CN111815652B - 一种多尺度局部阈值分割图像的方法和装置 - Google Patents
一种多尺度局部阈值分割图像的方法和装置 Download PDFInfo
- Publication number
- CN111815652B CN111815652B CN202010656113.2A CN202010656113A CN111815652B CN 111815652 B CN111815652 B CN 111815652B CN 202010656113 A CN202010656113 A CN 202010656113A CN 111815652 B CN111815652 B CN 111815652B
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- sub
- local
- region
- 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 82
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000003860 storage Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 15
- 238000003709 image segmentation Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 9
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000903 blocking effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多尺度局部阈值分割图像的方法和装置。该方法包括:利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值。本发明能够使分割的结果图像不仅连续性较好,而且还能保留更准确的图像细节。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种多尺度局部阈值分割图像的方法和装置。
背景技术
图像分割技术通过将图像中的像素点分类为两类或多类区域,从而实现从复杂的图像中分离得到需要的目标区域。在现有技术中,图像分割方法主要分为以下几类:
1)、基于边缘的图像分割方法。此类方法通过求解图像中像素点的微分或二阶微分,得到图像变化较剧烈区域,从而确定边缘像素点。该类方法的优点是计算速度快,可快速定位边缘,缺点是抗噪性能差,难以保证边缘的连续性。
2)、基于区域的图像分割方法。此类方法利用图像在局部区域的空间信息,将含有类似特点的像素点连通,由此实现分割。该类方法对于连续的均匀区域有较好的分割效果,但对噪声比较敏感,此外,种子点位置的选取往往决定了图像分割效果的好坏。
3)、综合考虑边缘与区域信息的混合分割方法。此类方法结合了上述两种方法的优点,对均匀的连通图像分割效果较好。
4)、基于函数优化的图像分割方法,如马尔科夫随机场方法等。该类方法利用统计决策和估计理论,通过最大后验估计来分割图像。
5)、基于阈值的图像分割方法。该类方法利用图像灰度直方图的信息,通过选取合适的阈值来对图像进行划分。
6)、基于神经网络的图像分割方法。此类方法将大量图像数据放入神经网络中训练,以此实现图像分割,此类方法效果较好,但处理速度较慢,难以处理实时数据。例如,利用三维卷积神经网络,通过将相邻图像区域的处理连接成一个遍历网络,同时使用三维全连通条件随机场来消除误报,以此实现对图像的分割。
然而,对于上述现有技术中图像分割方法,存在的缺点是:首先,传统的全局阈值方法对噪音较大或局部灰度分布不均匀的图像分割效果较差,尤其在主体细节处往往会出现错误分割的情况;其次,现有的基于分块的局部阈值方法的分块方案会使分割结果存在连续性较差的问题,由于医学图像数据的复杂性,现有技术的分割能力还有待提高。
发明内容
本发明的目的是克服上述现有技术的缺陷,提供一种新型的基于类不确定性理论的多尺度局部阈值的图像分割方法,能够有效克服图像受成像原理限制导致的图像灰度分布不均匀、噪声大、组织间边界模糊等问题。
根据本发明的第一方面,提供一种多尺度局部阈值分割图像的方法。该方法包括以下步骤:
利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;
构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;
基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值。
在一个实施例中,根据以下步骤构建所述多尺度局部区域空间:
对于输入图像S,划分为多块矩形子区域Sij,i表示迭代进行的层数,j表示金字塔结构中每一层中包含的多块矩形子区域编号;
计算每一块S1j对应的局部最优阈值和平均类不确定性;
若平均类不确定性大于设定阈值,则将S1j继续划分为S2j,直至任意Sij的平均类不确定性都小于或等于设定阈值或金字塔结构层数满足设定标准时终止迭代划分。
在一个实施例中,矩形子区域Sij的平均类不确定性表示为:
其中为像素s灰度值为gs时的类不确定性,|Sij|为图像Sij中含有像素点的个数。
在一个实施例中,每层金字塔结构包括四块子区域,根据以下步骤计算每层四块子区域的局部最优阈值:
计算出图像S的全局最优阈值T,以全局阈值T为搜索起点,搜索第一层各子区域S1j的局部最优阈值t1j,搜索过程加入对相邻子区域的局部最优阈值差值的约束ta:
在搜索第二层及以上各层的子区域的局部最优阈值时,以上一层图像Sij的局部最优阈值tij为搜索起点,引入所述相邻子区域的局部最优阈值差值的约束进行搜索,最终得到各子区域的局部最优阈值。
在一个实施例中,对于金字塔结构的各层子区域,构建的能量函数表示为:
其中,i是金字塔结构的层数,j是每层的子区域编号,Sij为第i层的第j幅图像,表示在阈值为tij的情况下,当像素s的灰度值为g时的类不确定性,μ表示图像的区域均匀性。
在一个实施例中,以最小化能量函数为目标,求解每个子区域的最优的局域区域分割阈值时,引入以下约束:
其中,ta表示设定的差值阈值,Ei(t)是能量函数。
在一个实施例中,像素s的区域均匀性μ(s)表示为:
μ(s)=1-Gτ(s)
Gτ(s)表示为:
其中Gx,Gy是像素s的梯度,Gmin,Gmax为G(s)的最小值和最大值。
在一个实施例中,对于金字塔结构的每一层,相邻子区域间存在一定的重叠区域。
根据本发明的第二方面,提供一种多尺度局部阈值分割图像的装置。该装置包括:
局部区域空间构建单元:用于利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;
类不确定性度量单元:用于构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;
局部分割阈值求解单元:用于基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值。
与现有技术相比,本发明的优点在于,通过将类不确定性理论应用到局部阈值分割领域,提高了分割准确率;采用金字塔型区域分块迭代算法,将图像划分为一组多尺度子区域,使得在图像灰度分布不均匀处的分割更精确,且在局部区域的连续性更好;在搜索局部最优分割阈值时,通过加入对相邻子区域的局部最佳阈值差值的限制,使得分割的结果图像不仅连续性较好,而且还能保留更准确的图像细节。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是根据本发明一个实施例的多尺度局部阈值分割图像方法的流程图;
图2是根据本发明一个实施例的多尺度局部阈值分割图像方法的整体过程图;
图3是根据本发明一个实施例的区域分块迭代过程示意图;
图4是根据本发明一个实施例的包含各区域局部最优阈值的掩膜图;
图5是根据本发明一个实施例的图像分块策略对比图;
图6是根据本发明一个实施例的实验结果示意图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本发明提出了一种基于类不确定性理论的多尺度局部阈值分割图像的方法。简言之,该方法包括:利用多层金字塔结构将原始图像分割成一组不同尺度的子区域;基于类不确定性与区域均匀性度量构建带不等式约束的能量函数,并逐层迭代求解各子区域的最优局部阈值,进而得到局部最优阈值掩膜,实现图像分割。
本发明将图像通过迭代算法分成一组多尺度子区域,通过使用各子区域局部最优阈值进行图像分割,使得分割结果在图像灰度分布不均匀处比使用全局阈值进行分割更精确,且在局部区域的连续性比局部Otsu(最大类间方差法)法等局部阈值分割方法更好。
参见图1并结合图2所示,本发明实施例提供的多尺度阈值分割图像方法包括以下步骤:
步骤S110,构建多尺度局部区域空间与逐层求解最优局部阈值。
参见图3所示,以四划分为例,多尺度局部区域空间构建包括以下过程:
对于输入图像S,首先划分为互相重叠的四块矩形子区域Sij,j=1,2,3,4(四划分),其中i表示迭代进行的层数,这里i=1,j表示每一层中包含的4块矩形子区域编号。例如,假设S为边长为a的正方形,则S1j为边长为0.6a的正方形,即每一层四划分都将Sij划分为四块面积为0.36倍Sij面积的矩形S(i+1)j。在四划分过程中构建重叠区域的目的是在计算出各子区域Sij的局部最优阈值tij后,令重叠部分取相邻子区域的tij平均值作为最优阈值,这样可以保证分割区域具有较好的连续性。
然后,计算每一块S1j对应的局部最优阈值t1j及平均类不确定性H1j,j=1,2,3,4。平均类不确定性的表达式如下:
其中为像素s灰度值为gs时的类不确定性,|Sij|为图像Sij中含有像素点的个数。若H1j大于预定值Hα,则将S1j继续四划分为S2j,j=1,2,3,4,以此类推,直至任意Sij的平均类不确定性Hij都小于或等于预定值Hα或层数满足设定标准(例如i=5)时终止迭代划分。通过这种方式,构建了一个多尺度的局部区域空间,并得到了每个Sij的局部最优阈值tij。
在计算每层四块子区域的局部最优阈值时,首先可基于经典的类不确定性方法计算出图像S的全局最优阈值T,加入如下对相邻子区域的局部最佳阈值差值的限制,以全局阈值T为搜索起点,搜索第一层各子区域S1j的局部最优阈值t1j。
以此类推,在搜索第i+1层4块子区域的局部最优阈值时(此处i大于等于1),以上一层图像Sij的局部最优阈值tij为搜索起点,引入如公式(2)的约束进行搜索。通过这种方式,最终可以得到各个子区域的最优阈值,据此得到与原图大小相同,类似图4的掩膜图,由此实现分割。
需说明的是,上述实施例中只是示意性的,并不用于限制本发明。本领域技术人员也可采用其他的划分方式来构建多尺度局部区域空间,例如,采用二划分或八划分方式等。本发明综合考虑处理效率和分割效果,优选以四划分为例进行说明。
步骤S120,构建类不确定性度量与区域均匀性度量。
令S表示输入图像中的所有像素的集合,s表示图像中的一个像素,其灰度值为gs,同时,令θ表示图像中任一像素属于前景的概率,则1-θ表示图像中任一像素属于背景的概率,则当像素在属于前景或背景的情况下灰度值为g的概率可以分别表示为:
根据香农提出的信息熵理论,当图像中一个像素的灰度值为g时,其属于前景或背景的类不确定性度即为其后验概率的熵,由此可得在阈值为t的情况下,当像素s的灰度值gs为g时的类不确定性Ht(g)可以表示为:
其中,Pt(g)表示像素在阈值为t时灰度值为g的概率,Po,t(g)和Pb,t(g)分别表示当阈值为t,图像像素的灰度值为g时,该像素属于前景或背景的概率,θ(t)表示当阈值为t时像素为前景的概率。在已知前景与背景灰度分布统计规律的情况下,Po,t(g)和Pb,t(g)可计算求得。以医学图像分析领域为例,特定的人体组织图像前景与背景的灰度分布往往满足高斯分布,此时Po,t(g)和Pb,t(g)可表示为:
其中,mo(t)和mb(t)分别表示前景像素的灰度均值和背景像素的灰度均值,σo(t)和σb(t)分别表示前景像素和背景像素的标准差。
像素s的区域均匀性μ(s)可以表示为:
μ(s)=1-Gτ(s) (6)
其中Gτ(s)表达式如下:
其中Gx,Gy为使用Sobel算子计算得出的像素s的梯度,Gmin,Gmax为G(s)的最小值和最大值。区域均匀性反映了像素灰度之间的连通性,其值越大,表明像素灰度之间的连通性越强。
步骤S130,构建能量函数并求解最优化问题,得到局部区域的最优分割阈值。
例如,对图像四划分迭代后的各层子区域构建如下能量函数:
其中,i为迭代划分的层数,j为每层划分的4块子区域编号,Sij为图像划分迭代过程中第i层的第j幅图像,表示在阈值为tij的情况下,当像素s的灰度值为g时的类不确定性,μ表示图像的区域均匀性。
对于公式(7)的能量函数,类不确定性与区域均匀性相互作用,当类不确定性与区域均匀性值都很小或者很大时,能量函数的值会较大,当类不确定性较小且区域均匀性较大的情况下可能获得最小的能量值。因此,在迭代过程中,每层能量函数最小时的阈值tij,即为该层最优的局部区域分割阈值。
针对现有的基于图像分块的局部阈值方法(如局部Otsu法)通常都忽略了相邻局部区域之间的联系,导致得到的分割图像存在断裂的现象,本发明优选采用以下两种策略来保证相邻局部最优阈值之间的连续性。
1)、引入相邻四子区域分割阈值之差小于某阈值tα的约束,通过求解以下带约束的最优化问题得到各子区域最优分割阈值。
2)、在确定子区域划分方案时,令相邻子区域间存在一定的重叠(如图5右上角所示)。这种策略一方面使相邻各子区域最优阈值的计算能充分考虑重叠边界区域灰度变化的影响,从而保证了优化计算得到的相邻子区域最优分割阈值不会有太大的差异;另一方面,由于重叠部分的分割阈值取为相邻子区域最优阈值的平均值,该值同时考虑了相邻两子区域的影响,因此进一步保证了分割区域的连续性。
图5示出了不同的图像分块策略对分割结果的影响,其中在子区域的重叠部分选取了一小块图像进行测试。可以看出,通过局部Otsu法的简单分块策略得到的分割结果存在连续性差的问题,可能造成跨子区域边界的部分产生断裂,且处理具有较强高斯噪声的图像能力较弱。而本发明实施例通过使相邻子区域间存在一定的重叠,则保证了跨子区域边界前景部分的连续性。
相应地,本发明还提供一种多尺度局部阈值分割图像的装置,用于实现上述方法的一个方面或多个方面。例如,该装置包括:局部区域空间构建单元,其用于利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;类不确定性度量单元,其用于构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;局部分割阈值求解单元,其用于基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值。该装置的各单元可采用处理器或专用逻辑器件实现。
为进一步验证本发明的效果,进行了大量实验,参见图6所示,其中P1,I1,P1,I2分别为人工添加局部灰度分布不均匀处理的原始图,P1,G1,P1,G2分别为人工添加不同等级高斯噪声的原始图。实验结果的误分率参见下表1。
表1:图像P1在不同方法下分割结果误分率
在表1中,Sauvola、RCOtsu、MHUE、局部Otsu均是现有技术的方法,其中误分率公式为:
其中,BG和FG分别为图像的背景真值集合和前景真值集合,BT和FT分别为分割后图像的背景真值集合和前景真值集合,表示集合中的元素数量。ME(误分率)反映了被错分的像素占总像素的比例,其值越小,说明错分的像素少,分割效果好,反之则说明分割效果欠佳。由表1可以看出,本发明的方法与现有技术的多种方法相比,性能最佳。
综上所述,本发明首次将类不确定性理论应用到局部阈值分割领域,相比传统应用类不确定性理论的阈值分割方法,本发明的方法性能更优;本发明提出了一种金字塔型区域分块迭代算法,将图像划分为一组多尺度子区域,使得分割结果在图像灰度分布不均匀处比使用全局阈值进行分割更精确,且在局部区域的连续性比传统分割方法更好。在搜索局部最优阈值时,通过加入对相邻子区域的局部最佳阈值差值的限制,并保证子区域划分边界存在一定的重叠区域,可使同一尺度下四个相邻子区域得到互相接近的局部阈值,以此阈值进行分割的结果图像不仅连续性较好,而且还能保留了更准确的图像细节。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是,通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。
Claims (5)
1.一种多尺度局部阈值分割图像的方法,包括以下步骤:
利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;
构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;
基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值;
其中,根据以下步骤构建所述多尺度局部区域空间:
对于输入图像S,划分为多块矩形子区域Sij,i表示迭代进行的层数,j表示金字塔结构中每一层中包含的多块矩形子区域编号;
计算每一块S1j对应的局部最优阈值和平均类不确定性;
若平均类不确定性大于设定阈值,则将S1j继续划分为S2j,直至任意Sij的平均类不确定性都小于或等于设定阈值或金字塔结构层数满足设定标准时终止迭代划分;
其中,矩形子区域Sij的平均类不确定性表示为:
其中为像素s灰度值为gs时的类不确定性,|Sij|为图像Sij中含有像素点的个数;
其中,每层金字塔结构包括四块子区域,根据以下步骤计算每层四块子区域的局部最优阈值:
计算出图像S的全局最优阈值T,以全局阈值T为搜索起点,搜索第一层各子区域S1j的局部最优阈值t1j,搜索过程加入对相邻子区域的局部最优阈值差值的约束ta:
在搜索第二层及以上各层的子区域的局部最优阈值时,以上一层图像Sij的局部最优阈值tij为搜索起点,引入所述相邻子区域的局部最优阈值差值的约束进行搜索,最终得到各子区域的局部最优阈值;
其中,对于金字塔结构的各层子区域,构建的能量函数表示为:
其中,i是金字塔结构的层数,j是每层的子区域编号,Sij为第i层的第j幅图像,表示在阈值为tij的情况下,当像素s的灰度值为g时的类不确定性,μ(s)表示像素s的区域均匀性;
其中,像素s的区域均匀性μ(s)表示为:
μ(s)=1-Gτ(s)
Gτ(s)表示为:
其中Gx,Gy是像素s的梯度,Gmin,Gmax为G(s)的最小值和最大值。
2.根据权利要求1所述的方法,其中,以最小化能量函数为目标,求解每个子区域的最优的局域区域分割阈值时,引入以下约束:
其中,Ei(t)是能量函数;
3.根据权利要求1所述的方法,其中,对于金字塔结构的每一层,相邻子区域间存在一定的重叠区域。
4.一种多尺度局部阈值分割图像的装置,包括:
局部区域空间构建单元:用于利用多层金字塔结构将图像构建为多尺度局部区域空间并逐层求解每个子区域的最优局部阈值,其中金字塔结构的每一层对应图像不同尺度的子区域;
类不确定性度量单元:用于构建类不确定性度量用于确定图像的前景或背景,并构建区域均匀性度量用于表征像素灰度之间的连通性;
局部分割阈值求解单元:用于基于所述类不确定性度量和所述区域均匀性度量构建能量函数,以最小化该能量函数为目标,求解每个子区域的最优的局域区域分割阈值;
其中,根据以下步骤构建所述多尺度局部区域空间:
对于输入图像S,划分为多块矩形子区域Sij,i表示迭代进行的层数,j表示金字塔结构中每一层中包含的多块矩形子区域编号;
计算每一块S1j对应的局部最优阈值和平均类不确定性;
若平均类不确定性大于设定阈值,则将S1j继续划分为S2j,直至任意Sij的平均类不确定性都小于或等于设定阈值或金字塔结构层数满足设定标准时终止迭代划分;
其中,矩形子区域Sij的平均类不确定性表示为:
其中为像素s灰度值为gs时的类不确定性,|Sij|为图像Sij中含有像素点的个数;
其中,每层金字塔结构包括四块子区域,根据以下步骤计算每层四块子区域的局部最优阈值:
计算出图像S的全局最优阈值T,以全局阈值T为搜索起点,搜索第一层各子区域S1j的局部最优阈值t1j,搜索过程加入对相邻子区域的局部最优阈值差值的约束ta:
在搜索第二层及以上各层的子区域的局部最优阈值时,以上一层图像Sij的局部最优阈值tij为搜索起点,引入所述相邻子区域的局部最优阈值差值的约束进行搜索,最终得到各子区域的局部最优阈值;
其中,对于金字塔结构的各层子区域,构建的能量函数表示为:
其中,i是金字塔结构的层数,j是每层的子区域编号,Sij为第i层的第j幅图像,表示在阈值为tij的情况下,当像素s的灰度值为g时的类不确定性,μ(s)表示像素s的区域均匀性;
其中,像素s的区域均匀性μ(s)表示为:
μ(s)=1-Gτ(s)
Gτ(s)表示为:
其中Gx,Gy是像素s的梯度,Gmin,Gmax为G(s)的最小值和最大值。
5.一种计算机可读存储介质,其上存储有计算机程序,其中,该程序被处理器执行时实现根据权利要求1至3中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656113.2A CN111815652B (zh) | 2020-07-09 | 2020-07-09 | 一种多尺度局部阈值分割图像的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010656113.2A CN111815652B (zh) | 2020-07-09 | 2020-07-09 | 一种多尺度局部阈值分割图像的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815652A CN111815652A (zh) | 2020-10-23 |
CN111815652B true CN111815652B (zh) | 2024-04-12 |
Family
ID=72843242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010656113.2A Active CN111815652B (zh) | 2020-07-09 | 2020-07-09 | 一种多尺度局部阈值分割图像的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815652B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114299094B (zh) * | 2022-01-05 | 2022-10-11 | 哈尔滨工业大学 | 一种基于块选择与扩展的输液瓶图像感兴趣区域提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN106557772A (zh) * | 2016-11-24 | 2017-04-05 | 泰康保险集团股份有限公司 | 用于提取局部特征子的方法、装置及图像处理方法 |
CN107945186A (zh) * | 2017-11-01 | 2018-04-20 | 深圳先进技术研究院 | 分割图像的方法、装置、计算机可读存储介质和终端设备 |
-
2020
- 2020-07-09 CN CN202010656113.2A patent/CN111815652B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2500864A1 (en) * | 2011-03-15 | 2012-09-19 | Agfa Healthcare | Irradiation field recognition |
CN106557772A (zh) * | 2016-11-24 | 2017-04-05 | 泰康保险集团股份有限公司 | 用于提取局部特征子的方法、装置及图像处理方法 |
CN107945186A (zh) * | 2017-11-01 | 2018-04-20 | 深圳先进技术研究院 | 分割图像的方法、装置、计算机可读存储介质和终端设备 |
Non-Patent Citations (1)
Title |
---|
"A Robust Optimum Thresholding Method Based on Local Intensity Mapping and Class Uncertainty Theory";Yuntao Wang 等;《2017 IEEE International Conference on Information and Automation(ICIA)》;第317-322页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111815652A (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11200696B2 (en) | Method and apparatus for training 6D pose estimation network based on deep learning iterative matching | |
US8913830B2 (en) | Multilevel image segmentation | |
US7522749B2 (en) | Simultaneous optical flow estimation and image segmentation | |
CN109785335B (zh) | 扫描对象的直线轮廓的确定方法、装置及存储介质 | |
Chen et al. | Non‐local‐based spatially constrained hierarchical fuzzy C‐means method for brain magnetic resonance imaging segmentation | |
Ali et al. | Image-selective segmentation model for multi-regions within the object of interest with application to medical disease | |
Paul et al. | Moving object detection using modified temporal differencing and local fuzzy thresholding | |
CN111815652B (zh) | 一种多尺度局部阈值分割图像的方法和装置 | |
US20220245802A1 (en) | Systems and methods for classifying biomedical image data using a graph neural network | |
Chen et al. | Underwater sonar image segmentation combining pixel-level and region-level information | |
Liu et al. | Active contour driven by adaptive‐scale local‐energy signed pressure force function based on bias correction for medical image segmentation | |
Fenshia Singh et al. | A machine learning approach for brain image enhancement and segmentation | |
Ye et al. | Robust point cloud segmentation with noisy annotations | |
Boutiche et al. | Fast algorithm for hybrid region‐based active contours optimisation | |
Wang | Efficient level‐set segmentation model driven by the local GMM and split Bregman method | |
Nouri et al. | An active contour model reinforced by convolutional neural network and texture description | |
Stegmaier et al. | Fuzzy-based propagation of prior knowledge to improve large-scale image analysis pipelines | |
Ge et al. | An active contour model based on Jeffreys divergence and clustering technology for image segmentation | |
Huang et al. | Adaptive multilayer level set method for segmenting images with intensity inhomogeneity | |
Li et al. | Fast and robust active contours model for image segmentation | |
Zhou et al. | Abrupt motion tracking via nearest neighbor field driven stochastic sampling | |
Gupta et al. | Stereo correspondence using efficient hierarchical belief propagation | |
Zhang et al. | A fast algorithm for automatic segmentation and extraction of a single object by active surfaces | |
Wu et al. | Adaptive active contour model driven by image data field for image segmentation with flexible initialization | |
Mirzargar et al. | Representative Consensus from Limited‐Size Ensembles |
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 |