选取的熵阈值不够准确,影响图像分割效果,另外,上述二维直方图用于熵值的计算时,往往会被划分为四个区域,但是,迭代计算时只用到了位于对角线上的两个区域,这样容易造成有用信息的丢失,也使得选取的熵阈值不够准确,影响图像分割效果。
例如,如图1所示的图像灰度-邻域平均灰度二维直方图,数值高峰主要分布在平面的对角线附近,这是因为目标区域和背景区域内部的像素灰度级单一或者比较均匀,点灰度及其区域灰度均值相差无几,而且图像的所有像素中,目标点和背景点所占的比例最大。离平面对角线越远,峰值越小,直至急剧下降,这部分反映的是图像中的杂散点、边缘点和噪声点。传统的二维熵在熵值计算时往往利用两个阈值(t,s)将直方图划分为四个区域,如图2所示。基于目标和背景像素分布在对角线附近的分析,诸多二维熵在计算熵值时只用区域0和区域1(目标或背景),而舍弃了代表边界、噪声点、杂散点的区域2和区域3。区域0中b、a两部分以及区域1中e、f两部分内存在边缘点、噪声点、杂散点,但熵值计算时将其当成了目标(或背景)内点处理,同时,区域2、区域3中的d、c两部分靠近对角线应为目标或背景内点,但计算时被当做边缘点、噪声点、杂散点来处理。所以,基于上述直方图的区域划分造成了有用信息的丢失,在这一假设上的熵值计算必然不够精确,得到的最佳阈值会出现偏差,分割结果不够理想。
发明内容
有鉴于此,本发明的主要目的在于提供一种图像处理方法及系统,能够提高熵阈值选取的准确性,进一步提高图像分割效果。
为达到上述目的,本发明的技术方案是这样实现的:
一种图像处理方法,包括:
根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,得到原始图像f(x,y)的点灰度i、梯度图像|f(x,y)-g(x,y)|的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系,其中,i=0,1...,L-1,j=0,1...,L-1,L是原始图像的灰度级数,r(i,j)表示灰度对出现的频数,M×N为原始图像的点数;
基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;
根据所述选取的熵阈值进行图像处理。
所述基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
设
所述基于原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
设
一种图像处理系统,包括:对应关系获取单元、熵阈值选取单元和图像处理单元;其中,
所述对应关系获取单元,用于根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,从而得到原始图像f(x,y)的点灰度i、梯度图像的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系,其中,i=0,1...,L-1,j=0,1...,L-1,L是原始灰度图像的灰度级数,r(i,j)表示灰度对出现的频数,M×N为原始图像的点数;
所述熵阈值选取单元,用于基于对应关系获取单元获取的原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;
所述图像处理单元,用于根据熵阈值选取单元选取的熵阈值进行图像处理。
所述熵阈值选取单元基于原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
设
之后,令判别函数为选取使该函数取得最大值的一组(t,s)值作为熵阈值。
所述熵阈值选取单元基于原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
设
本发明图像处理方法及系统,根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,得到原始图像f(x,y)的点灰度i、梯度图像|f(x,y)-g(x,y)|的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系;基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;根据所述选取的熵阈值进行图像处理。本发明在熵值计算过程中基本包含所有的目标点和背景点,所以能够使计算结果更加准确,提高熵阈值选取的准确性,进一步提高图像分割效果。
附图说明
图1为现有技术一图像灰度-邻域平均灰度二维直方图;
图2为现有技术对图1所示二维直方图进行区域划分的示意图;
图3为本发明图像处理方法流程示意图;
图4为本发明实施例形成的图像直方图;
图5为本发明实施例在计算熵值时对灰度二维直方图的划分情况示意图。
具体实施方式
本发明的基本思想是:根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,得到原始图像f(x,y)的点灰度i、梯度图像|f(x,y)-g(x,y)|的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系;基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;根据所述选取的熵阈值进行图像处理。
图3为本发明熵阈值选取方法流程示意图,如图3所示,该方法包括:
步骤301:根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,得到原始图像f(x,y)的点灰度i、梯度图像|f(x,y)-g(x,y)|的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系。
这里,点灰度对(i,j)是指原始图像f(x,y)中某点的点灰度值为i,而梯度图像中对应点的点灰度为j。
步骤302:基于所述原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取。
步骤303:根据所述选取的熵阈值进行图像处理。
步骤301中,梯度图像相当于原始图像f(x,y)与对原始灰度图像进行平滑滤波处理得到的平滑图像g(x,y)做差取绝对值,即:|f(x,y)-g(x,y)|,该图像|f(x,y)-g(x,y)|中各点的灰度值j定义为原图像中对应点的灰度梯度值,可以设置原始图像f(x,y)的点灰度i为纵坐标,梯度图像g(x,y)的点灰度j为横坐标,通过直方图的形式表示点灰度对的联合概率q(i,j),表示原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系。需要说明的是,q(i,j)和现有技术中的p(i,j)是不一样的,虽然p(i,j)和q(i,j)中的i都是原图像中的像素灰度值,但是,前者的j表示像素的区域灰度均值,也就是平滑图像g(x,y)中像素灰度值;而后者中的j是像素的梯度值,也就是|f(x,y)-g(x,y)|中的灰度值,q(i,j)的取值具体可以为:
其中,i=0,1...,L-1,j=0,1...,L-1,L是原始图像的灰度级数(也即梯度图像的灰度级数),r(i,j)表示灰度对出现的频数,即原始图像f(x,y)中的点灰度值为i且梯度图像中对应点的点灰度为j的像素点数,M×N为原始图像的点数(也是梯度图像的点数)。
上述步骤301中形成的直方图也可称为图像的灰度二维直方图。
步骤302中,基于步骤301中获取的原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系(可表现为形成的直方图),可以结合Renyi熵计算方法进行阈值选取,也可以结合Arimoto熵等熵计算方法进行阈值选取。
需要说明的是,利用形成的直方图计算灰度图像的Renyi熵时,每一个灰度级都会计算出该图像的一个Renyi熵,那么Renyi熵值最大的那一级灰度值就是要选取的阈值。Renyi熵计算方法和Arimoto熵计算方法可以选择性使用。
本发明还相应地提出一种图像处理系统,包括:对应关系获取单元、熵阈值选取单元和图像处理单元;其中,
所述对应关系获取单元,用于根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,从而得到原始图像f(x,y)的点灰度i、梯度图像的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系,其中,i=0,1...,L-1,j=0,1...,L-1,L是原始灰度图像的灰度级数,r(i,j)表示灰度对出现的频数,M×N为原始图像的点数;
所述熵阈值选取单元,用于基于对应关系获取单元获取的原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;
所述图像处理单元,用于根据熵阈值选取单元选取的熵阈值进行图像处理。
所述熵阈值选取单元基于原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
下面结合具体实施例对本发明的技术方案作进一步详细说明。
结合Renyi熵计算方法进行阈值选取的情况下,图像目标和背景的二维Renyi熵分别表示为:
其中,
图5表示本发明实施例在计算熵值时对灰度二维直方图的划分情况,那么,在图5中的阈值(t,s)处,
区域0的后验概率为:
区域1的后验概率为:
区域0的各灰度概率分布为:
区域1的各灰度概率分布为:
有了目标和背景的空间概率分布,根据图像目标和背景的二维Renyi熵,便可以得到基于图4所示直方图的目标和背景的二维Renyi熵分别为:
基于选取的最佳阈值,可以对图像做分割处理,具体可以采用二值分割,通过上述方法计算出的最佳的分割阈值(分割灰度值),在原图像中(包括图像中的所有内容,背景、目标和噪声点),以该阈值为界点,高于该灰度的地方为全白,低于该灰度的地方为全黑,原灰度图像就变成了一副二值图像,完成分割。这样做的目的主要是把一副图像中的主要目标和背景区分开。
由于传统的计算分割阈值的方法会受到噪声点的影响,也就是说计算时将噪声点囊括了进去,理想情况下只有目标和背景参与计算,有了噪声点的影响(参与计算),最后得出的分割阈值(分割灰度值)就会不准确,过大或过小,这样得到的二值图像不能最大限度地将目标和背景分开。而本发明在计算时几乎没有噪声点参与进来,计算得出的分割阈值相比会准确的多,最后得出的二值图像就能最大限度的将目标和背景区分。
本实施例中,目标和背景内部灰度级比较均匀,其梯度值为零或较小,对应区域划分中的区域0和区域1,边缘点和噪声点的梯度值相对较大,对应区域划分中2区域和3区域。
要结合Arimoto熵计算方法进行阈值选取,所述熵阈值选取单元基于原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取为:
可以看出,本发明基于灰度直方图进行熵值计算,基本能包含所有目标点和背景点,从而能够使计算结果更加准确,对于背景复杂、细节分布较多的图像均能得到较好的分割结果,分割后图像内部均匀、边界形状更为准确。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (6)
4.一种图像处理系统,其特征在于,包括:对应关系获取单元、熵阈值选取单元和图像处理单元;其中,
所述对应关系获取单元,用于根据由原始图像f(x,y)以平滑滤波形成的图像g(x,y)、以及梯度图像|f(x,y)-g(x,y)|,从而得到原始图像f(x,y)的点灰度i、梯度图像的点灰度j和点灰度对(i,j)的联合概率q(i,j)的对应关系,其中,i=0,1...,L-1,j=0,1...,L-1,L是原始灰度图像的灰度级数,r(i,j)表示灰度对出现的频数,M×N为原始图像的点数;
所述熵阈值选取单元,用于基于对应关系获取单元获取的原始图像的点灰度i、梯度图像的点灰度j和点灰度对的联合概率q(i,j)的对应关系进行熵阈值选取;
所述图像处理单元,用于根据熵阈值选取单元选取的熵阈值进行图像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104602891A CN102779339A (zh) | 2011-12-31 | 2011-12-31 | 一种图像处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104602891A CN102779339A (zh) | 2011-12-31 | 2011-12-31 | 一种图像处理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102779339A true CN102779339A (zh) | 2012-11-14 |
Family
ID=47124248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104602891A Pending CN102779339A (zh) | 2011-12-31 | 2011-12-31 | 一种图像处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102779339A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637057A (zh) * | 2015-02-04 | 2015-05-20 | 昆明理工大学 | 一种基于遗传算法的灰度-梯度熵多阈值快速分割方法 |
CN106920244A (zh) * | 2017-01-13 | 2017-07-04 | 广州中医药大学 | 一种检测图像区域边缘附近背景点的方法 |
CN108513044A (zh) * | 2018-04-16 | 2018-09-07 | 深圳市华星光电技术有限公司 | 图像平滑处理方法、电子装置及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354359A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 药液内运动可见异物的检测跟踪与识别方法 |
-
2011
- 2011-12-31 CN CN2011104602891A patent/CN102779339A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354359A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 药液内运动可见异物的检测跟踪与识别方法 |
Non-Patent Citations (3)
Title |
---|
PRASANNA K. SAHOO等.: "A thresholding method based on two-dimensional Renyi’s entropy.", 《PATTERN RECOGNITION》 * |
卓问等.: "基于二维Arimoto熵的阈值分割方法", 《模式识别与人工智能》 * |
吴一全等.: "平均灰度级-梯度二维直方图最大相关阈值分割.", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104637057A (zh) * | 2015-02-04 | 2015-05-20 | 昆明理工大学 | 一种基于遗传算法的灰度-梯度熵多阈值快速分割方法 |
CN106920244A (zh) * | 2017-01-13 | 2017-07-04 | 广州中医药大学 | 一种检测图像区域边缘附近背景点的方法 |
CN106920244B (zh) * | 2017-01-13 | 2019-08-02 | 广州中医药大学 | 一种检测图像区域边缘附近背景点的方法 |
CN108513044A (zh) * | 2018-04-16 | 2018-09-07 | 深圳市华星光电技术有限公司 | 图像平滑处理方法、电子装置及计算机可读存储介质 |
CN108513044B (zh) * | 2018-04-16 | 2020-11-13 | 深圳市华星光电技术有限公司 | 图像平滑处理方法、电子装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866924B (zh) | 一种线结构光中心线提取方法及存储介质 | |
CN102096795B (zh) | 磨损二维条码图像识别方法 | |
CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN103559500B (zh) | 一种基于光谱与纹理特征的多光谱遥感图像地物分类方法 | |
CN100576246C (zh) | 一种基于属性直方图的图像分割方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN104867130B (zh) | 一种基于裂纹图像子区灰度均值的自适应分割方法 | |
CN102289668A (zh) | 基于像素邻域特征的自适应文字图像的二值化处理方法 | |
CN101976436B (zh) | 一种基于差分图修正的像素级多聚焦图像融合方法 | |
CN103942803A (zh) | 基于sar图像的水域自动检测方法 | |
CN101976437A (zh) | 基于自适应阈值分割的高分辨率遥感影像变化检测方法 | |
CN104933709A (zh) | 基于先验信息的随机游走ct肺组织图像自动分割方法 | |
CN101587189B (zh) | 用于合成孔径雷达图像的纹理基元特征提取方法 | |
CN104376551A (zh) | 一种融合区域生长和边缘检测的彩色图像分割方法 | |
CN103226820A (zh) | 改进的二维最大熵分割夜视图像融合目标检测算法 | |
CN109840913A (zh) | 一种乳腺x线图像中肿块分割的方法和系统 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN104422628B (zh) | 基于维氏硬度的压痕图像识别方法及系统 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
CN105701491A (zh) | 固定格式文档图像模版的制作方法及其应用 | |
CN102306378A (zh) | 一种图像增强方法 | |
CN106127763A (zh) | 一种具有广泛适应性的图像二值化方法 | |
CN102779339A (zh) | 一种图像处理方法及系统 | |
CN104637060A (zh) | 一种基于邻域主成分分析-拉普拉斯的图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20121114 |