CN107610144B - 一种改进的基于最大类间方差法的红外图像分割方法 - Google Patents

一种改进的基于最大类间方差法的红外图像分割方法 Download PDF

Info

Publication number
CN107610144B
CN107610144B CN201710599161.0A CN201710599161A CN107610144B CN 107610144 B CN107610144 B CN 107610144B CN 201710599161 A CN201710599161 A CN 201710599161A CN 107610144 B CN107610144 B CN 107610144B
Authority
CN
China
Prior art keywords
image
infrared image
pixels
class variance
value
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.)
Active
Application number
CN201710599161.0A
Other languages
English (en)
Other versions
CN107610144A (zh
Inventor
张勋
时延利
张宏瀚
严浙平
徐健
陈涛
周佳加
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201710599161.0A priority Critical patent/CN107610144B/zh
Publication of CN107610144A publication Critical patent/CN107610144A/zh
Application granted granted Critical
Publication of CN107610144B publication Critical patent/CN107610144B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明为一种改进的基于最大类间方差法的红外图像分割方法，能够在最大程度上克服天空曝光带来的分割效果不理想的问题，使分割后的目标能够保持较完整的形状。由于红外图像对比度比较低，灰度级范围比较窄，利用最大类间方差法不能够很好的分割出目标，考虑图像灰度、图像背景像素个数和目标像素个数对分割产生的影响，本发明对传统最大类间方差法中求取方差的公式进行了改进，弥补了最大类间方差法的红外图像分割方法在天空有曝光且天空与目标对比度较低的情况下不能够获得较好的分割效果的缺点，并且将目标与天空背景对比度较大的区域分割良好。

Description

一种改进的基于最大类间方差法的红外图像分割方法
技术领域
本发明属于红外成像技术领域，具体涉及一种改进的基于最大类间方差法的红外图像分割方法。
背景技术
红外成像系统在成像过程中由于自身成像原因会使得红外图像具有信噪比低、图像模糊、低对比度等特点。UUV拍摄近海面红外侦查图像时，由于UUV运动的影响、拍摄景物温差区别、海浪干扰等因素，使得其拍摄的红外图像质量相比一般的红外图像更差。由于红外图像对比度比较低，灰度级范围比较窄，利用最大类间方差法不能够很好的分割出目标。为了更好的分割出目标，考虑图像灰度、图像背景像素个数和目标像素个数对分割产生的影响，对传统最大类间方差法中求取方差的公式进行了改进。
最大类间方差法也被称作Otsu方法，它是一种十分简单和通用的方法，并且其最大特点是能够实现图像分割的自适应。它的基本原理为：通过找到使得背景与目标两部分之间的方差能够达到最大的阈值，然后利用该阈值将图像目标与背景分开。
文献《最大类间方差法在图像分割中的应用》(煤炭技术，2008年7月，第27卷第7期)对图像分别利用经典的Sobel算子和Log边缘检测进行阈值分割，然后利用最大类间方差法对图像进行分割。但是最大类间方差法对红外图像分割在天空有曝光且天空与目标对比度较低的情况下不能够获得较好的分割效果，不能保持目标的完整性。
文献《基于OTSU的近红外图像分割的应用研究》(大气与环境光学学报，2011年11月，第6卷第6期)是最常用的利用图像的一维灰度直方图的阈值化方法之一，通过与一维OTSU的相互比较可以看出，二维OTSU对近红外图像拥有更好的分割效果。但是是该方法对目标和背景的分割效果并不是特别理想，在天空有曝光且天空与目标对比度较低的情况下该方法并不能准确的将边界形状保持完整。
发明内容
针对目前现有技术中存在的最大类间方差法的红外图像分割算法在天空有曝光且天空与目标对比度较低的情况下不能够获得较好的分割效果的缺点，本发明旨在提供一种将目标与天空背景对比度较大的区域分割良好的改进的基于最大类间方差法的红外图像分割方法。
本发明的目的是这样实现的：
本发明为一种改进的基于最大类间方差法的红外图像分割方法，其特征在于：包括以下步骤：
1.获取红外图像；
2.计算整幅图像的平均灰度值u；
3.设置分割阈值t初始值为1；
4.将f(x,y)小于阈值t的像素归为背景部分为C0,反之归为目标部分C1，背景部分C0的灰度级范围是0～t-1，目标部分C1的灰度级范围是t～L-1，其中L为灰度级；
5.分别计算背景部分C0和目标部分C1的概率、平均灰度值、类内方差和像素个数；
6.根据公式δ2(k)＝(w0(u-u0)+w1(u-u1))*(v1-v0)*(cnt0-cnt1)/(v1+v0)计算出k从0～L-1变化对应的类间方差δ2(k)，其中w0为背景部分C0的概率，w1为目标部分C1的概率，u0为背景部分C0的平均灰度值，u1为目标部分C1的平均灰度值，ν0为背景部分C0的类内方差，ν1为目标部分C1的类内方差，cnt0为背景部分C0中像素的个数，cnt1为目标部分C1中像素的个数；
7.若t＜L，令t＝t+1，继续步骤(4)；
8.若t≥L，在求取到的所有δ2中，找到其中的最大值与该最大值对应的k，令t＝k-5；
9.得到最终的分割阈值t后，根据二值化算法对红外图像进行分割。
所述的步骤2包括：
2.1用f(x,y)来表示红外图像IM×N在(x,y)位置处的灰度值，本文图像为灰度图像，其灰度级L＝256，则f(x,y)∈[0,L-1]。如果将处在同一灰度级i的像素个数计为fi，那么灰度级为i的像素的出现概率为：
Figure GDA0002611210960000021
其中，i＝0,1,...,255，且
Figure GDA0002611210960000022
2.2整幅图像的平均灰度值u为：
Figure GDA0002611210960000023
所述的步骤5包括：
5.1背景部分C0出现概率w0为：
Figure GDA0002611210960000024
目标部分C1出现概率w1为
Figure GDA0002611210960000025
其中，ω0+ω1＝1；
5.2背景部分C0图像平均灰度值u0为：
Figure GDA0002611210960000026
目标部分C1图像平均灰度值u1为：
Figure GDA0002611210960000031
5.3令δ2(k)＝(ω0(μ-μ0)+ω1(μ-μ1))*(ν1-ν0)*(cnt0-cnt1)/(ν1+ν0)中的k从0～L-1变化，得到k在不同取值下对应的类间方差δ2(k)，得到使类间方差δ2(k)能够取得最大值的k；
5.4背景部分C0的灰度级范围是0～t-1，对应像素为{f(x,y)＜t}；目标部分C1的灰度级范围是t～L-1，对应像素为{f(x,y)≥t}。
所述的步骤9为：将红外图像f(x,y)分割处理后得到的二值图像记作g(x,y)，红外图像二值化算法如下式所示：
Figure GDA0002611210960000032
本发明与现有技术相比，有益效果在于：
由于红外图像对比度比较低，灰度级范围比较窄，利用最大类间方差法不能够很好的分割出目标。为了更好的分割出目标，考虑图像灰度、图像背景像素个数和目标像素个数对分割产生的影响，对传统最大类间方差法中求取方差的公式进行了改进，弥补了最大类间方差法的红外图像分割算法在天空有曝光且天空与目标对比度较低的情况下不能够获得较好的分割效果的缺点，并且将目标与天空背景对比度较大的区域分割良好。
附图说明
图1为一种改进的基于最大类间方差法的红外图像分割方法的流程图。
图2为一个实施例的改进前的基于最大类间方差法的红外图像分割结果图。
图3为一种改进的基于最大类间方差法的红外图像分割算法一个实施例的结果图。
具体实施方式
下面结合附图对本发明做更详细地描述：
如图1所示，一种改进的基于最大类间方差法的红外图像分割方法，包括以下步骤：
1.获取红外图像。
2.计算整幅图像的平均灰度值u：
2.1用f(x,y)来表示红外图像IM×N在(x,y)位置处的灰度值，本文图像为灰度图像，其灰度级L＝256，则f(x,y)∈[0,L-1]。如果将处在同一灰度级i的像素个数计为fi，那么灰度级为i的像素的出现概率为：
Figure GDA0002611210960000041
其中i＝0,1,...,255，且
Figure GDA0002611210960000042
2.2整幅图像的平均灰度值u为：
Figure GDA0002611210960000043
3.设置分割阈值t初始值为1。
4.将f(x,y)小于阈值t的像素归为背景部分为C0,反之归为目标部分C1，背景部分C0的灰度级范围是0～t-1，目标部分C1的灰度级范围是t～L-1，其中L为灰度级。
5.分别计算背景部分C0和目标部分C1的概率、平均灰度值、类内方差和像素个数：
5.1背景部分C0出现概率w0为：
Figure GDA0002611210960000044
目标部分C1出现概率w1为
Figure GDA0002611210960000045
其中ω0+ω1＝1；
5.2背景部分C0图像平均灰度值u0为：
Figure GDA0002611210960000046
目标部分C1图像平均灰度值u1为：
Figure GDA0002611210960000047
5.3令δ2(k)＝(ω0(μ-μ0)+ω1(μ-μ1))*(ν1-ν0)*(cnt0-cnt1)/(ν1+ν0)中的k从0～L-1变化，得到k在不同取值下对应的类间方差δ2(k)，得到使类间方差δ2(k)能够取得最大值的k；
5.4背景部分C0的灰度级范围是0～t-1，对应像素为{f(x,y)＜t}；目标部分C1的灰度级范围是t～L-1，对应像素为{f(x,y)≥t}。
6.根据公式δ2(k)＝(w0(u-u0)+w1(u-u1))*(v1-v0)*(cnt0-cnt1)/(v1+v0)计算出k从0～L-1变化对应的类间方差δ2(k)，其中w0为背景部分C0的概率，w1为目标部分C1的概率，u0为背景部分C0的平均灰度值，u1为目标部分C1的平均灰度值，ν0为背景部分C0的类内方差，ν1为目标部分C1的类内方差，cnt0为背景部分C0中像素的个数，cnt1为目标部分C1中像素的个数。
7.若t＜L，令t＝t+1，继续步骤4。
8.若t≥L，在求取到的所有δ2中，找到其中的最大值与该最大值对应的k，令t＝k-5。
9.得到最终的分割阈值后，根据二值化算法对红外图像进行分割：将红外图像f(x,y)分割处理后得到的二值图像记作g(x,y)，红外图像二值化算法如下式所示：
Figure GDA0002611210960000051
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能的等同替换或改变，均被认为属于本发明的权利要求的保护范围。

Claims (2)

1.一种改进的基于最大类间方差法的红外图像分割方法，其特征在于：包括以下步骤：
(1)获取红外图像；
(2)计算整幅图像的平均灰度值u；
所述的步骤(2)包括：
(2.1)用f(x,y)来表示红外图像IM×N在(x,y)位置处的灰度值，图像为灰度图像，其灰度级L＝256，则f(x,y)∈[0,L-1]，如果将处在同一灰度级i的像素个数计为fi，那么灰度级为i的像素的出现概率为：
Figure FDA0002611210950000011
其中i＝0,1,...,255，且
Figure FDA0002611210950000012
(2.2)整幅图像的平均灰度值u为：
Figure FDA0002611210950000013
(3)设置分割阈值t初始值为1；
(4)将f(x,y)小于阈值t的像素归为背景部分为C0,反之归为目标部分C1，背景部分C0的灰度级范围是0～t-1，目标部分C1的灰度级范围是t～L-1，其中L为灰度级；
(5)分别计算背景部分C0和目标部分C1的概率、平均灰度值、类间方差和像素个数；
所述的步骤(5)包括：
(5.1)背景部分C0出现概率w0为：
Figure FDA0002611210950000014
目标部分C1出现概率w1为
Figure FDA0002611210950000015
其中ω0+ω1＝1；
(5.2)背景部分C0图像平均灰度值u0为：
Figure FDA0002611210950000016
目标部分C1图像平均灰度值u1为：
Figure FDA0002611210950000017
(5.3)令δ2(k)＝(ω0(μ-μ0)+ω1(μ-μ1))*(ν1-ν0)*(cnt0-cnt1)/(ν1+ν0)中的k从0～L-1变化，得到k在不同取值下对应的类间方差δ2(k)，得到使类间方差δ2(k)能够取得最大值的k；其中w0为背景部分C0的概率，w1为目标部分C1的概率，u0为背景部分C0的平均灰度值，u1为目标部分C1的平均灰度值，ν0为背景部分C0的类内方差，ν1为目标部分C1的类内方差，cnt0为背景部分C0中像素的个数，cnt1为目标部分C1中像素的个数；
(5.4)背景部分C0的灰度级范围是0～t-1，对应像素为{f(x,y)＜t}；目标部分C1的灰度级范围是t～L-1，对应像素为{f(x,y)≥t}；
(6)若t＜L，令t＝t+1，继续步骤(4)；
(7)若t≥L，在求取到的所有δ2中，找到其中的最大值与该最大值对应的k，令t＝k-5；
(8)得到最终的分割阈值t后，根据二值化算法对红外图像进行分割。
2.根据权利要求1所述的一种改进的基于最大类间方差法的红外图像分割方法，其特征在于:所述的步骤(9)为：将红外图像f(x,y)分割处理后得到的二值图像记作g(x,y)，红外图像二值化算法如下式所示：
Figure FDA0002611210950000021
CN201710599161.0A 2017-07-21 2017-07-21 一种改进的基于最大类间方差法的红外图像分割方法 Active CN107610144B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710599161.0A CN107610144B (zh) 2017-07-21 2017-07-21 一种改进的基于最大类间方差法的红外图像分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710599161.0A CN107610144B (zh) 2017-07-21 2017-07-21 一种改进的基于最大类间方差法的红外图像分割方法

Publications (2)

Publication Number Publication Date
CN107610144A CN107610144A (zh) 2018-01-19
CN107610144B true CN107610144B (zh) 2020-11-20

Family

ID=61059829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710599161.0A Active CN107610144B (zh) 2017-07-21 2017-07-21 一种改进的基于最大类间方差法的红外图像分割方法

Country Status (1)

Country Link
CN (1) CN107610144B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108257140B (zh) * 2018-01-29 2020-03-24 哈尔滨学院 一种双最佳Otsu阈值最简图像构造方法
CN109461187A (zh) * 2018-10-23 2019-03-12 杭州智微信息科技有限公司 一种基于骨髓白细胞图片的自动对焦方法
CN109543487B (zh) * 2018-11-22 2022-04-01 福州图腾易讯信息技术有限公司 一种基于条码边缘分割的自动感应触发方法及其系统
CN109741334A (zh) * 2018-11-28 2019-05-10 恒银金融科技股份有限公司 一种通过分块阈值进行图像分割的方法
CN113222922B (zh) * 2021-04-30 2024-02-27 杭州海康威视数字技术股份有限公司 红外爆闪灯补光范围检测方法、装置及设备
CN113610085B (zh) * 2021-10-10 2021-12-07 成都千嘉科技有限公司 基于注意力机制的字轮图像识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405120A (zh) * 2015-10-22 2016-03-16 华北电力大学（保定） 在天空图像中提取云图形的方法
CN106097293A (zh) * 2015-12-22 2016-11-09 中国计量学院 一种用于图像采集系统优化设计的图像可分割性评价方法
CN106780534A (zh) * 2016-12-07 2017-05-31 西安邮电大学 基于类间相对均匀性的图像自适应阈值化方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405120A (zh) * 2015-10-22 2016-03-16 华北电力大学（保定） 在天空图像中提取云图形的方法
CN106097293A (zh) * 2015-12-22 2016-11-09 中国计量学院 一种用于图像采集系统优化设计的图像可分割性评价方法
CN106780534A (zh) * 2016-12-07 2017-05-31 西安邮电大学 基于类间相对均匀性的图像自适应阈值化方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《Infrared image segmentation method based on 2D histogram》;Songtao Liu1 et al.;《Journal of Systems Engineering and Electronics》;20130630;第24卷(第03期);全文 *
《海天背景下的空中红外弱小目标检测技术研究》;李义;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130215(第2013年第02期);全文 *

Also Published As

Publication number Publication date
CN107610144A (zh) 2018-01-19

Similar Documents

Publication Publication Date Title
CN107610144B (zh) 一种改进的基于最大类间方差法的红外图像分割方法
US20180150725A1 (en) Image recognition apparatus, image recognition method, and program
CN109978848B (zh) 基于多光源颜色恒常模型检测眼底图像中硬性渗出的方法
CN114399522A (zh) 一种基于高低阈值的Canny算子的边缘检测方法
CN106097256B (zh) 一种基于图像盲去模糊的视频图像模糊度检测方法
CN107133929A (zh) 基于背景估计和能量最小化的低质量文档图像二值化方法
CN109242032B (zh) 一种基于深度学习的目标检测方法
CN107609558A (zh) 文字图像处理方法及装置
CN102609903B (zh) 一种基于边缘流的活动轮廓模型图像分割的方法
CN106023097B (zh) 一种基于迭代法的流场图像预处理方法
CN108205678B (zh) 一种含有亮斑干扰的铭牌文字识别处理方法
Patvardhan et al. Document image denoising and binarization using Curvelet transform for OCR applications
CN107704864B (zh) 基于图像对象性语义检测的显著目标检测方法
Khan et al. Shadow removal from digital images using multi-channel binarization and shadow matting
Gasparyan et al. Iterative Retinex-Based Decomposition Framework for Low Light Visibility Restoration
Sanap et al. License plate recognition system for Indian vehicles
CN111489371B (zh) 一种场景的直方图近似单峰分布时的图像分割方法
Francis et al. Feature enhancement and denoising of a forensic shoeprint dataset for tracking wear-and-tear effects
Wagdy et al. Degradation enhancement for the captured document image using retinex theory
CN109389586A (zh) 基于相位谱的图像模糊检测方法
AL-Khatatneh et al. Compound binarization for degraded document images
Peng et al. Binarization of camera-captured document using a MAP approach
Lee et al. A restoration method for distorted comics to improve comic contents identification
Zhang et al. Using Gaussian Kernels to Remove Uneven Shading from a Document Image
Jindal et al. Degraded Document Image Binarization using Novel Background Estimation Technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant