二维直方图分割（精选五篇）
二维直方图分割 篇1
杂草是农作物田地的主要危害,目前除草主要靠人力。不仅耗费大量人力物力,而且容易踩坏农作物。于是,实现除草自动化,成为一个发展方向。这里我们的目标是绿色植物(包括农作物和杂草),其颜色、灰度与土壤背景有较大区别,本文根据这个特性采用灰度阈值法把目标从背景中提取出来,从而有利于进一步的分析。
在灰度图像分割的众多方法中,灰度阈值法是最重要、最基本,也是最简单实用的图像分割技术之一。然而,传统的方法大多数是根据图像的一维灰度直方图选择阈值。由于图像的一维灰度直方图仅反映图像的灰度分布,不能反映图像像素之间的空间相关的各种有效信息,当图像的复杂性提高、信噪比递减,或由于照明等因素的影响,使得图像的一维灰度直方图不一定出现明显的“峰和谷”时,仅利用灰度值分布得到的阈值往往不能得到满意的分割效果,甚至还可能产生严重的分割错误。这是因为像素灰度值仅仅反映了像素灰度级的幅值大小,并没有反映出像素与邻域的空间相关信息。
本文利用图像的二维灰度直方图——像素的灰度值分布及其邻域的平均灰度值分布所构成,进行阈值分割。
算法可分三步。首先,将图像转化为灰度图像,并建立二维直方图;然后,确定阈值;最后,根据阈值分割图像。
二、建立图像的二维直方图
对于大豆田地的彩色图像,采用RGB颜色空间表示。那么图像的每个RGB像素点由R、G、B三个值表示。本文采用超绿特征在RGB颜色空间内将彩色图像转化为灰度图像。设图像的灰度级为L,相应的像素邻域平均灰度的灰度级也为L,f(x,y)为图像在(x,y)点的灰度值,g(x,y)为以(x,y)为中心,k×k邻域内的平均灰度值,其中f(x,y)和g(x,y)的表达式为:
式中,1≤x+m≤M,1≤y+n≤N,M、N分别为图像的宽度和高度;k一般取奇数。
定义二维直方图n(i,j)的值表示为像素灰度值f(x,y)=i且同时像素邻域平均灰度值g(x,y)=j的像素个数(i,j=0,1,……,L)。基于像素灰度和像素邻域灰度均值的三维描述如图1所示。
以i,j为自变量,n(i,j)为因变量,就可以形成二维灰度直方图。如图2所示。在绝大多数情况下,n(i,j)主要集中在如图所示的对角线周围,且在一维灰度直方图没有明显的峰和谷的情况下,也呈现出明显的两个峰。令二维矢量(s,t)为阈值,可将图像的二维直方图分成4个区域。根据同态性,在目标和背景处,像素的灰度值和邻域的灰度值接近,在目标和背景的分界邻域,像素的灰度值和领域的平均灰度值差距较大,因此目标和背景中的像素将出现在对角线周围。区域C0代表背景,区域C1代表目标;远离对角线的A和B代表可能的边缘和噪声。对于一幅M×N大小的灰度图像可以利用像素点的灰度值和其邻域平均灰度值组成的二元组(i,j)来表示图像。
三、分割算法
这里采用最优阈值法确定阈值(s,t)。s、t分别为目标和背景灰度均值的中点,对于任意像素点,点灰度值小于s且点邻域灰度值小于t的像素点为背景。这个算法充分考虑了图像的空间信息,可以尽量减少噪声的污染。但是,最优阈值算法没有考虑所取阈值点附近区域,是假设远离直方图对角线的目标和背景出现的概率忽略不计,从而使区域A和区域B内的联合概率近似为零,这是不确切的。如果在取阈值时将这些点全部忽略,势必会影响分割结果,而将所有的点都计算在内,计算量又很大。为此,本文提出新的分割方法。
现对传统二维直方图中用于计算目标和背景均值所选择的区域进行改进,将阈值选择限制在如图2所示的与对角线平行的两条直线之间,与传统的二维阈值分割相比,这种算法充分考虑了在对角线附近接近阈值矢量点的区域内的概率分布,同时考虑了传统二维阈值分割算法中包含的像素灰度和灰度邻域平均值相差较大的点。平行的两条直线方程分别为:
其中,n,m为0到(L-1)之间的整数。而以与对角线垂直且过阈值分割矢量点(s,t)的直线作为目标和背景的分界线,该垂直线方程为:
则g(x,y)≤-f(x,y)+s+t时属于C0,当g(x,y)>-f(x,y)+s+t时属于C1,如图3所示,直方图重新划分为4个区域C0,C,,D0,D1,其中区域C0,C1的点参与运算,而将其余部分忽略不计,现定义新的阈值分割输出函数为:
新的阈值分割输出函数的分类准则只与(s+t)有关,可以将(s+t)整体做为一个阈值,从而将二维阈值转换成一维阈值,而且只有区域C0,C1的点参与运算,大大提高了处理速度。
四、试验结果讨论
用以上算法对图4进行分割,分别尝试了3×3、7×7、11×11、15×15的4个尺寸,分割图像如图5所示。图4是天气晴朗的自然条件下采集的。由于太阳光反射,在左右两片叶片均出现明显的镜面反射,即图像中叶片上的白斑。在晴朗天气下,这样的情况是很普遍的。
摘要：区分绿色植物和土壤是农作物田地去除杂草的首要步骤,利用图像处理技术探索杂草图像分割算法。二维直方图的转换基于RGB色彩模型,并进一步改进了传统的阈值分割算法。
关键词：图像分割,大豆图像,直方图
参考文献
[1]Bulanon D.M.,Kataoka T.,Ukamoto H,et al.Development of a Real - time Machine Vision System for the Apple Harves ting Robot[C].SICE Annual Conference in Sapporo,2004,61(4): 595-598.
[2]赵杰文,刘木华,杨国彬.基于HIS颜色特征的田间成熟番茄识别技术[J].农业机械学报,2004,35(9):122-124,135.
[3]Bulanon D M,Kataoka T,O ta Y,et al.A segmentation al gorithm for the automatic recognition of Fuji Apples atharvest[J]. Biosystems Engineering,2002.83(4):405-412.
[4]毕凌燕,余英林.基于XYZ空间的区域生长法分割图像[J].计算机工程与应用,2003.39(17):56-57.
二维直方图分割 篇2
图像分割是根据图像中一个或多个特征将图像分成某些感兴趣的区域,是图像分析、理解的关键[1]。在由三维目标映射为二维图像的过程中,图像会有信息丢失,成像设备所受诸多因素干扰是不完备的,使得图像除了目标外还存在随机噪声。而人的视觉对于图像从低到高的灰度级别不是严格确定的,由此导致图像边缘、区域、纹理等的定义以及对图像底层处理结果的解释存在不确定性[2]。故图像分割问题是典型的结构不良问题,而模糊集理论具有描述不良问题的能力,把模糊理论引入图像处理领域,将使基于模糊集理论的图像分割方法具备更好的分割效果。
模糊聚类分析已有很多方法,在基于目标函数的聚类方法中最具有代表性的是模糊C均值聚类方法FCM(Fuzzy C-means)[3],是由Dunn从硬C聚类方法引出,后又经过Bezdek归纳并加以完善。FCM图像分割方法是通过目标函数的迭代优化来实现对图像特征的划分[4],在当前基于目标函数的模糊聚类图像分割方法研究中,都是基于这一基本思想。
本文从FCM图像分割算法出发,在基于二维直方图加权的聚类中心优化调整的基础上,提出结合高斯核函数的综合算法(2DWGKFCM),最后将该算法应用于图像分割,并进行算法对比。
1 基于二维直方图加权的图像分割算法
1.1 加权模糊均值聚类算法
假设X={x1,x2,…,xn}为p维实数空间中给定的一个有限样本子集,xk∈Rp为第k个样本的特征矢量。对于任意给定的类别数c,2≤c≤n,样本集X的加权模糊均值(WFCM)聚类问题可以表示成如下的数学规划问题:
wi为每个样本的加权系数,且满足概率约束条件
为样本集X的模糊c划分空间;V={v1,v2,…,vc}为c个模糊类的聚类中心矢量集;‖·‖为某种范数,用来定义样本与聚类中心的相似性测度;m为模糊加权指数,控制聚类的模糊程度。
利用拉格朗日乘子法,可推导出式(1)的优化迭代公式,即:
加权系数wi的作用在于聚类中心的调整,当wi=1/n时,认为各个样本对分类影响一致,该算法就退化为经典的FCM算法。
1.2 二维直方图加权系数
基于FCM的分割算法中,直接把灰度及其出现的频度作为待分类样本,与FCM相结合就形成了一维灰度直方图加权的FCM图像分割算法[5]。其分类样本数不随图像尺寸的增大而增大,满足分割的实时性要求,但由于噪声干扰等原因,目标和背景的分布相互重叠的不可区分,使得该方法的前提不再成立。而在基于原图像和领域平滑图像而构造出的二维直方图上[6],当利用了像素空间相关的这一信息后,目标和背景的分布就会比一维直方图容易区分。
二维直方图H(s,t)描述了原图I(x,y)中灰度值为s,同时在平滑图像的同一位置具有灰度值为t的像素(对)的个数[7],即为两幅图的联合概率密度:
基于二维直方图加权的FCM图像分割算法具体的实现方法如下:定义待分类样本为二元组xi=(s,t),i=0,1,…,L2-1,其中i=s L+t,加权系数为wi=H(s,t)。
2 基于高斯核的FCM图像分割算法
为避免高维运算,利用满足Mercer条件的一个函数,将高维空间的内积运算通过低维空间的简单运算实现,无须考虑非线性映射ф的形式,这个函数就称作核函数[8],记为K(x,y),满足:
高斯核函数的定义为
2.1 隶属度及聚类中心的确定
本节选择高斯核函数与FCM算法进行结合,则FCM算法目标函数改写为:
令J(U,V)对隶属度uij的偏导数等于
令J(U,V)对聚类中心v1的偏导等于0,有
2.2 高斯核函数径向宽度的选择
σ为函数的宽度参数,控制函数的径向作用范围[9]。对于聚类问题而言,如果特征空间样本点的聚类结构紧致,则较小σ的值便能保证样本点的有效聚类;如果聚类结构分散,则隶属度函数分布模糊性强,那么,较大σ的值有助于得到明确的隶属度函数分布[10]。
设样本集X={x1,x2,…xn,},定义样本集的中心,样本点到样本中心的距离,则样本集平均距离为
基于样本点的到样本集中心的距离方差,作为径向宽度σ的值[11],有:
样本点间的距离方差表征了聚类周围的聚合程度[12],即样本点聚类结构的紧致程度,可利用样本点间的距离方差进行粗略的衡量。
3 实验仿真与分析
如图1所示,实验用图为细胞灰度图像及地面灰度图像,大小均为256×256。在原图的基础上叠加了方差为0.03的高斯白噪声,平滑图像用“average”均值滤波实现,同时保持灰度级范围不变(0~255)。预设模糊因子m=2,聚类分割算法截止阈值ε=1e-5。运行环境MATLAB R2012a(7.14.0.73964-bit)。
相比于2DWFCM的图,传统FCM算法噪声的抑制情况较差,在分割图中基本看不出原图中的细胞结构。在2DWFCM中,虽噪声被有效抑制,但部分细胞也被误分为噪声而被抑制。如左上角的框中,分割结果细胞轮廓丢失明显,而中央的主细胞的内部结构在高噪声环境下也得不到很好的还原。
两种分割算法的性能比较如表1所示。
(PSNR单位:d B)
从峰值信噪比(PSNR)可看出,2DWFCM的数值大于FCM算法,即前者的图像抗噪性能更佳,且2DWFCM在收敛时间上有较大改善,较FCM算法提高了34倍。在此基础上,横向对比了四种算法的分割效果,如图2所示。
图2所示的分割结果可看出,虽然四种算法的分割效果均不同程度地受到了噪声的干扰,但均得到了可识别的地物特征分割结果。相较于另外三种算法,2DWGKFCM算法对屋顶左右斜面的灰度变化,以及街道十字路口中心交叉处的还原更加准确,具体如表2所示。
(PSNR单位:d B;收敛时间单位:s)
表2显示了四种算法的分割效率及量化效果,由于GKFCM的算法复杂度的提高,分割效率低下,而二维直方图加权系数的引入可有效降低收敛时间,提高分割效率;2DWGKFCM算法则兼具了高斯核的抗噪性能与二维直方图加权算法的分割效率,拥有了更高的PSNR值及更少的迭代次数,即在噪声环境中具有更好的鲁棒性及分割有效性。
4 结束语
本文在传统FCM算法上结合了基于图像二维直方图加权系数及高斯核函数,提出了2DWGKFCM图像分割算法。针对传统基于核的FCM分割方法对噪声敏感及分割效率低下的弊端,将具有调整二维直方图加权系数引入,不仅结合了图像像素点的灰度信息及像素点与其领域间相关的空间信息,在噪声环境下获得了更好的分割效果,还提高了算法的收敛速度,提高图像分割效率。在此基础上,结合高斯核可针对原始空间中线性不可分的样本,用以丰富原始算法单一的聚类结构,使2DWGKFCM算法对噪声和野值点具有更好的鲁棒性,能更好地满足特征复杂的图像分割问题。通过实验结果的比较,验证了本文提出算法的有效性。
摘要：文中提出了基于二维直方图加权的高斯核FCM图像分割方法,该方法在传统FCM算法中融入了二维直方图的加权系数及高斯核函数。在图像分割中,由于噪声干扰,传统的FCM算法在许多情况下并不能有效区分目标和背景,而利用二维直方图中像素点与其领域间相关的空间信息,将其作为加权系数用来调整聚类中心,可有效提高分割效率。此外,算法结合高斯核函数用于改善FCM算法在样本特征空间线性不可分时带来的划分不准的缺点,改善图像分割效果。实验结果表明,此算法在提高图像分割效率的基础上,比传统算法具有更好的鲁棒性与有效性。
关键词：二维直方图,加权,高斯核,FCM,图像分割
参考文献
[1]张晶,王黎,高晓蓉,等.数字图像处理中的图像分割技术及其应用[J].信息技术,2010,34(11):36-39,43.
[2]陈东辉.基于目标函数的模糊聚类算法关键技术研究[D].西安:西安电子科技大学,2012.
[3]Lin Jzau-sheng.Fuzzy Clustering Using A Compensated Fuzzy Hopfield Network[J].Neural Processing Letters,1999,10(1):35-48.
[4]Li Ao,Li Yi-bing,Yang Xiao-dong,et al.Image restoration with dual-prior constraint models based on Split Bregman[J].Optical Review,2013,20(6):491-495.
[5]Fu Q,Li Y B,Tang C R.Image Enhancement method for sonar images based on Surfacelet and Multi-Scale Retinex[J].Journal of Applied Sciences,2012,30(5):505-510.
[6]Bouveyron C,Girard S,Schmid C.High-dimensional data clustering[J].Computational Statistics and Data Analysis,2007,52(1):502-519.
[7]姜园,张朝阳,仇佩亮,等.对聚类算法普遍存在问题的解决办法[J].电路与系统学报,2004(3):92-99.
[8]刘小芳.基于模糊聚类理论的模式识别研究[D].成都:电子科技大学,2004.
[9]Li Yi-bing,Fu Qiang,Ye Fang,et al.Blind Image Restoration via the Integration of Stochastic and Deterministic Methods[J].Mathematical Prob-lems in Engineering,2014(1):1-10.
[10]Li Yi-bing,Fu Qiang,Ye Fang,et al.Dark channel prior based blurred image restoration method using total variation and morphology[J].Journal of Systems Engineering and Electronics,2015,26(2):359-366.
[11]张敏,于剑.基于划分的模糊聚类算法[J].软件学报,2004(6):858-868.
基于灰度直方图的自动分割方法研究 篇3
图像分割的目的是提取感兴趣的区域目标, 而图像本身就是由若干个具有独特性质的特定区域构成, 图像分割是由图像处理到图像分析的关键步骤[1,2]。图像分割算法应用的比较广泛, 分割方法也比较多, 如根据阈值大小进行图像分割的算法、按照区域生长的方式进行图像分割的算法以及根据图像梯度信息进行图像分割的算法等[3]。
目前应用最为广泛的是基于阈值的图像分割算法, 但是影响阈值分割算法的最直接的关键因素就是阈值的确定。目前阈值的确定有两种方法:手动阈值和自动阈值。手动阈值由于受人为因素的影响, 无法准确获得最佳的阈值点, 进而无法使图像的分割达到最佳效果。因此, 现在大量的基于阈值分割的研究都集中在自动阈值分割方面[4]。如杨必武等通过区域灰度变化模型, 采用有效熵方法分对象来进行阈值设定, 解决了读数多阈值自动设置方面的问题[5]。石美红等提出了一种基于脉冲耦合神经网络的图像二值分割方法, 与传统图像二值化方法相比, 它是与图像自适应的二值分割实现图像的二值化[6]。张健等提出了图论阈值算法, 采用相似程度最小生成树策略研究伪割集问题, 并给出图像阈值, 仿真表明该算法分割图像效果良好, 解决了图像分割中存在的过合并和欠合并现象[7]。周艺华等采用灰度级-最大梯度图等进行阈值设定, 通过迭代代替穷举搜索选取阈值进行图像分割[8]。本文在最常见的图像阈值分割方法基础上, 提出一种自动单阈值分割算法, 利用图像的灰度直方图特性得到合理分割阈值, 具有计算简单、自适应性能强的特点。
2 灰度直方图
灰度直方图反映图像灰度的统计特性, 表达了图像中取不同灰度值的面积或像素数在政府图像中所占的比例, 是图像中最基本的信息。灰度直方图灰度级的分布可以提供图像信息的许多特征, 为图像分析提供了一个有力的工具。例如, 若直方图密集地分布在很窄的区域之内, 说明图像的对比度很低;若直方图有两个峰值, 则说明图像中很有可能存在两种不同亮度的区域。
直方图的横坐标是灰度级, 一般用r表示, 纵坐标是具有该灰度级的像素个数或出现这个灰度级的概率P (rk) (k为下标) , 其公式如下:
其中, N为图像中像素的总数, nk为第k级灰度的像素数, rk表示第k个灰度级, P (rk) 则表示该灰度级出现的概率。因为P (rk) 给出了对rk出现概率的一个估值, 所以直方图提供了原图的灰度值分布情况。
灰度直方图实现的算法如下:
其中, width为图像宽度, height为图像高度, p Src为图像缓存区指针, i Line Bytes为每行字节宽度, 必须为4的整数倍, P为倒数第i行、第j列元素像素值, i Pixel Count[P]为像素值为P的像素个数。
3 图像预处理
本研究的目标图像为多孔材料CT断层扫描图像, 图像本身存在一定的椒盐噪声, 对图像的分割效果有较大影响, 因此, 在进行图像分割之前, 必须采用适合去除椒盐噪声的均值滤波算法对图像进行预处理。
均值滤波是一种基本的基于图像局部统计信息对图像进行滤波的方法, 可以对图像进行平滑处理, 消除图像中的椒盐噪声, 其原理是设置一定大小的窗口, 通过窗口滑动过图像, 将窗口中心的像素由窗口中所有像素的平均值来确定[9]。其定义如下:
其中i=0, 1, …, H-1;j=0, 1, …, W-1;S (m, n) 表示图像中像素位置为P (m, n) 的灰度值;W表示图像宽度;H为图像高度;Ri, j表示以P (i, j) 为中心的均值滤波窗口内所有图像像素点的坐标集合;NK=MN表示窗口中像素个数的总和。其算法实现过程如下:
4 自动阈值分割
阈值分割主要利用的是图像灰度信息, 一般称为灰度阈值分割。灰度阈值分割法是一种最常用的并行区域技术, 它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换:
其中, T为阈值, 目标元素g (i, j) =1, 背景元素g (i, j) =0。
由此可见, 阈值分割算法的关键是阈值的确定, 本文采用了一种基于灰度直方图的自动阈值分割方法, 算法流程如下。
(1) 计算图像的灰度直方图, 比较获取图像像素灰度的最大值Max和最小值Min。
(2) 获取初始阈值Init Thresh Hold= (Max+Min) /2, 设定最佳阈值Opt Thresh Hold初始值为0。
(3) 将Init Thresh Hold值赋值给Opt Thresh Hold。
(4) 根据Init Thresh Hold值, 将图像灰度划分为两个区域, 灰度值高于Init Thresh Hold值的为高灰度区, 灰度值低于Init Thresh Hold的为低灰度区, 在两个灰度区域内分别计算灰度均值Low Value和High Value。
(5) 计算新的Init Thresh Hold值, Init Thresh Hold= (Low V alue+High Value) /2, 比较Init Thresh Hold和Opt Thresh Hold, 如果二者相等, 最佳阈值找到, 转到f, 否则转到c, 继续执行算法。
(6) 返回最佳阈值Opt Thresh Hold, 迭代结束。
算法实现伪码如下:
其中, Min的值为0, Max的值为255, n Iterative为迭代次数, 根据程序需要具体设置。获取最佳阈值后, 根据阈值将目标图像进行二值化处理, 获取二值图像。
5 实验结果与结论
本文研究对象为多孔材料CT断层扫描图像, 根据实验结果图像对比 (如图1中各图对比) , 本方法具有很好的图像分割效果。
通过分割前和分割后图像的对比, 可以看出本文的基于直方图的阈值自动获取方法可以获取合适的阈值, 采用该阈值可以对多孔材料进行很好的分割, 同时本算法具有计算简单、运算速度快等特点, 具有很好的应用前景。
参考文献
[1]张宇.医学图像三维重建的研究[D].成都:电子科技大学, 2006.
[2]孙承勃, 李轶鲲, 张志华.基于道格拉斯-普克算法的图像分割初探[J].测绘与空间地理信息, 2012, 35 (5) :33-35.
[3]李媛媛.医学图像处理与三维重建系统中图像分割的研究[D].成都:电子科技大学, 2008.
[4]赵慧君.基于波形匹配的高频电源过程控制及ARM平台仿真研究[D].南京:南京航空航天大学, 2012.
[5]杨必武, 郭晓松.基于有效熵的图像阈值自动设置算法研究[J].计算机工程, 2002, 28 (2) :200-201.
[6]石美红.基于改进型脉冲耦合神经网络的图像二值分割[J].计算机仿真, 2002, 19 (4) :42-46.
[7]张健, 李宏升.基于图论阈值算法的图像分割研究[J].液晶与显示, 2014, 29 (4) :592-597.
[8]周艺华, 王璇.基于梯度阈值对象提取的图像检索技术研究[J].计算机工程与设计, 2013, 34 (7) :2450-2454.
二维直方图分割 篇4
关键词：三维Renyi熵,阈值法,准分法
Sahoo等[1]提出了二维直方图的Renyi熵分割法, 效果较好, 但计算阈值时采用的均是近似假设, 致使对图像的分割不够准确, 随后, 张明新[2]等提出了二维直方图准分算法, 舍弃了二维阈值法中的近似假设, 并在二维直方图中对图像的噪声部分进行了去噪处理, 取得了一定的改进, 但对于光照不均匀导致目标和背景较接近的图像分割效果有欠缺。
鉴于上述原因, 本文提出一种基于三维直方图准分的Renyi熵图像分割方法, 采用三维直方图来增加图像中的特征信息, 可以更好的对图像进行分割阈值的判定, 利用两个平行的圆柱面, 将直方图分为内点区 (IA) 、边界区 (EA) 和噪声区 (NA) , 并对IA、EA中的点在RE计算公式中的对应量重新计算, 以取得更为精确的分割, 对NA进行去噪处理增强算法鲁棒性及抗噪性。
1 二维直方图准分Renyi熵阈值分割法
传统的二维RE阈值法描述如下[1]:以像素灰度和邻域均值灰度为坐标系, 记录坐标系中每一坐标在被描述图像中出现的概率, 记为Pij。
设阈值 (s, t) 将直方图分为四个区域, [0, s;0, t], [s, L-1;t, L-1]分别为目标域和背景域, 而[0, s;t+1, L-1], [s+1, L-1;0:t]为边缘及噪声, 二维RE定义为如下[1]:
目标域的二维RE:
背景域的二维RE:
其中, α为0到1之间的固定常数。
图像的总RE:
当Hα取得最大值时, 目标域与背景域的分割效果最佳。
文献[3]利用4平行主对称轴直线分直方图为IA、EA和NA, 像素点主要集中在IA和EA, 一般图像中, NA区域的值极少, 但其对分割结果有较大的影响, 所以NA区域做去噪处理后, 代入公式 (1) (2) (3) , 才可得更为精确的二维最大RE的阈值。
2 三维直方图准分的最大Renyi熵阈值分割法
将上文所述的思想推广到三维直方图中, 以像素灰度、邻域均值灰度和邻域加权中值灰度为三维直方图的坐标轴构成三维直方图, 直方图中每一个坐标点记录图像中出现该灰度对的概率, 记为Pij K。做平行于直线的两个圆柱面将直方图分为IA、EA和NA, NA区域的判断参数通过试验可确定为40。
三维RE公式如下:
目标域三维RE:
背景域三维RE:
图像总RE:
与二维RE准分法相同, 对处于NA部分的像素点进行去噪处理, 随后在三维坐标系中进行RE的计算, 并找出最大RE阈值, 以便对图像进行分割。因IA、EA和NA是由圆柱面进行分割的, 所以对NA进行消噪处理时需计算坐标系中非0点距直线的距离, 大于圆柱半径时, 判定其为噪声点并标记, 再计算的值, 并利用公式 (4) (5) (6) 来确定最大RE阈值。
3 实验结果
为验证算法有效性与抗噪性, 本文选择对图像叠加噪声进行实验, 结果如图1所示, (a) 叠加均值为0, 方差为0.02的高斯噪声; (b) 为本文方法, 对图像的误判减少。
4 结论
本文以二维Renyi熵准分算法为主, 结合三维共生矩阵模型、Renyi熵分割原理与图像准分原理, 提出了三维直方图准分的Renyi熵图像阈值分割。通过对二维准分算法的利用和推广, 对三维直方图中的噪声区域进行去噪处理, 舍弃了一般Renyi熵图像阈值分割法中的近似假设, 提高了算法的鲁棒性及抗噪性, 对不同噪声强度的图像的分割, 减少了在信噪比较低情况下图像目标域和背景域的误判, 具有一定的推广性。
参考文献
[1]Sahoo P, Wilkins C, Yeager J.Threshold Selection Using Renyi’s Entropy[J].Pattern Recognition, 1997, 30 (1) :71-84.
[2]张新明, 薛占熬, 郑延斌.二维直方图准分的Renyi熵快速图像阈值分割.模式识别与人工智能[J].2012, 25 (3) :411-418.
二维直方图分割 篇5
双直方图均衡化
1. 双直方图均衡化
双直方图均衡化首先将输入图像基于输入图像的均值分割成两幅子图, 其中一幅子图是像素值小于或等于均值的样本集, 而另一幅子图是像素值大于均值的样本集。然后再独立地对子图进行基于各自的直方图的均衡化, 前一个样本集被映射到范围从最小灰度级到输入均值, 后一个样本集被映射到从均值到最大灰度级。换句话说, 一幅子图被均衡到范围达到均值, 而另外一幅子图从均值开始被均衡化, 这个过程都是基于它们各自的直方图。因此, 结果均衡化子图是围绕其均值有界的, 这个方法对于保持平均亮度是很有效的。
用Xw表示图像X的均值, 假设Xw∈{X0, X1, ..., XL-1}。基于均值, 输入图像被分解成两幅子图XL和XU, 即
其中
子图XL由{X0, X1, ..., Xw}组成, 另外的XU由{Xw+1, Xw+2, ...XL-1}组成。
下一步, 定义两幅子图各自的概率密度函数,
其中nLk和nUk表示Xk在{X}L和{X}U中各自的数目, nL, nU分别是{X}L和nL=∑kw=0nLk中的像素总数, 记着nL=∑wk=0nLk和nU=∑L-1k=w+1nUk, n=nL+nU, 那么各自的累积密度函数可以定义为
其中Xk=x并定义c L (Xw) =1和cU (XL-1) =1。
与直方图均衡化相似, 将累积密度函数作为转换函数, 我们利用累积密度函数定义如下的转换函数
基于这些转换函数, 分别对分割所得的子图进行均衡化, 两幅子图的均衡化结果图组成亮度保持的双直方图均衡化的输出结果图, 也就是说其结果图Y可以表示成如下
其中
如果我们定义0≤cL (x) , c U (x) ≤1, 很容易发现fL (XL) 在范围 (X0, Xw) 内对子图XL进行衡化, 而fU (XU) 在范围 (Xw+1, XL-1) 内对子图XU进行均衡化, 结果输入图像X在动态范围 (X0, XL-1) 内被均衡化。其中小于等于均值的被映射到 (X0, Xw) , 大于均值的被映射到
2. 本文实验步骤
(1) 先将彩色图像转换成YCbCr彩色空间的灰度图像, 取得Y分量。
(2) 对Y分量灰度图像进行基于图像均值分割得到两幅子图;再分别独立地对两幅子图进行直方图均衡化处理。
(3) 将进行处理后的Y分量灰度图像与Cb分量和Cr分量图像组合得到增强的彩色图像。
实验结果与分析
通过上述的实验步骤, 可以得到比直方图均衡化效果更好的彩色图像。如图1所示的 (a) , (b) , (c) 三幅图像分别为原始彩色图像, 通过直方图均衡化处理的结果彩色图像, 通过基于均值分割直方图均衡化处理的结果彩色图像。可以看出通过直方图均衡化处理之后的图像在天空部分的亮度有所提高, 但树叶方面没有明显的亮度提高。而通过基于均值分割进行直方图均衡化处理之后的图像在树叶和天空部分的的亮度得到了更好的提高, 而且图像的清晰度也保持得更好。
图2给出了将彩色图像转换到YCbCr彩色空间的Y分量的原始图像和经过直方图均衡化之后的Y分量图像, 以及经过基于均值分割直方图均衡化处理之后的Y分量图像。
图3给出了对应于图2中Y分量图像即灰度图像的直方图。从中可以看出, 通过基于均值分割进行直方图均衡化之后的直方图比直接进行直方图均衡化处理之后的直方图分布得更加地均匀, 灰度级分布更均衡。
结论