CN114066923A - 一种基于迭代和维数分解的3D Otsu阈值分割方法 - Google Patents

一种基于迭代和维数分解的3D Otsu阈值分割方法 Download PDF

Info

Publication number
CN114066923A
CN114066923A CN202111427368.2A CN202111427368A CN114066923A CN 114066923 A CN114066923 A CN 114066923A CN 202111427368 A CN202111427368 A CN 202111427368A CN 114066923 A CN114066923 A CN 114066923A
Authority
CN
China
Prior art keywords
otsu
iteration
threshold
image
neighborhood
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.)
Granted
Application number
CN202111427368.2A
Other languages
English (en)
Other versions
CN114066923B (zh
Inventor
冯云丛
刘云飞
丛烨明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202111427368.2A priority Critical patent/CN114066923B/zh
Publication of CN114066923A publication Critical patent/CN114066923A/zh
Application granted granted Critical
Publication of CN114066923B publication Critical patent/CN114066923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/136—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
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10012—Stereo images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出一种基于迭代和维数分解的3D Otsu阈值分割方法，该方法包括：第一，采用局部Laplacian滤波对源图像进行去噪预处理，获得源图像的平滑层；第二，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割；第三，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割。本发明所述方法通过维数分解，能够有效提高3D Otsu的运行效率。同时，采用迭代搜索方法获得3D Otsu的最优阈值，提高图像分割的精度。实验结果表明，所述基于迭代和维数分解的3D Otsu阈值分割方法能够有效分割自然图像。

Description

一种基于迭代和维数分解的3D Otsu阈值分割方法
技术领域
本发明属于图像分割领域，具体地讲，设计一种基于迭代和维数分解的3D Otsu阈值分割方法，提高图像分割的效率和精度。
背景技术
图像分割的目的是对图像中的每个像素进行分类，从而提取出感兴趣区域，图像分割作为图像处理之中的重要一步，受到广泛学者的关注；现如今提出的分割方法很多很多，图像分割作为图像处理的基础，分割质量影响后续图像处理任务的有效性，图像分割技术的发展历程是从人工分割到半自动、全自动分割不断进化的过程。
一直以来，研究学者对图像分割方法进行了广泛的研究，例如阈值分割方法，聚类方法，基于边缘检测的方法，区域增长方法，图割方法和基于深度学习的方法等；阈值分割法是一种基于区域的图像分割技术，原理是通过设定阈值，把图像像素点分为若干类；阈值分割法实现简单，计算量小，性能较稳定，是图像分割最基本和应用最广泛的分割方法；阈值分割法分为单阈值与多阈值：单阈值将图像分为前景和背景两部分，当需要提取的目标有多个时，单阈值已经无法满足图像分割的需求，多阈值方法适用于需要提取的目标有多个且这些目标分布在不同灰度级区间的情况：例如一些医学图像常常由黑色背景、白质区域和灰质区域构成，采用多阈值分割可以对图像中的各个成分进行准确的区分，便于提取特定目标，如病变区域等。
阈值分割法仅仅考虑了图像中像素的灰度，忽略了图像中像素的其他信息，如空间信息；为了更加充分的利用图像中所包含的空间信息，提出了一种三维阈值分割法；三维阈值分割法综合利用了图像中的像素点与其邻域空间的相关信息，具备较好的抗噪性能，分割效果也更为理想，相应的，三维阈值分割算法的运行效率较低，因此如何提出一种高效且分割精度高的算法成为了研究的一大热点。
发明内容
图像分割的目的是对图像中的每个像素进行分类，从而提取出感兴趣区域，图像分割作为图像处理之中的重要一步，受到广泛学者的关注；现如今提出的分割方法很多很多，图像分割作为图像处理的基础，分割质量影响后续图像处理任务的有效性，图像分割技术的发展历程是从人工分割到半自动、全自动分割不断进化的过程。
一直以来，研究学者对图像分割方法进行了广泛的研究，例如阈值分割方法，聚类方法，基于边缘检测的方法，区域增长方法，图割方法和基于深度学习的方法等；阈值分割法是一种基于区域的图像分割技术，原理是通过设定阈值，把图像像素点分为若干类；阈值分割法实现简单，计算量小，性能较稳定，是图像分割最基本和应用最广泛的分割方法；阈值分割法分为单阈值与多阈值：单阈值将图像分为前景和背景两部分，当需要提取的目标有多个时，单阈值已经无法满足图像分割的需求，多阈值方法适用于需要提取的目标有多个且这些目标分布在不同灰度级区间的情况：例如一些医学图像常常由黑色背景、白质区域和灰质区域构成，采用多阈值分割可以对图像中的各个成分进行准确的区分，便于提取特定目标，如病变区域等。
阈值分割法仅仅考虑了图像中像素的灰度，忽略了图像中像素的其他信息，如空间信息；为了更加充分的利用图像中所包含的空间信息，提出了一种三维阈值分割法；三维阈值分割法综合利用了图像中的像素点与其邻域空间的相关信息，具备较好的抗噪性能，分割效果也更为理想，相应的，三维阈值分割算法的运行效率较低，因此如何提出一种高效且分割精度高的算法成为了研究的一大热点。
本发明的目的在于克服现有技术的不足，提高图像分割的运行效率和精度，提出一种基于迭代和维数分解的3D Otsu阈值分割方法，其分割效果优于传统阈值分割方法。
为了实现上述目的，本发明所采用的技术方案是：
一种基于迭代和维数分解的3D Otsu阈值分割方法，其关键步骤包括：
步骤一，采用局部Laplacian滤波对源图像进行去噪预处理，获得源图像的平滑层；
步骤二，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割；
步骤三，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割。
步骤一所述的局部Laplacian滤波方法，方法模型为：
给定一幅源图像I，其大小为
Figure 147792DEST_PATH_IMAGE001
，单尺度局部Laplacian滤波定义为：
Figure 133066DEST_PATH_IMAGE002
；
其中，q和p表示像素的空间位置，和分别表示源图像I中位置q和p处像素的灰度值，
Figure 911666DEST_PATH_IMAGE003
表示像素q的邻域，
Figure 982390DEST_PATH_IMAGE004
，表示归一化高斯核，
Figure 504638DEST_PATH_IMAGE005
表示方差为
Figure 344418DEST_PATH_IMAGE006
的高斯核，定义为
Figure 825078DEST_PATH_IMAGE007
，f表示一个连续映射函数，它通常设置为方差为
Figure 84896DEST_PATH_IMAGE008
的高斯核，即
Figure 941994DEST_PATH_IMAGE009
，
Figure 105122DEST_PATH_IMAGE010
和f分别表示构建金字塔时的空间权重和范围权重。
在步骤二中，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割，分割方法为：
在第1次迭代中，对待分割图像I进行1D Otsu阈值分割，根据I的灰度直方图，获得初始阈值t 1以及类均值μ 1,0，μ 1,1，如果像素的灰度值
Figure 756683DEST_PATH_IMAGE011
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 801999DEST_PATH_IMAGE012
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 1,0,μ 1,1]内的像素将在后续迭代中进行划分。
在第2次迭代中，在区间[μ 1,0,μ 1,1]上进行1D Otsu阈值分割，获得阈值t 2以及类均值μ 2,0，μ 2,1，如果像素的灰度值
Figure 666050DEST_PATH_IMAGE013
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 214843DEST_PATH_IMAGE014
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 2,0,μ 2,1]内的像素将继续在下一次迭代中进行划分。
重复上述迭代过程，逐步更新背景区域和目标区域，如果当前迭代过程中获得的阈值与上次迭代获得的阈值之间的差值小于
Figure 771726DEST_PATH_IMAGE015
，即
Figure 38760DEST_PATH_IMAGE016
，则停止迭代，最优阈值为
Figure 440922DEST_PATH_IMAGE017
。
在步骤三中，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割，分割方法为：
对于一幅源图像I，像素总数表示为
Figure 109801DEST_PATH_IMAGE018
，其中，n x 表示灰度值为x的像素个数，n y 表示邻域均值为y的像素个数，n z 邻域中值为z的像素个数，n x ，n y ，n z 的概率分别定义为
Figure 368744DEST_PATH_IMAGE019
，
Figure 326336DEST_PATH_IMAGE020
，
Figure 328927DEST_PATH_IMAGE021
Figure 321154DEST_PATH_IMAGE022
；
灰度值f，邻域均值g和邻域中值h等三个分量的类间方差定义如下：
Figure 485419DEST_PATH_IMAGE023
其中，
Figure 195886DEST_PATH_IMAGE024
和
Figure 736588DEST_PATH_IMAGE025
分别表示第q类的类概率和类均值，
Figure 114480DEST_PATH_IMAGE026
表示所有类的总均值，定义如下所示，
Figure 682603DEST_PATH_IMAGE027
最大化如下目标函数
Figure 145945DEST_PATH_IMAGE028
、
Figure 959180DEST_PATH_IMAGE029
和
Figure 457158DEST_PATH_IMAGE030
，分别获得三个分量的最优阈值，
Figure 432067DEST_PATH_IMAGE031
最后，将
Figure 648284DEST_PATH_IMAGE032
作为最终的最优阈值。
本发明提出方法的主要优点有：（1）采用局部Laplacian滤波获得源图像的平滑层，能够有效降低噪声对分割结果的影响；（2）设计一种基于迭代的1D Otsu阈值分割方法，能够获得更精细的分割结果，提高图像分割的精度；（3）设计基于维数分解的3D Otsu阈值分割方法，通过1D Otsu分别搜索三个分量（像素灰度值、邻域均值、邻域中值）的最优阈值，实现快速3D Otsu阈值分割，提高图像分割的运行效率。
附图说明
图1是本发明基于迭代和维数分解的3D Otsu阈值分割方法的流程图。
图2是本发明基于迭代和维数分解的3D Otsu阈值分割方法以及其他分割算法获得的图像分割结果示例。
具体实施方式
下面结合附图对本发明进行详细说明，以便本领域的技术人员更好地理解本发明，需要指出的是，在不脱离本发明核心思想的前提下，本领域的技术人员可以对本发明做出一些改进，这些都属于本发明的保护范围。
如图1所示，本发明提供一种基于迭代和维数分解的3D Otsu阈值分割方法，包括如下步骤：
步骤一，采用局部Laplacian滤波对源图像进行去噪预处理，获得源图像的平滑层，方法模型为：
给定一幅源图像I，其大小为
Figure 999631DEST_PATH_IMAGE001
，单尺度局部Laplacian滤波定义为：
Figure 352115DEST_PATH_IMAGE002
其中，q和p表示像素的空间位置，
Figure 29084DEST_PATH_IMAGE033
和
Figure 935860DEST_PATH_IMAGE034
分别表示源图像I中位置q和p处像素的灰度值，
Figure 622057DEST_PATH_IMAGE003
表示像素q的邻域，
Figure 297889DEST_PATH_IMAGE004
表示归一化高斯核，
Figure 411338DEST_PATH_IMAGE005
表示方差为
Figure 336569DEST_PATH_IMAGE006
的高斯核，定义为
Figure 29718DEST_PATH_IMAGE007
，f表示一个连续映射函数，它通常设置为方差为
Figure 356795DEST_PATH_IMAGE008
的高斯核，即
Figure 109987DEST_PATH_IMAGE035
，
Figure 256934DEST_PATH_IMAGE010
和f分别表示构建金字塔时的空间权重和范围权重。
步骤二，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割，分割方法为。
在第1次迭代中，对待分割图像I进行1D Otsu阈值分割，根据I的灰度直方图，获得初始阈值t 1以及类均值μ 1,0，μ 1,1，如果像素的灰度值
Figure 252310DEST_PATH_IMAGE011
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 433893DEST_PATH_IMAGE012
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 1,0,μ 1,1]内的像素将在后续迭代中进行划分。
在第2次迭代中，在区间[μ 1,0,μ 1,1]上进行1D Otsu阈值分割，获得阈值t 2以及类均值μ 2,0，μ 2,1，如果像素的灰度值
Figure 889145DEST_PATH_IMAGE013
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 726651DEST_PATH_IMAGE014
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 2,0,μ 2,1]内的像素将继续在下一次迭代中进行划分。
重复上述迭代过程，逐步更新背景区域和目标区域，如果当前迭代过程中获得的阈值与上次迭代获得的阈值之间的差值小于
Figure 292761DEST_PATH_IMAGE015
，即
Figure 328850DEST_PATH_IMAGE036
，则停止迭代，最优阈值为
Figure 423845DEST_PATH_IMAGE037
。
在步骤三中，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割，分割方法为：
对于一幅源图像I，像素总数表示为
Figure 545385DEST_PATH_IMAGE038
，其中，n x 表示灰度值为x的像素个数，n y 表示邻域均值为y的像素个数，n z 邻域中值为z的像素个数，n x ，n y ，n z 的概率分别定义为
Figure 384028DEST_PATH_IMAGE039
，
Figure 540203DEST_PATH_IMAGE040
，
Figure 806099DEST_PATH_IMAGE021
Figure 414935DEST_PATH_IMAGE041
。
灰度值f，邻域均值g和邻域中值h等三个分量的类间方差定义如下：
Figure 322848DEST_PATH_IMAGE042
；
其中，
Figure 802371DEST_PATH_IMAGE024
，
Figure 770327DEST_PATH_IMAGE025
分别表示第q
Figure 335301DEST_PATH_IMAGE043
类的类概率和类均值，
Figure 46905DEST_PATH_IMAGE026
表示所有类的总均值，定义如下所示，
Figure 177672DEST_PATH_IMAGE044
；
最大化如下目标函数
Figure 283906DEST_PATH_IMAGE028
、
Figure 601755DEST_PATH_IMAGE029
和
Figure 585891DEST_PATH_IMAGE030
，分别获得三个分量的最优阈值，
Figure 571165DEST_PATH_IMAGE045
；
最后，将
Figure 349765DEST_PATH_IMAGE046
作为最终的最优阈值。
本实施例中，图2是本发明基于迭代和维数分解的3D Otsu阈值分割方法以及其他阈值分割算法获得的分割结果示例，图2包括两组分割结果；其中，图2(a1)与图2(b1)分别是两幅源图像，图2(a2)与图2(b2)分别是与其对应的标准分割结果（Ground-truth）；从图中可以看出，本发明提供的方法能够获得令人满意的分割结果，且优于其他分割算法。
表1为不同分割算法的Jaccard测度评价结果，其中，最好的评价结果用粗体标出；从表1中可以看出，本发明提供的基于迭代和维数分解的3D Otsu阈值分割方法获得的分割结果优于其他传统阈值分割算法。
表1 图2分割结果的Jaccard测度评价
测试图像 本发明 Otsu-IR 全局Otsu 直接分块Otsu
(a<sub>1</sub>) 0.9681 0.9656 0.9524 0.7605
(b<sub>1</sub>) 0.9847 0.9612 0.9790 0.8363

Claims (4)

1.一种基于迭代和维数分解的3D Otsu阈值分割方法，其特征在于，通过如下步骤实现：
步骤一，采用局部Laplacian滤波对源图像进行去噪预处理，获得源图像的平滑层；
步骤二，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割；
步骤三，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割。
2.根据权利要求1所述的一种基于迭代和维数分解的3D Otsu阈值分割方法，其特征在于，步骤一所述的局部Laplacian滤波方法，方法描述如下：
给定一幅源图像I，其大小为
Figure 922360DEST_PATH_IMAGE001
，单尺度局部Laplacian滤波定义为：
Figure 488471DEST_PATH_IMAGE002
，
其中，q和p表示像素的空间位置，
Figure 55718DEST_PATH_IMAGE003
和
Figure 681872DEST_PATH_IMAGE004
分别表示源图像I中位置q和p处像素的灰度值，
Figure 836035DEST_PATH_IMAGE005
表示像素q的邻域，
Figure 205836DEST_PATH_IMAGE006
表示归一化高斯核，
Figure 893169DEST_PATH_IMAGE007
表示方差为
Figure 690224DEST_PATH_IMAGE008
的高斯核，定义为
Figure 830218DEST_PATH_IMAGE009
，
f表示一个连续映射函数，它通常设置为方差为
Figure 738132DEST_PATH_IMAGE010
的高斯核，即
Figure 748813DEST_PATH_IMAGE011
，
Figure 247927DEST_PATH_IMAGE012
和f分别表示构建金字塔时的空间权重和范围权重。
3.根据权利要求2所述的一种基于迭代和维数分解的3D Otsu阈值分割方法，其特征在于，在步骤二中，设计一种基于迭代的1D Otsu阈值分割方法，迭代搜索图像中的子区域，实现图像阈值分割；分割方法为：
在第1次迭代中，对待分割图像I进行1D Otsu阈值分割，根据I的灰度直方图，获得初始阈值t 1以及类均值μ 1,0，μ 1,1，如果像素的灰度值
Figure 344059DEST_PATH_IMAGE013
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 586822DEST_PATH_IMAGE014
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 1,0,μ 1,1]内的像素将在后续迭代中进行划分；
在第2次迭代中，在区间[μ 1,0,μ 1,1]上进行1D Otsu阈值分割，获得阈值t 2以及类均值μ 2,0，μ 2,1，如果像素的灰度值
Figure 717589DEST_PATH_IMAGE015
，则将该像素划分到C 0类（背景区域）；如果像素的灰度值
Figure 856446DEST_PATH_IMAGE016
，则将该像素划分到C 1类（目标区域）；灰度值在区间[μ 2,0,μ 2,1]内的像素将继续在下一次迭代中进行划分；重复上述迭代过程，逐步更新背景区域和目标区域；如果当前迭代过程中获得的阈值与上次迭代获得的阈值之间的差值小于
Figure 705453DEST_PATH_IMAGE017
，即
Figure 220748DEST_PATH_IMAGE018
，则停止迭代，最优阈值为
Figure 737180DEST_PATH_IMAGE019
。
4.根据权利要求3所述的一种基于迭代和维数分解的3D Otsu阈值分割方法，其特征在于，在步骤三中，分解3D Otsu直方图的三个分量（像素灰度值、邻域均值、邻域中值），采用基于迭代的1D Otsu方法分别搜索像素灰度值、邻域均值、邻域中值的最优阈值，并将三者的均值作为最终的最优阈值，实现图像的3D Otsu阈值分割；分割方法为：
对于一幅源图像I，像素总数表示为
Figure 46939DEST_PATH_IMAGE020
，
其中，n x 表示灰度值为x的像素个数，n y 表示邻域均值为y的像素个数，n z 邻域中值为z的像素个数，n x ，n y ，n z 的概率分别定义为
Figure 383242DEST_PATH_IMAGE021
，
Figure 436649DEST_PATH_IMAGE022
，
Figure 276429DEST_PATH_IMAGE023
Figure 798501DEST_PATH_IMAGE024
，灰度值f，邻域均值g和邻域中值h等三个分量的类间方差定义如下：
Figure 356522DEST_PATH_IMAGE025
其中，
Figure 479198DEST_PATH_IMAGE026
和
Figure 439064DEST_PATH_IMAGE027
分别表示第q
Figure 621784DEST_PATH_IMAGE028
类的类概率和类均值，
Figure 401521DEST_PATH_IMAGE029
表示所有类的总均值，定义如下所示，
Figure 796730DEST_PATH_IMAGE030
最大化如下目标函数
Figure 142261DEST_PATH_IMAGE031
、
Figure 964723DEST_PATH_IMAGE032
和
Figure 762915DEST_PATH_IMAGE033
，分别获得三个分量的最优阈值，
Figure 961815DEST_PATH_IMAGE034
最后，将
Figure 161853DEST_PATH_IMAGE035
作为最终的最优阈值。
CN202111427368.2A 2021-11-29 2021-11-29 一种基于迭代和维数分解的3D Otsu阈值分割方法 Active CN114066923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111427368.2A CN114066923B (zh) 2021-11-29 2021-11-29 一种基于迭代和维数分解的3D Otsu阈值分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111427368.2A CN114066923B (zh) 2021-11-29 2021-11-29 一种基于迭代和维数分解的3D Otsu阈值分割方法

Publications (2)

Publication Number Publication Date
CN114066923A true CN114066923A (zh) 2022-02-18
CN114066923B CN114066923B (zh) 2024-12-17

Family

ID=80276860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111427368.2A Active CN114066923B (zh) 2021-11-29 2021-11-29 一种基于迭代和维数分解的3D Otsu阈值分割方法

Country Status (1)

Country Link
CN (1) CN114066923B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298003A (zh) * 2024-06-03 2024-07-05 首都医科大学宣武医院 一种椎旁肌肉脂肪浸润率的计算方法、系统及设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826209A (zh) * 2010-04-29 2010-09-08 电子科技大学 一种基于Canny模型的三维医学图像分割方法
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
CN107085844A (zh) * 2017-03-14 2017-08-22 西安工程大学 基于稀疏表示的图像分解算法的织物瑕疵检测方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
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
CN111179295A (zh) * 2019-12-23 2020-05-19 青海大学 改进的二维Otsu阈值图像分割方法和系统
CN111489371A (zh) * 2020-04-22 2020-08-04 西南科技大学 一种场景的直方图近似单峰分布时的图像分割方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101826209A (zh) * 2010-04-29 2010-09-08 电子科技大学 一种基于Canny模型的三维医学图像分割方法
CN106780518A (zh) * 2017-02-10 2017-05-31 苏州大学 一种基于随机游走和图割的活动轮廓模型的mr图像三维交互分割方法
CN107085844A (zh) * 2017-03-14 2017-08-22 西安工程大学 基于稀疏表示的图像分解算法的织物瑕疵检测方法
CN109509199A (zh) * 2018-10-10 2019-03-22 华南理工大学 一种基于三维重建的医学影像组织智能分割方法
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
CN111179295A (zh) * 2019-12-23 2020-05-19 青海大学 改进的二维Otsu阈值图像分割方法和系统
CN111489371A (zh) * 2020-04-22 2020-08-04 西南科技大学 一种场景的直方图近似单峰分布时的图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
薛联凤;刘云飞;李为相;: "完全无监督的纹理图像分割", 计算机应用与软件, no. 12, 15 December 2007 (2007-12-15) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118298003A (zh) * 2024-06-03 2024-07-05 首都医科大学宣武医院 一种椎旁肌肉脂肪浸润率的计算方法、系统及设备

Also Published As

Publication number Publication date
CN114066923B (zh) 2024-12-17

Similar Documents

Publication Publication Date Title
CN105261017B (zh) 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN106340016B (zh) 一种基于细胞显微镜图像的dna定量分析方法
CN110415208B (zh) 一种自适应目标检测方法及其装置、设备、存储介质
CN106327507B (zh) 一种基于背景和前景信息的彩色图像显著性检测方法
CN110648342B (zh) 基于nsst显著性检测及图割的泡沫红外图像分割方法
CN107437068B (zh) 基于Gabor方向直方图和猪体毛发模式的猪个体识别方法
CN105741279A (zh) 基于粗糙集的快速抑制模糊聚类的图像分割方法
Valliammal et al. Hybrid image segmentation algorithm for leaf recognition and characterization
CN104616308A (zh) 一种基于核模糊聚类的多尺度水平集图像分割方法
CN110738139B (zh) 一种融合Min-Max目标的NIN车牌识别方法
CN107808384A (zh) 基于网格化局部分水岭的模糊聚类方法
CN105740875A (zh) 一种基于多尺度三维块特征提取的肺结节多轮分类方法
CN107705313A (zh) 一种遥感图像舰船目标分割方法
Militzer et al. Automatic detection and segmentation of focal liver lesions in contrast enhanced CT images
CN110363775A (zh) 一种基于区域型变分水平集的图像分割方法
Zhang et al. Using image processing technology to create a novel fry counting algorithm
CN114066923A (zh) 一种基于迭代和维数分解的3D Otsu阈值分割方法
CN109241865B (zh) 一种弱对比度交通场景下的车辆检测分割算法
CN111868783B (zh) 基于边界提取的区域合并图像分割算法
Zhao et al. An automatic counting method of maize ear grain based on image processing
CN118229651A (zh) 一种肿瘤的三级淋巴结构识别定位分析方法
CN110942467A (zh) 基于pso-fcm的改进分水岭图像分割方法
Jiang et al. Liver segmentation based on Snakes Model and improved GrowCut algorithm in abdominal CT image
Essaf et al. An improved lung parenchyma segmentation using the maximum inter-class variance method (OTSU)

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