專利名稱:一種基于屬性直方圖的圖像分割方法
技術領域:
本發(fā)明屬于數(shù)字圖像處理方法,具體涉及一種基于屬性直方圖的圖像分割方法,用于目標檢測與識別。
背景技術:
圖像分割是將一幅圖像分解成一些互不交疊區(qū)域的集合,是圖像處理領域中極為重要的內容,也是自動目標識別的重要組成部分。圖像分割的正確性和自適應性在一定程度上影響著目標檢測和識別的智能化程度,而圖像分割算法的處理速度也影響了其應用的實時性。
在眾多的圖像分割方法中,閾值法利用圖像中所要提取的目標與背景在灰度特性上的差異,通過選取合適的灰度閾值來對圖像進行分割,從而將目標從背景中區(qū)分出來,因其實現(xiàn)簡單(不需要輸入?yún)?shù),不需要監(jiān)督)、計算量小、性能穩(wěn)定等優(yōu)點被廣泛采用。熵是平均信息量的表征,20世紀80年代初人們開始利用信息論中熵的概念選取分割閾值。1980年T.Pun.A new method for grey-level picture thresholding using the entropyof the histogram.Signal Processing,1980,2(3)223~237提出最大后驗熵上限法,1982年G.Johannsen,J.Bille.A threshold selection method usinginformation measures.Proceedings of the 6th International Conference onPattern Recognition,Munich,Germany,1982,1140~142提出的最小信息互相關法也采用了圖像灰度級的熵,1985年J.N.Kapue,P.K.Sahoo,A.K.C.Wong.A new method for gray-level picture thresholding using the entropy ofthe histogram.Computer Vision,Graphics,and Image Processing,1985,29(3)273~285提出了最大熵圖像分割方法,簡稱KSW法。1989年N.R.Pal,S.K.Pal.Entropic thresholding.Signal Processing,1989,16(2)97~108引入圖像的q階局部熵與條件熵的概念,提出了最大二階局部熵與最大條件熵閾值選取方法,1989年A.S.Abutaleb.Automatic thresholding of gray-levelpictures using two-dimensional entropy.Computer Vision,Graphics andImage Processing,1989,47(1)22~32介紹了一種考慮均勻性與形狀的最大熵閾值選取方法。這些熵方法中KSW法最為簡單有效,應用最廣,但是當圖像灰度直方圖不是理想的雙峰形狀,則KSW法的分割效果會受到影響。
傳統(tǒng)的一維圖像灰度直方圖僅僅統(tǒng)計了灰度級在圖像中的出現(xiàn)概率,并沒有考慮灰度的空間分布信息,因此噪聲及邊緣的存在極大地影響了分割效果。二維灰度直方圖既統(tǒng)計了像素點的灰度分布信息,也利用了像素點的空間分布特性,考慮的范圍由單點的灰度值轉變成該點的灰度和其領域的灰度均值的結合,A.S.Abutaleb.Automatic thresholdingof gray-level pictures using two-dimensional entropy.Computer Vision,Graphics,and Image Processing,1989,47(1)22~32提出了基于二維灰度直方圖的閾值分割算法,與傳統(tǒng)的分割算法比,分割效果有了一定的提高。二維灰度直方圖分割算法的缺陷是耗時長,實時性差。
2002年盧逢春,張殿倫,郭海濤.基于屬性直方圖的圖像分割方法及其在聲納圖像分割中的應用.哈爾濱工程大學學報,2002,23(3)1~3提出了屬性直方圖的概念,屬性直方圖僅僅考慮了圖像中具有某種屬性的像素,從某種意義上說它是一種殘缺的直方圖,但是正是因為這種殘缺性,使屬性直方圖能夠舍棄通常意義的直方圖中一些具有一定先驗知識的干擾成分或具體問題不關心的成分,而簡化直方圖,從而使基于直方圖的圖像處理方法得到簡化和變得可行。不過盧逢春等人只是將屬性直方圖應用于聲納圖像分割中,具體所使用的屬性缺乏一般性。
發(fā)明內容
本發(fā)明提供一種基于屬性直方圖的圖像分割方法,目的在于克服現(xiàn)有方法中所存在的問題,在保證實時性的前提下,提高目標的分割精度。
本發(fā)明的一種基于屬性直方圖的圖像分割方法,順序包括(1)圖像輸入步驟,輸入原始圖像;(2)圖像壓縮步驟,將原始圖像的灰度級數(shù)壓縮為其1/2~1/4,使目標與背景區(qū)域像素的灰度分布更加均勻;(3)統(tǒng)計步驟,統(tǒng)計壓縮后圖像f(x,y)所對應的灰度空間分布密度概率矩陣圖像f(x,y)大小為M×N,灰度級數(shù)為m,其所對應的灰度空間分布密度概率矩陣T為大小為m×K2的二維矩陣,矩陣中的元素T(i,j)表示在圖像f(x,y)中灰度級i在圖像中所有K×K鄰域中分布密度為j的概率,即灰度級i在圖像中所有K×K鄰域中出現(xiàn)j次的概率,Σi=0m-1Σj=1K2T(i,j)=1;]]>i=0,1,…m-1,j=1,2,…K2;K=3或4;(4)提取直方圖步驟,基于灰度空間分布密度概率矩陣T,提取圖像f(x,y)所對應的一維灰度空間分布屬性直方圖,j值一定時,由T中每一維對應的列向量所構造的一維灰度空間分布屬性直方圖定義為pQ(l)=T(l,j)Σi=0m-1T(i,j),]]>式中l(wèi)=0,1,…m表示圖像中像素各灰度級;j為1~3之間整數(shù)值,表示某一灰度空間分布密度值;(5)確定閾值步驟,基于一維灰度空間分布屬性直方圖,利用KSW最大熵圖像分割方法確定圖像f(x,y)的分割閾值;
(6)圖像分割步驟,基于所確定的閾值,對圖像f(x,y)進行分割,得到二值化圖像。
所述的一種基于屬性直方圖的圖像分割方法,其特征在于所述的圖像壓縮步驟中,圖像像素原始灰度級l,其壓縮后的灰度級為lp,lp與l的轉換關系為lp=int(l×m256)×256m,]]>式中int(·)表示取整操作,m=128或64,為圖像所要壓縮成的灰度級數(shù)。
現(xiàn)有二維灰度直方圖既統(tǒng)計了像素點的灰度分布信息,也利用了像素點的空間分布特性,考慮的范圍由單點的灰度值轉變成該點的灰度和其領域的灰度均值結合,與傳統(tǒng)的分割算法比,二維灰度直方圖的閾值分割算法在分割效果上有了一定的提高。
屬性直方圖僅僅考慮了圖像中具有某種屬性的像素,從某種意義上說它是一種殘缺的直方圖,但是正是因為這種殘缺性,使屬性直方圖能夠舍棄通常意義的直方圖中一些具有一定先驗知識的干擾成分或具體問題不關心的成分,而簡化直方圖,其提取過程為(1)將灰度級為L、大小為M×N的圖像的所有像素視為論域X={(x,y)|0≤x≤M-1,0≤y≤N-1},其中(x,y)表示像素。設Q為論域X上的某種屬性集,(x,y)∈Q表示像素(x,y)具有某種屬性。對于圖像X,屬性Q上的屬性直方圖定義為由PQ(l)-l形成的離散圖線,PQ(l)為pQ(l)=nQ(l)NQ;]]>式中nQ(l)表示圖像X中具有屬性Q且灰度值為l的像素數(shù)目,NQ表示圖像中具有屬性Q的像素總數(shù),有Σl=L1L2pQ(l)=1;]]>其中L1、L2分別為屬性集Q中像素的最小灰度值和最大灰度值,通常0≤L1,L2≤L-1。
(2)確定屬性直方圖的關鍵是根據(jù)具體問題和先驗知識構造屬性集Q,Q的一般構造式為Q={(x,y)|Φ[(x,y)]};式中Φ[(x,y)]表示像素(x,y)具有某種先驗知識Φ,也就是說具有某種約束Φ。
本發(fā)明借鑒二維直方圖的思想,利用所定義的灰度空間分布密度概率矩陣,將像素點的空間分布特性作為屬性直方圖的有效屬性,提出了能有效加強直方圖雙峰特性的一維灰度空間分布屬性直方圖。
由于目標與背景區(qū)域內部像素比較均勻,故其所對應像素與鄰域像素之間有較大可能具有相同的灰度值,因此目標與背景所對應灰度級的分布密度概率值在所定義的灰度空間分布密度概率矩陣T中j>1的區(qū)域會有較強的分布。而噪聲及邊緣點像素的灰度級及其空間分布比較雜亂,因此所對應灰度級的分布密度概率值在T中j>1的區(qū)域分布會比較弱。從一維的角度來看,當j值一定時,屬性直方圖的屬性集Q定義為Q={(x,y)|圖像所有K×K鄰域中,與j-1個鄰域像素具有相同灰度級的像素點}由T中每一維對應的列向量所構造的一維灰度空間分布屬性直方圖定義為pQ(l)=T(l,j)Σi=0m-1T(i,j),]]>式中l(wèi)=0,1,…m表示圖像中像素各灰度級;j為1到3之間某一整數(shù)值,表示某一灰度空間分布密度值;由前面的論述可知,在對應j>1的一維灰度空間分布屬性直方圖中,噪聲及邊緣點所對應的灰度級會遭到抑制,而目標及背景所對應的灰度級會得到保留,因而直方圖的雙峰特性會得到加強。
表1是基于不同分割算法飛機、細胞和集成電路(IC)圖像分割的耗時比較。
表1 與普通直方圖KSW最大熵圖像分割方法,P氏熵分割算法和JM熵分割算法相比,本發(fā)明所提出的圖像閾值分割方法能有效提高分割的效果,去除掉被錯分為目標的噪聲點,實時性上大體相當;與二維直方圖KSW最大熵圖像分割方法相比,本發(fā)明所提出的圖像閾值分割方法的分割效果與之大體相當,但在實時性上具有很大優(yōu)勢。
圖1是本發(fā)明流程示意圖;圖2是一幅飛機的原始圖像;圖3是飛機壓縮圖像對應的灰度空間分布密度概率矩陣三維示意圖;圖4是飛機原始圖像的普通直方圖;圖5是飛機壓縮圖像的一維灰度空間分布屬性直方圖;圖6是飛機原始圖像基于普通直方圖的KSW最大熵圖像分割結果;圖7是飛機原始圖像基于普通直方圖的P氏熵圖像分割結果;圖8是飛機原始圖像基于普通直方圖的JM熵圖像分割結果;
圖9是飛機原始圖像基于二維直方圖的KSW最大熵圖像分割結果;圖10是飛機壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果;圖11是一幅細胞原始圖像;圖12是細胞原始圖像基于普通直方圖的KSW最大熵圖像分割結果;圖13是細胞原始圖像基于普通直方圖的P氏熵圖像分割結果;圖14是細胞原始圖像基于普通直方圖的JM熵圖像分割結果;圖15是細胞原始圖像基于二維直方圖的KSW最大熵圖像分割結果;圖16是細胞壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果;圖17是一幅集成電路(IC)原始圖像;圖18是IC原始圖像基于二維直方圖的KSW最大熵圖像分割結果;圖19是IC原始圖像基于普通直方圖的P氏熵圖像分割結果;圖20是IC原始圖像基于普通直方圖的JM氏熵圖像分割結果;圖21是IC原始圖像基于二維直方圖的KSW最大熵圖像分割結果;圖22是IC壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果。
具體實施例方式
本發(fā)明利用自定義的一維灰度空間分布屬性直方圖,結合KSW最大熵圖像分割方法確定圖像分割閾值,處理流程如圖1所示(1)圖像輸入步驟,輸入原始圖像;(2)圖像壓縮步驟,對原始圖像的灰度級進行了壓縮,使目標與背景區(qū)域像素的灰度分布更加均勻;具體方法如下對于圖像中的原始灰度級l,其壓縮后的灰度級為lp,lp與l的轉換關系如下
lp=int(l×m256)×256m;]]>式中int(·)表示取整操作,m=128或64,為圖像所要壓縮成的灰度級數(shù),具體實施中可取m=128,即將圖像的灰度級動態(tài)范圍由256壓縮為128。
(3)統(tǒng)計壓縮圖像所對應的灰度空間分布密度概率矩陣,該矩陣反映了圖像中灰度的空間分布信息。對于大小為M×N,灰度級數(shù)為m的灰度圖像f(x,y),其所對應的灰度空間分布密度概率矩陣T為大小為m×K2的二維矩陣,矩陣中的元素T(i,j)(i=0,1,…m-1,j=1,2,…K2)表示的是在圖像f(x,y)中,灰度級i在圖像中所有的K×K鄰域中分布密度為j的概率,即灰度級i在圖像中所有K×K領域中出現(xiàn)j次的概率。對于T中的元素有Σi=0m-1Σj=1K2T(i,j)=1.]]>具體實施中可取K=3,即鄰域大小為3×3。圖2所示的是一幅飛機圖像,圖3所示的是該圖像所對應的灰度空間分布密度概率矩陣。圖2的飛機圖像中天空背景的灰度級分布在[165,175]的范圍內,由灰度分布密度概率矩陣T可以很清楚地觀察到,背景所對應的灰度級在T中k>1的區(qū)域有很強的分布。
(4)基于灰度空間分布密度概率矩陣,提取壓縮圖像所對應的一維灰度空間分布屬性直方圖。從一維的角度來看,當j值一定時,T中每一維對應的列向量都能構造一維灰度空間分布屬性直方圖,即將屬性直方圖的屬性集Q定義為Q={(x,y)|圖像所有K×K鄰域中,與j-1個鄰域像素具有相同灰度級的像素點}由每一維列向量所構造的一維灰度空間分布屬性直方圖定義為pQ(l)=T(l,j)Σi=0m-1T(i,j);]]>式中l(wèi)=0,1,…m表示圖像中各灰度級;j為1到K2之間某一整數(shù)值,表示某一灰度空間分布密度值。由前面的論述可知,在對應j>1的一維灰度空間分布屬性直方圖中,噪聲及邊緣點所對應的灰度級會遭到抑制,而目標及背景所對應的灰度級會得到保留,因而直方圖的雙峰特性會得到加強。具體實施中可取j=2,即將屬性直方圖的屬性集Q定義為Q={(x,y)|圖像所有3×3鄰域中,與1個鄰域像素具有相同灰度級的像素點},圖4所示的是飛機原始圖像的普通直方圖,圖5所示的飛機壓縮圖像所對應的一維灰度空間分布屬性直方圖。由圖4與圖5的對比可看到本發(fā)明所定義的一維灰度空間分布屬性直方圖能有效加強直方圖的雙峰特性。
(5)基于一維灰度空間分布屬性直方圖,利用KSW最大熵圖像分割算法確定圖像的分割閾值OT。
基于圖5所示的飛機壓縮圖像所對應的一維灰度空間分布屬性直方圖,確定飛機壓縮圖像的分割閾值OT=130。
(6)基于所確定的閾值,對壓縮圖像進行分割,得到二值化圖像。
設f(x,y)為原始圖像,g(x,y)為分割后的二值化圖像,則g(x,y)=0,f(x,y)<=OT255,f(x,y)>OT;]]>圖6是飛機原始圖像基于普通直方圖的KSW最大熵圖像分割結果。圖7是飛機原始圖像基于普通直方圖的P氏熵圖像分割結果。圖8是飛機原始圖像基于普通直方圖的JM熵圖像分割結果。圖9是飛機原始圖像基于二維直方圖的KSW最大熵圖像分割結果。圖10是飛機壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果。
按照上述各步驟,同樣可以對細胞圖像和集成電路IC圖像進行分割。
圖11是一幅細胞原始圖像。圖12是細胞原始圖像基于普通直方圖的KSW最大熵圖像分割結果。圖13是細胞原始圖像基于普通直方圖的P氏熵圖像分割結果。圖14是細胞原始圖像基于普通直方圖的JM熵圖像分割結果。圖15是細胞原始圖像基于二維直方圖的KSW最大熵圖像分割結果。圖16是細胞壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果。
圖17是一幅IC原始圖像。圖18是IC原始圖像基于二維直方圖的KSW最大熵圖像分割結果。圖19是IC原始圖像基于普通直方圖的P氏熵圖像分割結果。圖20是IC原始圖像基于普通直方圖的JM氏熵圖像分割結果。圖21是IC原始圖像基于二維直方圖的KSW最大熵圖像分割結果。圖22是IC壓縮圖像基于一維灰度空間分布屬性直方圖的KSW最大熵圖像分割結果。
權利要求
1.一種基于屬性直方圖的圖像分割方法,順序包括(1)圖像輸入步驟,輸入原始圖像;(2)圖像壓縮步驟,將原始圖像的灰度級數(shù)壓縮為其1/2~1/4,使目標與背景區(qū)域像素的灰度分布更加均勻;(3)統(tǒng)計步驟,統(tǒng)計壓縮后圖像f(x,y)所對應的灰度空間分布密度概率矩陣圖像f(x,y)大小為M×N,灰度級數(shù)為m,其所對應的灰度空間分布密度概率矩陣T為大小為m×K2的二維矩陣,矩陣中的元素T(i,j)表示在圖像f(x,y)中灰度級i在圖像中所有K×K鄰域中分布密度為j的概率,即灰度級i在圖像中所有K×K鄰域中出現(xiàn)j次的概率,Σi=0m-1Σj=1K2T(i,j)=1;]]>i=0,1,…m-1,j=1,2,…K2;K=3或4;(4)提取直方圖步驟,基于灰度空間分布密度概率矩陣T,提取圖像f(x,y)所對應的一維灰度空間分布屬性直方圖,j值一定時,由T中每一維對應的列向量所構造的一維灰度空間分布屬性直方圖定義為pQ(l)=T(l,j)Σi=0m-1T(i,j),]]>式中l(wèi)=0,1,…m表示圖像中像素各灰度級;j為1~3之間整數(shù)值,表示某一灰度空間分布密度值;(5)確定閾值步驟,基于一維灰度空間分布屬性直方圖,利用KSW最大熵圖像分割方法確定圖像f(x,y)的分割閾值;(6)圖像分割步驟,基于所確定的閾值,對圖像f(x,y)進行分割,得到二值化圖像。
2.如權利要求1所述的一種基于屬性直方圖的圖像分割方法,其特征在于所述的圖像壓縮步驟中,圖像像素原始灰度級l,其壓縮后的灰度級為lp,lp與l的轉換關系為lp=int(l×m256)×256m,]]>式中int(·)表示取整操作,m=128或64,為圖像所要壓縮成的灰度級數(shù)。
全文摘要
一種基于屬性直方圖的圖像分割方法,屬于數(shù)字圖像處理方法,目的在于克服現(xiàn)有方法存在的問題,提高目標分割精度與實時處理速度。本發(fā)明用于目標檢測與識別。順序包括(1)圖像輸入步驟,(2)圖像壓縮步驟,(3)統(tǒng)計步驟,統(tǒng)計壓縮圖像所對應的灰度空間分布密度概率矩陣,(4)提取直方圖步驟,提取壓縮圖像所對應的一維灰度空間分布屬性直方圖,(5)確定閾值步驟,利用KSW最大熵圖像分割方法確定圖像的分割閾值,(6)圖像分割步驟,基于所確定的閾值,對壓縮圖像進行分割。本發(fā)明將屬性直方圖的概念應用于KSW最大熵圖像分割方法中,以灰度的空間分布特性作為屬性直方圖的有效特性,在保證實時性的前提下,能有效地對目標進行分割。
文檔編號G06K9/46GK101059870SQ20071005227
公開日2007年10月24日 申請日期2007年5月23日 優(yōu)先權日2007年5月23日
發(fā)明者曹治國, 肖陽, 鄒臘梅 申請人:華中科技大學