CN112070771B - 基于hs通道的自适应阈值分割方法、装置和存储介质 - Google Patents
基于hs通道的自适应阈值分割方法、装置和存储介质 Download PDFInfo
- Publication number
- CN112070771B CN112070771B CN202010721966.XA CN202010721966A CN112070771B CN 112070771 B CN112070771 B CN 112070771B CN 202010721966 A CN202010721966 A CN 202010721966A CN 112070771 B CN112070771 B CN 112070771B
- Authority
- CN
- China
- Prior art keywords
- segmentation
- image
- channel
- picture
- optimal
- 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
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
- G06T7/11—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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Abstract
本发明公开了一种基于HS通道的自适应阈值分割方法、装置和存储介质,该方法包括以下步骤:S1、收集目标图片并存储;S2、对收集到的图片RGB各值进行归一化处理,对所收集照片的进行分区;S3、将图片从RGB空间转换到HSI色彩空间中,对整体图片和各分区图像的H、S通道分量进行读取;S4、建立滑窗对每一分区图像求解该区域的最佳分割阈值,再结合H、S所占权重对最佳分割阈值进行优化,得到最优分割阈值,同时求解该分区的类间方差;S5、若类间方差小于最优分割阈值,则将该分区设为空白区域;以及S6、对分割处理后的各个分区的图像合并得到基于HSI色彩空间的最优阈值分割二值图。本分割方法实现了不同光照条件下的图像进行准确分割。
Description
技术领域
本发明涉及一种新型的基于HS通道的图像自适应阈值分割方法和基于HS通道的图像自适应阈值分割装置,属于图像分割领域。
背景技术
图像分割技术是计算机视觉领域的重要的一部分,是图像语义理解的重要一环。图像分割是指将图像分成若干具有相似性质的区域的过程。
图像分割是图像分析的第一步,之后的步骤如特征提取,目标识别等都是建立在图像分割之上,所以图像分割的好坏直接影响了之后的图像分析。
阈值分割法是一种PR法,就是简单的用一个或几个阈值将图像的直方图分成几类,灰度值在同一个灰度类内的属于同一个类。其过程是选定一个合适的灰度值用以区分不同的类,称这个用以区分的灰度值为阈值。
关于彩色图像分割早已成为众多学者研究的热点。
HSI色彩空间是从人的视觉系统出发,用色调(Hue)、色饱和度(Saturation或Chroma)和亮度(Intensity或Brightness)来描述色彩,它反映了人的视觉系统以色调、饱和度和亮度三种基本特征量来感知颜色的独特感知方式。
已有学者将HIS色彩空间用于彩色图像分割领域中,例如:王鼎文等学者提出了基于HSI色彩空间对X射线色彩图像进行分割的算法,首先用S分量进行粗分割,提取出目标物后,利用H、I联合分量进行阈值分割;李峻提出了基于HSI颜色空间,提高图像分割对光照变化的鲁棒性,利用HS分量联合统计改善自适应阈值的算法。
现有技术存在以下问题:当光照不均匀时或者含有阴影部分时,会导致灰度值整体偏低,对比度低,造成识别困难和有效信息提取困难的问题,使得形成的二值图不会出现大片黑色的情况。
发明内容
本发明的目的在于提供一种基于HS通道的图像自适应阈值分割的方法,以实现对不同光照条件下的图像进行准确分割。
本发明的目的还在于提供一种计算机装置,其能够执行图像自适应阈值分割程序,以实现对不同光照条件下的图像进行准确分割。
本发明的目的还在于提供一种计算机可读存储介质,其存储有图像自适应阈值分割程序,该程序在执行时能够实现对不同光照条件下的图像进行准确分割。
为此,本发明提供了一种基于HS通道的图像自适应阈值分割的方法,包括以下步骤:S1、收集目标图片并存储;S2、对收集到的图片R、G、B各值进行归一化处理,对所收集照片的进行分区;S3、将图片从RGB空间转换到HSI色彩空间中,对整体图片的H、S通道分量进行读取,并且对各分区图像的H、S通道分量进行读取;S4、建立滑窗对每一分区图像求解该区域的最佳分割阈值Kn”,再结合H、S所占权重对最佳分割阈值Kn”进行优化,得到最优分割阈值Kn’,同时求解该分区的类间方差η;S5、若类间方差η小于最优分割阈值,则将该分区设为空白区域;以及S6、对分割处理后的各个分区的图像合并得到基于HSI色彩空间的最优阈值分割二值图。
本发明还提供了一种计算机装置,包括存储器和处理器,所述存储器存储有图像自适应阈值分割程序,所述处理器在执行图像自适应阈值分割程序时,实现根据上面所描述的基于HS通道的图像自适应阈值分割方法的步骤。
本发明还提供了一种计算机可读存储介质,其存储有图像自适应阈值分割程序,所述图像自适应阈值分割程序在被处理器执行时实现根据上面所描述的基于HS通道的图像自适应阈值分割方法的步骤。
与其他方法相比,本发明技术对图片使用滑窗分区域求解各部分阈值,并利用了HSI空间和光线的强度的关系,将H、S分量作为影响因子加入到自适应阈值求解过程当中。既避免了整体求解阈值带来的会导致灰度值整体偏低,对比度低,造成识别困难和有效信息提取困难,也使得分割后更加准确和符合人眼视觉。对二值化后的图片进行色彩还原,让其很好的表现出其原本色彩纹理等特性。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的基于HS通道的图像自适应阈值分割的方法的流程图;
图2是根据本发明的分割方法的对每一分区图像进行自适应阈值求解的流程图;
图3是收集的目标图片(照片),其中,目标为大豆叶片;
图4是对目标图片进行分区的示意图;
图5是根据本发明分割方法得到的目标二值化图像;
图6是根据本发明的还原颜色后的分割图像。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明的基于HS通道的图像自适应阈值分割的方法的流程图。如图1所示,下面将本分割方法的各步骤依次介绍。
S1、先收集目标图片,进行存储,如图2所示。
S2、图片预处理:在图片分割前,对原图片的R、G、B各值进行归一化,所谓归一化处理,即使得R、G、B∈[0,1],并且将变换过后的H范围设在0°~360°,S、I∈[0,1]。
对图片进行合适分区,例如将整体图片分为6*6或者8*8个区块,每个区块的面积相同,区块通常呈长方形,如图3所示。
S4、先对整体图片进行最佳阈值求解,得到整体阈值为K,然后对各颜色通道分量进行分区处理,得到相应区域的HS通道分量,然后对每一分区图像求解自适应阈值。同时求解两类像素C0和C1即目标和背景所属类的类间方差。
图像像素可以根据阈值,被区分成背景与前景两部分,改进后的算法是根据局部变化区分对待均匀和非均匀区域,区分前景点与背景点即所需目标部分和背景部分,然后计算区分这两部分的最佳阈值,结合H、S通道权重进行优化,得到最优分割阈值,通过该最优分割阈值使得两部分区分度最大地进行图像分割。
结合参照图2,对每一分区图像求解自适应阈值的具体方法如下:
使用一个水平滑窗,从左往右、从上往下逐区滑动。其中,水平滑窗的大小取决于图像分区,即水平滑窗的大于为一个区块大小。
对于窗口内的像素,计算窗口内局部最佳阈值,其中,计算窗口内局部最佳阈值的方法如下:
对于两类像素C0和C1即目标和背景所属类,每一类出现的概率分别为:
每一类的平均灰度值分别为:
其中当灰度为t时的灰度累计值为:
整个灰度范围0~M的灰度累计值为:
对于目标和背景每一类像素,其内部方差为:
为了衡量灰度级为t时的类间方差λ,定义如下:
其中:
为了获取区分目标和背景的最优区分阈值,选取η作为目标函数,求解一个灰度级t可以使得η最大,η越大则目标与背景分离的越清楚:
遍历灰度级从0~M-1,直至找到某个灰度级,使得上式(2)最大,则该灰度级为该区的最佳分割阈值Kn”。
得到该区块的最佳阈值Kn”后,结合H、S通道分量所占权重,进行优化,得到最优分割阈值Kn’,具体计算公式如下:
最优阈值求出后,二值化该窗口内所有像素点。
S5、若此窗口类间方差λ小于最优阈值,则设为空白区域,将该窗口内所有像素设为白色。
S6、对分割处理后的各个分区的图像合并得到基于HSI色彩空间的最优阈值分割二值图,如图5所示。
S7、统计二值图中黑色点的个数,将白色点的位置背景色设为白色,将黑色点的背景色重新设为从原图中提取出的R、G、B值,则得到所需分割部分的彩色图像,如图6所示。
对比实验:本发明选取一天内不同时间的不同光照情况下拍摄的目标照片(大豆叶片),采用本发明分割方法进行处理,通过对比发现,本发明分割方法均能对这些目标照片进行准确分割。
与其他方法相比,本发明技术对图片使用滑窗分区域求解各部分阈值,并利用了HSI空间和光线的强度的关系,将H、S分量作为影响因子加入到自适应阈值求解过程当中。既避免了整体求解阈值带来的会导致灰度值整体偏低,对比度低,造成识别困难和有效信息提取困难,也使得分割后更加准确和符合人眼视觉。对二值化后的图片进行色彩还原,让其很好的表现出其原本色彩纹理等特性。
本发明还提供了一种计算机装置,包括存储器和处理器,其特征在于,所述存储器存储有图像自适应阈值分割程序,所述处理器在执行图像自适应阈值分割程序时,实现根据上面所描述的基于HS通道的图像自适应阈值分割方法的步骤。
本发明还提供了一种计算机可读存储介质,其存储有图像自适应阈值分割程序,所述图像自适应阈值分割程序在被处理器执行时实现根据上面所描述的基于HS通道的图像自适应阈值分割方法的步骤。
本发明所采用的方法极大程度上改善了在图像分割中光线不均匀和时刻变化的缺陷,其创新之处有以下几点:
第一、转换至HSI色彩空间,结合H、S通道后,提高了分割中对光线不均匀情况下分割的准确性后,也改善了在RGB空间中的各颜色相互联系,不利于分割的的缺点。
第二、通过水平滑窗进行区域内的最佳阈值分割,避免了当光照不均匀时或者含有阴影部分时,会导致灰度值整体偏低,对比度低,造成识别困难和有效信息提取困难的问题,使得形成的二值图不会出现大片黑色的情况。
第三、对二值图进行颜色还原处理,使得分割后的二值图也能保留原图片的颜色特征。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于HS通道的图像自适应阈值分割方法,其特征在于,包括以下步骤:
S1、收集目标图片并存储;
S2、对收集到的图片R、G、B各值进行归一化处理,对所收集的图片进行分区;
S3、将图片从RGB空间转换到HSI色彩空间中,对整体图片的H、S通道分量进行读取,并且对各分区图像的H、S通道分量进行读取;
S4、建立滑窗对每一分区图像求解该区域的最佳分割阈值Kn”,再结合H、S所占权重对最佳分割阈值Kn”进行优化,得到最优分割阈值Kn’,同时求解该分区的类间方差η;
S5、若类间方差η小于最优分割阈值,则将该分区设为空白区域;以及
S6、对分割处理后的各个分区的图像合并得到基于HSI色彩空间的最优阈值分割二值图,
在此最佳分割阈值上再结合H、S所占权重对最佳分割阈值进行优化的公式如下:
2.根据权利要求1所述的基于HS通道的图像自适应阈值分割方法,其特征在于,还包括以下步骤:
S7、统计所述二值图中黑色点的个数,将白色点的背景色设为白色,将黑色点的背景色重新设为从原图中提取出的R、G、B值,则得到所需分割部分的彩色图像。
3.根据权利要求1所述的基于HS通道的图像自适应阈值分割方法,其特征在于,所述整体图片分为n*n个长方形区块,每个区块的面积相同。
5.一种计算机装置,包括存储器和处理器,其特征在于,所述存储器存储有图像自适应阈值分割程序,所述处理器在执行图像自适应阈值分割程序时,实现根据权利要求1至4中任一项所述的基于HS通道的图像自适应阈值分割方法的步骤。
6.一种计算机可读存储介质,其特征在于,存储有图像自适应阈值分割程序,所述图像自适应阈值分割程序在被处理器执行时实现根据权利要求1至4中任一项所述的基于HS通道的图像自适应阈值分割方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721966.XA CN112070771B (zh) | 2020-07-24 | 2020-07-24 | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010721966.XA CN112070771B (zh) | 2020-07-24 | 2020-07-24 | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070771A CN112070771A (zh) | 2020-12-11 |
CN112070771B true CN112070771B (zh) | 2022-11-01 |
Family
ID=73656601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010721966.XA Active CN112070771B (zh) | 2020-07-24 | 2020-07-24 | 基于hs通道的自适应阈值分割方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070771B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116824586B (zh) * | 2023-08-31 | 2023-12-01 | 山东黑猿生物科技有限公司 | 图像处理方法及应用该方法的黑蒜生产质量在线检测系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
WO2011068508A1 (en) * | 2009-12-02 | 2011-06-09 | Hewlett-Packard Development Company, Lp | System and method of foreground-background segmentation of digitized images |
CN102938052A (zh) * | 2011-08-16 | 2013-02-20 | 汪建 | 一种基于计算机视觉的甘蔗分割与识别方法 |
CN103914848A (zh) * | 2014-04-16 | 2014-07-09 | 浙江理工大学 | 一种基于小波变换及最大类间方差的农田图像分割方法 |
CN104574405A (zh) * | 2015-01-15 | 2015-04-29 | 北京天航华创科技股份有限公司 | 一种基于Lab空间的彩色图像阈值分割方法 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN108629780A (zh) * | 2018-04-23 | 2018-10-09 | 闽江学院 | 基于颜色分解和阈值技术的舌图像分割方法 |
-
2020
- 2020-07-24 CN CN202010721966.XA patent/CN112070771B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011068508A1 (en) * | 2009-12-02 | 2011-06-09 | Hewlett-Packard Development Company, Lp | System and method of foreground-background segmentation of digitized images |
CN102013021A (zh) * | 2010-08-19 | 2011-04-13 | 汪建 | 基于颜色和区域生长的茶叶嫩芽分割和识别方法 |
CN102938052A (zh) * | 2011-08-16 | 2013-02-20 | 汪建 | 一种基于计算机视觉的甘蔗分割与识别方法 |
CN103914848A (zh) * | 2014-04-16 | 2014-07-09 | 浙江理工大学 | 一种基于小波变换及最大类间方差的农田图像分割方法 |
CN104574405A (zh) * | 2015-01-15 | 2015-04-29 | 北京天航华创科技股份有限公司 | 一种基于Lab空间的彩色图像阈值分割方法 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN108629780A (zh) * | 2018-04-23 | 2018-10-09 | 闽江学院 | 基于颜色分解和阈值技术的舌图像分割方法 |
Non-Patent Citations (5)
Title |
---|
Application of Improved Dual-Threshold Segmentation for Tongue Image Based on HSI;Zhang K 等;《Applied Mechanics and Materials》;20141231;第556-562页 * |
HSI颜色模型在有核骨髓细胞图像分割中的应用;杨大刚 等;《计算机应用于软件》;20041231;第1-3页 * |
Hue and Saturation Dispersion Modeling Application to the Improvement of the Segmentation in the HS Sub-space;E. Blanco 等;《2007 IEEE International Symposium on Industrial Electronics》;20071231;第1797-1802页 * |
Improvement of the Segmentation in HS Sub-space by means of a Linear Transformation in RGB Space;Blanco E 等;《Springer Netherlands》;20071231;第125-130页 * |
基于 HS 分量联合统计的自适应阈值分割算法;李峻 等;《东南大学学报(自然科学版)》;20100930;第266-271页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112070771A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578035B (zh) | 基于超像素-多色彩空间的人体轮廓提取方法 | |
CN108549874B (zh) | 一种目标检测方法、设备及计算机可读存储介质 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
CN106096610B (zh) | 一种基于支持向量机的文档图像二值化方法 | |
CN111738064B (zh) | 一种雾霾图像的雾浓度识别方法 | |
CN110348263B (zh) | 一种基于图像识别的二维随机码图像识别与提取方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
CN107220624A (zh) | 一种基于Adaboost算法的人脸检测方法 | |
CN107705254B (zh) | 一种基于街景图的城市环境评估方法 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN109815762B (zh) | 远距离识别二维码的方法、存储介质 | |
CN106815587B (zh) | 图像处理方法及装置 | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN108320294B (zh) | 一种二代身份证照片的人像背景智能全自动替换方法 | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
KR100903816B1 (ko) | 정지영상에서의 얼굴추출시스템과 그 방법 | |
CN107045630B (zh) | 一种基于rgbd的行人检测和身份识别方法及系统 | |
CN110263778A (zh) | 一种基于图像识别的抄表方法及装置 | |
CN112070771B (zh) | 基于hs通道的自适应阈值分割方法、装置和存储介质 | |
CN107909542A (zh) | 图像处理方法、装置、计算机可读存储介质和电子设备 | |
CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111027564A (zh) | 基于深度学习一体化的低照度成像车牌识别方法及装置 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 |
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 |