CN107705314A - 一种基于灰度分布的多物体图像分割方法 - Google Patents
一种基于灰度分布的多物体图像分割方法 Download PDFInfo
- Publication number
- CN107705314A CN107705314A CN201711057747.0A CN201711057747A CN107705314A CN 107705314 A CN107705314 A CN 107705314A CN 201711057747 A CN201711057747 A CN 201711057747A CN 107705314 A CN107705314 A CN 107705314A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- mfrac
- sigma
- curve
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于灰度分布的多物体图像分割方法,属于图像处理技术领域,针对最大类间方差法难以应用在多物体图像分割中的问题,采用的技术方案是:将确定多物体图像中的分类数问题转换成求解曲线图密度函数的波峰和波谷的个数问题,为此,需要统计图片中每个灰度值的出现次数并绘制波浪形状的灰度分布曲线图,通过对灰度分布曲线进行离散的高斯卷积,同时,对灰度分布曲线进行高斯函数各阶导数的卷积,然后在灰度分布曲线上找到波峰和波谷的位置,以自动确定需要分割的数目以及进行图像分割的多个灰度阀值。本发明操作方便,实施快捷,尤其适用于对多物体图像进行分割。
Description
技术领域
本发明涉及图像处理技术领域,具体地说是一种基于灰度分布的多物体图像分割方法。
背景技术
图像分割是物体识别等许多研究的重要步骤。图像分割主要是把图像划分成若干个有独特性质的区域并提取出有价值的目标的过程。通过图像分割提取出的前景物体或者目标物体可以用在基于图像的语义识别、图像搜索等研究领域。在现有的图像分割算法中,基于阀值的图像分割方法计算简单、速度快、运算效率较高,并且应用最为广泛。
在基于阀值的图像分割算法中,最大类间方差法是应用最为广泛的一种算法。最大类间方差法是按照图像的灰度特性,将图像分成背景和前景目标两个部分,前景和背景之间的类间方差如果越大,就说明构成图像的两个部分之间的差别越大。
最大类间方差法的基本思想是:假设一副灰度图像中仅有单一的前景、和单一的背景两个部分组成,对于需要选取阀值将两部分区域区分开的图片,首先计算整幅图像的灰度分布图,将灰度值的统计直方图分成两部分,通过求解每个阀值所划分出的两部分的方差,进行比较并选取最优的阈值。然而,对于多种前景物体且灰度差异较大的图像中存在的问题,例如,需要多个灰度阀值来区分不同灰度的前景物体等问题,仅仅通过最大类间方差法等算法很难自动的判断需要确定的分类数目、需要划分的灰度级别、以及需要分割的物体个数等。
发明内容
本发明的技术任务是解决现有技术的不足,针对最大类间方差法难以应用在多物体图像分割中的问题,提供一种基于灰度分布的多物体图像分割方法。
本发明解决其技术问题所采用的技术方案是:
一种基于灰度分布的多物体图像分割方法,该方法将确定多物体图像中的分类数问题转换成求解曲线图密度函数的波峰和波谷的个数问题,需要首先统计图片中每个灰度值的出现次数并绘制灰度分布曲线图,该曲线图以波浪形状的曲线描绘灰度的分布信号,然后在波浪形状的曲线上找到波峰和波谷的位置,以自动确定需要分割的数目以及进行图像分割的多个灰度阀值。
所涉及方法的具体实现步骤包括:
Ⅰ)将图片中每个灰度值的出现次数进行统计,从而绘制出波浪形状的灰度分布曲线图;
Ⅱ)按如下方程对灰度分布曲线进行离散的高斯卷积,将波浪状形状的灰度分布曲线进行平滑去噪,得到高斯平滑曲线:
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
Ⅲ)对高斯平滑曲线上所有的波峰进行定位,并鉴定波峰是待定主峰还是待定小峰;
Ⅳ)依据待定小峰与其相邻主峰之间的位置关系,判定该待定小峰为一个独立的波峰或者为其相邻主峰的附属部分;
Ⅴ)调整较小波峰的拐点边界;
Ⅵ)依据相邻两个波峰之间的关系,将每一对分布位置离得很接近的相邻波峰合并为一个波峰;
Ⅶ)过滤去除一些范围较小的、高度较低的波峰;
Ⅷ)定义波峰区域和波谷区域,并将波谷区域的中点选为图像分割的一个阀值,统计所有波峰区域的个数即得到多物体图像最终要划分出的分类个数,所需要的分割阀值即为每个波谷区域的中点所对应的灰度值。
所涉及高斯平滑曲线中σ为奇数,当σ=1,高斯平滑曲线称为微弱平滑去噪曲线。
所涉及步骤Ⅲ)中,鉴定波峰是待定主峰还是待定小峰的具体操作为:
1)对灰度分布曲线按照如下方程进行高斯一阶导数卷积,并计算得到高斯平滑曲线上的极值点,即卷积值等于0时对应的点,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
2)对灰度分布曲线按照如下方程进行高斯二阶导数卷积,并计算得到高斯平滑曲线上的拐点,即卷积值等于0时对应的点,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
3)通过计算得到的极值点和拐点鉴定波峰:如果一对拐点的中间存在一个极大值点,则鉴定为待定主峰;如果一对拐点的中间不存在极大值,则鉴定为待定小峰。
所涉及步骤Ⅳ)中,待定小峰与其相邻主峰之间的位置关系包括两者的距离和峰高的比例,以及待定小峰上最弯曲的点和相邻主峰上最接近的拐点之间的高斯平滑曲线的形状特征。
所涉及高斯平滑曲线的形状特征包括:高斯平滑曲线的凹凸程度、灰度分布曲线和高斯平滑曲线之间的相关性,其中,高斯平滑曲线的凹的程度越高表明这个小峰越有可能是一个独立的波峰,灰度分布曲线和高斯平滑曲线之间的相关性越高意味着这个小峰越有可能是相邻主峰的附属部分。
在上述陈述中,获得待定小峰上最弯曲的点的具体操作为:
对灰度分布曲线按照如下方程进行高斯三阶导数卷积,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算卷积值为0时所对应的点,该点所对应的位置即为高斯平滑曲线上最弯曲的位置。
所涉及Ⅴ)中,调整拐点边界的具体操作为:
对灰度分布曲线按照如下方程进行高斯二阶导数卷积,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算微弱平滑去噪曲线上的拐点,以调整较小波峰的拐点边界。
所涉及步骤Ⅵ)中,相邻两个波峰之间的关系包括相邻两个波峰中点到中点的距离、波谷的长度、两个波峰的高度比例、波谷位置上高斯平滑曲线的下凹程度。
实施步骤Ⅶ)的判定条件包括:高斯平滑曲线的上凸程度、两个拐点之间的长度、波峰区域内最长的一段高斯-拉普拉斯算子卷积为负值的片段长度。太小的波峰即可被判断为平滑区域而被并入相邻区域。
本发明的一种基于灰度分布的多物体图像分割方法与现有技术相比所产生的有益效果是:
1)本发明将确定多物体图像中的分类数问题转换成求解曲线图密度函数的波峰和波谷的个数问题,通过对绘制的波浪形状灰度分布曲线进行离散的高斯卷积,同时,对灰度分布曲线进行高斯函数各阶导数的卷积,找出灰度分布曲线的波峰和波谷位置,最终实现自动确定需要分割的数目以及进行图像分割的多个灰度阀值;
2)本发明操作方便,实施快捷,尤其适用于对多物体图像进行分割。
附图说明
附图1是本发明所要进行分割的原始图片;
附图2是根据图1绘制得到的波浪形状的灰度分布曲线图;
附图3是对图2进行离散高斯卷积后得到的高斯平滑曲线图;
附图4是本发明的微弱平滑去噪曲线图;
附图5是本发明的标注有极值点的高斯平滑曲线图;
附图6是本发明的标注有拐点的高斯平滑曲线图。
具体实施方式
下面将参照说明书附图更详细的描述本公开的示例性实施例。虽然说明书附图显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明的一种基于灰度分布的多物体图像分割方法,该方法将确定多物体图像中的分类数问题转换成求解曲线图密度函数的波峰和波谷的个数问题,需要首先统计图片中每个灰度值的出现次数并绘制灰度分布曲线图,该曲线图以波浪形状的曲线描绘灰度的分布信号,然后在波浪形状的曲线上找到波峰和波谷的位置,以自动确定需要分割的数目以及进行图像分割的多个灰度阀值。
以附图1所示图片为例,所涉及方法的具体实现步骤包括:
Ⅰ)将附图1所示图片中每个灰度值的出现次数进行统计,从而绘制出波浪形状的灰度分布曲线图,参考附图2;
Ⅱ)按如下方程对灰度分布曲线进行离散的高斯卷积,将波浪状形状的灰度分布曲线进行平滑去噪,得到高斯平滑曲线,参考附图3;
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
Ⅲ)对高斯平滑曲线上所有的波峰进行定位,并鉴定波峰是待定主峰还是待定小峰;
Ⅳ)依据待定小峰与其相邻主峰之间的位置关系,判定该待定小峰为一个独立的波峰或者为其相邻主峰的附属部分;
Ⅴ)调整较小波峰的拐点边界;
Ⅵ)依据相邻两个波峰之间的关系,将每一对分布位置离得很接近的相邻波峰合并为一个波峰;
Ⅶ)过滤去除一些范围较小的、高度较低的波峰;
Ⅷ)定义波峰区域和波谷区域,并将波谷区域的中点选为图像分割的一个阀值,统计所有波峰区域的个数即得到多物体图像最终要划分出的分类个数,所需要的分割阀值即为每个波谷区域的中点所对应的灰度值。
所涉及高斯平滑曲线中σ为奇数,参考附图3,本实施例优选σ的取值为3,这样的话,平滑去噪区间[x–3σ,x+3σ]的实际取值为区间[x–9,x+9]。当σ=1,高斯平滑曲线称为微弱平滑去噪曲线,参考附图4。
所涉及步骤Ⅲ)中,鉴定波峰是待定主峰还是待定小峰的具体操作为:
1)对灰度分布曲线按照如下方程进行高斯一阶导数卷积,并计算得到高斯平滑曲线上的极值点,即卷积值等于0时对应的点,参考附图5,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
2)对灰度分布曲线按照如下方程进行高斯二阶导数卷积,并计算得到高斯平滑曲线上的拐点,即卷积值等于0时对应的点,参考附图6,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
3)通过计算得到的极值点和拐点鉴定波峰:如果一对拐点的中间存在一个极大值点,则鉴定为待定主峰;如果一对拐点的中间不存在极大值,则鉴定为待定小峰。
所涉及步骤Ⅳ)中,待定小峰与其相邻主峰之间的位置关系包括两者的距离和峰高的比例,以及待定小峰上最弯曲的点和相邻主峰上最接近的拐点之间的高斯平滑曲线的形状特征。
所涉及高斯平滑曲线的形状特征包括:高斯平滑曲线的凹凸程度、灰度分布曲线和高斯平滑曲线之间的相关性,其中,高斯平滑曲线的凹的程度越高表明这个小峰越有可能是一个独立的波峰,灰度分布曲线和高斯平滑曲线之间的相关性越高意味着这个小峰越有可能是相邻主峰的附属部分。
在上述陈述中,获得待定小峰上最弯曲的点的具体操作为:
对灰度分布曲线按照如下方程进行高斯三阶导数卷积,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算卷积值为0时所对应的点,该点所对应的位置即为高斯平滑曲线上最弯曲的位置。
所涉及Ⅴ)中,调整拐点边界的具体操作为:
对灰度分布曲线按照如下方程进行高斯二阶导数卷积,
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算微弱平滑去噪曲线上的拐点,即卷积值等于0时对应的点,以调整较小波峰的拐点边界。
所涉及步骤Ⅵ)中,相邻两个波峰之间的关系包括相邻两个波峰中点到中点的距离、波谷的长度、两个波峰的高度比例、波谷位置上高斯平滑曲线的下凹程度。
实施步骤Ⅶ)的判定条件包括:高斯平滑曲线的上凸程度、两个拐点之间的长度、波峰区域内最长的一段高斯-拉普拉斯算子卷积为负值的片段长度。太小的波峰即可被判断为平滑区域而被并入相邻区域
尽管根据有限数量的实施例描述了本发明,但是,受益于上面的描述,本技术领域的技术人员应该明白,在由此描述的本发明的范围内,可以设想其他实施例。
此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说,许多修改和变更都是显而易见的。对于本发明的范围,本发明所做的公开是说明性的而非限制性的,本发明的范围由所附权利要求书限定。
Claims (10)
1.一种基于灰度分布的多物体图像分割方法,其特征在于,该方法将确定多物体图像中的分类数问题转换成求解曲线图密度函数的波峰和波谷的个数问题,需要首先统计图片中每个灰度值的出现次数并绘制灰度分布曲线图,该曲线图以波浪形状的曲线描绘灰度的分布信号,然后在波浪形状的曲线上找到波峰和波谷的位置,以自动确定需要分割的数目以及进行图像分割的多个灰度阀值。
2.根据权利要求1所述的一种基于灰度分布的多物体图像分割方法,其特征在于,该方法的具体实现步骤包括:
Ⅰ)将图片中每个灰度值的出现次数进行统计,从而绘制出波浪形状的灰度分布曲线图;
Ⅱ)按如下方程对灰度分布曲线进行离散的高斯卷积,将波浪状形状的灰度分布曲线进行平滑去噪,得到高斯平滑曲线:
<mrow>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
Ⅲ)对高斯平滑曲线上所有的波峰进行定位,并鉴定波峰是待定主峰还是待定小峰;
Ⅳ)依据待定小峰与其相邻主峰之间的位置关系,判定该待定小峰为一个独立的波峰或者为其相邻主峰的附属部分;
Ⅴ)调整较小波峰的拐点边界;
Ⅵ)依据相邻两个波峰之间的关系,将每一对分布位置离得很接近的相邻波峰合并为一个波峰;
Ⅶ)过滤去除一些范围较小的、高度较低的波峰;
Ⅷ)定义波峰区域和波谷区域,并将波谷区域的中点选为图像分割的一个阀值,统计所有波峰区域的个数即得到多物体图像最终要划分出的分类个数,所需要的分割阀值即为每个波谷区域的中点所对应的灰度值。
3.根据权利要求2所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述高斯平滑曲线中σ为奇数,当σ=1,高斯平滑曲线称为微弱平滑去噪曲线。
4.根据权利要求2所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述步骤Ⅲ)中,鉴定波峰是待定主峰还是待定小峰的具体操作为:
1)对灰度分布曲线按照如下方程进行高斯一阶导数卷积,并计算得到高斯平滑曲线上的极值点,
<mrow>
<mfrac>
<mi>d</mi>
<mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>*</mo>
<mi>g</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<mi>d</mi>
<mrow>
<mi>d</mi>
<mi>x</mi>
</mrow>
</mfrac>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
2)对灰度分布曲线按照如下方程进行高斯二阶导数卷积,并计算得到高斯平滑曲线上的拐点,
<mrow>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>*</mo>
<mi>g</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
3)通过计算得到的极值点和拐点鉴定波峰:如果一对拐点的中间存在一个极大值点,则鉴定为待定主峰;如果一对拐点的中间不存在极大值,则鉴定为待定小峰。
5.根据权利要求4所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述步骤Ⅳ)中,所述待定小峰与其相邻主峰之间的位置关系包括两者的距离和峰高的比例,以及待定小峰上最弯曲的点和相邻主峰上最接近的拐点之间的高斯平滑曲线的形状特征。
6.根据权利要求5所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述高斯平滑曲线的形状特征包括:高斯平滑曲线的凹凸程度、灰度分布曲线和高斯平滑曲线之间的相关性。
7.根据权利要求5所述的一种基于灰度分布的多物体图像分割方法,其特征在于,获得待定小峰上最弯曲的点的具体操作为:
对灰度分布曲线按照如下方程进行高斯三阶导数卷积,
<mrow>
<mfrac>
<msup>
<mi>d</mi>
<mn>3</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>*</mo>
<mi>g</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<msup>
<mi>d</mi>
<mn>3</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>3</mn>
</msup>
</mrow>
</mfrac>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mn>3</mn>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
</mfrac>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>3</mn>
</msup>
<msup>
<mi>&sigma;</mi>
<mn>6</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算卷积值为0时所对应的点,该点所对应的位置即为高斯平滑曲线上最弯曲的位置。
8.根据权利要求3所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述Ⅴ)中,调整拐点边界的具体操作为:
对灰度分布曲线按照如下方程进行高斯二阶导数卷积,
<mrow>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>*</mo>
<mi>g</mi>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mfrac>
<msup>
<mi>d</mi>
<mn>2</mn>
</msup>
<mrow>
<msup>
<mi>dx</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msup>
<mi>&pi;&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>x</mi>
<mo>-</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>3</mn>
<mi>&sigma;</mi>
</mrow>
</munderover>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mi>&sigma;</mi>
<mn>4</mn>
</msup>
</mfrac>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mfrac>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中,x为灰度值,f(x)表示灰度值为x的像素点的个数,g(x)表示高斯分布函数;
并计算微弱平滑去噪曲线上的拐点,以调整较小波峰的拐点边界。
9.根据权利要求2所述的一种基于灰度分布的多物体图像分割方法,其特征在于,所述步骤Ⅵ)中,相邻两个波峰之间的关系包括相邻两个波峰中点到中点的距离、波谷的长度、两个波峰的高度比例、波谷位置上高斯平滑曲线的下凹程度。
10.根据权利要求4所述的一种基于灰度分布的多物体图像分割方法,其特征在于,实施步骤Ⅶ)的判定条件包括:高斯平滑曲线的上凸程度、两个拐点之间的长度、波峰区域内最长的一段高斯-拉普拉斯算子卷积为负值的片段长度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711057747.0A CN107705314B (zh) | 2017-11-01 | 2017-11-01 | 一种基于灰度分布的多物体图像分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711057747.0A CN107705314B (zh) | 2017-11-01 | 2017-11-01 | 一种基于灰度分布的多物体图像分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705314A true CN107705314A (zh) | 2018-02-16 |
CN107705314B CN107705314B (zh) | 2020-07-21 |
Family
ID=61177510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711057747.0A Active CN107705314B (zh) | 2017-11-01 | 2017-11-01 | 一种基于灰度分布的多物体图像分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705314B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109300178A (zh) * | 2018-09-11 | 2019-02-01 | 广东智媒云图科技股份有限公司 | 一种基于自动素描的纪念图生成系统 |
CN109325986A (zh) * | 2018-09-11 | 2019-02-12 | 广东智媒云图科技股份有限公司 | 一种素描的绘制方法及装置 |
CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
CN111060887A (zh) * | 2019-11-05 | 2020-04-24 | 哈尔滨工业大学 | 一种基于凹凸搜索的Gm-APD激光雷达低信噪比回波数据信号提取方法 |
CN111060540A (zh) * | 2019-12-18 | 2020-04-24 | 汇鸿智能科技(辽宁)有限公司 | 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法 |
CN111368844A (zh) * | 2020-03-10 | 2020-07-03 | 浙江中科锐晨智能科技有限公司 | 一种基于bse图的矿物颗粒自动识别方法 |
CN111899271A (zh) * | 2019-12-16 | 2020-11-06 | 西北工业大学 | 一种图像分割和超声波探伤仪的自动检定的方法及系统 |
CN112414316A (zh) * | 2020-10-28 | 2021-02-26 | 西北工业大学 | 一种应变片敏感栅尺寸参数测量方法 |
CN112446894A (zh) * | 2020-12-04 | 2021-03-05 | 沈阳工业大学 | 基于方向空间的图像分割方法 |
CN112801108A (zh) * | 2021-02-22 | 2021-05-14 | 浪潮云信息技术股份公司 | 一种单模板工作流预处理优化方法 |
CN114359527A (zh) * | 2021-12-31 | 2022-04-15 | 广东三维家信息科技有限公司 | 一种图形数据的三角化处理方法及系统 |
CN114897923A (zh) * | 2022-05-25 | 2022-08-12 | 中国海洋大学 | 天然气水合物ct图像阈值分割方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871047A (zh) * | 2013-12-31 | 2014-06-18 | 江南大学 | 光照不均匀图像的灰度波动阈值分割方法 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN106529543A (zh) * | 2016-11-02 | 2017-03-22 | 徐庆 | 一种动态计算多色级二值化自适应阈值的方法及其系统 |
-
2017
- 2017-11-01 CN CN201711057747.0A patent/CN107705314B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103871047A (zh) * | 2013-12-31 | 2014-06-18 | 江南大学 | 光照不均匀图像的灰度波动阈值分割方法 |
CN105654501A (zh) * | 2016-02-22 | 2016-06-08 | 北方工业大学 | 基于模糊阈值的自适应图像分割方法 |
CN106529543A (zh) * | 2016-11-02 | 2017-03-22 | 徐庆 | 一种动态计算多色级二值化自适应阈值的方法及其系统 |
Non-Patent Citations (4)
Title |
---|
WEI WEI,ET AL.: "A Local Threshold Segmentation Method Based on Multi-direction Grayscale Wave", 《 2010 FIFTH INTERNATIONAL CONFERENCE ON FRONTIER OF COMPUTER SCIENCE AND TECHNOLOGY》 * |
张赫: "基于波谷相对信息的阈值分割算法研究", 《中国优秀硕士学位论文全文数据库·信息科技辑》 * |
许文韬,等: "主体对象可控的渐进式色彩传递", 《计算机工程》 * |
魏巍,等: "工业检测图像灰度波动变换自适应阈值分割算法", 《自动化学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325986A (zh) * | 2018-09-11 | 2019-02-12 | 广东智媒云图科技股份有限公司 | 一种素描的绘制方法及装置 |
CN109300178A (zh) * | 2018-09-11 | 2019-02-01 | 广东智媒云图科技股份有限公司 | 一种基于自动素描的纪念图生成系统 |
CN110443807A (zh) * | 2019-06-27 | 2019-11-12 | 中国地质大学(武汉) | 一种基于亮度均衡的光照不均匀图像阈值分割方法 |
CN110288588A (zh) * | 2019-07-01 | 2019-09-27 | 齐鲁工业大学 | 基于灰度方差和标准差的视网膜图像血管分割方法及系统 |
CN111060887B (zh) * | 2019-11-05 | 2022-02-22 | 哈尔滨工业大学 | 一种基于凹凸搜索的Gm-APD激光雷达低信噪比回波数据信号提取方法 |
CN111060887A (zh) * | 2019-11-05 | 2020-04-24 | 哈尔滨工业大学 | 一种基于凹凸搜索的Gm-APD激光雷达低信噪比回波数据信号提取方法 |
CN111899271B (zh) * | 2019-12-16 | 2022-04-05 | 西北工业大学 | 一种图像分割和超声波探伤仪的自动检定的方法及系统 |
CN111899271A (zh) * | 2019-12-16 | 2020-11-06 | 西北工业大学 | 一种图像分割和超声波探伤仪的自动检定的方法及系统 |
CN111060540A (zh) * | 2019-12-18 | 2020-04-24 | 汇鸿智能科技(辽宁)有限公司 | 一种夹杂物自动识别系统中夹杂物颗粒自动识别方法 |
CN111368844A (zh) * | 2020-03-10 | 2020-07-03 | 浙江中科锐晨智能科技有限公司 | 一种基于bse图的矿物颗粒自动识别方法 |
CN112414316A (zh) * | 2020-10-28 | 2021-02-26 | 西北工业大学 | 一种应变片敏感栅尺寸参数测量方法 |
CN112414316B (zh) * | 2020-10-28 | 2022-04-08 | 西北工业大学 | 一种应变片敏感栅尺寸参数测量方法 |
CN112446894A (zh) * | 2020-12-04 | 2021-03-05 | 沈阳工业大学 | 基于方向空间的图像分割方法 |
CN112446894B (zh) * | 2020-12-04 | 2024-03-26 | 沈阳工业大学 | 基于方向空间的图像分割方法 |
CN112801108A (zh) * | 2021-02-22 | 2021-05-14 | 浪潮云信息技术股份公司 | 一种单模板工作流预处理优化方法 |
CN114359527A (zh) * | 2021-12-31 | 2022-04-15 | 广东三维家信息科技有限公司 | 一种图形数据的三角化处理方法及系统 |
CN114897923A (zh) * | 2022-05-25 | 2022-08-12 | 中国海洋大学 | 天然气水合物ct图像阈值分割方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107705314B (zh) | 2020-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705314A (zh) | 一种基于灰度分布的多物体图像分割方法 | |
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN109636784B (zh) | 基于最大邻域和超像素分割的图像显著性目标检测方法 | |
CN102646193B (zh) | 一种环形排布字符图像分割方法 | |
CN109741356B (zh) | 一种亚像素边缘检测方法及系统 | |
CN110766689A (zh) | 基于卷积神经网络进行物品图像缺陷检测的方法及装置 | |
CN102324099B (zh) | 一种面向仿人机器人的台阶边缘检测方法 | |
CN102568007A (zh) | 利用改进霍夫变换进行类圆形检测的图像处理方法 | |
CN101526994B (zh) | 一种与采集设备无关的指纹图像分割方法 | |
US8983199B2 (en) | Apparatus and method for generating image feature data | |
CN108615239B (zh) | 基于阈值技术和灰度投影的舌图像分割方法 | |
CN111881801B (zh) | 基于不变检测策略的新增建设用地遥感监测方法及设备 | |
CN114943736A (zh) | 一种汽车散热翅片生产质量检测方法及系统 | |
CN103440488A (zh) | 一种虫害识别的方法 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN111191646A (zh) | 一种指针式仪表的智能识别方法 | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
CN110910367A (zh) | 生物反应器细胞培养质量评价方法 | |
CN112991283A (zh) | 基于超像素的柔性ic基板线宽检测方法、介质和设备 | |
CN114648511A (zh) | 一种大肠杆菌轮廓的精确提取及识别方法 | |
CN103955950A (zh) | 一种利用关键点特征匹配的图像跟踪方法 | |
CN111738931A (zh) | 光伏阵列无人机航拍图像的阴影去除算法 | |
CN102096826A (zh) | 基于真实似然特征的多分辨率遥感图像复合分类方法 |
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 |