CN111179295B - 改进的二维Otsu阈值图像分割方法和系统 - Google Patents
改进的二维Otsu阈值图像分割方法和系统 Download PDFInfo
- Publication number
- CN111179295B CN111179295B CN201911333718.1A CN201911333718A CN111179295B CN 111179295 B CN111179295 B CN 111179295B CN 201911333718 A CN201911333718 A CN 201911333718A CN 111179295 B CN111179295 B CN 111179295B
- Authority
- CN
- China
- Prior art keywords
- image
- median
- gray
- processed
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000003709 image segmentation Methods 0.000 title claims abstract description 64
- 238000001914 filtration Methods 0.000 claims abstract description 77
- 238000012545 processing Methods 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims description 45
- 238000010586 diagram Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 abstract description 26
- 230000000694 effects Effects 0.000 abstract description 21
- 239000006002 Pepper Substances 0.000 abstract description 12
- 239000002131 composite material Substances 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 235000002566 Capsicum Nutrition 0.000 description 5
- 241000722363 Piper Species 0.000 description 5
- 235000016761 Piper aduncum Nutrition 0.000 description 5
- 235000017804 Piper guineense Nutrition 0.000 description 5
- 235000008184 Piper nigrum Nutrition 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 150000003839 salts Chemical class 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种改进的二维Otsu阈值图像分割方法和系统,涉及图像处理技术领域。本发明通过最优划分线分别将亮度不均匀的待处理灰度图像的中值滤波图像和中值均值滤波图像划分为两个部分,再对划分后的图像分别构建两个二维直方图,最后通过二维Otsu算法和两个二维直方图获取取待处理灰度图像的图像分割阈值。得到图像分割阈值对亮度不均匀图像的阈值分割效果更好,提高了二维Otsu图像分割法对亮度不均匀图像的分割效果,即本发明的二维Otsu阈值图像分割方法在处理包含椒盐噪声图像和亮度不均匀的图像时鲁棒性较强,图像处理效果好。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种改进的二维Otsu阈值图像分割方法和系统。
背景技术
图像分割是指将图像划分成若干个性质一致的子区域,被广泛应用于图像处理领域。在处理医学图像中,图像分割对于人们身体中发生病变的器官的显示或者对病变位置的确定与分析都起着有效地辅导作用;在路面交通图像的分析应用中,可用图像分割技术从监控或航拍等模糊复杂背景中分出要提取的目标车辆等。总之,图像分割在图像处理技术中起着至关重要的作用。
阈值分割是一类简单、高效的图像分割方法,其中Otsu方法是知名的阈值分割方法之一,Otsu方法仅使用像素本身信息,而未考虑像素的邻域线索,因此,Otsu方法对噪声等鲁棒性相对较差,为了克服这一问题,目前常用的方法为二维Otsu算法。二维Otsu算法首先对待处理灰度图像进行均值滤波,使用得到的均值滤波图像和原始灰度图像建立二维直方图代替Otsu方法中的一维直方图,并基于二维直方图和最大类间方差计算分割阈值。
然而,二维Otsu方法基于均值滤波图像和原始图像建立二维直方图,且直方图具有仅可反映像素灰度出现频率而与像素位置无关的特点,导致现有的二维Otsu图像分割法在处理包含椒盐噪声和图像亮度不均匀的图像时鲁棒性较差,导致图像处理效果差。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种改进的二维Otsu阈值图像分割方法和系统,解决了现有的二维Otsu图像分割法在处理包含椒盐噪声和图像亮度不均匀的图像时鲁棒性较差,导致图像处理效果差的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
本发明提供了一种改进的二维Otsu阈值图像分割方法,所述方法由计算机执行,包括以下步骤:
S1、获取待处理灰度图像;
S2、获取所述待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于所述待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和所述能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对所述待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像;
S6、基于所述最优划分线将所述中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于所述最优划分线将所述中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于所述第一中值滤波图像和所述第一中值均值滤波图像获取第一二维直方图;基于所述第二中值滤波图像和所述第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、所述第一二维直方图和所述第二二维直方图获取待处理灰度图像的图像分割阈值。
优选的,所述获取待处理灰度图像的灰度值变化强度,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的灰度值变化强度:
Ecolor(x,y)=(I(x,y)-I(x,y-1))2
其中:
Ecolor(x,y)表示待处理灰度图像在坐标(x,y)处的灰度值变化强度;
I(x,y)表示待处理灰度图像中坐标(x,y)处像素灰度值;
I(x,y-1)表示待处理灰度图像中坐标(x,y-1)处像素灰度值;
优选的,所述获取待处理灰度图像的纹理变化强度,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的纹理变化强度:
Egeometrical(x,y)=(I(x,y)*Gx)2+(I(x,y)*Gy)2
其中:
Egeometrical(x,y)表示待处理灰度图像在坐标(x,y)处的纹理变化强度;
*表示卷积操作;
优选的,所述获取待处理灰度图像的能量图,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的能量:
E(x,y)=Wposition(x,y)(ω1Ecolor(x,y)-ω2Egeometrical(x,y))
其中:
E(x,y)表示待处理灰度图像在坐标(x,y)处的能量;
ω1和ω2表示权重参数。
优选的,所述预设规则包括:
一条划分线由图像每一列的一个像素构成;
划分线上相邻两个像素的行位置关系需满足:右侧像素的所处行的行号与前一像素所处行行号相差绝对值不超过1;
最优划分线满足划分线包含像素的的平均能量最大。
优选的,所述步骤S5具体为:
对待处理灰度图像进行k*k邻域的中值滤波,得到对应的中值滤波图像M,中值滤波图像M坐标(x,y)像素的灰度值使用下面公式进行计算:
在得到中值滤波图像M后,使用均值滤波器计算中值均值滤波图像G,中值均值滤波图像G坐标(x,y)处像素的灰度值使用下面公式进行计算:
其中:
M(x,y)表示待处理灰度图像对应的中值滤波图像在坐标(x,y)像素的灰度值;
G(x,y)表示中值均值滤波图像G中坐标(x,y)处像素的灰度值。
优选的,所述获取待处理灰度图像的图像分割阈值,包括:
按照以下公式获取待处理灰度图像的图像分割阈值:
其中:
(s*,t*)表示待处理灰度图像的图像分割阈值;
p1表示第一二维直方图,p2表示第二二维直方图;
s和t表示二维Otsu阈值对中第一第二分量,s和t为整数取值为1,2,…,L-1;
L表示待处理灰度图像I的灰度级。
本发明还提供了一种改进的二维Otsu阈值图像分割系统,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取待处理灰度图像;
S2、获取所述待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于所述待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对所述待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像;
S6、基于所述最优划分线将所述中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于所述最优划分线将所述中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于所述第一中值滤波图像和所述第一中值均值滤波图像获取第一二维直方图;基于所述第二中值滤波图像和所述第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、所述第一二维直方图和所述第二二维直方图获取待处理灰度图像的图像分割阈值。
(三)有益效果
本发明提供了一种改进的二维Otsu阈值图像分割方法和系统。与现有技术相比,具备以下有益效果:
本发明的首先获取的待处理灰度图像和待处理灰度图像的灰度值变化强度和纹理变化强度;再基于待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;然后基于预设规则和能量图获取最优划分线;基于中值滤波和中值均值滤波对待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像;基于最优划分线分别将中值滤波图像和中值均值滤波图像划分成两个部分;再对划分后的图像分别构建两个二维直方图,最后基于二维Otsu算法、和两个二维直方图获取待处理灰度图像的图像分割阈值。本发明通过最优划分线分别将亮度不均匀的待处理灰度图像的中值滤波图像和中值均值滤波图像划分为两个部分,再对划分后的图像分别构建两个二维直方图,最后通过二维Otsu算法和两个二维直方图获取取待处理灰度图像的图像分割阈值。得到图像分割阈值对亮度不均匀图像的阈值分割效果更好,提高了二维Otsu图像分割法对亮度不均匀图像的分割效果,即本发明的二维Otsu阈值图像分割方法在处理包含椒盐噪声图像和亮度不均匀的图像时鲁棒性较强,图像处理效果好。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种二维Otsu阈值图像分割方法的框图;
图2(a)和图2(b)为本发明实施例中用于求解最优分割线的动态规划方法说明图,图中每个灰色结点(结点对应图像的像素)代表已更新最大累积能量值的结点,图2(a)为初始状态(最左列的结点的最大累积能量即为结点自身的能量值),图2(b)首次扩张的示意图(每个结点的前序结点的行号与该节点行号的差值应不大于1);
图3为本发明实施例中最优分割线的示意图;
图4(a)为钱币的原始图片,图4(b)为手动标注的分割图(真值图);
图5为分类误差(ME)和椒盐噪声强度δ两者间关系的折线图;
图6为各种方法对不同噪声强度的图像的分割结果;
图7(a)为原始的合成图像和真实图像(rice图像),图7(b)合成图像和真实图像的手动标注真值图;
图8为各方法对合成图像和真实图像的分割结果;
图9为各方法对亮度不均匀的真实图像的分割结果;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例通过提供一种改进的二维Otsu阈值图像分割方法和系统,解决了解决了现有的二维Otsu图像分割法在处理包含椒盐噪声图像和亮度不均匀的图像时鲁棒性较差,图像处理效果差的技术问题,实现提高二维Otsu图像分割法对亮度不均匀图像的分割效果。
本申请实施例中的技术方案为解决上述技术问题,总体思路如下:
本发明实施例通过最优划分线分别将亮度不均匀的待处理灰度图像的中值滤波图像和中值均值滤波图像划分为两个部分,再对划分后的图像分别构建两个二维直方图,最后通过二维Otsu算法和两个二维直方图获取取待处理灰度图像的图像分割阈值。得到图像分割阈值对亮度不均匀图像的阈值分割效果更好,提高了二维Otsu图像分割法对亮度不均匀图像的分割效果,即本发明的二维Otsu阈值图像分割方法在处理包含椒盐噪声图像和亮度不均匀的图像时鲁棒性较强,图像处理效果好。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本发明实施例提供一种改进的二维Otsu阈值图像分割方法,如图1所示,该方法由计算机执行,包括步骤S1~S7:
S1、获取的待处理灰度图像;
S2、获取待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像;
S6、基于最优划分线将中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于最优划分线将中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于第一中值滤波图像和第一中值均值滤波图像获取第一二维直方图;基于基于第二中值滤波图像和第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、第一二维直方图和第二二维直方图获取待处理灰度图像的图像分割阈值。
本发明实施例提高了二维Otsu图像分割法对亮度不均匀图像的分割效果,在处理包含椒盐噪声的图像和亮度不均匀的图像时鲁棒性较强,图像处理效果好。
下面对各个步骤进行详细描述:
在步骤S1中,获取待处理灰度图像,在本发明实施例中,获取的待处理灰度图像为亮度不均匀图像或包含椒盐噪声的图像。
在步骤S2中,获取待处理灰度图像的灰度值变化强度和纹理变化强度。具体为:
按照以下公式获取待处理灰度图像在坐标(x,y)处的灰度值变化强度:
Ecolor(x,y)=(I(x,y)-I(x,y-1))2
其中:
Ecolor(x,y)表示待处理灰度图像I在坐标(x,y)处的灰度值变化强度;
I(x,y)表示待处理灰度图像I在坐标(x,y)处像素的的灰度值;
I(x,y-1)表示待处理灰度图像在坐标(x,y-1)处像素的的灰度值。
按照以下公式获取待处理灰度图像在坐标(x,y)处的纹理变化强度:
Egeometrical(x,y)=(I(x,y)*Gx)2+(I(x,y)*Gy)2
其中:
Egeometrical(x,y)表示待处理灰度图像在坐标(x,y)处的纹理变化强度;
*表示卷积操作;
在步骤S3中,基于待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图。具体为:
按照以下公式获取待处理灰度图像在坐标(x,y)处的能量,得到待处理灰度图像的能量图:
E(x,y)=Wposition(x,y)(ω1Ecolor(x,y)-ω2Egeometrical(x,y))
其中:
E(x,y)表示待处理灰度图像在坐标(x,y)处的能量;
ω1和ω2表示权重参数。
在步骤S4中,基于预设规则和能量图获取最优划分线。具体为:
对使用步骤S3中得到的能量图按照以下预设规则使用动态规划方法寻找一条通路,作为待处理灰度图像的最优划分线。预设规则如下:
(1)一条划分线由图像每一列的一个像素构成;
(2)划分线上相邻两个像素的行位置关系需满足:右侧像素的所处行的行号与前一像素所处行行号相差绝对值不超过1;
(3)一条最优划分线满足划分线包含像素的平均能量最大。
用于求解最优划分线的动态规划方法如下:
步骤A、初始化。如图2(a)所示,将第一列中的每个像素的累积能量赋值为根据下式计算出的能量值(其中(x,y)表示待计算能量的像素的坐标位置);
步骤B、从左到右依次计算每一列像素的累积能量值直到最后一列。对于坐标(x,y)处的像素,利用下式计算其累积能量。如图2(b)所示,当前列中每一像素(若像素的行号为x)可由前一列中行号为x-1,x,x+1的三个像素扩展过来。表达式如下:
Ecumulative(x,y)=max{Ecumulative(i,y-1)|i=x-1,x,x+1}+E(x,y)
同时,在赋值过程中需要用一定的结构来记录下下一个像素的索引号,如用如下矩阵表示式记录:
步骤C、计算最后一列的最大累积能量(以像素为单位),使用步骤B中构造的矩阵Mpath回溯得到最优划分线,如图3所示为示例图像最终的优化划分线。
在步骤S5中,基于中值滤波和中值均值滤波对待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像。具体为:
对待处理灰度图像I进行k*k邻域的中值滤波,得到中值滤波图像M:
在得到中值滤波图像M后,计算使用中值均值滤波得到中值均值滤波图像G:
其中:
M(x,y)表示中值滤波图像M在坐标(x,y)处像素的灰度值;
G(x,y)表示中值均值滤波图像G在坐标(x,y)处像素的灰度值。
在步骤S6中,基于最优划分线将中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于最优划分线将中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于第一中值滤波图像和第一中值均值滤波图像获取第一二维直方图;基于基于第二中值滤波图像和第二中值均值滤波图像获取第二二维直方图。具体为:
使用最优化分线将中值滤波图像M进行划分得到第一中值滤波图像和第二中值滤波图像;
使用最优划分线将中值均值滤波图像G划分成第一中值均值滤波图像和第二中值均值滤波图像;
通过第一中值滤波图像和第一中值均值滤波图像构造第一二维直方图;
通过第二中值滤波图像和第二中值均值滤波图像构造第二二维直方图。
在步骤S7中,基于二维Otsu算法、第一二维直方图和第二二维直方图获取待处理灰度图像的图像分割阈值。
在本发明实施例中,这一步骤包括两种方案:
方案一、
采用二维Otsu算法分别基于第一二维直方图和第一二维直方图计算第一灰度图和第二灰度图的阈值,得到对应两部分的两个阈值。需要说明的是,二维Otsu算法是现有技术,此处不再赘述。
方案二、对两部分计算统一的的阈值,具体如下:
按照以下公式获取待处理灰度图像的分割阈值:
其中:
(s*,t*)表示待处理灰度图像的最优分割阈值;
p1表示第一二维直方图,p2表示第二二维直方图;
s和t表示二维Otsu阈值对中第一第二分量,s和t为整数取值为1,2,…,L-1;
L表示待处理灰度图像I的灰度级。
其中:
k表示类别序号,本算法中以二分类为例,故上述公式中k取值为0和1,分别表示图像中的前景和背景;
ωk表示第k类的权重;
uk表示第k类别中所有像素的灰度均值;
uT表示待处理灰度图像的全部像素的灰度均值;
(uk-uT)T表示(uk-uT)的转置。
为了验证本发明实施例提供的一种改进的二维Otsu阈值图像分割方法的有效性,本发明实施例在一台Intel Core 2.30GHz CPU,4.0GB内存的计算机上进行了实验。所有比较算法均使用Matlab R2012b实现,并对其进行了定量和定性评价。采用平均分类误差(ME)和Dice系数(DSC)作为评价指标。ME的定义如下:
其中:
FO和BO分别表示前景和背景的像素集,FT和BT分别表示手动标记前景和背景。
评价指标DSC可以表示为:
其中:
TP表示被正确检测到的前景像素的总数,FP、FN分别表示前景像素不正确个数和被误检测的前景像素个数。
一、测试本发明实施例改进的二维Otsu阈值图像分割方法处理包含椒盐噪声的图像的鲁棒性。
在本发明实施例中,测试图像是广泛使用的钱币图像,如图8所示,图4(a)为钱币的原始图片,图4(b)为手动标注的真值图,以图4(a)作为测试图像。
图5演示了平均分类误差(ME)和椒盐噪声强度δ从0到0.5之间的关系。从图5中可以看出,原始的二维Otsu方法(original 2D Otsu’s method)和未使用后处理策略的MAOTSU_2D方法(MAOTSU_2D withoutpostprocessing)的ME值变化较快,而本发明实施例提出的两种方案(方案一proposed scheme 1和方案二proposed scheme 2,对应于本发明实施例中的步骤S6选用方案一和选用方案二)具有较强的鲁棒性。从图5中可以看出,MAOTSU_2D方法也有较强的鲁棒性。但是,正如前面所述,未使用后处理的MAOTSU_2D方法的ME值变化较快,说明MAOTSU_2D方法对椒盐的鲁棒性在很大程度上取决于后处理步骤。需要说明的是,原始的二维Otsu方法、MAOTSU_2D方法均为现有技术,此处不再赘述。
图6为各种方法对不同噪声强度的图像的分割结果(从上至下依次为δ=0.1,δ=0.2,δ=0.5)。从图6中可以得出结论,本发明实施例提出的两种方案比原始的二维Otsu方法和未使用后处理的MAOTSU_2D方法表现得更好。对比结果也表明了改进的二维直方图构造策略的有效性。此外,与使用后处理技术的MAOTSU_2D方法相比,该方法在前景区域具有更好的效果(硬币区域空洞较小)。
二、测试本发明实施例提供的改进的二维Otsu阈值图像分割方法处理亮度不均匀的灰度图像的鲁棒性。
在本发明实施例中,测试图像为原始的合成图片和真实图片,如图7(a)所示,图7(b)为对应的合成图片和真实图片的手动标注真值图。
表1为各种测试方法对如图7(a)的测试结果。通过表1的数据可知,本发明实施例具体更好的分割结果。所提出proposed scheme 1的合成图像的改进更为显著,ME最低,DSC最高。对于真实图像rice,虽然改进不是很明显,但是所提出的方法可以显著提高图像底部区域前景对象的检出率,如图8所示。
表1
如图8所示,从合成图像的分割结果中可以明显看出原二维Otsu方法和MAOTSU_2D方法的不足之处。虽然对比方法在底部区域广泛地将背景误分类为前景,但是本发明实施例所提出的两种方案能够更好地检测出真实的前景像素。同时,本发明实施例提出的方法在真实图像rice上也有更好的表现。从分割结果可以看出,本文提出的proposed scheme 1可以检测到几乎所有的前景对象,而proposed scheme2比原始二维Otsu方法和MAOTSU_2D丢失的前景对象更少(rice图像底部区域)。合成图像和真实图像的结果都验证了本发明实施例的有效性。
为了进一步验证,本发明实施例对如图9中所示的真实的亮度不均匀图像进行了测试。每个图像的手动标注真值图显示在第二列中。比较结果表明了本文方法的优越性。
例如,与其他方法相比,图像#1、#2、#3、#4、#7的分割结果更接近于对应的手动标记的分割图。接下来,利用评价指标评估各种方法的有效性。表2为在处理7张真实测试图像时每种方法的ME值,表3为在处理7张真实测试图像时每种方法的DSC值。从表格中可以看出,本发明实施例的方法具有最佳ME和DSC值,与原始的二维Otsu方法和MAOTSU_2D方法相比,本发明实施例的分割效果更好。
表2
表3
本发明实施例还提供一种改进的二维Otsu阈值图像分割系统,上述系统包括计算机,上述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,上述至少一个存储单元中存储有至少一条指令,上述至少一条指令由上述至少一个处理单元加载并执行以实现以下步骤:
S1、获取待处理灰度图像;
S2、获取待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对所述待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像;
S6、基于所述最优划分线将所述中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于所述最优划分线将所述中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于所述第一中值滤波图像和所述第一中值均值滤波图像获取第一二维直方图;基于所述第二中值滤波图像和所述第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、第一二维直方图和第二二维直方图获取待处理灰度图像的图像分割阈值。
可理解的是,本发明实施例提供的上述改进的二维Otsu阈值图像分割系统与上述改进的二维Otsu阈值图像分割方法相对应,其有关内容的解释、举例、有益效果等部分可以参考改进的二维Otsu阈值图像分割方法中的相应内容,此处不再赘述。
综上所述,与现有技术相比,具备以下有益效果:
本发明实施例提高了二维Otsu图像分割法对亮度不均匀图像的分割效果,在处理包含椒盐噪声的图像和亮度不均匀的图像时鲁棒性较强,图像处理效果好。
需要说明的是,通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。
Claims (7)
1.一种改进的二维Otsu阈值图像分割方法,其特征在于,所述方法由计算机执行,包括以下步骤:
S1、获取待处理灰度图像;
S2、获取所述待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于所述待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和所述能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对所述待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像,具体为:
对待处理灰度图像进行k*k邻域的中值滤波,得到对应的中值滤波图像M,中值滤波图像M坐标(x,y)像素的灰度值使用下面公式进行计算:
在得到中值滤波图像M后,使用均值滤波器计算中值均值滤波图像G,中值均值滤波图像G坐标(x,y)处像素的灰度值使用下面公式进行计算:
其中:
M(x,y)表示待处理灰度图像对应的中值滤波图像在坐标(x,y)像素的灰度值;
表示待处理灰度图像I在坐标处像素的灰度值,滤波过程中对于给定的坐标(x,y)和模板大小k;
取值为{x-(k-1)/2,x-(k-1)/2+1,…,x+(k-1)/2-1,x+(k-1)/2};
取值为{y-(k-1)/2,y-(k-1)/2+1,…,y+(k-1)/2-1,y+(k-1)/2};
G(x,y)表示中值均值滤波图像G中坐标(x,y)处像素的灰度值。
S6、基于所述最优划分线将所述中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于所述最优划分线将所述中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于所述第一中值滤波图像和所述第一中值均值滤波图像获取第一二维直方图;基于所述第二中值滤波图像和所述第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、所述第一二维直方图和所述第二二维直方图获取待处理灰度图像的图像分割阈值。
2.如权利要求1所述的改进的二维Otsu阈值图像分割方法,其特征在于,所述获取待处理灰度图像的灰度值变化强度,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的灰度值变化强度:
Ecolor(x,y)=(I(x,y)-I(x,y-1))2
其中:
Ecolor(x,y)表示待处理灰度图像在坐标(x,y)处的灰度值变化强度;
I(x,y)表示待处理灰度图像中坐标(x,y)处像素灰度值;
I(x,y-1)表示待处理灰度图像中坐标(x,y-1)处像素灰度值;
3.如权利要求2所述的改进的二维Otsu阈值图像分割方法,其特征在于,所述获取待处理灰度图像的纹理变化强度,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的纹理变化强度:
Egeometrical(x,y)=(I(x,y)*Gx)2+(I(x,y)*Gy)2
其中:
Egeometrical(x,y)表示待处理灰度图像在坐标(x,y)处的纹理变化强度;*表示卷积操作;
4.如权利要求3所述的改进的二维Otsu阈值图像分割方法,其特征在于,所述获取待处理灰度图像的能量图,包括:
按照以下公式获取待处理灰度图像在坐标(x,y)处的能量:
E(x,y)=Wposition(x,y)·(ω1·Ecolor(x,y)-ω2·Egeometrical(x,y))
其中:
E(x,y)表示待处理灰度图像在坐标(x,y)处的能量;
Wposition(x,y)表示位置权重,m为图像的高度;
ω1和ω2表示权重参数。
5.如权利要求1所述的改进的二维Otsu阈值图像分割方法,其特征在于,所述预设规则包括:
一条划分线由图像每一列的一个像素构成;
划分线上相邻两个像素的行位置关系需满足:右侧像素的所处行的行号与前一像素所处行行号相差绝对值不超过1;
最优划分线满足划分线包含像素的平均能量最大。
6.如权利要求1所述的改进的二维Otsu阈值图像分割方法,其特征在于,所述获取待处理灰度图像的图像分割阈值,包括:
按照以下公式获取待处理灰度图像的图像分割阈值:
其中:
(s*,t*)表示待处理灰度图像的图像分割阈值;
p1表示第一二维直方图,p2表示第二二维直方图;
表示阈值为(s,t)时,基于第一二维直方图使用二维Otsu方法得到的类间方差;
表示阈值为(s,t)时,基于第二二维直方图使用二维Otsu方法得到的类间方差;
s和t表示二维Otsu阈值对中第一第二分量,s和t为整数取值为1,2,…,L-1;
L表示待处理灰度图像I的灰度级。
7.一种改进的二维Otsu阈值图像分割系统,其特征在于,所述系统包括计算机,所述计算机包括:
至少一个存储单元;
至少一个处理单元;
其中,所述至少一个存储单元中存储有至少一条指令,所述至少一条指令由所述至少一个处理单元加载并执行以实现以下步骤:
S1、获取待处理灰度图像;
S2、获取所述待处理灰度图像的灰度值变化强度和纹理变化强度;
S3、基于所述待处理灰度图像的灰度值变化强度和纹理变化强度获取待处理灰度图像的能量图;
S4、基于预设规则和所述能量图获取最优划分线;
S5、基于中值滤波和中值均值滤波对所述待处理灰度图像进行滤波处理,获取中值滤波图像和中值均值滤波图像,具体为:
对待处理灰度图像进行k*k邻域的中值滤波,得到对应的中值滤波图像M,中值滤波图像M坐标(x,y)像素的灰度值使用下面公式进行计算:
在得到中值滤波图像M后,使用均值滤波器计算中值均值滤波图像G,中值均值滤波图像G坐标(x,y)处像素的灰度值使用下面公式进行计算:
其中:
M(x,y)表示待处理灰度图像对应的中值滤波图像在坐标(x,y)像素的灰度值;
表示待处理灰度图像I在坐标处像素的灰度值,滤波过程中对于给定的坐标(x,y)和模板大小k;
取值为{x-(k-1)/2,x-(k-1)/2+1,…,x+(k-1)/2-1,x+(k-1)/2};
取值为{y-(k-1)/2,y-(k-1)/2+1,…,y+(k-1)/2-1,y+(k-1)/2};
G(x,y)表示中值均值滤波图像G中坐标(x,y)处像素的灰度值;
S6、基于所述最优划分线将所述中值滤波图像划分成第一中值滤波图像和第二中值滤波图像;基于所述最优划分线将所述中值均值滤波图像划分成第一中值均值滤波图像和第二中值均值滤波图像;基于所述第一中值滤波图像和所述第一中值均值滤波图像获取第一二维直方图;基于所述第二中值滤波图像和所述第二中值均值滤波图像获取第二二维直方图;
S7、基于二维Otsu算法、所述第一二维直方图和所述第二二维直方图获取待处理灰度图像的图像分割阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333718.1A CN111179295B (zh) | 2019-12-23 | 2019-12-23 | 改进的二维Otsu阈值图像分割方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911333718.1A CN111179295B (zh) | 2019-12-23 | 2019-12-23 | 改进的二维Otsu阈值图像分割方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111179295A CN111179295A (zh) | 2020-05-19 |
CN111179295B true CN111179295B (zh) | 2023-04-04 |
Family
ID=70654127
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911333718.1A Active CN111179295B (zh) | 2019-12-23 | 2019-12-23 | 改进的二维Otsu阈值图像分割方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111179295B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113345003B (zh) * | 2021-05-31 | 2023-08-25 | 中国农业大学 | 一种池塘水草面积估计方法 |
CN113393395B (zh) * | 2021-06-17 | 2023-10-31 | 西安应用光学研究所 | 一种高动态红外图像分割阈值自适应计算方法 |
CN114066923A (zh) * | 2021-11-29 | 2022-02-18 | 长春工业大学 | 一种基于迭代和维数分解的3D Otsu阈值分割方法 |
CN114298927B (zh) * | 2021-12-16 | 2022-10-04 | 北京朗视仪器股份有限公司 | 一种cbct图像去噪方法、装置、存储介质及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104217416B (zh) * | 2013-05-31 | 2017-09-15 | 富士通株式会社 | 灰度图像处理方法及其装置 |
-
2019
- 2019-12-23 CN CN201911333718.1A patent/CN111179295B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658424A (zh) * | 2018-12-07 | 2019-04-19 | 中央民族大学 | 一种改进的鲁棒二维otsu阈值图像分割方法 |
Non-Patent Citations (4)
Title |
---|
Arpan Kumar et al..A Comparative Study of Otsu Thresholding and K-means Algorithm of Image Segmentation.《International Journal of Engineering and Technical Research》.2019,第第09卷卷(第第09卷期),全文. * |
李宇成 ; 王目树 ; .一种快速的车牌定位与提取算法.计算机工程与科学.2010,(第12期),第43页第2节至第4节及图1. * |
王万迎 ; 彭荫荣 ; .基于DFT和共生矩阵的纹理特征描述方法.微计算机信息.2009,(第15期),全文. * |
胡孟晗 ; 董庆利 ; 刘宝林 ; 黄勋娟 ; .基于计算机视觉的香蕉贮藏过程中颜色和纹理监测.农业机械学报.2013,(第08期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111179295A (zh) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179295B (zh) | 改进的二维Otsu阈值图像分割方法和系统 | |
CN111723860B (zh) | 一种目标检测方法及装置 | |
CN108416789A (zh) | 图像边缘检测方法及系统 | |
CN108446694B (zh) | 一种目标检测方法及装置 | |
EP1612733A2 (en) | Color segmentation-based stereo 3D reconstruction system and process | |
CN111583220B (zh) | 影像数据检测方法和装置 | |
US20140314299A1 (en) | System and Method for Multiplexed Biomarker Quantitation Using Single Cell Segmentation on Sequentially Stained Tissue | |
CN112419271B (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
CN107944403B (zh) | 一种图像中的行人属性检测方法及装置 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN111681198A (zh) | 一种形态学属性滤波多模融合成像方法、系统及介质 | |
CN110400299A (zh) | 一种肺部胸腔积液检出的方法及装置 | |
CN115311309A (zh) | 一种用于核磁共振图像的病灶识别提取方法与系统 | |
CN109671055B (zh) | 肺结节检测方法及装置 | |
CN113920109A (zh) | 医疗影像识别模型训练方法、识别方法、装置及设备 | |
CN114511523B (zh) | 基于自监督学习的胃癌分子亚型分类方法及装置 | |
CN117315210B (zh) | 一种基于立体成像的图像虚化方法及相关装置 | |
CN113554656B (zh) | 基于图神经网络的光学遥感图像实例分割方法及装置 | |
CN112529918B (zh) | 一种脑部ct图像中脑室区域分割的方法、装置及设备 | |
Moghimirad et al. | Multi-scale approach for retinal vessel segmentation using medialness function | |
CN116740076A (zh) | 视网膜色素变性眼底图像中色素分割的网络模型及方法 | |
CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
CN112862785B (zh) | Cta影像数据识别方法、装置及存储介质 | |
CN111951254B (zh) | 基于边缘引导加权平均的源相机识别方法及系统 | |
CN114742763A (zh) | 骨骼图像的识别优化方法、系统、存储介质及电子设备 |
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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240122 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Country or region after: China Address before: 810000 No. 251 Ningda Road, Chengbei District, Xining City, Qinghai Province Patentee before: Qinghai University Country or region before: China |