CN103337073A - 一种基于三维熵的二维图像阈值分割方法 - Google Patents
一种基于三维熵的二维图像阈值分割方法 Download PDFInfo
- Publication number
- CN103337073A CN103337073A CN2013102465225A CN201310246522A CN103337073A CN 103337073 A CN103337073 A CN 103337073A CN 2013102465225 A CN2013102465225 A CN 2013102465225A CN 201310246522 A CN201310246522 A CN 201310246522A CN 103337073 A CN103337073 A CN 103337073A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- histogram
- sigma
- variance
- 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.)
- Granted
Links
Images
Landscapes
- Facsimile Image Signal Circuits (AREA)
- Image Analysis (AREA)
Abstract
本发明属图像处理领域,具体涉及一种以二维灰度数字图像为对象,计算其局部均值图像,局部方差图像,量化方差图像,统计得出三维直方图,以此得到最优分割阈值然后计算得出二值图像,即最终输出的结果图像。该处理方法有效解决了图像中噪声的问题以及充分利用图像信息进行图像分割,对图像的细节的处理效果更好。
Description
技术领域
本发明属图像处理领域,具体涉及一种以二维灰度数字图像为对象,利用三维熵自动计算阈值的图像分割方法。
背景技术
灰度图像的阈值分割是图像处理领域的一项重要的技术,被广泛应用于医学图像处理、文档图像处理和工业自动化领域。通常灰度图像的阈值分割都是通过灰度图像的一维直方图来计算阈值实现的。例如OTSU分割法、一维熵分割法等。但是,一维直方图对每个像素同等地对待,不可避免的引入了噪声的影响,于是有学者提出了二维熵的方法。二维熵的方法在一维熵的基础上引入了均值图像,从而在计算阈值的时候忽略了噪声和边缘像素,其结果优于单纯基于一维直方图的方法。但是,基于二维熵的分割方法仅仅利用了均值图像,等价于利用了图像的局部一阶矩信息,并没有充分利用图像中的更多信息,容易造成图像分割失败。
而目前的三维算法中一般采用中值作为第三维,虽然有利于噪声的控制,但是弱化了图像的细节。
发明内容
本发明的目的在于提供一种对二维数字灰度图像进行分割的方法,该方法能自动地计算分割阈值,准确的将图像分割为前景和背景,对图像噪声有一定抑制作用,又尽量凸显和还原图像中的细节。
本发明的目的是通过以下技术方案来实现的:
S1、获取二维灰度图像I;
S2、计算局部均值图像A;
S3、计算局部方差图像V;
S4、根据S3计算得出的局部方差图像计算量化方差图像Q,具体步骤如下:
S41、在局部方差图像V中选取V(i,j),其中V(i,j)是方差图像V的第i行j列的像素值;
S42、根据公式对V(i,j)进行量化,得到Q(i,j),其中Q(i,j)表示量化方差图像第i行j列的像素值,为下取整函数,τ是控制量化方差图像的量化间隔的参数,所述公式中R为I,A,V,Q的行总数,C为I,A,V,Q的列总数;
S5、根据S1、S2、S4获取的二维灰度图像I,局部均值图像A和量化方差图像Q,统计得出三维直方图P,三维直方图P的第一维表示为c,第二维表示为d,第三维表示为e,O为坐标原点;
S6、对S5中所述三维直方图P进行遍历搜索得到最优分割阈值,具体步骤如下:
S61、三维直方图P中的任意一点为(t,s,*),选取经过点(t,s,*)平行于cOe所在的面,以及经过点(t,s,*)平行于dOe所在的面,将三维直方图分为四部分,其中“*”表示可取任意值;
S62、对S61划分的三维直方图的四个部分的根据公式 进行三维熵定义,其中,H(t,s)为三维熵,we为一个递增数列,we=e+1,c、d、e为整数,PA(t,s)和PB(t,s)是归一化因子,
S7、根据S6中得到的最优分割阈值,计算得出二值图像,即最终输出的结果图像。
进一步地,所述二维灰度图像I,局部均值图像A,局部方差图像V和量化方差图像Q的大小相同。
进一步地,S42中所述公式中的参数τ为正整数,τ∈[5,20]。
进一步地,S5中所述三维直方图P中任意一点满足 1≤i≤R,1≤j≤C,令 其中,I(i,j)=c表示二维灰度图像I中第i行j列的像素值等于c,A(i,j)=d表示局部均值图像A中第i行j列的像素值等于d,Q(i,j)=e表示量化方差图像Q中第i行j列的像素值等于e,#(I(i,j)=c,A(i,j)=d,Q(i,j)=e)表示在三维直方图P中同时满足I(i,j)=c,A(i,j)=d和Q(i,j)=e的点的个数,所述p(c,d,e)表示为三维直方图在点(c,d,e)的值,c、d、e为整数变量,取值范围分别为0≤c≤L-1,0≤d≤L-1,0≤e≤τ-1,L表示灰度级。
本发明的有益效果是:对二维灰度图像统计三维直方图和计算熵,来得到全局最优分割阈值,有效解决了图像中噪声的问题以及充分利用图像信息进行图像分割,对图像的细节的处理效果更好。
附图说明
图1为本发明的计算流程图。
图2为本发明的S61中所述三维直方图P被任意点(t,s,*)分割为四部分示意图。
具体实施方式
下面结合附图来说明本发明的具体实施方式:
实施例中所述二维灰度图像I,局部均值图像A,局部方差图像V和量化方差图像Q大小相同。
S1、获取二维灰度图像I。
S2、计算局部均值图像A,即以二维灰度图像I中每个像素点为中心,根据公式计算一个邻域范围内的像素值的平均值,其中A(i,j)表示均值图像第i行j列的像素值,N是代表邻域大小的参数,N∈[1,2,3]。在计算A(i,j)的过程中,邻域范围有可能超出图像I的范围,此时取图像I中坐标距离最接近的像素值。例如当计算A(1,1)时,如果取N=1,那么根据公式会用到I(0,1)、I(1,0)、I(0,0),但这三个像素点的位置已经超出了图像I的范围,因此取坐标距离最接近的像素值,在这里三个像素值均取I(1,1)。
S3、计算局部方差图像V,即以二维灰度图像I每个像素为中心,根据公式 计算一个邻域范围内的像素值的方差,其中V(i,j)表示方差图像第i行j列的像素值,N是代表邻域大小的参数,N∈[1,2,3]。
S4、根据S3计算得出的局部方差图像计算量化方差图像Q。
S41、选取V(i,j),其中V(i,j)是方差图像第i行j列的像素值;
S42、根据公式对V(i,j)进行量化,得到Q(i,j),其中Q(i,j)表示量化方差图像第i行j列的像素值,为下取整函数,τ是控制量化方差图像的量化间隔的参数,所述公式中R为I,A,V,Q的行总数,C为I,A,V,Q的列总数,其中,中的参数τ为正整数,τ∈[5,20]。
S5、根据S1、S2、S4获取的二维灰度图像I,局部均值图像A和量化方差图像V,统计得出三维直方图P,其中,三维直方图P中任意一点满1≤i≤R,1≤j≤C,令 其中,I(i,j)=c表示二维灰度图像I中第i行j列的像素值等于c,A(i,j)=d表示局部均值图像A中第i行j列的像素值等于d,Q(i,j)=e表示量化方差图像Q中第i行j列的像素值等于e,#(I(i,j)=c,A(i,j)=d,Q(i,j)=e)表示在三维直方图P中同时满足I(i,j)=c,A(i,j)=d和Q(i,j)=e的点的个数,所述p(c,d,e)表示为三维直方图在点(c,d,e)的值,c、d、e为整数变量,取值范围分别为0≤c≤L-1,0≤d≤L-1,0≤e≤τ-1,L表示灰度级。
S6、对S5中所述三维直方图P进行遍历搜索得到最优分割阈值。
S61、选取三维直方图p(c,d,e)中的任意一点(t,s,*),将三维直方图P划分为四部分,如图2所示,三维直方图P的第一维表示为c,第二维表示为d,第三维表示为e,O为坐标原点,选取经过点(t,s,*)平行于c,e所在的面,以及经过点(t,s,*)平行于d,e所在的面,将三维直方图分为四部分,其中“*”表示可取任意值。因为在三维直方图中通常一个点将三维空间分成8个部分,即,选取经过任意点平行于三个维度的平面对三维直方图进行分割,但这里的第三维可以为任意值,所以实际上,上下两部分被当做了一个部分,总共就只有4个部分;
S62、对S61划分的三维直方图的四个部分的根据公式 进行三维熵定义,其中,H(t,s)为三维熵,we为一个递增数列,we=e+1,c、d、e为整数,PA(t,s)和PB(t,s)是归一化因子,
Claims (5)
1.一种基于三维熵的二维图像阈值分割方法,其特征在于:其步骤如下所述:
S1、获取二维灰度图像I;
S2、计算局部均值图像A;
S3、计算局部方差图像V;
S4、根据S3计算得出的局部方差图像计算量化方差图像Q,具体步骤如下:
S41、在局部方差图像V中选取V(i,j),其中V(i,j)是方差图像V的第i行j列的像素值;
S42、根据公式对V(i,j)进行量化,得到Q(i,j),其中Q(i,j)表示量化方差图像第i行j列的像素值,为下取整函数,τ是控制量化方差图像的量化间隔的参数,所述公式中R为I,A,V,Q的行总数,C为I,A,V,Q的列总数;
S5、根据S1、S2、S4获取的二维灰度图像I,局部均值图像A和量化方差图像Q,统计得出三维直方图P,三维直方图P的第一维表示为c,第二维表示为d,第三维表示为e,O为坐标原点;
S6、对S5中所述三维直方图P进行遍历搜索得到最优分割阈值,具体步骤如下:
S61、三维直方图P中的任意一点为(t,s,*),选取经过点(t,s,*)平行于cOe所在的面,以及经过点(t,s,*)平行于dOe所在的面,将三维直方图分为四部分,其中“*”表示可取任意值;
S62、对S61划分的三维直方图的四个部分的根据公式 进行三维熵定义,其中,H(t,s)为三维熵,we为一个递增数列,we=e+1,c、d、e为整数,PA(t,s)和PB(t,s)是归一化因子,
S7、根据S6中得到的最优分割阈值,计算得出二值图像,即最终输出的结果图像。
2.根据权利要求1所述的一种基于三维熵的二维图像阈值分割方法,其特征在于:所述二维灰度图像I,局部均值图像A,局部方差图像V和量化方差图像Q的大小相同。
4.根据权利要求1所述的一种基于三维熵的二维图像阈值分割方法,其特征在于:S5中所述三维直方图P中任意一点满足1≤i≤R,1≤j≤C,令 其中,I(i,j)=c表示二维灰度图像I中第i行j列的像素值等于c,A(i,j)=d表示局部均值图像A中第i行j列的像素值等于d,Q(i,j)=e表示量化方差图像Q中第i行j列的像素值等于e,#(I(i,j)=c,A(i,j)=d,Q(i,j)=e)表示在三维直方图P中同时满足I(i,j)=c,A(i,j)=d和Q(i,j)=e的点的个数,所述p(c,d,e)表示为三维直方图在点(c,d,e)的值,c、d、e为整数变量,取值范围分别为0≤c≤L-1,0≤d≤L-1,0≤e≤τ-1,L表示灰度级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310246522.5A CN103337073B (zh) | 2013-06-20 | 2013-06-20 | 一种基于三维熵的二维图像阈值分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310246522.5A CN103337073B (zh) | 2013-06-20 | 2013-06-20 | 一种基于三维熵的二维图像阈值分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103337073A true CN103337073A (zh) | 2013-10-02 |
CN103337073B CN103337073B (zh) | 2016-02-24 |
Family
ID=49245221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310246522.5A Expired - Fee Related CN103337073B (zh) | 2013-06-20 | 2013-06-20 | 一种基于三维熵的二维图像阈值分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103337073B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN106530304A (zh) * | 2016-09-19 | 2017-03-22 | 中国农业大学 | 一种设施蔬菜边缘模糊类叶面病斑分割方法及装置 |
CN106959260A (zh) * | 2017-02-20 | 2017-07-18 | 中国矿业大学(北京) | 一种基于多元多尺度熵的矿石粒度检测技术 |
CN107194943A (zh) * | 2017-04-07 | 2017-09-22 | 北京工业大学 | 图像分割方法及装置、用于渣片的图像分割方法及装置 |
CN110889894A (zh) * | 2019-10-25 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 三维人脸重建方法、装置及终端设备 |
CN113470002A (zh) * | 2021-07-22 | 2021-10-01 | 中国科学院空天信息创新研究院 | 一种层析sar三维点云重建质量评价方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030044061A1 (en) * | 2001-08-31 | 2003-03-06 | Pradya Prempraneerach | Color image segmentation in an object recognition system |
CN101004838A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 阻光度传递函数的构造方法 |
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
-
2013
- 2013-06-20 CN CN201310246522.5A patent/CN103337073B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030044061A1 (en) * | 2001-08-31 | 2003-03-06 | Pradya Prempraneerach | Color image segmentation in an object recognition system |
CN101004838A (zh) * | 2007-01-19 | 2007-07-25 | 哈尔滨工程大学 | 阻光度传递函数的构造方法 |
CN101059870A (zh) * | 2007-05-23 | 2007-10-24 | 华中科技大学 | 一种基于属性直方图的图像分割方法 |
Non-Patent Citations (3)
Title |
---|
WEIHUA LIU, ET AL.: "Image segmentation with 2-D maximum entropy based on comprehensive learning particle swarm optimization", 《PROCEEDINGS OF THE IEEE INTERNATIONAL CONFERENCE ON AUTOMATION AND LOGISTICS》, 21 August 2007 (2007-08-21), pages 793 - 797, XP031138879 * |
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》, vol. 22, no. 2, 30 April 2009 (2009-04-30), pages 208 - 213 * |
申铉京 等: "三维直方图重建和降维的Otsu阈值分割算法", 《电子学报》, vol. 39, no. 5, 31 May 2011 (2011-05-31), pages 1108 - 1114 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914856A (zh) * | 2014-04-14 | 2014-07-09 | 贵州电网公司输电运行检修分公司 | 一种基于熵值的运动目标检测方法 |
CN106530304A (zh) * | 2016-09-19 | 2017-03-22 | 中国农业大学 | 一种设施蔬菜边缘模糊类叶面病斑分割方法及装置 |
CN106959260A (zh) * | 2017-02-20 | 2017-07-18 | 中国矿业大学(北京) | 一种基于多元多尺度熵的矿石粒度检测技术 |
CN107194943A (zh) * | 2017-04-07 | 2017-09-22 | 北京工业大学 | 图像分割方法及装置、用于渣片的图像分割方法及装置 |
CN110889894A (zh) * | 2019-10-25 | 2020-03-17 | 中国科学院深圳先进技术研究院 | 三维人脸重建方法、装置及终端设备 |
CN113470002A (zh) * | 2021-07-22 | 2021-10-01 | 中国科学院空天信息创新研究院 | 一种层析sar三维点云重建质量评价方法及装置 |
CN113470002B (zh) * | 2021-07-22 | 2023-11-10 | 中国科学院空天信息创新研究院 | 一种层析sar三维点云重建质量评价方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN103337073B (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767413B (zh) | 一种基于卷积神经网络的图像深度估计方法 | |
CN110264416B (zh) | 稀疏点云分割方法及装置 | |
CN103337073A (zh) | 一种基于三维熵的二维图像阈值分割方法 | |
CN107220997B (zh) | 一种立体匹配方法及系统 | |
CN109598754B (zh) | 一种基于深度卷积网络的双目深度估计方法 | |
CN103455991B (zh) | 一种多聚焦图像融合方法 | |
CN102074014B (zh) | 一种利用基于图论的图像分割算法的立体匹配方法 | |
CN104732587A (zh) | 一种基于深度传感器的室内3d语义地图构建方法 | |
CN104504652A (zh) | 一种快速有效保留边缘及方向特征的图像去噪方法 | |
CN104036479A (zh) | 一种基于非负矩阵分解的多聚焦图像融合方法 | |
CN104820991A (zh) | 一种基于代价矩阵的多重软约束立体匹配方法 | |
Yan et al. | Method to Enhance Degraded Image in Dust Environment. | |
CN102005033B (zh) | 一种图像平滑抑制噪声方法 | |
CN102567973A (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
CN114004754B (zh) | 一种基于深度学习的场景深度补全系统及方法 | |
CN102521831A (zh) | 基于多尺度分形维和神经网络的机器人视觉图像分割方法 | |
CN114972107A (zh) | 基于多尺度堆叠式注意力网络的低照度图像增强方法 | |
CN106097274A (zh) | 一种自适应分数阶微分图像增强算法 | |
CN111553296B (zh) | 一种基于fpga实现的二值神经网络立体视觉匹配方法 | |
CN103761736A (zh) | 一种基于贝叶斯和谐度的图像分割方法 | |
Geetha et al. | An improved method for segmentation of point cloud using minimum spanning tree | |
CN104050673A (zh) | 一种基于K-means图像分割的深度图提取方法 | |
CN104504659A (zh) | 一种基于提升小波变换的快速iso去噪方法及系统 | |
CN105279742A (zh) | 一种快速的基于分块噪声能量估计的图像去噪方法 | |
CN107045713A (zh) | 基于census立体匹配的低照度图像增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160224 Termination date: 20180620 |
|
CF01 | Termination of patent right due to non-payment of annual fee |