CN102831604A

CN102831604A - 一种灰度图像的二维Renyi熵阈值分割方法

Info

Publication number: CN102831604A
Application number: CN2012102674809A
Authority: CN
Inventors: 顾晓清; 倪彤光; 汪巍; 李玉; 孙玉强; 候振杰; 马正华
Original assignee: Changzhou University
Current assignee: Changzhou University
Priority date: 2012-07-30
Filing date: 2012-07-30
Publication date: 2012-12-19

Abstract

本发明公开一种灰度图像的二维Renyi熵阈值分割方法，包含对输入原图像I进行中值滤波，得到中值滤波后图像I_med，基于原图像I和中值滤波后图像I_med，构造灰度中值二维直方图，对得到的二维直方图使用引入惯性权重递增策略的粒子群方法进行优化，得到最佳阈值和最优分割点，根据所得最佳阈值和最优分割点对图像进行分割；本发明引入图像滤波中对椒盐噪声有较好鲁棒性的中值滤波技术，使用邻域窗口灰度中值来代替传统方法中的窗口灰度均值，并结合原图像构造出新的二维直方图；使用惯性权重递增的粒子群方法对目标函数进行优化，从而在有噪声的情况下进行有效快速分割，加快了收敛速度，提高了分割效率。

Description

一种灰度图像的二维Renyi熵阈值分割方法

技术领域

本发明涉及图像处理与机器视觉技术领域，具体涉及一种灰度图像的二维Renyi熵阈值分割方法，主要应用于机器人的视觉处理。

背景技术

机器人技术的发展是一个国家高科技水平和工业自动化程度的重要标志和体现。机器人在当前生产生活中的应用越来越广泛，正在替代人发挥着日益重要的作用。其中，机器人视觉被认为是机器人最重要的感知部分。机器人视觉是模拟人类视觉在机器人上的体现，借助于先进的计算机和处理器，通过数字技术分析数字化图像技术，实现对客观世界的景物和物体进行形态和运动的识别，因此图像分割成为不可回避的问题。图像分割用于将目标和其周围的场景分离开来，以便进行目标识别或场景分析，对进一步提取目标特征以及其他高层处理都是非常重要的。图像分割是图像处理和分析中的重要环节，也是机器人视觉处理中的一个经典难题。

在机器人视觉处理过程中，识别事物的快速性和准确性是其核心问题，其中一个关键点是能否从受到噪声污染的图像中获取主要信息以及如何识别图像局部空间信息。在众多图像分割方法中，基于图像灰度值的阈值分割方法是一种简单有效的方法。Sahoo等提出的二维Renyi熵阈值分割方法是一种经典的二维直方图阈值分割技术，它利用像素的灰度值分布及其邻域的平均灰度值分布所构成的二维直方图进行阈值分割，取得了很好的分割效果。但该方法存在着以下两个重要缺点：首先，它所采用的二维直方图建立在邻域窗口灰度均值的基础上，如果图像中某像素点的邻域窗口受椒盐噪声污染，其邻域窗口灰度均值会有较大的变化，这会给二维直方图带来较大的失真，从而影响最终的图像分割效果。其次，对二维Renyi熵目标函数进行优化时，二维直方图的引入使搜索空间从一维扩展到二维，如果使用传统的穷举搜索策略，计算量巨大，使其实用性有一定的局限性。

发明内容

针对上述问题，本发明提供了一种新的灰度图像的二维Renyi熵阈值分割方法，可以增强抗椒盐噪声的鲁棒性，以达到是阈值分割结果更加稳定并提高阈值分割效率的目的。

本发明采用的技术方案是包含如下步骤：

（1）对输入原图像I进行中值滤波，得到中值滤波后图像I_med；

（2）基于原图像I和中值滤波后图像I_med，构造灰度中值二维直方图；

（3）对得到的二维直方图使用引入惯性权重递增策略的粒子群方法进行优化，得到最佳阈值和最优分割点；

（4）根据所得最佳阈值和最优分割点对图像进行分割。

本发明引入图像滤波中对椒盐噪声有较好鲁棒性的中值滤波技术，使用邻域窗口灰度中值来代替传统方法中的窗口灰度均值，并结合原图像，构造出一种新的二维直方图。使用惯性权重递增的粒子群方法对目标函数进行优化，得到最佳阈值和最佳分割点，从而在有噪声的情况下进行有效快速分割，加快了收敛速度，提高了分割效率，保证了实际场合下机器视觉处理的需要。

下面结合附图和具体实施方式对本发明作进一步说明。

附图说明

图1 为本发明的流程图；

图2为原图像I和加30%的椒盐噪声的图像，其中图2（a）为原图像I；图2（b）为加30%的椒盐噪声的图像；

图3 为本发明方法构造的灰度中值二维直方图；

图4为图2中30%椒盐噪声下原图像I的分割结果比对图，其中图4(a)为本发明方法处理图；图4(b)为传统二维Renyi法处理图。

具体实施方式

下文结合附图，以实例的方式对本发明的具体实施方式作详细说明，本发明所述方法包含但不限于所举实例。

步骤一、对输入原图像I进行中值滤波，得到中值滤波后的图像I_med

参见图1并以图2(a)为例，设待分割的原图像I分辨率为M×N，f (x,y)为I中坐标值为(x,y)的像素点的灰度值，则设原图像I可记为：[f(x,y) | x =1, 2, …, M, y = 1, 2, …, N]。

令W _x',y'’ ^d为中心坐标(x',y')、大小为d×d的窗口（d= 2r+1, r = 1, 2, ...），用median(W _x',y'’ ^d)表示对窗口W _x',y'’ ^d内所有像素点的灰度值。按照常规方法中的取中值操作。g(x',y') = median(W _x',y'’ ^d) ，g(x,y)表示窗口W _x',y'’ ^d的中值。由g(x',y')代替原图像I中坐标值为(x',y')处的灰度值f (x',y')，从而得到中值滤波后图像I_med，I_med记为：[g(x',y') | x'=1, 2, …, M, y '= 1, 2, …, N]。

步骤二：基于原图像I和步骤一中得到的图像I_med，构造灰度中值二维直方图

改进的基于邻域窗口灰度中值的二维直方图计算如下：

p(m,n) = Prob(f(x,y) = m, g(x,y) = n)；其中m, n ∈G, G为图像中所有像素点灰度值的集合，G = {0, 1, 2, ..., L-1}，通常L取256。 Prob(f(x,y) = m, g(x,y) = n)表示f(x,y) = m, g(x,y) = n的联合概率。

对图2(a)使用上述公式构造新的中值二维直方图 [p(m,n) | m, n ∈G] ，如图3所示。分析该图可以发现，像素点主要集中于对角线附近，由图像处理的常识知识可知这是因为邻域灰度中值对图像中的纹理细节和噪声不敏感的缘故。

步骤三：对步骤二得到的中值二维直方图使用引入惯性权重递增策略的粒子群方法进行优化，得到最佳阈值参数t。

在步骤二得到的如图3所示的中值二维直方图的基础上，定义待分割原图像I的背景和目标区域的Renyi熵如下：

Figure 2012102674809100002DEST_PATH_IMAGE001

其中向量(t, s)为二维直方图的阈值，A为表示原图像I背景的下标，C为表示原图像I目标区域的下标，P _A为背景的累积概率，P _A(t, s) =

Figure 2012102674809100002DEST_PATH_IMAGE003

， P _C为目标区域的累积概率： P _C(t, s) = ，、p(i,j)表示像素点灰度级为i，邻域平均灰度级为j的联合分布概率，α为熵指数。

Figure 2012102674809100002DEST_PATH_IMAGE005

表示背景的Renyi熵，

表示目标区域的Renyi熵。

定义基于二维Renyi熵的图像阈值分割目标函数如下：

Figure 2012102674809100002DEST_PATH_IMAGE007

，其中

表示背景和目标区域的Renyi熵之和。若令t ^*(α)和s ^*(α)表示求解公式

Figure 2012102674809100002DEST_PATH_IMAGE009

所得相关α的t和s的极值点函数，对于一个给定的α ₀，t=t ^*(α ₀)即为最优阈值。

求解最优阈值t采用粒子群方法。设s维空间R ^s中有d个粒子p _i，i = 1, 2, ..., d。在时刻t，其状态用位置和速度表示，分别记为位置x_i ^(t)= (x _i1 ^(t), x _i2 ^(t), ..., x _is ^(t))和速度v_i ^(t)= (v _i1 ^(t), v _i2 ^(t), ..., v _is ^(t))，i = 1, 2, ..., d，t = 1, 2, ...。粒子的初始状态（包括位置和速度）随机生成，然后通过反复迭代找到最优解。在每次迭代中，粒子通过跟踪在粒子群方法求解过程中的个体极值pbest ^(t)和全局极值gbest ^(t)来更新自己的状态。每个粒子的状态更新公式：

v_i ^(t+1) = w v_i ^(t) + c ₁ r ₁(pbest ^(t)- x_i ^(t)) + c ₂ r ₂(gbest ^(t)- x_i ^(t))

x_i ^(t+1) = x_i ^(t) + v_i ^(t+1)

其中x_i ^(t) 为时刻t粒子位置，x_i ^(t+1) 为时刻t+1粒子位置，v_i ^(t) 为时刻t粒子速度，v_i ^(t+1) 为时刻t+1粒子速度，w为惯性权重，c ₁、c ₂为正的加速度系数，通常c ₁=c ₂=2；r ₁、r ₂为[0 ,1]之间服从均匀分布的随机数。

记w ₁为惯性权重初值，w ₂为惯性权重终值，t _max为算法最大迭代次数，且w ₁ < w ₂，采用公式

作为惯性权重变化曲线，w _t表示t时刻的惯性权重。

在迭代过程中，惯性权重逐渐增大，个体极值和全局极值也不断更新。从而完成对目标函数

的优化，最终求得最佳阈值t。

步骤四：由步骤三中使用粒子群方法得到的最佳阈值t，使用传统的阈值分割方法，并行进行阈值t与像素点的灰度值比较和像素点分割操作，实现准确快速分割的目标。

仿真比较

本发明的灰度图像阈值分割的仿真效果如图4所示，可以看出在对图像没有进行去噪处理的前提下，传统的二维Renyi熵阈值分割方法效果相对较差，本发明的方法则效果好，尤其是图像的下方，目标的边缘较清晰。

以上所述的仅是本发明的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内清晰，具有较好的对比性。

Claims

1.一种灰度图像的二维Renyi熵阈值分割方法，其特征是包含如下步骤：

（4）根据所得最佳阈值和最优分割点对图像进行分割。

2.根据权利要求1所述的一种灰度图像的二维Renyi熵阈值分割方法，其特征是：

步骤（1）中，设原图像I分辨率为M×N，f (x,y)为I中坐标值为(x,y)的像素点的灰度值，则原图像I记为 [f(x,y) | x =1, 2, …, M, y = 1, 2, …, N]，令W _x',y'’ ^d为中心坐标(x',y')、大小为d×d的窗口（d= 2r+1, r = 1, 2, ...），g(x',y') = median(W _x',y'’ ^d) ，g(x,y)表示窗口W _x',y'’ ^d的中值，median(W _x',y'’ ^d)表示对窗口W _x',y'’ ^d内所有像素点的灰度值，由g(x',y')代替原图像I中坐标值为(x',y')处的灰度值f (x',y')得到中值滤波后图像I_med为[g(x',y') | x'=1, 2, …, M, y '= 1, 2, …, N]。

3.根据权利要求2所述的一种灰度图像的二维Renyi熵阈值分割方法，其特征是：

步骤（2）中，使用公式p(m,n) = Prob(f(x,y) 构造中值二维直方图 [p(m,n) | m, n ∈G] ， G = {0, 1, 2, ..., L-1}，L取256，Prob(f(x,y) = m, g(x,y) = n)表示f(x,y) = m, g(x,y) = n的联合概率。

4.根据权利要求3所述的一种灰度图像的二维Renyi熵阈值分割方法，其特征是：

步骤（3）中，定义基于二维Renyi熵的图像阈值分割目标函数：

Figure 2012102674809100001DEST_PATH_IMAGE001

，设s维空间R ^s中有d个粒子p _i，i = 1, 2, ..., d，反复迭代，在每次迭代中，粒子通过跟踪个体极值和全局极值更新自己的状态，完成对目标函数的优化，求得最佳阈值t；其中

为原图像I背景和目标区域的Renyi熵之和，

Figure 2012102674809100001DEST_PATH_IMAGE003

为原图像I背景的Renyi熵，

为目标区域的Renyi熵，(t, s)为二维直方图的阈值，A为原图像I背景的下标，C为目标区域的下标，α为熵指数。