CN111161300A - 一种基于改进大津法的Nilback的图像分割方法 - Google Patents

Abstract

本发明公开一种基于改进大津法的Nilback的图像分割方法，包括以下步骤：步骤1，对输入原图像进行对比度扩展，对比度扩展后的得到灰度范围在[0,255]的灰度图像I；步骤2，利用改进的最大类间方差法计算灰度图像的全局阈值T₂；步骤3，将灰度图像I均等分成N个图像块，采用Niblack法求出每个图像块的局部阈值T₃；步骤4，根据全局阈值T₂和每个图像块的局部阈值T₃，按照权重系数的比例，计算得到每个图像块的阈值T₄；步骤5，对每个图像块用对应的阈值T₄进行分割，得到最终的分割图像。本发明解决了现有技术中存在现有的阈值分割算法的分割效果不太理想的问题。

Description

一种基于改进大津法的Nilback的图像分割方法

技术领域

本发明属于图像分割技术领域，涉及一种基于改进大津法的Nilback的图像分割方法。

背景技术

随着图像处理技术的发展，图像中隐藏的信息逐渐被挖掘出来，而图像分割是对信息区域处理和分析的关键技术，是提取图像中信息的重要手段。图像分割是根据图像的特点把图像中的区域划分开来，把感兴趣的目标区域提取出来的过程。近年来，电力设备图像、医学图像以及遥感图像普遍的使用图像分割技术进行信息的提取，加快了图像分割技术的创新发展，提高了图像信息识别的准确性，对提取出图像的目标区域具有重要意义。在图像分割中得到大家青睐的几种方法有基于边缘的分割、基于阈值的分割和基于区域的分割等。阈值分割因操作简单和效率较高使用范围最广的，阈值分割方法作为图像分割方法的重要手段，在对目标信息提取的同时，减少了分析和处理的步骤，成为图像分割领域的热门方法，如最大类间方差(Otsu)法、固定门限阈值算法、最小误差法、Niblack法和最大熵阈值法等。

阈值分割根据阈值的选取可分为两类，一类是全局阈值分割法，以最大类间方差法为象征的全局阈值法，虽然具有操作简单和分割效率高等优点，但难以处理单峰和光照不均匀的图像。另一类就是局部阈值分割法，Niblack法作为一种局部阈值分割算法在分割光照不均匀和复杂背景的图像时能较好地保留图像细节。虽然Niblack法面对复杂背景的图像能够提高分割的准确率，但是它需要对所有的局部进行整理，就造成了它的运算速度较慢，自适应性较低。对于传统方法，难以高效的分割含有非均匀光照和复杂背景的图像，导致分割效果不太理想。

发明内容

本发明的目的是提供一种基于改进大津法的Nilback的图像分割方法，解决了现有技术中存在现有的阈值分割算法的分割效果不太理想的问题。

本发明所采用的技术方案是，

一种基于改进大津法的Nilback的图像分割方法，包括以下步骤：

步骤1，对输入原图像进行对比度扩展，对比度扩展后的得到灰度范围在[0,255]的灰度图像I；

步骤2，利用改进的最大类间方差法计算灰度图像的全局阈值T₂；

步骤3，将灰度图像I均等分成N个图像块，采用Niblack法求出每个图像块的局部阈值T₃；

步骤4，根据全局阈值T₂和每个图像块的局部阈值T₃，按照权重系数的比例，计算得到每个图像块的阈值T₄；

步骤5，对每个图像块用对应的阈值T₄进行分割，得到最终的分割图像。

本发明的特点还在于，

步骤1的具体步骤为：

设输入原图像的大小为M×N，图像在点(x,y)的灰度值为f(x,y)，{0,1,2…,L-1}为图像的L个灰度级，对输入原图像做如下操作：

A＝min[f(x,y)] (1)

B＝max[f(x,y)] (2)

其中A为输入原图像的最小灰度值，B为输入原图像的最大灰度值，g(x,y)是对比度扩展变换后的图像灰度。

步骤2的具体步骤为：

步骤2.1，对图像的灰度域设置三个分割点(ik₁，ik₂，ik₃)，具体定义式为：

其中，m_G为整幅图像的平均灰度值，i是原图像的像素点，灰度值为i的像素数为n_i个。图像中的像素总数MN＝n₀+n₁+…+n_L-1，p_i表示每个像素点i的概率为P_i＝n_i/MN，即i的像素数比上图像的像素总数。ik₂是整个灰度域的平均值，ik₁是灰度区间(f_min(x,y)，ik₂)上的平均值，ik₃是灰度区间(ik₂，f_max(x,y))上的平均值；

步骤2.2，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

比较

的值，确定图像全局阈值分割的阈值是否为ik₂，若是，则步骤2结束，若不是则确定最佳查找子区间[m,n]；

步骤2.3，在最佳查找子区间[m,n]中通过折分查找方法求出图像全局阈值分割的阈值T₂。

步骤2.2的具体的为：

步骤2.2.1，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

步骤2.2.2，比较

若

不小于

和

则确定图像全局阈值分割的阈值为为ik₂，步骤2结束；否则执行步骤2.2.3；

步骤2.2.3，若

则把区间[ik₁,ik₂]作为最佳查找子区间[m,n]；若

则把区间[ik₂,ik₃]作为最佳查找子区间[m,n]。

折分查找方法具体的为：

步骤2.3.1，在最佳查找子区间[m,n]内选择灰度最大值和最小值为P_x和P_d，令区间灰度均值

作为最初阈值；

步骤2.3.2，用最初阈值分割灰度图像I，将确定的区间分割为C₁区域和C₂区域，其中C₁是灰度值大于最初阈值的部分，C₂是灰度值小于最初阈值的部分；

步骤2.3.2，分别计算C₁区域和C₂区域的灰度平均值m₁和m₂，令K₂＝ηm₁+(1-η)m₂为中转阈值，其中η为C₁区域图像分割中的中转阈值系数；

步骤2.3.3，比较初始阈值与K₂，若初始阈值＝K₂，则K₂即为图像全局阈值分割的阈值T₂，步骤2.3结束；否则令作为初始阈值，继续执行步骤2.3.2。

η的取值范围为[0,0.5]。

步骤3的具体步骤为：

步骤3.1，将灰度图像I分成G个以(i,j)为中心，大小为r×r的图像块；

步骤3.2，采用Niblack法求出每个图像块的局部阈值为T₃，以其中一个图像块为例，具体的计算方式为：

T₃(x,y)＝m(x,y)+a×s(x,y) (9)

f(x₁,y₁)表示图像块中以坐标为(x₁,y₁)为中心的r×r邻域像素点灰度值。f(i,j)表示以r×r邻域窗口内坐标为(i,j)的像素点灰度值，其中m(x₁,y₁)表示以点(x₁,y₁)为中心的邻域窗口内图像块的灰度均值；s(x,y)为图像块的标准方差，a为修正系数。

r的取值为15。

步骤4中，每个图像块的阈值T₄通过以下方式计算：

T₄＝d×T₂+(1-d)×T₃ (10)

其中d权重系数，d的取值满足0.25<d<0.75。

d取d＝0.5。

本发明的有益效果是

一、本方法对图像进行对比度扩展变换预处理，可以加大图像中目标区域和背景区域的区分度，为后期的图像分割减少分割误差。

二、本方法采用改进的最大类间方差法获得图像全局阈值，其优点在于缩小了最佳阈值的查找区间，减少了了计算方差的频率，加快了计算的速度。

三、本方法将图像等分为N块，因为Niblack分割的优点在于可以进行多目标分割，分成N等分，则计算出的局部阈值的准确度也就越高。

四、本方法采用多尺度分析方法，将改进的最大类间方差和Niblack一起使用，解决了传统最大类间方差法在处理没有明显双峰和光照不均匀的复杂背景图像时过分割和欠分割的问题，并大大提高了分割的准确率。

附图说明

图1是本发明一种基于改进大津法的Nilback的图像分割方法的步骤流程图；

图2(a)是采用最大类间方差算法(Otsu)进行分割的结果图；

图2(b)是采用最大熵阈值算法进行分割的结果图；

图2(c)是采用本发明一种基于改进大津法的Nilback的图像分割方法进行分割的结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

一种基于改进大津法的Nilback的图像分割方法，如图1，包括以下步骤：

步骤1，对输入原图像进行对比度扩展，其中对原图像进行对比度扩展转变，灰度范围越广，图像的对比度就越高，对应的图像就越清晰，对比度扩展后的得到灰度范围在[0,255]的灰度图像I；

步骤2，利用改进的最大类间方差法计算灰度图像的全局阈值T₂；

步骤3，将灰度图像I均等分成N个图像块，采用Niblack法求出每个图像块的局部阈值T₃；

步骤4，根据全局阈值T₂和每个图像块的局部阈值T₃，按照权重系数的比例，计算得到每个图像块的阈值T₄；

步骤5，对每个图像块用对应的阈值T₄进行分割，得到最终的分割图像。

其中步骤1的具体步骤为：

设输入原图像的大小为M×N，图像在点(x,y)的灰度值为f(x,y)，{0,1,2…,L-1}为图像的L个灰度级，对输入原图像做如下操作：

A＝min[f(x,y)] (1)

B＝max[f(x,y)] (2)

其中A为输入原图像的最小灰度值，B为输入原图像的最大灰度值，g(x,y)是对比度扩展变换后的图像灰度。

其中步骤2的具体步骤为：

步骤2.1，对图像的灰度域设置三个分割点(ik₁，ik₂，ik₃)，具体定义式为：

其中，m_G为整幅图像的平均灰度值，i是原图像的像素点，灰度值为i的像素数为n_i个。图像中的像素总数MN＝n₀+n₁+...+n_L-1，p_i表示每个像素点i的概率为P_i＝n_i/MN，即i的像素数比上图像的像素总数。ik₂是整个灰度域的平均值，ik₁是灰度区间(f_min(x,y)，ik₂)上的平均值，ik₃是灰度区间(ik₂，f_max(x,y))上的平均值。

步骤2.2，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

比较

的值，确定图像全局阈值分割的阈值是否为ik₂，若是，则步骤2结束，若不是则确定最佳查找子区间[m,n]；所述步骤2.2的具体的为：

步骤2.2.1，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

步骤2.2.2，比较

若

不小于

和

则确定图像全局阈值分割的阈值为为ik₂，步骤2结束；否则执行步骤2.2.3；

步骤2.2.3，若

则把区间[ik₁,ik₂]作为最佳查找子区间[m,n]；若

则把区间[ik₂,ik₃]作为最佳查找子区间[m,n]；

步骤2.3，在最佳查找子区间[m,n]中通过折分查找方法求出图像全局阈值分割的阈值T₂；折分查找方法具体的为：

步骤2.3.1，在最佳查找子区间[m,n]内选择灰度最大值和最小值为P_x和P_d，令区间灰度均值

作为最初阈值；

步骤2.3.2，用最初阈值分割灰度图像I，将确定的区间分割为C₁区域和C₂区域，其中C₁是灰度值大于最初阈值的部分，C₂是灰度值小于最初阈值的部分；

步骤2.3.2，分别计算C₁区域和C₂区域的灰度平均值m₁和m₂，令K₂＝ηm₁+(1-η)m₂为中转阈值，其中η为C₁区域图像分割中的中转阈值系数；其中η的取值范围为[0,0.5]；

步骤2.3.3，比较初始阈值与K₂，若初始阈值＝K₂，则K₂即为图像全局阈值分割的阈值T₂，步骤2.3结束；否则令作为初始阈值，继续执行步骤2.3.2。

其中步骤3的具体步骤为：

步骤3.1，将灰度图像I分成G个以(i,j)为中心，大小为r×r的图像块；若r太小，图像中会暴露许多噪声，导致图像变得更加模糊；一般情况下选择r＝15。

步骤3.2，采用Niblack法求出每个图像块的局部阈值为T₃，以其中一个图像块为例，具体的计算方式为：

T₃(x,y)＝m(x,y)+a×s(x,y) (9)

f(x₁,y₁)表示图像块中以坐标为(x₁,y₁)为中心的r×r邻域像素点灰度值。f(i,j)表示以r×r邻域窗口内坐标为(i,j)的像素点灰度值，其中m(x₁,y₁)表示以点(x₁,y₁)为中心的邻域窗口内图像块的灰度均值；s(x,y)为图像块的标准方差，a为修正系数。

其中步骤4中，每个图像块的阈值T₄通过以下方式计算：

T₄＝d×T₂+(1-d)×T₃ (10)

其中d权重系数，d的取值满足0.25<d<0.75，经大量实验数据表示，d＝0.5时分割准确率最高。

实施例1

执行步骤1，其中输入原图像为变电站套管图的红外图像；

执行步骤2，得到全局阈值T₂；

执行步骤3，求出每个图像块的局部阈值T₃，其中r取15；

执行步骤4，得到每个图像块的阈值T₄，其中d取d＝0.5；

执行步骤5，对每个图像块用对应的阈值T₄进行分割，得到最终的分割图像，如图2(c)所示。

如图2所示，(a)(b)(c)分别为最大类间方差算法(Otsu)，最大熵阈值算法以及本发明的分割方法对同一张原图进行分割的结果图，其中图2(a)的套管导线部分分割的比较清楚，图2(b)的整体轮廓分割的相对清楚，但是变电套管内部明显存在过分割的问题，导致套管内部分割的很不清晰；图2(c)在其他的两幅图的基础上，对变电套管内部和边缘的一些分割的比较清楚，导线部分分割的也很清晰。从图中可以看出，本发明公开的方法相比于其他图像分割方法，分割效果较好。

表1算法分割阈值和误分率对比

误分率(ME)值与分割效果成反比，值越小表明分割结果越好，表1表明本发明方法的误分率最低。

综上所述，采用本发明的方法去分割图像，图像分割的准确率，实现了对图像中目标区域的准确提取。

Claims (10)

1.一种基于改进大津法的Nilback的图像分割方法，其特征在于，包括以下步骤：

步骤1，对输入原图像进行对比度扩展，对比度扩展后的得到灰度范围在[0,255]的灰度图像I；

步骤2，利用改进的最大类间方差法计算灰度图像的全局阈值T₂；

步骤3，将所述灰度图像I均等分成N个图像块，采用Niblack法求出每个图像块的局部阈值T₃；

步骤4，根据所述全局阈值T₂和每个图像块的局部阈值T₃，按照权重系数的比例，计算得到每个图像块的阈值T₄；

步骤5，对每个所述图像块用对应的阈值T₄进行分割，得到最终的分割图像。

2.如权利要求1所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述步骤1的具体步骤为：

设输入原图像的大小为M×N，图像在点(x,y)的灰度值为f(x,y)，{0,1,2L,L-1}为图像的L个灰度级，对输入原图像做如下操作：

A＝min[f(x,y)] (1)

B＝max[f(x,y)] (2)

其中A为输入原图像的最小灰度值，B为输入原图像的最大灰度值，g(x,y)是对比度扩展变换后的图像灰度。

3.如权利要求1所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述步骤2的具体步骤为：

步骤2.1，对图像的灰度域设置三个分割点(ik₁，ik₂，ik₃)，具体定义式为：

其中，m_G为整幅图像的平均灰度值，i是原图像的像素点，灰度值为i的像素数为n_i个。图像中的像素总数MN＝n₀+n₁+K+n_L-1，p_i表示每个像素点i的概率为P_i＝n_i/MN，即i的像素数比上图像的像素总数。ik₂是整个灰度域的平均值，ik₁是灰度区间(f_min(x,y)，ik₂)上的平均值，ik₃是灰度区间(ik₂，f_max(x,y))上的平均值；

步骤2.2，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

比较

的值，确定图像全局阈值分割的阈值是否为ik₂，若是，则步骤2结束，若不是则确定最佳查找子区间[m,n]；

步骤2.3，在最佳查找子区间[m,n]中通过折分查找方法求出图像全局阈值分割的阈值T₂。

4.如权利要求3所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述步骤2.2的具体的为：

步骤2.2.1，求出ik₂以及与其相邻的ik₂-1和ik₂+1的灰度值，分别求出对应的类间方差值

步骤2.2.2，比较

若

不小于

和

则确定图像全局阈值分割的阈值为为ik₂，步骤2结束；否则执行步骤2.2.3；

步骤2.2.3，若

则把区间[ik₁,ik₂]作为最佳查找子区间[m,n]；若

则把区间[ik₂,ik₃]作为最佳查找子区间[m,n]。

5.如权利要求3所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述折分查找方法具体的为：

步骤2.3.1，在最佳查找子区间[m,n]内选择灰度最大值和最小值为P_x和P_d，令区间灰度均值

作为最初阈值；

步骤2.3.2，用最初阈值分割灰度图像I，将确定的区间分割为C₁区域和C₂区域，其中C₁是灰度值大于最初阈值的部分，C₂是灰度值小于最初阈值的部分；

步骤2.3.2，分别计算C₁区域和C₂区域的灰度平均值m₁和m₂，令K₂＝ηm₁+(1-η)m₂为中转阈值，其中η为C₁区域图像分割中的中转阈值系数；

步骤2.3.3，比较初始阈值与K₂，若初始阈值＝K₂，则K₂即为图像全局阈值分割的阈值T₂，步骤2.3结束；否则令作为初始阈值，继续执行步骤2.3.2。

6.如权利要求5所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述η的取值范围为[0,0.5]。

7.如权利要求1所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述步骤3的具体步骤为：

步骤3.1，将灰度图像I分成G个以(i,j)为中心，大小为r×r的图像块；

步骤3.2，采用Niblack法求出每个图像块的局部阈值为T₃，以其中一个图像块为例，具体的计算方式为：

T₃(x,y)＝m(x,y)+a×s(x,y) (9)

f(x₁,y₁)表示图像块中以坐标为(x₁,y₁)为中心的r×r邻域像素点灰度值。f(i,j)表示以r×r邻域窗口内坐标为(i,j)的像素点灰度值，其中m(x₁,y₁)表示以点(x₁,y₁)为中心的邻域窗口内图像块的灰度均值；s(x,y)为图像块的标准方差，a为修正系数。

8.如权利要求7所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述r的取值为15。

9.如权利要求1所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述步骤4中，每个图像块的阈值T₄通过以下方式计算：

T₄＝d×T₂+(1-d)×T₃ (10)

其中d权重系数，d的取值满足0.25<d<0.75。

10.如权利要求9所述的一种基于改进大津法的Nilback的图像分割方法，其特征在于，所述d取d＝0.5。

Images