基于Renyi交叉熵與高斯分布的圖像閾值分割方法
【專利摘要】基于Renyi交叉熵與高斯分布的圖像灰度直方圖閾值分割方法，包括步驟：1初始化Renyi交叉熵指數(shù)α；2讀取待分割的灰度圖像并將其存入一個二維圖像數(shù)組I中；3遍歷圖像數(shù)組I，計算得到圖像最大灰度級數(shù)L及灰度級集合G={0,1,…,L}；4假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合C0與C1；5用公式計算出關(guān)于C0與C1的先驗概率P0及P1、灰度級均值M0與M1，C0與C1的類方差S0與S1，圖像每個灰度級i關(guān)于C0與C1的類概率與，圖像灰度級i用高斯擬合得到的歸一化后驗概率；經(jīng)過定義圖像關(guān)于Renyi交叉熵的具有對稱性的信息量；得到最優(yōu)分割閾值；最后輸出分割后的圖像。
【專利說明】
基于Reny i交叉熵與高斯分布的圖像閾值分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進一步涉及圖像分割技術(shù)領(lǐng)域的一種基于 Reny i交叉熵與高斯分布的圖像閾值分割方法。
【背景技術(shù)】
[0002] 圖像分割是基于機器視覺的圖像處理任務(wù)中的一個關(guān)鍵環(huán)節(jié)，它是實現(xiàn)圖像目標(biāo) 特征抽取、識別、檢測及圖像分析與理解的基礎(chǔ)。在眾多的圖像分割方法中，由于閾值分割 方法的簡潔有效及易于實現(xiàn)性而成為科學(xué)研究及應(yīng)用實踐中得到廣泛采用的分割技術(shù)。
[0003] 閾值分割技術(shù)可分為參數(shù)法和非參數(shù)法。由于非參數(shù)法在進行圖像分割時僅需設(shè) 計一準(zhǔn)則函數(shù)而少有大量參數(shù)的估計從而帶來計算時間的減少，而且有效性從理論和實踐 方面都能得到較好驗證，因此這類方法的研究和應(yīng)用在實踐中都極為活躍。著名的非參數(shù) 法有如最大類間方差法（也稱為Otsu法）、最大熵(ME)法、最小交叉熵(MCE)法、Renyi熵法 等。
[0004] 圖像是一個復(fù)雜的物理系統(tǒng)，到目前為止還沒有一種普適的分割方法適用于所有 的圖像分割任務(wù)，所以面對不同的分割任務(wù)(如對NDT圖像的分割），研究和提出切實有效的 分割方法在目前而言仍然是一個極具挑戰(zhàn)的工作。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于為應(yīng)對復(fù)雜的圖像分割任務(wù)而提出一種基于Renyi交叉熵與高 斯分布的圖像閾值分割方法。
[0006] 本發(fā)明通過以下技術(shù)方案來實現(xiàn)上述目的： 基于Renyi交叉熵與高斯分布的圖像閾值分割方法，包括如下步驟： (1) 初始化Reny i交叉熵指數(shù)α (α>〇且α乒1); (2) 讀取待分割的灰度圖像，并將其存入一個二維圖像數(shù)組I中； (3) 遍歷圖像數(shù)組I，計算得到圖像最大灰度級數(shù)L及灰度級集合G={0, 1，…，L}，計 算歸一化的灰度直方圖H(H={h〇, lu，…，hL}); (4) 假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合Co與C1, C0= {0, 1, 2, ···, t},C〇={t+l, t+2, ···, L}； (5) 用H做為圖像灰度級的概率密度函數(shù)估計，則可以用以下公式計算出關(guān)于Co與&的 先驗概率、灰度級均值Mo與M1;
公式四
(6)為了用高斯分布擬合圖像灰度級概率分布，用以下公式計算關(guān)于Co與&的類方差So 與Si; 值
(12)輸出分割后的圖像。
[0007] 本發(fā)明的有益效果:本發(fā)明采用具有堅實物理學(xué)背景的Renyi交叉熵做為圖像閾 值分割的準(zhǔn)則函數(shù)，使本發(fā)明與其它方法相比具有更加明確的物理學(xué)意義;本發(fā)明采用廣 泛用于模擬自然界事件發(fā)生概率的高斯分布擬合圖像灰度級像素的概率分布，使本發(fā)明具 有更好的普適性;本發(fā)明采用經(jīng)過大量測試普適性較強、性能優(yōu)越的對稱Renyi交叉熵做為 圖像閾值分割的準(zhǔn)則函數(shù)，進一步提高了灰度圖像的分割質(zhì)量;在對圖像進行閾值分割時， 本發(fā)明可以通過調(diào)整Renyi交叉熵參數(shù)α值獲得不同的分割閾值，這使本發(fā)明具有更好的應(yīng) 對不同圖像分割任務(wù)的潛能。
[0008] 本發(fā)明是一種基于圖像灰度級直方圖的分割技術(shù)。由于自然圖像的復(fù)雜性，對圖 像實施有效的分割是一件很困難的工作。用高斯分布來擬合圖像灰度級直方圖的概率分布 是一種較合理的估計，然后借用具有可調(diào)熵參數(shù)的對稱Renyi交叉熵來構(gòu)建圖像閾值分割 的準(zhǔn)則函數(shù)，這也正是本發(fā)明的核心思想。
[0009] 實驗表明，對于具有8位256級灰度的多幅測試圖像，在一臺CPU為Intel(R) Core (TM)2 Duo CPU T8100 @ 2.10GHz，操作系統(tǒng)為Window XP，編程環(huán)境為MATLAB R2007b的條 件下執(zhí)行相應(yīng)的圖像分割任務(wù)，應(yīng)用本發(fā)明得到的分割圖像區(qū)域內(nèi)部均勻，輪廓邊界準(zhǔn)確， 分割結(jié)果要優(yōu)于Otsu法、最大熵(ME)法、最小交叉熵(MCE)法、Renyi熵法等傳統(tǒng)方法；另外 通過調(diào)節(jié)熵參數(shù)α值也使本發(fā)明具有更好的普適性。
【附圖說明】
[0010]圖1是本發(fā)明的流程框圖。
[0011]圖2是三幅NDT圖像及其專家分割結(jié)果。
[0012 ]圖3是相比較的5種方法對NDT圖像img 1的分割結(jié)果。
[0013 ]圖4是相比較的5種方法對NDT圖像img2的分割結(jié)果。
[0014]圖5是相比較的5種方法對NDT圖像img3的分割結(jié)果。
[0015]圖6是一幅待分割的紅外圖像img4和一幅血細(xì)胞圖像img5。
[0016]圖7是相比較的5種方法對紅外圖像img4的分割結(jié)果。
[0017]圖8是相比較的5種方法對血細(xì)胞圖像img5的分割結(jié)果。
【具體實施方式】
[0018]下面結(jié)合附圖對本發(fā)明作進一步說明。
[0019] 步驟1.設(shè)定Renyi交叉熵指數(shù)α(α>〇且α辛1)值，初始化圖像最小Renyi交叉熵 MinRE為無窮大。
[0020] 步驟2.讀取如圖2所示的待分割圖像，并將其存入一個二維圖像數(shù)組I中。
[0021] 步驟3.遍歷圖像I，獲取圖像最大灰度級數(shù)L、灰度級集合G，計算得到歸一化的灰 度級直方圖H。
[0022] 步驟4.假定t為關(guān)于圖像I的一個灰度直方圖分割閾值，該閾值把G分成Co與(^兩 部分。
[0023] 步驟5.計算關(guān)于Co與C1的先驗概率Pt^P1、灰度級均值Mo與M 1、類方差So與Su
[0024] 步驟6.根據(jù)高斯分布原理計算圖像灰度級i關(guān)于Co與&的類概率^與義;及歸一 化的后驗概率Pi。
[0025] 步驟7.根據(jù)Renyi交叉熵原理計算圖像灰度級直方圖概率向量與高斯擬合概率 向量的Renyi交叉熵信息量D。
[0026]步驟8.根據(jù)最小Renyi交叉熵原理求取最佳分割閾值t*。
[0027] 步驟9.用C對圖像I實施閾值分割并輸出分割圖像。
[0028] 本發(fā)明效果可以通過以下實驗進一步說明： 1)實驗條件 實驗仿真環(huán)境為：一臺CPU為Intel(R) Core(TM)2 Duo CPU T8100 0 2.10GHz，操作系 統(tǒng)為Window XP，編程環(huán)境為MATLAB R2007b的PC機;實驗圖像為:三幅最大灰度級為255的 NDT圖像imgl、img2、img3及一幅紅外圖像img4和一幅血細(xì)胞圖像img5。
[0029] 2)實驗內(nèi)容 2.1)用Otsu法、最大熵(ME)法、最小交叉熵(MCE)法、Reny i熵法及本發(fā)明五種方法對三 幅NDT圖像：[11^1、;[11^2、;[11^3進行實驗，本實驗中本發(fā)明方法中的1^117；[交叉熵指數(shù)設(shè)定為 0.8,五種分割方法實驗結(jié)果如圖3-5所示。圖2列出的是待分割的三幅NDT原始圖像及其專 家分割結(jié)果，其中圖2(a)為imgl原圖像、圖2(b)為img2原圖像、圖2(c)為img3原圖像、圖2 (d)是imgl圖像的專家分割結(jié)果、圖2(e)是img2圖像的專家分割結(jié)果、圖2(f)是img3圖像的 專家分割結(jié)果。圖3是五種方法對imgl圖像的分割結(jié)果，其中圖3(a)是Otsu法結(jié)果，圖3(b) 是ME法結(jié)果，圖3(c)是MCE法結(jié)果，圖3(d)是Renyi熵法結(jié)果，圖3(e)是本發(fā)明分割結(jié)果；圖4 是五種方法對img2圖像的分割結(jié)果，其中圖4 (a)是Ot su法結(jié)果，圖4 (b)是ME法結(jié)果，圖4 (c) 是MCE法結(jié)果，圖4(d)是Renyi煙法結(jié)果，圖4(e)是本發(fā)明分割結(jié)果；圖5是五種方法對img3 圖像的分割結(jié)果，其中圖5 (a)是Otsu法結(jié)果，圖5 (b)是ME法結(jié)果，圖5 (c)是MCE法結(jié)果，圖5 (d)是Renyi熵法結(jié)果，圖5(e)是本發(fā)明分割結(jié)果。
[0030] 2.2)用OtSU法、ME法、MCE法、Renyi熵法及本發(fā)明五種方法對一幅紅外圖像img4及 一幅血細(xì)胞圖像img5進行分割實驗，在本實驗中，針對img4分割時本發(fā)明Renyi交叉熵指數(shù) 設(shè)定為0.8,對img5分割時本發(fā)明Renyi交叉熵指數(shù)設(shè)定為1.5,五種分割方法實驗結(jié)果如圖 7-8所示。圖6列出的是實驗用的一幅紅外img4和一幅血細(xì)胞圖像img5,其中圖6(a)是img4 原圖，圖6(b)是img5原圖。圖7是五種方法對img4的分割結(jié)果，其中圖7(a)是Otsu法結(jié)果，圖 7 (b)是ME法結(jié)果，圖7 (c)是MCE法結(jié)果，圖7 (d)是Renyi熵法結(jié)果，圖7 (e)是本發(fā)明分割結(jié) 果；圖8是五種方法對img5的分割結(jié)果，其中圖8(a)是Otsu法結(jié)果，圖8(b)是ME法結(jié)果，圖8 (c)是MCE法結(jié)果，圖8(d)是Renyi煙法結(jié)果，圖8(e)是本發(fā)明分割結(jié)果。
[0031] 3)實驗結(jié)果分析 從圖3-5及圖7-8的分割結(jié)果可以看出，無論是Otsu法，ME法，MCE法，還是Renyi熵法，在 實驗圖像分割上都不能很好的把要關(guān)注的目標(biāo)分割出來，在分割結(jié)果圖中還殘留有較多的 噪聲點信息，分割結(jié)果區(qū)域一致性較差，這些現(xiàn)象在對NDT圖像的分割上表現(xiàn)尤為明顯，本 發(fā)明在這方面表現(xiàn)要優(yōu)于對比方法。
[0032]表1結(jié)出了不同方法對imgl、img2、img3分割結(jié)果比較。表1中數(shù)據(jù)表示錯誤分類像 素點個數(shù)與圖像像素點總數(shù)的百分比，即錯誤分類像素點個數(shù)/圖像像素總數(shù)X 100%。在這 里把圖2中的專家分割結(jié)果作為原始圖像的正確分割結(jié)果，錯誤分類像素點個數(shù)是通過各 方法的分割結(jié)果與專家分割結(jié)果進行比較得到的。從表1可以看出，本發(fā)明得到的分割結(jié)果 誤分率最低，最接近于專家通過手工分割得到的結(jié)果。
[0033] 表1. NDT圖像誤分率比較
【主權(quán)項】
1.基于Renyi交叉熵與高斯分布的圖像灰度直方圖閾值分割方法，其特征在于，包括如 下步驟： (1) 初始化Renyi交叉熵指數(shù)α(α>〇且α乒1); (2) 讀取待分割的灰度圖像，并將其存入一個二維圖像數(shù)組I中； (3) 遍歷圖像數(shù)組I，計算得到圖像最大灰度級數(shù)L及灰度級集合G={0, 1，…，L}，計 算歸一化的灰度直方圖H(H={h〇, lu，…，hL}); (4) 假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合Co與ChCF {0, 1, 2, ···, t},C〇={t+l, t+2, ···, L}； (5) 用H做為圖像灰度級的概率密度函數(shù)估計，則可以用以下公式計算出關(guān)于Co與(^的 先驗概率、灰度級均值Mo與施；(6) 為了用高斯分布擬合圖像灰度級概率分布，用以下公式計算關(guān)于CQ與(^的類方差So 與Si;(7) 用以下公式計算圖像每個灰度級i關(guān)于(^與心的類概率尹|與(8) 用公式九計算圖像灰度級i用高斯擬合得到的歸一化后驗概率；(9) 基于以上假設(shè)，定義圖像關(guān)于Renyi交叉熵的具有對稱性的信息量公式D;(10) 在G={0，1，…，L}范圍內(nèi)搜索使下式獲得最小值的灰度級t'tl卩最優(yōu)分割閾 值；(11) 設(shè)/ U，/)表示圖像I坐標(biāo)(H)處的像素灰度值，則可用下式對圖像I實施分割；(12) 輸出分割后的圖像。
【文檔編號】G06T7/00GK106056618SQ201610401927
【公開日】2016年10月26日
【申請日】2016年6月8日
【發(fā)明人】聶方彥, 張平鳳, 李建奇, 羅佑新
【申請人】湖南文理學(xué)院