CN111340815B - 一种基于大津法与k均值法的自适应图像分割方法 - Google Patents

Abstract

本发明涉及图像分割领域，具体为一种基于大津法与K均值法的自适应图像分割方法。本发明通过引入松弛变量，并将变量范围内的阈值作为局部阈值，使用队列循环调用新的阈值搜索方法，快速、自适应得到多个局部最优阈值，从而解决现有自适应K‑means图像分割方法中多阈值大津法计算复杂度高的问题；将得到的多个阈值作为K均值法初始质心，减少K均值法迭代次数；将K均值法聚类得到的阈值作为全局最优阈值，能准确的对图像进行分割。本发明以图像光照预处理为目的，能够通过快速、准确、自适应的对图像进行分割，再校正分割后的区域，从而恢复图像受光照影响丢失的信息。

Description

一种基于大津法与K均值法的自适应图像分割方法

技术领域

本发明涉及图像分割领域，具体为一种基于大津法与K均值法的自适应图像分割方法，是一种快速的自适应图像分割方法。

背景技术

人脸识别系统中，现场采集的人脸图像易受光照因素的影响，复杂光照导致人脸图像部分信息丢失，进而特征提取缺失，影响人脸识别准确率。

K均值算法分割算法对图像中的相似像素值进行聚类，形成的簇的个数作为图像分割的数目，但该算法一般通过手动设定分割数目，因此不能很好的满足自适应分割条件；并且对初始质心敏感，若初始质心选择不当，也会导致分割效果变差、计算量增加。一维大津法根据最大类间方差来自动确定分割阈值，需要遍历整个灰度级搜索阈值，计算复杂度高，且一次只能确定单个阈值，也缺少了自适应性。

现有的自适应K-means图像分割方法中，利用多阈值大津法确定的多个分割阈值作为K均值法的初始质心，并将二者得到的阈值求和取平均作为最终的分割阈值。由于多阈值大津法是每个分割区域在相应灰度级范围内搜索最佳阈值，因此计算量庞大，不能满足快速分割条件；并且将两种算法得到的阈值取平均的方式会导致与实际阈值存在一定的偏差。

发明内容

针对上述存在问题或不足，本发明提出一种基于大津法与K均值法的自适应图像分割方法。本发明以图像光照预处理为目的，即通过校正分割后区域，从而恢复图像受光照影响丢失的信息。

一种基于大津法与K均值法的自适应图像分割方法，包括以下步骤：

步骤1、目标图像去噪与灰度化；

步骤2、计算步骤1灰度化后图像的平均值avg；

步骤3、以步骤2所求平均值为搜索中心，引入松弛变量δ，在[avg-δ,avg+δ]区间内利用大津法搜索局部阈值T；

松弛变量δ初始值为5，使用大津法在[avg-δ,avg+δ]区间内遍历灰度级，得到局部阈值T：

当T＝avg-δ时，更新搜索中心值avg＝avg-2*δ，或者，当T＝avg+δ时，更新搜索中心值avg＝avg+2*δ，并继续在[avg-δ,avg+δ]区间内按照上述判定条件搜索阈值；否则返回所得局部阈值T作为当前图像分割阈值。

变量δ说明：δ取值应满足合理性，δ过大，则引入松弛变量无意义；δ过小，则求解出的局部阈值与实际阈值差别大。经过实验证明δ取5最为合理。

大津法搜索阈值T方法为：

阈值

其中的变量说明：当图像分割阈值为T时，W₀为背景像素点占整幅图像的比例，u₀为W₀平均灰度，W₁为前景像素点占整幅图像的比例，u₁为W₁平均灰度，u为整幅图像的平均灰度。

步骤4、判断步骤3所得阈值T与图像分割点的大小关系：若大于等于分割点，则保留阈值T，并将当前图像分割为前景和背景；否则舍弃T；

设置变量Num作为图像分割数目，初始为1；设置常量C作为图像分割点，初始为1500。当T≥C时，表示当前图像达到分割要求，遍历当前灰度图像，将小于T的像素划分为背景，将大于等于T的像素划分为前景，并且Num＝Num+1；当T<C时，则舍弃阈值T，表示不对当前图像进行分割。

步骤5、创建队列，将步骤4所得前景图像和背景图像加入队列，对队列中的图像使用步骤2-步骤4所述方法，最终得到Num-1个阈值；

5.1)创建空队列Q。

5.2)求解Num-1个分割阈值：

将步骤4分割后的前景、背景图像加入队列。判断Q是否为空：若Q为空，则返回对应的Num-1个阈值，结束多阈值分割；若Q不为空，则取出队首元素，按照步骤2-步骤4所述方法搜索局部阈值。循环执行步骤5.2，最终得到Num-1个阈值。

递归公式如下：

其中的变量说明：F函数为大津法在[avg-δ,avg+δ]区间内查找局部阈值的方法；a为当前图像区域；C为图像分割点；Num为图像分割数目；f为前景区域；b为背景区域。

步骤6、将步骤5求得的Num-1个阈值作为K-means法的初始聚类中心实现图像分割。

所述的步骤1具体为：

1.1)图像去噪：

使用中值滤波对采集的图像去噪，对原图像滑动窗口内的像素排序，取中间像素替代原图像像素。

g(x,y)＝median{f(m,n),(m,n)∈S}

其中m、n为滑动窗口内像素的坐标，S为滑动窗口内的所有像素点集合。

1.2)图像灰度化：

对RGB图像每个通道像素进行线性加权计算，获得灰度图。

Gray＝R*0.299+G*0.587+B*0.114

其中R、G、B分别为目标图像的三个通道，Gray为目标图像对应的灰度图。

所述的步骤2具体为：

遍历二维灰度图像，统计所有像素，计算平均灰度值：

其中M、N分别为目标灰度图的长、宽。

所述的步骤6具体为：

6.1)K-means法计算步骤：

6.1.1.将步骤5所求的Num-1个阈值作为K-means法的初始聚类中心；

6.1.2.分别计算每个像素点x_i(i＝1,2,…,M*N)到各个聚类中心m_k(k＝1,2,…,Num)的欧氏距离大小，Num为图像分割数目；若点x_i到聚类中心m_k(k＝1或k＝2,…,或k＝Num)的距离小于到其余聚类中心的距离，则将x_i归类到相应聚类中心所在类别；

6.1.3.重新计算各个聚类的中心位置，N_k为当前第k类的样本数目，k＝1,2,…,Num；

6.1.4.进行收敛判断，通过步骤6.1.2和6.1.3的循环计算，直到聚类中心m_k不再发生变化，则聚类划分结束。

6.2)K-means法性能评价指标函数：

其中E是样本数据集中所有数据的误差平方和，其本质就是样本数据集中每个数据到其所属聚类中心距离的总和。x是样本集中某个数据，S_i代表归属i类的样本数据集合，m_i代表S_i的均值。

6.3)当E不变时，结束聚类划分，输出分割后的图像。

本发明通过引入松弛变量，并将变量范围内的阈值作为局部阈值，使用队列循环调用新的阈值搜索方法，快速、自适应得到多个局部最优阈值，从而解决现有自适应K-means图像分割方法中多阈值大津法计算复杂度高的问题；将得到的多个阈值作为K均值法初始质心，能减少K均值法迭代次数；将K均值法聚类得到的阈值作为全局最优阈值，能准确的对图像进行分割。本发明以图像光照预处理为目的，即通过快速、准确、自适应的对图像进行分割，再校正分割后的区域，从而恢复图像受光照影响丢失的信息。

采用本发明的技术方案，具有以下成效：

1)本发明解决了传统K均值算法需要手动设定聚类数目、缺少自适应性、对初始质心敏感的问题。将快速大津法得出的多个阈值作为K均值法初始质心，减少了迭代次数与计算时间。

2)本发明解决了传统大津算法需要遍历整个灰度级搜索最优阈值导致的计算复杂度高的问题，引入松弛变量，快速计算局部最优解。通过迭代使用大津法的方式，能自适应的确定图像聚类个数。

3)本发明提出的一种基于Otsu与K-means结合的自适应图像分割方法，既利用了K均值法良好的聚类效果，又结合了大津法能自适应确定聚类个数与初始质心的优点，又解决了快速多阈值大津法分割产生的局部最优阈值的问题。

综上所述，本发明提供的一种基于Otsu与K-means结合的自适应图像分割方法，能够准确、快速、自适应的对图像进行分割。

附图说明

图1为本发明所述图像分割方法的主要流程；

图2为本发明所述的基于大津法与K均值法的自适应图像分割方法详细流程；

图3为实施例的对比试验原始图；

图4为传统多阈值OTSU法分割结果；

图5为传统K-means法分割结果；

图6为本发明实施例的分割结果。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明公开了一种基于OTSU与K-means结合的自适应图像分割方法，方法主要流程如图1所示，包括中值滤波去噪、灰度化，大津算法自动确定多个阈值，K-means法自适应分割图像。

自适应图像分割方法详细流程如图2所示，具体步骤如下：

步骤1：目标图像去噪与灰度化

1.1)使用中值滤波对采集的人脸图像去噪，对原图像滑动窗口内的像素排序，取中间像素替代原图像像素。

g(x,y)＝median{f(m,n),(m,n)∈S}

1.2)图像灰度化：

对RGB图像每个通道像素进行线性加权计算，获得灰度图。

Gray＝R*0.299+G*0.587+B*0.114

步骤2：计算步骤1灰度化后图像的平均值avg

遍历二维灰度图像，统计所有像素，计算平均值：

步骤3：以步骤2所求平均值为搜索中心，引入松弛变量δ，在[avg-δ,avg+δ]区间内利用大津法搜索局部阈值T

3.1)松弛变量δ初始值为5，使用大津法在[avg-δ,avg+δ]区间内遍历灰度级，得到局部阈值T：

当T＝avg-δ时，更新搜索中心值avg＝avg-2*δ，或者，当T＝avg+δ时，更新搜索中心值avg＝avg+2*δ，并继续在[avg-δ,avg+δ]区间内按照上述判定条件搜索阈值；否则返回所得局部阈值T作为当前图像分割阈值。

变量δ说明：δ取值应满足合理性，δ过大，则引入松弛变量无意义；δ过小，则求解出的局部阈值与实际阈值差别大。经过实验证明δ取5最为合理。

3.2)大津法搜索局部阈值T方法为：

最优阈值

其中的变量说明：当分割的阈值为T时，W₀为背景像素点占整幅图像的比例，u₀为W₀平均灰度，W₁为前景像素点占整幅图像的比例，u₁为W₁平均灰度，u为整幅图像的平均灰度。

步骤4：判断步骤3所得阈值T与图像分割点的大小关系：若大于等于分割点，则保留阈值T，并将当前图像分割为前景和背景；否则舍弃T

设置变量Num作为图像分割数目，初始为1；设置常量C作为图像分割点，初始为1500；当T≥C时，表示当前图像达到分割要求，遍历当前灰度图像，将小于T的像素划分为背景，将大于等于T的像素划分为前景，并且Num＝Num+1；当T<C时，则舍弃阈值T，表示不对当前图像进行分割。

步骤5：创建队列，将步骤4所得前景图像和背景图像加入队列，对队列中的图像使用步骤2-步骤4所述方法，最终得到Num-1个阈值；

5.1)创建空队列Q；

5.2)求解Num-1个分割阈值：

将步骤4分割后的前景、背景图像加入队列，判断Q是否为空：若Q为空，则返回对应的Num-1个阈值，结束多阈值分割；若Q不为空，则取出队首元素，按照步骤2-步骤4所述方法搜索局部阈值；循环执行步骤5.2，最终得到Num-1个阈值。

递归公式如下：

其中：F函数为大津法在[avg-δ,avg+δ]区间内查找局部阈值的方法，a为当前图像区域，C为图像分割点，Num为图像分割数目，f为前景区域，b为背景区域。

步骤6：将步骤5求得的Num-1个阈值作为K-means法的初始聚类中心实现图像分割。

6.1)K-means法计算步骤：

6.1.1.将步骤5所求的Num-1个阈值作为K-means法的初始聚类中心；

6.1.2.分别计算每个像素点x_i(i＝1,2,…,M*N)到各个聚类中心m_k(k＝1,2,…,Num)的欧氏距离大小，若点x_i到聚类中心m_k(k＝1或k＝2,…,或k＝Num)的距离小于到其余聚类中心的距离，则将x_i归类到相应聚类中心所在类别；

6.1.3.重新计算各个聚类的中心位置，N_k为当前第k类的样本数目，k＝1,2,…,Num；

6.1.4.通过步骤6.1.2和6.1.3的循环计算，直到聚类中心m_k不再发生变化；

6.2)K-means法性能评价指标函数：

其中E是样本数据集中所有数据的误差平方和，x是样本集中某个数据，S_i代表归属i类的样本数据集合，m_i代表S_i的均值；

6.3)当E不变时，结束聚类划分，输出分割后的图像。

为了验证本发明提出的大津法与K-means结合的自适应图像分割法在分割效果与时间损耗上的改进，将其与标准的多阈值OTSU法、标准的K-means法进行对比，对不同分辨率的数据进行验证。测试数据如下：

以下为方法的时间损耗与IOU指标对比表：

表1为传统多阈值OTSU法与本发明方法的时间损耗与IOU指标对比；

表1

表2为传统K-means法与本发明方法的迭代次数与IOU指标对比。

表2

为验证本发明的技术效果，采用图3作为对比实施例的试验原始图，分别采用3种方法对目标图像进行处理。其对比处理结果：图4为传统多阈值OTSU法分割结果；图5为传统K-means法分割结果；图6为本发明实施例的分割结果。

综上可见，本发明解决了传统K均值算法需要手动设定聚类数目、缺少自适应性、对初始质心敏感的问题。将快速大津法得出的多个阈值作为K均值法初始质心，减少了迭代次数与计算时间。解决了传统大津算法需要遍历整个灰度级搜索最优阈值导致的计算复杂度高的问题，引入松弛变量，快速计算局部最优解。通过迭代使用大津法的方式，能自适应的确定图像聚类个数。既利用了K均值法良好的聚类效果，又结合了大津法能自适应确定聚类个数与初始质心的优点，解决了快速多阈值大津法分割产生的局部最优阈值的问题。

Claims (3)

1.一种基于大津法与K均值法的自适应图像分割方法，包括以下步骤：

步骤1、目标图像去噪与灰度化；

步骤2、计算步骤1灰度化后图像的平均值avg；

步骤3、以步骤2所求平均值为搜索中心，引入松弛变量δ，在[avg-δ,avg+δ]区间内利用大津法搜索局部阈值T；

松弛变量δ初始值为5，使用大津法在[avg-δ,avg+δ]区间内遍历灰度级，得到局部阈值T：

当T＝avg-δ时，更新搜索中心值avg＝avg-2*δ，或者，当T＝avg+δ时，更新搜索中心值avg＝avg+2*δ，并继续在[avg-δ,avg+δ]区间内按照上述判定条件搜索阈值；否则返回所得局部阈值T作为当前图像分割阈值；

步骤4、判断步骤3所得阈值T与图像分割点的大小关系：若大于等于分割点，则保留阈值T，并将当前图像分割为前景和背景；否则舍弃T；

设置变量Num作为图像分割数目，初始为1；设置常量C作为图像分割点，初始为1500；当T≥C时，表示当前图像达到分割要求，遍历当前灰度图像，将小于T的像素划分为背景，将大于等于T的像素划分为前景，并且Num＝Num+1；当T<C时，则舍弃阈值T，表示不对当前图像进行分割；

步骤5、创建队列，将步骤4所得前景图像和背景图像加入队列，对队列中的图像使用步骤2-步骤4所述方法，最终得到Num-1个阈值；

5.1)创建空队列Q；

5.2)求解Num-1个分割阈值：

将步骤4分割后的前景、背景图像加入队列，判断Q是否为空：若Q为空，则返回对应的Num-1个阈值，结束多阈值分割；若Q不为空，则取出队首元素，按照步骤2-步骤4所述方法搜索局部阈值；循环执行步骤5.2，最终得到Num-1个阈值；

递归公式如下：

其中：F函数为大津法在[avg-δ,avg+δ]区间内查找局部阈值的方法，a为当前图像区域，C为图像分割点，Num为图像分割数目，f为前景区域，b为背景区域；

步骤6、将步骤5求得的Num-1个阈值作为K-means法的初始聚类中心实现图像分割。

2.如权利要求1所述基于大津法与K均值法的自适应图像分割方法，其特征在于：所述的步骤1具体为：

1.1)图像去噪：

使用中值滤波对采集的图像去噪，对原图像滑动窗口内的像素排序，取中间像素替代原图像像素；

g(x,y)＝median{f(m,n),(m,n)∈S}

其中m、n为滑动窗口内像素的坐标，S为滑动窗口内的所有像素点集合；

1.2)图像灰度化：对RGB图像每个通道像素进行线性加权计算，获得灰度图；

Gray＝R*0.299+G*0.587+B*0.114

其中R、G、B分别为目标图像的三个通道，Gray为目标图像对应的灰度图。

3.如权利要求1所述基于大津法与K均值法的自适应图像分割方法，其特征在于：所述的步骤6具体为：

6.1)K-means法计算步骤：

6.1.1.将步骤5所求的Num-1个阈值作为K-means法的初始聚类中心；

6.1.2.分别计算每个像素点x_i到各个聚类中心m_k的欧氏距离大小，i＝1,2,…,M*N，k＝1,2,…,Num，M、N分别为目标灰度图的长、宽，Num为图像分割数目；若点x_i到聚类中心m_k的距离小于到其余聚类中心的距离，则将x_i归类到相应聚类中心所在类别；

6.1.3.重新计算各个聚类的中心位置，N_k为当前第k类的样本数目，k＝1,2,…,Num；

6.1.4.通过步骤6.1.2和6.1.3的循环计算，直到聚类中心m_k不再发生变化；

6.2)K-means法性能评价指标函数：

其中E是样本数据集中所有数据的误差平方和，x是样本集中某个数据，S_i代表归属i类的样本数据集合，m_i代表S_i的均值；

6.3)当E不变时，结束聚类划分，输出分割后的图像。

Images