CN108830864A - 图像分割方法 - Google Patents

Abstract

一种图像分割方法，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。

Description

图像分割方法

技术领域

本发明属于图像处理技术领域，特别涉及一种图像分割方法

背景技术

现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。

阈值分割是一种常见的直接对图像灰度信息阈值化处理的分割算法，就是简单的用一个或几个阈值将图像灰度直方图进行分类，将灰度值在同一个灰度类内的像素归为同一个物体。

基于区域的图像分割考虑了图像的空间信息，如图像灰度、纹理、颜色和像素统计特性等，进而将目标对象划分为同一区域的分割方法，常见的区域分割方法主要有：区域生长法、分裂合并法和分水岭分割方法。

边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方，这种不连续性称为边缘，不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。

图像分割至今尚无通用的自身理论，随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法，如聚类分析、模糊集理论、基因编码、小波变换等。

专利文献CN107507199A，公开了一种图像分割方法，所述图像分割方法包括：获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组；对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组；计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合；对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组；判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果；若所述第一判断结果表示所述爆炸次数小于所述迭代次数，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数；若所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。

专利文献CN107424162A，公开了一种图像分割方法，包括:获取图像数据；基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘；获取一个模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘；匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘。

专利文献CN107578420A，公开了一种自适应光条图像阈值分割方法。该方法通过传统的固定阈值图像分割方法来分割初始光条区域，获得光条横截面左右边界的列坐标；然后建立图像灰度分布评价系数，根据初始阈值分割结果，计算每行光条横截面的光条横截面能量强度；根据光条分布特征，计算理想光条横截面能量强度的灰度分部水平；再建立与光条图像灰度分布系数正相关的光条图像自适应阈值分割关联模型，以确定光条图像的自适应图像分割阈值，从背景中准确分离出光条区域。该方法提高了随机曲面大型航空构件表面光条的提取精度，避免了局部过曝或者局部光条过暗而导致光条提取困难，光条提取精度不高的问题。

在现有的的图像分割方法的使用中，经常需要面对复杂度高、计算时间长、分割精度不高以及贮存信息所需空间大等问题。

本文涉及的参考文献包括：

[1]周莉莉,姜枫.图像分割方综述研究[J].计算机应用研究,2017,34(07):1921-1928.

[2]林喜兰.图像分割算法研究及其应用[D].江南大学,2016.

[3]雷俊,王立辉,何芸倩,张智.适用于机器人视觉的图像分割方法[J].系统工程与电子技术,2017,39(07):1653-1659.

[4]向凡.基于边缘检测的图像分割技术的研究[J].湖北农机化,2017(05):80.

[5]王超.基于模糊聚类算法的图像分割问题研究[D].山东大学,2017.

[6]王风丽.融合轮廓信息的基于区域的图像分割算法[D].山东大学,2016.

[7]张永梅,巴德凯,邢阔.基于模糊阈值的自适应图像分割方法[J].计算机测量与控制,2016,24(04):126-128+136.

发明内容

本发明的目的是提供一种图像分割方法，通过简化或改变图像的表示形式，把图像分成各具特性的区域并提取出感兴趣的目标，使得图像更容易理解和分析，同时使图像分割的处理时间大大减少，降低计算的复杂性，提高效率，同时保护图像的细节信息。

本发明的实施例之一是，一种图像分割方法，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。

对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。

本发明的实施例针对经典的二维最大熵阈值分割算法计算时间长，贮存信息需要的空间大的问题，在标准二维最大熵阈值分割算法的基础上，提出了一种基于二维最大熵阈值递推的快速算法。简化或改变图像的表示形式，把图像分成各具特性的区域并提取出感兴趣的目标。获得的有益效果之一是，使得图像更容易理解和分析，同时使图像分割的处理时间大大减少，降低计算的复杂性，提高效率，同时保护了图像的细节信息。

同时，本发明实施例还将采用Canny算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中，获得的有益效果之一是，解决了图像中出现的细节丢失等问题。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1本发明实施例中图像的二维灰度分布图。

具体实施方式

本发明的实施例在标准二维最大熵阈值分割算法的基础上，提出了一种基于二维最大熵阈值递推的快速算法，同时还将采用Canny算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中。以此来解决图像中出现的细节丢失等问题。这种改进的算法通过运用递推公式将处理时间大大减少，降低了计算的复杂性，提高了效率，同时也保护了图像的细节信息。

根据一个或多个实施例，基于二维最大熵阈值递推的快速算法对图像进行分割。首先引入熵的概念即二维最大阈值法的分割原理，将图像分割后，对所得熵的和进行计算，在对熵的和进行判断，这样的话就能得到理想的最佳阈值。以二维灰度函数来表示所得图像，像素点设为N×N，像素点的灰度值分为L个等级。首先对原始图像的区域灰度求均值，在实际计算时，选定目标像素与相邻像素为模板，以数据(i,j)表示对应坐标的像素点灰度值与其区域灰度均值，设n_i,j是点灰度为i，区域灰度为j的像素点个数，p_i,j为概率密度，则有：

如图1所示，横坐标为点灰度值，纵坐标轴为区域灰度均值，由此建立图像的二维灰度分布图。(s,t)处表示分割的阈值，如上述二维灰度分布图就可以将其分为4个区域，即A、B、C、D这四个区域。其中，A区代表目标区域，B区为背景像素的分布区域，C代表边界像素点分布，D区为噪声信号分布区。在这，A区与B区是我们所要分割的对象，目标与背景区域为了达到理想的分割效果，对其采用二维最大阈值法，得到最佳阈值。分别用A区和B区的概率进行归一化处理，这样才能够使得熵值具有可加性：

对离散二维熵定义为：

则就可得到A区的二维熵：

又因为：

所以B区的二维熵为：

忽略阈值分割中的噪声和边缘，令C区和D区的p_i,j≈0，C区：i＝s+1,s+2…,L；j＝1,2…,t。D区：i＝1,2…s；j＝t+1,t+2…,L。可得：

P_B＝1-P_A

H_B＝H_L-H_A

则：

H_B＝lg(1-P_A)+(H_L-H_A)/(1-P_A)

熵的判别函数定义为：

φ(s,t)＝H(A)+H(B)

＝H_A/P_A+lgP_A+(H_L-H_A)(1-P_A)+lg(1-P_A)

＝lg[P_A(1-P_A)]+H_A/P_A+(H_L-H_A)/(1-P_A)

对此，选取的最佳阈值满足：

根据一个或多个实施例，采用Canny算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中对图像进行分割。对于经过二维最大熵阈值分割算法处理后的图像为f(x,y)，首先用高斯函数作平滑运算，即平滑后的g(x,y)的梯度为：

由卷积运算特性，有：

采用高斯函数的图像平滑处理，会使原图像边缘模糊化及宽度增加，在这，引入非极大点(Non-Maxima Suppression,NMS)对模糊边缘进行锐化。NMS法能够使边缘变细，主要通过比较边缘邻接像素的梯度幅值，将梯度幅值小的点去掉，也就是梯度幅值的非极大值点被去除，这样就可得到较细的路径边缘。

由于噪声与细纹的存在，图像上存在假边缘，可通过双阈值算法去除。双阈值算法选定T1和T2作为双阈值且T2≈2T1，G1[i,j]与G2[i,j]这两个双阈值边缘图像就可获得。由于高阈值法得到的G2[i,j]边缘图像具有间断的轮廓，但是它优点就是它含有的假边缘较少。然后对G2[i,j]中间断的边缘轮廓进行处理，采用双阈值算法对间断的边缘进行连接，当到达轮廓的端点时，该算法就会在G1[i,j]的邻点位置上寻找连接点。通过此过程，算法不断地将G1[i,j]中的边缘进行收集，直到G2[i,j]中间断边缘连接起来。

根据一个或多个实施例，首先用快速二维最大熵阈值分割算法计算出图像的整体分割阈值(S，T)。然后用Canny边缘检测算子得到图像的边缘。对目标边缘部分上的每一点进行极大噪声抑制，再对边缘图像取两次阈值T0和T1。可以把小于T0的像素灰度值设为0，得到图像A1，然后把阈值小于T1的像素灰度值设为0，得到图像A2。图像A2的阈值较高，除去了绝大部分的噪声，但同时也耗损了一些有效的边缘信息，而图像A1的阈值较低，保存了图像较多的有效信息。在图像A2的基础上，利用加法运算使图像A1补充图像A2的边缘信息。最后在S不变的情况，利用上面求得的阈值T1来对图像进行分割，得到结果图像。

根据前述的实施例，Canny算子能够检测出图像真正的边缘，将Canny算子边缘检测获取的阈值应用到快速二维最大熵分割算法中。由于用二维最大熵阈值分割算法进行分割，获得的是图像的整体阈值，分割出来的效果不好。所以，我们根据图像的边缘信息，在对它大部分背景进行整体阈值分割后，对分割效果不好的图像再进行局部阈值分割，使得整体阈值和局部阈值结合起来。不管是图像的灰度值存在差别，还是图像的亮度或明或暗，总有一些目标在灰度不连续的位置上，而目标边缘可以通过边缘检测算子获得。因此，可以使用Canny算子检测出图像的边缘，然后进行非极大值抑制噪声，最后结合快速二维最大熵分割算法进行图像分割。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (5)

1.一种图像分割方法，其特征在于，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。

2.根据权利要求1所述的种图像分割方法，其特征在于，对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。

3.根据权利要求1所述的图像分割方法，其特征在于，设原始图像为以二维灰度函数来表示的图像，像素点设为N×N，像素点的灰度值分为L个等级，所述的分割方法包括：

首先，对原始图像的区域灰度求均值，以数据(i,j)表示对应坐标的像素点灰度值与其区域灰度均值，设n_i,j是点灰度为i，区域灰度为j的像素点个数，p_i,j为概率密度，则有：

以横坐标为点灰度值，纵坐标轴为区域灰度均值，由此建立图像的二维灰度分布图，(s,t)表示分割的阈值；

将二维灰度分布图分为4个区域，即A、B、C、D这四个区域，其中，A区代表目标区域，B区为背景像素的分布区域，C代表边界像素点分布，D区为噪声信号分布区；

设A区与B区是所要分割的对象，对其采用二维最大阈值法，得到最佳阈值。

4.根据权利要求3所述的图像分割方法，其特征在于，

分别用A区和B区的概率进行归一化处理，：

对离散二维熵定义为：

则就可得到A区的二维熵：

又，

B区的二维熵为：

忽略阈值分割中的噪声和边缘，令C区和D区的p_i,j≈0，

C区：i＝s+1,s+2…,L；j＝1,2…,t，

D区：i＝1,2…s；j＝t+1,t+2…,L，

可得：

P_B＝1-P_A

H_B＝H_L-H_A

则：

H_B＝lg(1-P_A)+(H_L-H_A)/(1-P_A)

根据熵的判别函数定义：

φ(s,t)＝H(A)+H(B)

＝H_A/P_A+lgP_A+(H_L-H_A)/(1-P_A)+lg(1-P_A)

＝lg[P_A(1-P_A)]+H_A/P_A+(H_L-H_A)/(1-P_A)选取的最佳阈值：

5.根据权利要求3和4所述的图像分割方法，其特征在于，设经过最佳阈值优化后经过二次分割的图像为f(x,y)，

首先，对f(x,y)用高斯函数作平滑运算，即平滑后的g(x,y)的梯度为：

由卷积运算特性，有：

采用非极大点(NMS)对模糊边缘进行锐化，

通过双阈值算法去除图像上存在假边缘，方法是：

选定T1和T2作为双阈值且，T2≈2T1，获得G1[i,j]与G2[i,j]这两个双阈值边缘图像。

然后对G2[i,j]中的间断的边缘轮廓进行处理，采用双阈值算法对间断的边缘进行连接，当到达轮廓的端点时，该算法就会在G1[i,j]的邻点位置上寻找连接点。

采用双阈值算法不断地将G1[i,j]中的边缘进行收集，直到G2[i,j]中间断边缘连接起来。