CN1540576A - 用于找出图像分割的最佳阈值的方法 - Google Patents

Abstract

本发明披露了一种在图像识别过程中找出用于图像分割的最佳阈值的方法。该方法包括以下步骤：a)获得图像的直方图分布；b)计算对应于直方图中灰度级的熵值；以及c)根据计算得到的熵值，利用定点迭代FPI，获得对应于该灰度级的作为阈值的最小熵值。本发明能够根据图像分割完成条件及定点迭代方法，通过分析图像的熵特性迅速找出最佳阈值。

Description

用于找出图像分割的最佳阈值的方法

技术领域

本发明涉及一种找出用于图像分割的最佳阈值的方法，尤其涉及一种在图像识别过程中找出用于图像分割的最佳阈值的方法。

背景技术

一般来说，在图像识别技术中，找出用于图像分割的最佳阈值的过程是基础和重要的过程。为了从图像的背景中辨别出一个对象，识别过程是必要的。

根据双峰类型的直方图分布区线，很容易将最佳阈值找出来，在上述情况下，最佳阈值位于直方图分布曲线的最低点。还可以用很多方法找出最佳阈值。

第一种方法是用于找出最佳阈值的随机法。也就是假定图像的直方图分布是双峰类型的，并且具有最小方差和的灰度级被选择为最佳阈值。第二种用于找出所述的最佳阈值的方法基于香农熵(Shannon entropy)。在这种方法中，将具有最小熵的灰度级选择为最佳阈值。还有另一种方法是在图像熵的计算过程中使用模糊度。在这种方法中，选择具有最小模糊度的灰度级作为最佳阈值。

图1是说明用于找出最佳阈值的传统方法的流程图。参照图1，在步骤S101，计算图像的直方图分布。在步骤S102，计算分布于直方图中的所有灰度级的熵。在步骤103，将所有计算得到的熵相互进行比较，并且选出一个具有最小熵值的灰度级。但是，传统方法的整个处理过程的时间是随着图像的分辨率以及需要计算的熵值的数量而成比例增加的。而且，在图像有多个阈值的情况下，不能通过传统的方法计算出图像分割完成的条件。

发明内容

因此，本发明一个目的在于提供一种当图像具有多个阈值时基于定点迭代及模糊熵通过分析图像的熵特性来有效地找出用于图像分割的最佳阈值的方法。

根据本发明的一个方面，本发明还提供了一种用于在图像分割中找出一个阈值的方法，该方法包括以下步骤：a)得到图像的直方图分布；b)计算直方图中的对应于各灰度级的熵值；以及c)根据计算所得的熵值，通过利用定点迭代(FPI)，得到对应于灰度级的最小熵值作为所述阈值。

附图说明

本发明的上述和其它目的及特点通过对下面给出的优选实施例并结合相关附图的描述将变得清楚起来，在附图中：

图1是说明用于找出最佳阈值的传统方法的流程图；

图2是用于说明根据本发明的优选实施例的找出用于图像分割的最佳阈值的方法的流程图；

图3是示出根据本发明的优选实施例的对应于常数k的模糊度的曲线图；

图4是示出根据本发明的优选实施例的用于获得最小熵的灰度级的灰度级分布曲线图；

图5是用于解释根据本发明的优选实施例的图2中的步骤S203的流程图，该步骤用于通过使用FPI获得对应于最小熵值的灰度级；以及

图6是用于详细解释图5中步骤501的流程图。

具体实施方式

本发明的其他目的和方面通过对以下文中参考附图所描述的实施例的进一步解释将变得清楚起来。

图2是用于解释根据本发明中的优选实施例的找出用于图像分割的最佳阈值的方法的流程图。

参考图2，在步骤201中得到图像的直方图分布。在步骤S202中计算出灰度级的熵。在步骤S202中计算出熵值以后，在步骤S203中根据计算出的熵值通过使用所述的定点迭代(fixed pointiteration；FPI)得到一个最小熵的灰度级。

在步骤S202中，通过测量相应的灰度级的模糊熵来计算灰度级的熵。在下文中，对模糊熵的计算进行了详细的解释。

如果一幅尺寸为M×N的图像I具有L个灰度级，一个灰度级的像素(x，y)被定义为I(x，y)，并且μ_I(I_i，j)代表像素(x，y)的灰度级的模糊度。因此，图像I能用下面的等式来表示。

I＝{(I_ij，μ_I(I_ij))}                                   等式1

其中0≤μ_I(I_i，j)≤1；i＝0，1，...，M-1；j＝0，1，...，N-1

如果在整幅图像I中灰度级g具有生成频率h(g)，那么背景的平均灰度级μ₀可以用下面的等式2来表示，并且一个物体的平均灰度级μ_I可以用下面的等式3来表示。

${\mathrm{\μ}}_0=\underset{g=0}{\overset{T}{\mathrm{\Σ}}}\mathrm{gh}\left(g\right)/\underset{g=0}{\overset{T}{\mathrm{\Σ}}}h\left(g\right);$ 如果i(x，y)≤T            等式2

${\mathrm{\μ}}_I=\underset{g=T+1}{\overset{L-1}{\mathrm{\Σ}}}\mathrm{gh}\left(g\right)/\underset{T+1=0}{\overset{L-1}{\mathrm{\Σ}}}h\left(g\right);$ 如果i(x，y)≤T            等式3

平均灰度级μ_I和μ₀可以被考虑作为阈值T的靶值(targetvalue)。那就是说，模糊度可以被表示为像素(x，y)的灰度级与包含相应灰度级的区域的灰度级之间的差。因此，随着模糊度的增大，灰度级差变小。在图像中，所有像素的灰度级对于阈值T来说不管是相对于一个客体或者相对于背景都必须具有特定的模糊度。所述像素的模糊度可以用下面的等式表示。

等式4

同时，当某一特定像素的灰度级包括在特定的区域中时，相对于相同集合的模糊度值必须大于0.5。因此，常数K被定义为G_max-G_min，并且所述的模糊度值在0.5至1之间选择。图3示出了依据所述的常数K的模糊度。

模糊度通常也被认为是模糊集合的模糊度，并且公开了很多用于计算模糊熵的熵方程。如果所述的一个独立变量的熵方程是在二维图像区域扩展的，那么图像I的熵值可以用表1表示。

表1

尤其是，所述熵的绝对值在[0，0.5]范围内是递增的，而且所述熵值在[0.5，1]区域内是递减的。同时，如果包括在该图像中的所有灰度级的模糊度约为0.5，则熵E(I)具有最大值1。

在步骤S202得到熵值以后，在步骤S203中通过使用定点迭代(FPI)法获得最小熵的灰度级。

图4是示出根据本发明的优选实施例的用于得到最小熵的灰度级的灰度级分布曲线图。

参考图4，将在下文中解释最小熵的灰度级。

图5是用于说明根据本发明的实施例的图2中步骤203的流程图，在该步骤，用FPI获得对应于最小熵值的灰度级。

在步骤501中，根据图4中的曲线图得到用于获得最小熵的灰度级的可能的最佳阈值P_i。

在得到所述P_i后，将顺序地获得从左到右的P_i的灰度级。

在步骤503中，通过比较P_i的灰度级的熵值来得到具有最小熵的灰度级的最佳阈值。

图6是用于详细说明图5中步骤501的流程图。

参照图6，并且，在步骤601中，g_min，g_max，G_min，G_max，Pi及g_cal的初始值设定如下。通过选择图4中灰度级分布曲线的最小值，将g_min设定为可能最小灰度级，通过选择图4中灰度级分布曲线的最大值，将g_max设定为可能最大灰度级。并且将G_max设定为等于g_max，将G_min设定为等于g_min。同样，将Pi设定为g_max和g_min的中间值即(g_max+g_min)/2。

并且，将g_cal设定为等于Pi。初值初始化后，在步骤602，计算出g_min、g_max及g_cal的熵值E(g_min)、E(g_max)及E(g_cal)。

在计算出熵值E(g_min)、E(g_max)及E(g_cal)后，在步骤603中将E(g_min)和E(g_cal)进行比较。

如果E(g_min)高于E(g_cal)，则在步骤604中，将g_temp的值改变为g_min的值，并且将g_fix的值设定为G_max。通过改变这些值而不影响G_max及G_min的值，新的临时值g_temp及g_fix在步骤604中被设定如下。

如果E(g_min)等于或小于E(g_cal)，则将g_temp的值改变为g_max的值，并且在步骤605中将g_fix值设定为G_min。通过改变这些值而不影响G_max及G_min的值，新的临时值g_temp和g_fix在步骤605中被设定如下。

根据比较结果改变g_temp或g_fix值后，在步骤606，将P_i设定为g_mid，g_mid是由(g_fix+g_temp)/2计算得出的，并通过(E(g_temp)+E(g_fix))/2计算得出E_mid。

在步骤607，通过利用对(g_temp，0)和(g_mid，E(_gmid))的线性方程f的计算出P_i+1，且E_i+1被设定为E(p_i+1)。所述线性方程f为f(g)＝ag+b。

计算出P_i+1之后，在步骤608，比较上述任意两个P_i值。

在步骤608中，如果有两个相同的p_is，则程序结束，如果有两个不相同的p_is，则在步骤609中将g_temp值设定为p_i+1，并且通过(g_temp+g_fix)/2重新确定g_cal，将E(g_min)设定为E_i+1，并且将g_temp设定为P_i+1。在将g_cal设定为新值之后，重复执行步骤602到608。为了帮助理解图6中用于得到最佳阈值的各步骤，在下表中示出伪代码(pseudo code)。

表2

Set flag＝True；Set gmin＝存在的灰度级的可能最小值；Set gmax＝存在的灰度级的可能最大值；Set Gmin＝gmin；Set Gmax＝gmax；Set pi＝int[(gmax+gmin)/2]；set gcal＝pi；Compute E(gmin)；Compute E(gmax)；Compute E(gcal)；While  (flage＝＝True)if  (E(gcal)＜E(gmin))thenset gtemp＝gmin；set gfix＝Gmax；Elseset gtemp＝gmax；set gfix＝Gmin；Set gmid＝(gfix+gtemp)/2 ；Set pi＝gmid；Set Emid＝(E(gtemp)+E(gfix))/2；

使用(gtemp，0)和(gmid，Emid)生成线性方程f；Set pi+1＝f-1(E(pi))；Set Ei+1＝E(pi+1)；If(pi+1＝任意两个上述的pi)thenset flag＝false；Elseset E(gmin)＝Ei+1；set gtemp＝Pi+1，gcal＝(gtemp+gfix)/2；END IFEnd While.

如上所述，本发明能够根据图像分割完成条件及定点迭代方法，通过分析图像的熵特性迅速找出最佳阈值。

虽然本发明已经就特定的优选实施例进行了描述，但是对于本领域技术人员来说显而易见的是，可以对本发明做出很多改变和修改，而不会脱离权利要求书所限定的本发明的保护范围。

Claims (5)

1.一种在图像分割中找出阈值的方法，所述方法包括以下步骤：

a)获得图像的直方图分布；

b)计算对应于所述直方图中的灰度级的熵值；以及

c)根据所计算出的熵值，通过使用定点迭代FPI，获得

对应于所述灰度级的最小熵值作为所述阈值。

2.根据权利要求1所述的方法，其中，所述步骤c)包括以下步骤：

c-1)获得多个可能最佳阈值；

c-2)获得对应于所获得的可能最佳阈值的灰度级的熵值；

以及

c-3)通过比较这些熵值并选择最小的熵值，从而获得所述的阈值。

3.根据权利要求2所述的方法，其中，通过以下过程获得每个所述可能最佳阈值：获得具有最大熵值的可能最大灰度级的值以及具有最小熵值的可能最小灰度级的值；通过将所述可能最大灰度级的值和所述可能最小灰度级的值相加并将相加后的和减半后获得可能最佳阈值。

4.根据权利要求3所述的方法，其中，通过以下过程获得所述可能最佳阈值：根据所述可能最大灰度级的熵值、所述可能最小灰度级的熵值和所获得的最佳阈值的比较，改变所述可能最大灰度级的值和所述可能最小灰度级的值中的一个；根据所述可能最大灰度级和所述可能最小灰度级的改变过的值，重新获得可能最佳阈值。

5.根据权利要求2所述的方法，其中，所述步骤c-1)包括以下步骤：

c-i)通过以下过程获得初始可能最佳阈值、具有最大熵值的初始可能最大灰度级及具有最小熵值的初始可能最小灰度级：将G_min设定为具有所述初始可能最小灰度级；将G_max设定为具有所述初始可能最大灰度级；将g_min及g_max分别设定为具有与G_min及G_max相同的数值，而不影响G_min及G_max值的改变；将P_i设定为具有通过计算等式P_i＝((g_min+g_max)/2)而获得的所述初始可能最佳阈值；以及将g_cal设定为具有与P_i相同的值；

c-ii)获得g_min、g_max、及g_cal的熵值E(g_min)、E(g_max)、及E(g_cal)；

c-iii)比较E(g_min)与E(g_cal)；

c-iv)如果步骤c-iii)中的比较结果是E(g_min)大于E(g_cal)，则通过将g_temp的值设定为具有g_min的值，将g_fix的值设定为具有G_max的值，从而将g_min的值改变为具有g_cal的值，而不改变g_max的值；

c-v)如果步骤c-iii)中的比较结果是E(g_min)小于或等于E(g_cal)，则通过将g_temp的值设定为具有g_max的值，将g_fix的值设定为具有G_min的值，从而将g_max的值改变为具有g_cal的值，而不改变g_min的值；

c-vi)通过等式P_i＝(g_fix+g_temp)/2，根据g_min及g_max的改变后的值，获得新的可能最佳阈值P_i；

c-vii)通过利用对(g_temp，0)的线性方程f和方程p_i+1＝f^-1(E(p_i))得到p_i+1，其中所述线性方程f为f(g)＝ag+b，a＝g_temp且b为0；

c-viii)将p_i+1与前面得到的p_is进行比较；

c-ix)如果两个p_is不同，则通过将g_temp设定为具有p_i+1的值，并将g_cal设定为具有(g_temp+g_fix)/2的值，从而求出下一个可能最佳阈值，并且重复进行步骤c-ii)到c-viii)；以及

c-x)如果有任意两个p_is相同，则通过比较相应的p_is的熵值并选择具有最小熵值的P_i作为所述阈值，从而选择所述阈值。

Images