CN105678773A - 一种低对比度图像分割方法 - Google Patents
一种低对比度图像分割方法 Download PDFInfo
- Publication number
- CN105678773A CN105678773A CN201610016000.XA CN201610016000A CN105678773A CN 105678773 A CN105678773 A CN 105678773A CN 201610016000 A CN201610016000 A CN 201610016000A CN 105678773 A CN105678773 A CN 105678773A
- Authority
- CN
- China
- Prior art keywords
- image
- window
- variance
- current window
- current
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种低对比度图像分割方法,提供一种能有效、自适应地对低对比度图像进行分割的方法,即基于区域限制改进的Otsu图像分割方法,添加移动窗口概念,利用局部窗口内边缘像素信息实现局部窗口大小的自适应,依次在局部窗口内利用局部窗口阈值对当前像素进行分割,大大提高了分割算法分割低对比度图像的精度和抗噪性。
Description
技术领域
本发明属于图像处理领域,涉及一种低对比度图像的分割方法。
背景技术
图像分割技术大致分为:基于阈值的图像分割、基于边缘的图像分割、基于区域的图像分割、基于模型的图像分割、基于人工智能的图像分割。主要方法有阈值法、区域生长法、活动轮廓模型法、人工神经网络法、模糊聚类法、分水岭法、边缘算子检测法等。图像分割技术具有广泛的应用价值,可应用到模式识别、机器视觉等各行业各领域中。
基于阈值的图像分割算法的关键在于阈值的选择,不同的阈值可能会引起完全不同的结果。此类方差往往受噪声影响严重,且受灰度不均匀性影响严重。基于边缘的分割方法主要基于图像灰度级的不连续性,它通过检测不同连续区域之间的边界来实现对图像的分割,边缘检测算法有一个缺点:不能得到连续的单像素边缘。传统的边缘算子抗噪性低,且无法得到连续的边缘,受背景灰度不均影响较大。基于区域特性的分割技术不但考虑了像素的相似性,还考虑了空间上的邻接性,因此可以有效消除孤立噪声的干扰,具有很强的鲁棒性。而且,无论是合并还是分裂,都能够将分割深入到像素级,因此可以保证较高的分割精度。基于统计模式分类的分割技术将图像分割过程视为以像素为基元的模式分类过程。这类方法,对于无法由灰度区分的复杂的纹理图像显得尤为有效。
目前,对应用于普通图像的分割算法有大量研究,已经比较成熟,但普通图像和低对比度图像在细节及灰度信息上具有较大差异,适用于普通图像的图像分割算法不一定适用于低对比度图像,近年来针对低对比度图像的图像分割算法研究较少而且无法满足现实需要。
针对低对比度图像的特点,王思贤、刘宗义、梅建新在《WuhanUniversityJournalofNaturalSciences》(2000,46(5):641-644)的文章“低对比度图像目标分割的研究”中提出将矩不变自动门限方法应用到低对比度的图像的自动分割中,耗时短,能克服二值化过程中的断线、粘连等问题,具有一定实用价值,但是在有噪声情况下精度不高。针对低对比度焊缝缺陷目标的提取,LashkiaV.在《Image&VisionComputing》(2001,19(5):261–269)中的文章“DefectdetectioninX-rayimagesusingfuzzyreasoning”中提出利用区域方差和灰度对比度参数并结合模糊推理进行缺陷提取,但此方法无法广泛应用于其它低对比度图像的分割。针对X射线图像、超声波图像以及红外图像的分析检测中,目标与目标之间没有显著的灰度变化给区域分割带来的困难,聂守平、王鸣、刘峰在《中国激光》(2004,31(1):89-91)中的文章“低对比度图像分割算法研究”中提出利用空间区域方差和灰度区域方差进行图像增强和灰度分区,能够提取出一些低对比度缺陷目标。这些方法将区域特性和对比度结合提取缺陷目标,而针对低对比度图像,低对比度不仅存在于图像中某个特定细节,因而以上方法的适用性不够强,需要一种对低对比度图像有较好适应性的图像分割方法。
发明内容
针对低对比度图像分割完整度差、精度低、抗噪性能较差的问题,本发明提供一种低对比度图像分割方法,利用局部窗口内边缘像素个数信息实现局部窗口大小的自适应,依次在局部窗口内利用局部窗口阈值对当前像素进行分割,以显著提高低对比度图像分割的精度和抗噪性。
本发明解决其技术问题所采用的技术方案包括以下步骤:
(1)初始化:设原图像O的灰度级为L,先计算O对应的方差图像V,再用CANNY算子计算V的边缘,得到边缘图像E,E中边缘像素灰度值为L-1,其余像素灰度值为0。初始化窗口边长N=3。
(2)当前窗口包含信息判断及当前像素分割。对原图像O进行逐像素计算,使当前像素位于计算窗口W的中心,步骤包括:
1)计算边缘图像E中与原图像O对应的窗口W中的灰度为L-1的像素的个数C,计算边缘像素在当前窗口W中所占的比例P,P=C/N2;
2)当前窗口包含信息判断:若P≥(N-2)/N2则执行步骤3);若P<(N-2)/N2则N=N+2,返回步骤(2);
3)当前像素分割:对O中当前窗口W计算基于区域限制的Otsu阈值T,若当前窗口中心像素灰度大于T则置其灰度为L-1,否则置其灰度为0。
在上述步骤(1)中,计算V时采用逐像素计算法,以及当前像素位于3×3窗口中心,在此3×3窗口内计算当前窗口的方差,对当前窗口方差取整,令当前窗口中心像素的灰度值为此方差值。具体步骤为:
1)对原图像中的所有像素,以当前像素为窗口中心,计算O中当前窗口内所有像素的灰度均值A;
2)计算O中当前窗口内所有像素灰度值与A的欧氏距离Di;
3)计算当前窗口的方差并取整,令V的当前像素灰度为此方差值。
在上述步骤(1)中,计算E的具体步骤为:
1)用高斯滤波器平滑方差图像V;
2)用一阶偏导有限差分计算方差图像V的梯度幅值和方向;
3)对梯度幅值进行非极大值抑制;
4)检测和连接边缘。
在上述步骤(2)的第3)步中,计算基于区域限制的Otsu阈值T的具体步骤为:
1)计算当前窗口W内每个灰度级的概率和数量;
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差;
3)遍历各灰度级,求得使类间方差达到最大的阈值T1;
4)在当前窗口W内统计[0,T1]内各灰度级的概率和数量;
5)在当前窗口W内,计算[0,T1]灰度级范围内阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差;
6)遍历[0,T1]中各灰度级,求得使类间方差达到最大的阈值T。
本发明的有益效果是:本发明提供的低对比度切片图像分割方法,可有效、完整地对低对比度图像进行分割,并将分割误差控制在可接受范围内,抗噪性良好,且本方法无需设置分割参数、自适应性好。
下面结合附图和实施例对本发明进一步说明。
附图说明
图1为本发明算法流程图。
具体实施方式
利用本方法对仿真低对比度图像进行分割,图像灰度级L=256,执行以下步骤:
(1)初始化。求原图像O对应的方差图像V,用CANNY算子求方差图像V的边缘,得到边缘图像E,E中边缘像素灰度值为255,其它像素灰度值为0。对原图像中的所有像素,以当前像素为窗口中心,初始化窗口边长N=3。
(2)当前窗口包含信息判断及当前像素分割。对原图像O进行逐像素计算,令当前像素位于计算窗口W的中心,步骤包括:
1)计算边缘图像E中与原图像O对应的窗口W中的灰度为255的像素的个数C,计算边缘像素在当前窗口W中所占的比例P,P=C/N2。
2)当前窗口包含信息判断:若P≥(N-2)/N2则当前窗口包含足够的边缘信息,满足进行合理分割的条件,执行步骤3);若P<(N-2)/N2,则当前窗口不包含足够的边缘信息,不适合进行分割,令N=N+2,返回步骤(2);
3)当前像素分割:计算边长大小为N的当前窗口W内的基于区域限制的Otsu阈值T,若当前窗口中心像素灰度大于T则置其灰度为255,否则置其灰度为0。
在上述步骤(1)中,计算V时采用逐像素计算法,以及当前像素位于3×3窗口中心,在此3×3窗口内计算当前窗口的方差,对当前窗口方差取整,令当前窗口中心像素的灰度值为此方差值。具体步骤为:
1)对原图像中的所有像素,以当前像素为窗口中心,计算当前窗口内所有像素的灰度均值A。
2)计算当前窗口内所有像素灰度值与A的欧氏距离Di。
3)计算当前窗口的方差对当前窗口方差取整,置当前窗口中心像素灰度为此方差值。
在步骤(1)中,计算原图像对应的边缘图像E的具体步骤为:
1)用高斯滤波器平滑方差图像V。
2)用一阶偏导有限差分计算方差图像V的梯度幅值和方向。
3)对梯度幅值进行非极大值抑制。
4)检测和连接边缘。
在步骤(2)的第3)步中,计算窗口内基于区域限制的Otsu阈值T的具体步骤为:
1)计算当前窗口W内每个灰度级的概率和数量。
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差。
3)遍历各灰度级,求得使当前窗口W内类间方差达到最大的阈值T1。
4)在当前窗口W内统计[0,T1]内各灰度级的概率和数量。
5)计算当前窗口W内,计算[0,T1]灰度级范围内阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差。
6)遍历[0,T1]中各灰度级,求得使当前窗口W类间方差达到最大的阈值T。
经过上述步骤,将原图像分割为背景灰度为0目标灰度为255的图像。仿真实验结果表明,与其它几个现有方法相比,本方法分割后图像中目标的大小最接近原始目标大小,且抗噪性较好,能有效地完成低对比度图像的分割,且较好地保留目标边缘,分割精度较高,抗噪性较好,是一种低对比度图像的高精度分割方法,表明了本发明方法的可行性和有效性。
Claims (4)
1.一种低对比度图像分割方法,其特征在于包括下述步骤:
第一步:初始化。求原图像对应的方差图像V和边缘图像E,初始化窗口边长N=3。
第二步:窗口包含信息判断。求边缘图像E中与原图像中当前窗口W对应的窗口中边缘像素在窗口中所占的比例P,若P≥(N-2)/N2则当前窗口包含足够的边缘信息,满足进行合理分割的条件,执行第三步;若P<(N-2)/N2则当前窗口不包含足够的边缘信息,不适合进行分割,令N=N+2,再次执行第二步。
第三步:当前像素分割。在第二步的基础上,计算边长大小为N的当前窗口内的基于区域限制的Otsu阈值T,若当前窗口中心像素灰度大于T则置其灰度为L-1,否则置其灰度为0。
2.根据权利要求1所述的一种低对比度图像分割方法,其特征在于:在所述步骤(1)中,计算原图像对应的方差图像V的具体步骤包括:
1)令窗口大小为3×3,对原图像中的所有像素,以当前像素为当前窗口中心,计算当前窗口内所有像素的灰度均值A。
2)计算当前窗口内所有像素灰度值与A的欧氏距离Di。
3)计算当前窗口的方差并取整,令当前窗口中心像素灰度为此方差值。
3.根据权利要求1所述的一种低对比度图像分割方法,其特征在于:在所述步骤(1)中,计算原图像对应的边缘图像E的具体步骤为:
1)用高斯滤波器平滑方差图像V。
2)用一阶偏导有限差分计算方差图像V的梯度幅值和方向。
3)对梯度幅值进行非极大值抑制。
4)检测和连接边缘。
4.根据权利要求1所述的一种低对比度图像分割方法,其特征在于:在所述步骤(3)中,计算窗口内区域限制的Otsu阈值T的具体步骤包括:
1)计算当前窗口W内每个灰度级的概率和数量。
2)计算阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差。
3)遍历各灰度级,求得使类间方差达到最大的阈值T1。
4)在当前窗口W内统计[0,T1]内各灰度级的概率和数量。
5)在当前窗口W内,计算[0,T1]灰度级范围内阈值分别取各灰度级时的背景概率、目标概率、背景均值、目标均值、背景方差、目标方差。
6)遍历[0,T1]中各灰度级,求得使类间方差达到最大阈值T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610016000.XA CN105678773B (zh) | 2016-01-12 | 2016-01-12 | 一种低对比度图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610016000.XA CN105678773B (zh) | 2016-01-12 | 2016-01-12 | 一种低对比度图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678773A true CN105678773A (zh) | 2016-06-15 |
CN105678773B CN105678773B (zh) | 2018-10-26 |
Family
ID=56299933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610016000.XA Expired - Fee Related CN105678773B (zh) | 2016-01-12 | 2016-01-12 | 一种低对比度图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678773B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273893A (zh) * | 2017-06-14 | 2017-10-20 | 武汉梦之蓝科技有限公司 | 一种智能城市绿化遥感调查的数据校正控制系统 |
CN110490885A (zh) * | 2019-08-26 | 2019-11-22 | 易思维(杭州)科技有限公司 | 改进的自适应阈值二值化方法及vin码字符分割方法 |
CN111047601A (zh) * | 2019-11-22 | 2020-04-21 | 重庆邮电大学 | 一种局部窗口大小自适应的工业ct图像分割方法 |
CN111091569A (zh) * | 2019-10-31 | 2020-05-01 | 重庆邮电大学 | 一种局部参数自适应的工业ct图像分割方法 |
CN112116618A (zh) * | 2020-09-08 | 2020-12-22 | 杭州艾耕科技有限公司 | 一种合成图片自动切割方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040161148A1 (en) * | 2003-02-14 | 2004-08-19 | Recht Joel M. | Method and system for object recognition using fractal maps |
CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
-
2016
- 2016-01-12 CN CN201610016000.XA patent/CN105678773B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040161148A1 (en) * | 2003-02-14 | 2004-08-19 | Recht Joel M. | Method and system for object recognition using fractal maps |
CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
EP2645329A1 (en) * | 2012-03-27 | 2013-10-02 | Westfälische Wilhelms-Universität Münster | Method and system for image segmentation |
CN103955940A (zh) * | 2014-05-16 | 2014-07-30 | 天津重方科技有限公司 | 一种基于x射线背散射图像的人体隐藏物的检测方法 |
Non-Patent Citations (6)
Title |
---|
DENG-YUAN HUANG 等: "Optimal multi-level thresholding using a two-stage Otsu optimization approach", 《PATTERN RECOGNITION LETTERS》 * |
M. CHERIET 等: "A Recursive Thresholding Technique for Image Segmentation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
PING-SUNG LIAO 等: "A Fast Algorithm for Multilevel Thresholding", 《JOURNAL OF INFORMATION SCIENCE AND ENGINEERING》 * |
向华: "一种基于方差的图像边缘检测算法", 《电脑知识与技术》 * |
顾娟 等: "基于高分辨率全色遥感影像的城镇居民地提取方法研究", 《新技术在土地调查中的应用与土地科学技术发展-2005年中国土地学会学术年会论文集》 * |
黄魁东 等: "低对比度锥束CT图像缺陷分割算法", 《核电子学与探测技术》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107273893A (zh) * | 2017-06-14 | 2017-10-20 | 武汉梦之蓝科技有限公司 | 一种智能城市绿化遥感调查的数据校正控制系统 |
CN110490885A (zh) * | 2019-08-26 | 2019-11-22 | 易思维(杭州)科技有限公司 | 改进的自适应阈值二值化方法及vin码字符分割方法 |
CN110490885B (zh) * | 2019-08-26 | 2021-12-03 | 易思维(杭州)科技有限公司 | 改进的自适应阈值二值化方法及vin码字符分割方法 |
CN111091569A (zh) * | 2019-10-31 | 2020-05-01 | 重庆邮电大学 | 一种局部参数自适应的工业ct图像分割方法 |
CN111091569B (zh) * | 2019-10-31 | 2024-02-13 | 重庆邮电大学 | 一种局部参数自适应的工业ct图像分割方法 |
CN111047601A (zh) * | 2019-11-22 | 2020-04-21 | 重庆邮电大学 | 一种局部窗口大小自适应的工业ct图像分割方法 |
CN112116618A (zh) * | 2020-09-08 | 2020-12-22 | 杭州艾耕科技有限公司 | 一种合成图片自动切割方法 |
CN112116618B (zh) * | 2020-09-08 | 2023-04-07 | 杭州艾耕科技有限公司 | 一种合成图片自动切割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105678773B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107679520B (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
CN101299268B (zh) | 适于低景深图像的语义对象分割方法 | |
CN105678773A (zh) | 一种低对比度图像分割方法 | |
AU2009295350B2 (en) | Detection of vehicles in an image | |
CN106600625A (zh) | 检测小型生物的图像处理方法及装置 | |
EP2637139A1 (en) | Method and apparatus for bi-layer segmentation | |
CN112598713A (zh) | 一种基于深度学习的近岸海底鱼类检测、跟踪统计方法 | |
CN108537829B (zh) | 一种监控视频人员状态识别方法 | |
EP2085928A1 (en) | Detection of blobs in images | |
CN106780486A (zh) | 一种钢板表面缺陷图像提取方法 | |
CN107944354B (zh) | 一种基于深度学习的车辆检测方法 | |
CN112561946B (zh) | 一种动态目标检测方法 | |
CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
CN110490904A (zh) | 一种弱小目标检测与跟踪方法 | |
CN115797872A (zh) | 基于机器视觉的包装缺陷识别方法、系统、设备及介质 | |
CN115147401A (zh) | 一种基于数字图像处理的土石坝坝料合格性智能检测方法 | |
CN114067147A (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
KR101690050B1 (ko) | 지능형 영상보안 시스템 및 객체 추적 방법 | |
Balisavira et al. | Real-time object detection by road plane segmentation technique for ADAS | |
Gupta et al. | Robust lane detection using multiple features | |
CN112734816A (zh) | 基于CSS-Delaunay的异源图像配准方法 | |
CN109784229B (zh) | 一种地面建筑物数据融合的复合识别方法 | |
CN110751671B (zh) | 一种基于核相关滤波与运动估计的目标跟踪方法 | |
CN116429087A (zh) | 一种适应于动态环境的视觉slam方法 | |
Michael et al. | Fast change detection for camera-based surveillance systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181026 Termination date: 20200112 |