CN107945186A - 分割图像的方法、装置、计算机可读存储介质和终端设备 - Google Patents

Abstract

本发明属于图像处理领域，提供了一种图像分割方法、装置、计算机可读存储介质和终端设备，以增强模糊且带有噪声的图像分割的鲁棒性。所述方法包括：将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；对第一图像进行均值滤波，以获取第二图像；根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum；以阈值t_optimum为分割阈值对待分割图像进行分割。本发明提供的技术方案一方面可以有效减小不均匀灰度分布造成的影响，另一方面可以有效解决不同噪声等级下模糊图像的分割问题，对带有噪声的图像有着更好的鲁棒性。

Description

分割图像的方法、装置、计算机可读存储介质和终端设备

技术领域

本发明属于图像处理领域，尤其涉及一种分割图像的方法、装置、计算机可读存储介质和终端设备。

背景技术

图像分割技术是图像处理、视觉分析和理解任务的重要步骤之一，而阈值分割方法因为其简单和高效的特性，被广泛应用于医学图像分割、工业视觉检测和文本图像二值化等领域。然而，由于采集设备的限制和环境的影响，会产生模糊和带噪声的图像，而对于这一类图像，自动选择准确和鲁棒性的阈值仍然是具有挑战性的工作。

过去的几十年里，许多学者提出了不同的自适应阈值选择方法，包括全局最优阈值法和局部阈值方法两个大类。Otsu的方法是自动阈值分割领域最为经典的方法之一，其工作原理是通过最小化类内方差来选择最优阈值，然而，对于图像直方图上两个方差相差较大的波峰的情况，Otsu的方法所选择的阈值将会偏向方差较大的波峰方向。究其原因，Otsu的方法只用了图像像素的统计信息，而忽视了对图像中空间信息的考虑。为了将一幅图像的空间信息和统计信息进行融合，又提出了一种所谓最小化基于类不确定性和区域均匀性的能量函数(MHUE)法，该方法通过最小化由类不确定性和区域均匀性共同构成的能量函数，来选择最优阈值。对于CT、MRI等模糊的图像，相比其他阈值分割方法，MHUE法有着无可比拟的优势。受MHUE法的启发，一种新的方法是利用图像灰度梯度信息，与类不确定性理论共同构建了新的能量函数，最优阈值的搜索空间由一维变换到二维，该方法可以有效解决模糊医学影响的多阈值分割问题。

以上是全局阈值分割的方法。然而，对于噪声度极高的图像和在不均匀光照下采集到的图像，全局阈值方法往往难以达到较好的分割效果。此时，局部阈值分割方法将成为一种有效的方式。Niblack通过计算局部邻域的均值和方差来获得局部阈值，这种方法在某些特定的问题上取得了比全局阈值分割更好的分割结果。为了解决不均匀光照下的文本图像的二值化问题，又有人提出了一种基于像素邻域的方法，该方法利用不同的分割准则，将一幅图像分为几个不同的类别，进而产生多个阈值。基于Otsu的方法，一种新的方法是采用迭代方法去解决三类阈值分个问题，但不同的是，该方法在多个子区域内搜索阈值，而不是把整幅图像当作一个区域去处理。同样基于Otsu的方法，一种新的方法是采用模拟退火法去搜索每个子图像的阈值，这些子图像保存在二叉树的数据结构之中。另一种方法是利用多方向的灰度波动变换将图像映射到新的灰度空间中，再利用Otsu的方法进行分割。这种方法对于在不均匀光照下采集的图像具有很好的分割效果。但该方法对噪声较为敏感，鲁棒性较差。

发明内容

本发明的目的在于提供一种分割图像的方法、装置、计算机可读存储介质和终端设备，以增强模糊且带有噪声的图像分割的鲁棒性。

本发明第一方面提供一种分割图像的方法，所述方法包括：

将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

对所述第一图像进行均值滤波，以获取第二图像；

根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

本发明第二方面提供一种分割图像的装置，所述装置包括：

映射模块，用于将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

滤波模块，用于对所述第一图像进行均值滤波，以获取第二图像；

构造模块，用于根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

分割模块，用于以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

本发明第三方面提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下方法的步骤：

将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

对所述第一图像进行均值滤波，以获取第二图像；

根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

结合本发明第三方面，在本发明第三方面的第一种实施方式中，所述将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像，包括：

获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min；

按照公式计算，得到所述任一像素c在所述待分割图像

经局部灰度映射处理后的灰度K(g(c))，所述g(c)为所述任一像素c在所述待分割图像经局部灰度映射处理前的灰度。

结合本发明第三方面的第一种实施方式，在本发明第三方面的第二种实施方式中，所述获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min，包括：

预设灰度阈值t_s以及以所述任一像素c为中心的局部邻域；

在所述局部邻域内环绕所述中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时所述中心周围的像素的最大灰度值和最小灰度值，所述环绕半径对应的范围不超过所述局部邻域；

若所述获取的最大灰度值和最小灰度值中存在两者差值大于所述灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为所述最大灰度值g_max和最小灰度值g_min。

结合本发明第三方面的第二种实施方式，在本发明第三方面的第三种实施方式中，所述根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum，包括：

根据图像中某像素属于前景的像素和背景的像素的概率，确定图像灰度的类不确定性所述θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)；

根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性所述LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，所述此处，x∈[0，1]，所述S(c)＝1-G_τ(c)，所述所述所述G_x为所述像素c在x方向的梯度，所述G_y为所述像素c在y方向的梯度；

将所述第二图像中的像素c的灰度值f_{ISM_blur}(c)代入所述以构成所述能量函数

求取所述能量函数E(t)的最小值对应的阈值t_optimum。

本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下方法的步骤：

将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

对所述第一图像进行均值滤波，以获取第二图像；

根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

结合本发明第四方面，在本发明第四方面的第一种实施方式中，所述将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像，包括：

获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min；

按照公式计算，得到所述任一像素c在所述待分割图像

经局部灰度映射处理后的灰度K(g(c))，所述g(c)为所述任一像素c在所述待分割图像经局部灰度映射处理前的灰度。

结合本发明第四方面的第一种实施方式，在本发明第四方面的第二种实施方式中，所述获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min，包括：

预设灰度阈值t_s以及以所述任一像素c为中心的局部邻域；

在所述局部邻域内环绕所述中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时所述中心周围的像素的最大灰度值和最小灰度值，所述环绕半径对应的范围不超过所述局部邻域；

若所述获取的最大灰度值和最小灰度值中存在两者差值大于所述灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为所述最大灰度值g_max和最小灰度值g_min。

结合本发明第四方面的第二种实施方式，在本发明第四方面的第三种实施方式中，所述根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum，包括：

根据图像中某像素属于前景的像素和背景的像素的概率，确定图像灰度的类不确定性所述θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)；

根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性所述LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，所述此处，x∈[0，1]，所述S(c)＝1-G_τ(c)，所述所述所述G_x为所述像素c在x方向的梯度，所述G_y为所述像素c在y方向的梯度；

将所述第二图像中的像素c的灰度值f_{ISM_blur}(c)代入所述以构成所述能量函数

求取所述能量函数E(t)的最小值对应的阈值t_optimum。

从上述本发明技术方案可知，一方面，将经过高斯平滑后的待分割图像进行局部灰度映射处理，即将原图像映射到新的灰度空间中，可以有效减小不均匀灰度分布造成的影响；另一方面，将像素灰度的类不确定性理论与区域稳定性理论相结合，根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)，由于能量函数E(t)既考虑了图像的统计信息，又兼顾了图像的空间分布信息，因而可以有效解决不同噪声等级下模糊图像的分割问题，对带有噪声的图像有着更好的鲁棒性。

附图说明

图1是本发明实施例提供的分割图像的方法的实现流程示意图；

图2本发明实施例提供的获取局部邻域像素灰度最大值和最小值得环形搜索算法的示意图；

图3是本发明实施例提供的分割图像的装置的结构示意图；

图4是本发明另一实施例提供的分割图像的装置的结构示意图；

图5是本发明另一实施例提供的分割图像的装置的结构示意图；

图6是本发明另一实施例提供的分割图像的装置的结构示意图；

图7是本发明实施例提供的终端设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明的技术方案，下面通过具体实施例来进行说明。

附图1是本发明实施例提供的分割图像的方法的实现流程示意图，主要包括以下步骤S101至S104，以下详细说明：

S101，将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像。

受成像设备和/或采集环境的影响，图像可能会出现模糊、噪声等现象。在模糊和带噪声的图像中，某一个像素的值，在一个区域内属于前景，很可能在另一区域内属于背景。但对于人眼而言，依旧可以很好地区分出背景与前景，这是因为前景和背景终归是有灰度差的。基于这一事实，在本发明实施例中，可以将原图像的灰度映射到新的灰度空间中，即，将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像，从而突出局部灰度的差异，减小整幅图像由于不均匀明暗所造成的影响。

具体地，作为本发明一个实施例，将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像可以通过如下步骤S1011和S1012实现：

S1011，获取经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min。

由于局部灰度最大值和最小值的差值应该大于某一灰度阈值t_s，否则局部灰度映射将达不到减少不均匀光照影响的效果，因此，邻域的大小需要动态调整，例如，邻域由小变大，直到局部灰度最大值和最小值的差值达到灰度阈值t_s为止。基于上述事实，在本发明一个实施例中，获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min可通过如下步骤S1至S3实现：。

S1，预设灰度阈值t_s以及以待分割图像中任一像素c为中心的局部邻域。

S2，在局部邻域内环绕所述中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时中心周围的像素的最大灰度值和最小灰度值，其中，环绕半径对应的范围不超过局部邻域。

S3，若所述获取的最大灰度值和最小灰度值中存在两者差值大于所述灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为所述最大灰度值g_max和最小灰度值g_min。

如附图2所示，是待分割图像中任一像素c为中心的局部邻域示意图。为了描述的方便，像素c的周围像素从1至49编号，环绕方向如图中带箭头的虚线所示。在第一轮环绕中，获取编号为1至8的像素中最大灰度值和最小灰度值；第一轮环绕结束，扩大环绕半径，开始第二轮环绕，在第二轮环绕时，获取编号为9至24的像素中最大灰度值和最小灰度值；第二轮环绕结束，扩大环绕半径，开始第三轮环绕，在第二轮环绕时，获取编号为25至49的像素中最大灰度值和最小灰度值；后面每一轮的环绕都如前面三轮环绕类似，直至获取的最大灰度值和最小灰度值中存在两者差值大于灰度阈值t_s，才确定此时获取的最大灰度值和最小灰度值分别为最大灰度值g_max和最小灰度值g_min，至此，结束算法。例如，若在第三轮环绕时，编号为31的像素的灰度值最大，编号为40的像素的灰度值最小，且两者的差值大于预设的灰度阈值t_s，则确定编号为31的像素的灰度值待分割图像中任一像素c的局部邻域内最大灰度值g_max，编号为40的像素的灰度值为待分割图像中任一像素c的局部邻域内最小灰度值g_min。

需要说明的是，附图2示出的每一轮环绕方向都是顺时针方向，但不应视为对本发明实施方式的限制，即环绕方向可以都是逆时针方向，也可以部分是顺时针方向，部分是逆时针方向。

S1012，按照公式计算，得到待分割图像中任一像素c在待分割图像经局部灰度映射处理后的灰度K(g(c))，g(c)为待分割图像中任一像素c在待分割图像经局部灰度映射处理前的灰度。

S102，对经步骤S101获取的第一图像进行均值滤波，以获取第二图像。

S103，根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum。

对应于前述步骤S1011至S1012以及S1至S3的实施例，作为本发明一个实施例，根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum可通过如下步骤S1031至S1033实现：

S1031，根据图像中某像素属于前景的像素和背景的像素的概率，确定像素灰度的类不确定性其中，θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)。

具体地，S1031的实现方案详细描述如下：

在一幅带有模糊边界的图像中，在最优分割的情况下，像素灰度的类不确定性较大的地方出现在背景与前景的交界处。换言之，像素灰度的类不确定性反应了图像的边界信息。

某一像素灰度值的类不确定性如公式(2)所示：

其中，H(g)表示灰度g的类不确定性值，θ表示一个像素属于前景的像素的概率，1—θ表示一个像素属于背景的像素的概率。p(g)表示一个像素具有灰度值g的概率，p_o(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b(g)表示一个像素属于背景的像素且其灰度值等于g的概率。

在阈值t的条件下，令F_o,t和F_b,t分别表示一幅图像的像素属于前景和背景的集合，C表示整幅图像的像素集合，|M|表示集合M中元素的个数，则在阈值t条件下，像素属于前景的概率为：

此处，引入集合Γ＝[MIN,MAX]，其中，MIN表示一幅图像中最小的灰度值，MAX表示一幅图像中最大的灰度值。在阈值t的条件下，可以将p_o(g)和p_b(g)写成概率密度函数的形式，如公式(4)和(5)所示：

其中，m_o(t)和m_b(t)分别表示前景像素的灰度均值和背景像素的灰度均值，σ_o(t)和σ_b(t)分别表示前景像素和背景像素的标准差。

因此，在阈值t的条件下，某一灰度的类不确定性为如公式(6)所示：

其中，p_t(g)如公式(7)所示：

p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)………(7)

S0132，根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性其中，LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，LC(x)＝∑L(y)，此处，x∈[0，1]，S(c)＝1-G_τ(c)，为像素c在x方向的梯度，G_y为像素c在y方向的梯度。

具体地，S1032的实现方案详细描述如下：

像素灰度的区域稳定性可以有效反应图像的灰度空间分布信息。首先利用Sobel算子计算灰度梯度，其x和y方向的计算模板如下所示：

由公式(8)可以计算出每个像素的x方向梯度G_x和y方向的梯度G_y，每个像素的最终灰度梯度G(c)是横向灰度即x方向梯度G_x和纵向灰度即y方向的梯度的平方和开根号，如公式(9)所示。

在计算完整幅图像的梯度信息后，所有像素的梯度G(c)按照从小到大排序，将梯度值排序在前β％的像素的梯度值设置为0，这些排序在前β％的像素的梯度变化较小，因此可以视为噪声。通常，β取0至20。接下来将梯度信息归一化到区间[0，1]内，如公式(10)所示。

其中，G_τ(c)为归一化后的梯度值，G_max和G_min分别表示整幅图像的最大梯度和最小梯度。

区域均匀性S(c)定义如公式(11)所示：

S(c)＝1-G_τ(c)…….(11)

为了减少区域稳定性对参数β的敏感性，我们又使用了一种排序累积归一化的方法，来得到最终的像素的区域稳定性表达式，如公式(12)所示：

其中，此处，x∈[0，1]。

其中，L(y)表示像素c的区域稳定性S(c)＝y的数量，γ是一个集合，该集合中所有的元素都属于区间[0，1]，这样就能保证对于任何像素c，其区域稳定性能够在[0，1]内被找到。

S 1033，将第二图像中的像素c的灰度值f_{ISM_blur}(c)代入以构成能量函数

S1034，求取能量函数E(t)的最小值对应的阈值t_optimum。

由能量函数可知，两种情况下能量函数E(t)的值较大：①当像素灰度的类不确定性和区域稳定性的值都很小；②当像素灰度的类不确定性和区域稳定性的值都很大。除此之外，能量函数的值都较小，因此，能使能量函数最小的阈值t，就是最优阈值t_optimum。

在本发明实施例中，求取能量函数E(t)的最小值对应的阈值t_optimum即t_optimum＝argmin{E(t)|t∈Γ^-}，其中，argmin表示求最小值函数，Γ^-表示阈值的取值空间，即阈值的范围[MIN+2，MAX—1]，MIN和MAX的含义已在前文说明，此处不做赘述。

S104，以经步骤S103求取的阈值t_optimum为分割阈值对待分割图像进行分割。

从上述附图1示例的分割图像的方法可知，一方面，将经过高斯平滑后的待分割图像进行局部灰度映射处理，即将原图像映射到新的灰度空间中，可以有效减小不均匀灰度分布造成的影响；另一方面，将类不确定性理论与区域稳定性理论相结合，根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)，由于能量函数E(t)既考虑了图像的统计信息，又兼顾了图像的空间分布信息，因而可以有效解决不同噪声等级下模糊图像的分割问题，对带有噪声的图像有着更好的鲁棒性。

图3是本发明实施例提供的分割图像的装置的示意图，主要包括映射模块301、滤波模块302、构造模块303和分割模块304，详细说明如下：

映射模块301，用于将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

滤波模块302，用于对第一图像进行均值滤波，以获取第二图像；

构造模块303，用于根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum；

分割模块304，用于以阈值t_optimum为分割阈值对待分割图像进行分割。

需要说明的是，本发明实施例提供的装置，由于与本发明方法实施例基于同一构思，其带来的技术效果与本发明方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

附图3示例的映射模块301可以包括获取单元401和计算单元402，如附图4示例的分割图像的装置，其中：

获取单元401，用于获取经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min；

计算单元402，用于按照公式计算，得到经过高斯平滑后的待分割图像中任一像素c在待分割图像经局部灰度映射处理后的灰度K(g(c))，其中，g(c)为经过高斯平滑后的待分割图像中任一像素c在待分割图像经局部灰度映射处理前的灰度。

附图4示例的获取单元401可以包括预设单元501、最值获取单元502和确定单元503，如附图5示例的分割图像的装置，其中：

预设单元501，用于预设灰度阈值t_s以及以经过高斯平滑后的待分割图像中任一像素c为中心的局部邻域；

最值获取单元502，用于在局部邻域内环绕中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时中心周围的像素的最大灰度值和最小灰度值，其中，环绕半径对应的范围不超过以像素c为中心的局部邻域；

确定单元503，用于若获取的最大灰度值和最小灰度值中存在两者差值大于预设的灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min。

附图5示例的构造模块303可以包括第一确定单元601、第二确定单元602、代入单元603和求取单元604，如附图6示例的分割图像的装置，其中：

第一确定单元601，用于根据图像中某像素属于前景的像素和背景的像素的概率，确定像素灰度的类不确定性其中，θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)；

第二确定单元602，用于根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性所述LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，此处，x∈[0，1]，S(c)＝1-G_τ(c)，G_x为像素c在x方向的梯度，G_y为像素c在y方向的梯度；

代入单元603，用于将第二图像中的像素c的灰度值f_{ISM_blur}(c)代入以构成能量函数

求取单元604，用于求取能量函数E(t)的最小值对应的阈值t_optimum。

图7是本发明一实施例提供的终端设备的结构示意图。如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72，例如分割图像的方法的程序。处理器70执行计算机程序72时实现上述分割图像的方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器70执行计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图3所示映射模块301、滤波模块302、构造模块303和分割模块304的功能。

示例性的，分割图像的方法的计算机程序72主要包括：将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；对获取的第一图像进行均值滤波，以获取第二图像；根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum；以求取的阈值t_optimum为分割阈值对待分割图像进行分割。计算机程序72可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器71中，并由处理器70执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序72在计算设备7中的执行过程。例如，计算机程序72可以被分割成映射模块301、滤波模块302、构造模块303和分割模块304的功能(虚拟装置中的模块)，各模块具体功能如下：映射模块301，用于将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；滤波模块302，用于对第一图像进行均值滤波，以获取第二图像；构造模块303，用于根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum；分割模块304，用于以阈值t_optimum为分割阈值对待分割图像进行分割。

终端设备7可包括但不仅限于处理器70、存储器71。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器71可以是终端设备7的内部存储单元，例如终端设备7的硬盘或内存。存储器71也可以是终端设备7的外部存储设备，例如终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器71还可以既包括终端设备7的内部存储单元也包括外部存储设备。存储器71用于存储计算机程序以及终端设备所需的其他程序和数据。存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，分割图像的方法的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤，即，将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；对获取的第一图像进行均值滤波，以获取第二图像；根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得能量函数E(t)的值最小时对应的阈值t_optimum；以求取的阈值t_optimum为分割阈值对待分割图像进行分割。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种分割图像的方法，其特征在于，所述方法包括：

将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

对所述第一图像进行均值滤波，以获取第二图像；

根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

2.如权利要求1所述的分割图像的方法，其特征在于，所述将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像，包括：

获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min；

按照公式计算，得到所述任一像素c在所述待分割图像经局部灰度映射处理后的灰度K(g(c))，所述g(c)为所述任一像素c在所述待分割图像经局部灰度映射处理前的灰度。

3.如权利要求2所述的分割图像的方法，其特征在于，所述获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min，包括：

预设灰度阈值t_s以及以所述任一像素c为中心的局部邻域；

在所述局部邻域内环绕所述中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时所述中心周围的像素的最大灰度值和最小灰度值，所述环绕半径对应的范围不超过所述局部邻域；

若所述获取的最大灰度值和最小灰度值中存在两者差值大于所述灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为所述最大灰度值g_max和最小灰度值g_min。

4.如权利要求3所述的分割图像的方法，其特征在于，所述根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum，包括：

根据图像中某像素属于前景的像素和背景的像素的概率，确定像素灰度的类不确定性所述θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)；

根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性所述LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，所述此处，x∈[0，1]，所述S(c)＝1-G_τ(c)，所述所述所述G_x为所述像素c在x方向的梯度，所述G_y为所述像素c在y方向的梯度；

将所述第二图像中的像素c的灰度值f_{ISM_blur}(c)代入所述以构成所述能量函数

求取所述能量函数E(t)的最小值对应的阈值t_optimum。

5.一种分割图像的装置，其特征在于，所述装置包括：。

映射模块，用于将经过高斯平滑后的待分割图像进行局部灰度映射处理，以获取第一图像；

滤波模块，用于对所述第一图像进行均值滤波，以获取第二图像；

构造模块，用于根据像素灰度的类不确定性和区域稳定性，构造能量函数E(t)并求取使得所述能量函数E(t)的值最小时对应的阈值t_optimum；

分割模块，用于以所述阈值t_optimum为分割阈值对所述待分割图像进行分割。

6.如权利要求5所述的分割图像的装置，其特征在于，所述映射模块包括：

获取单元，用于获取所述经过高斯平滑后的待分割图像中任一像素c的局部邻域内最大灰度值g_max和最小灰度值g_min；

计算单元，用于按照公式计算，得到所述任一像素c在所述待分割图像经局部灰度映射处理后的灰度K(g(c))，所述g(c)为所述任一像素c在所述待分割图像经局部灰度映射处理前的灰度。

7.如权利要求6所述的分割图像的装置，其特征在于，所述获取单元包括：

预设单元，用于预设灰度阈值t_s以及以所述任一像素c为中心的局部邻域；

最值获取单元，用于在所述局部邻域内环绕所述中心并逐步扩大每一轮环绕的环绕半径，获取每一轮环绕时所述中心周围的像素的最大灰度值和最小灰度值，所述环绕半径对应的范围不超过所述局部邻域；

确定单元，用于若所述获取的最大灰度值和最小灰度值中存在两者差值大于所述灰度阈值t_s，则确定此时获取的最大灰度值和最小灰度值分别为所述最大灰度值g_max和最小灰度值g_min。

8.如权利要求7所述的分割图像的装置，其特征在于，所述构造模块包括：

第一确定单元，用于根据图像中某像素属于前景的像素和背景的像素的概率，确定像素灰度的类不确定性所述θ(t)表示一个像素属于前景的像素的概率，p_o,t(g)表示一个像素属于前景的像素且其灰度值等于g的概率，p_b,t(g)表示一个像素属于背景的像素且其灰度值等于g的概率，p_t(g)＝θ(t)p_o,t(g)+(1-θ(t))p_b,t(g)；

第二确定单元，用于根据图像中像素的最大梯度G_max和最小梯度G_min，确定像素灰度的区域稳定性所述LC(S(c))和LC(1)是分别将x＝S(c)和x＝1代入到LC(x)得到，所述此处，x∈[0，1]，所述S(c)＝1-G_τ(c)，所述所述所述G_x为所述像素c在x方向的梯度，所述G_y为所述像素c在y方向的梯度；

代入单元，用于将所述第二图像中的像素c的灰度值f_{ISM_blur}(c)代入所述以构成所述能量函数

求取单元，用于求取所述能量函数E(t)的最小值对应的阈值t_optimum。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任意一项所述方法的步骤。