基于Alpha‑Gamma散度的灰度图像阈值分割方法技术

本发明专利技术公开了一种基于Alpha‑Gamma散度的灰度图像阈值分割方法，包括输入待分割图像并求取其归一化的灰度级直方图，构建分割前后图像Alpha‑Gamma散度表达式，通过在图像灰度级范围内求取使该表达式获得最小值的灰度级值，然后用该灰度级值对图像实施阈值分割并输出分割图像等步骤。本发明专利技术提升了图像分割质量，分割图像边缘轮廓精确，纹理细节清晰；增强了方法的普适性，适用于实时性要求高的图像处理任务。

【技术实现步骤摘要】

本专利技术涉及机器视觉中的图像分割领域，具体是指一种基于灰度图像直方图信息的Alpha-Gamma散度实现对基于机器视觉的无损检测等工业图像快速、准确分割的阈值分割方法。
技术介绍
图像分割是图像处理中最为基本，但又是最为困难和最具挑战性的问题之一。图像分割的目的是把图像分成互不重叠的多个区域，各区域内部目标同质，从而为实现图像的后续处理奠定基础。因图像成像过程中受多种因素影响，其复杂性也致使用于分割的方法不能普适于不同的分割任务，因此研究新的方法用于实践中的特定分割任务也成为研究人员在图像处理工作中必须努力的方向之一。在很多图像处理应用场景中，如基于机器视觉的产品质量检测、基于机器视觉的安全监测，对图像处理任务的完成一般需要较高的实时性，因此在多种图像分割技术中，有着很高实时性能、而且也具有较高分割精确性的直方图阈值分割技术成为图像分割领域中相当流行的技术之一。在苛刻的工作环境下，如工业流水线上的工件质量无损检测、产品表面缺陷检测等，这些场景得到的成像图像往往会受到噪声、不均匀光照等很多因素的干扰，因此成像质量一般较差，因此如何选取最佳分割阈值成为分割的关键。针对这一问题，国内外学者进行了广泛的研究，提出了很多种分割方法。基于信息论中熵概念（如Shannon熵、交叉熵、Tsallis交叉熵等）的方法是图像阈值化技术中得到最为广泛应用的阈值化方法之一。熵方法有着坚实的物理学背景，且在图像分割中也有着很高的效能故其得到了研究人员和工业实践的极度青睐，因此基于熵概念的方法或改进方案在研究或应用中纷呈叠出。其中基于交叉熵概念的方法是在生产实践中得到最为广泛应用的著名熵阈值分割方法之一，该方法最初由Li和Lee提出。交叉熵，在信息论中又被称为信息散度、相对熵，它是用于度量信息系统间信息距离差异的测度。在图像阈值化中，交叉熵用作度量图像分割前后像素信息丢失率的工具，图像阈值化前后信息丢失越少，则它们间的交叉熵也就越小，则分割后得到的分割图像的质量越高。Li和Lee提出的最小交叉熵阈值化方法是最为著名的基于交叉熵（也即信息散度、相对熵）概念的图像阈值分割方法，除了该方法外，与交叉熵概念相关的其它著名阈值化方法还有Kittler和Illingworth提出的最小误差阈值化方法，该方法本质上是一种基于欧氏距离的均方误差概念的相对熵方法，均方误差并不能完全有效把图像像素间关系区分开，因此在对图像实施分割时也存在不足。另外我国学者唐英干等人基于Tsallis交叉熵，在采用均匀分布的基础上提出一种最小Tsallis交叉熵方法，然而在真实环境中图像的像素分布并不总是服从均匀分布，因此该方法的分割性能也有待提高；基于卡方散度(χ2-divergence)的方法是相关学者提出的另外一种基于散度概念的图像阈值化方法，该方法对直方图的分布非常敏感，当直方图分布不均时得不到好的阈值。信息论中的Alpha-Gamma散度(Alpha-Gamma-divergence)是学者A.Cichocki与S.Amari在分析传统散度(或又称为交叉熵)测度的基础上于2010年提出的一种鲁棒而且非常高效的用于度量信息系统间相似性（或非相似性）的信息距离测度，其后除了提出该概念的原始学者外，还有众多学者对该信息散度进行了深入研究和应用。这些学者的研究结果表明Alpha-Gamma散度克服了传统散度(交叉熵、Tsallis交叉熵、卡方散度等)存在的不足，能更好地剔除系统中的干扰因素，把系统间的相似性(或不相似性)反映出来。图像是一复杂的物理系统，其内部像素信息的分布根据成像方式、过程的不同而千差万别，因此在分割过程中，图像像素间的信息差异度量方式也严重影响着分割性能。
技术实现思路
本专利技术的目的在于为应对复杂的图像分割任务，针对现有方法中存在的分割精度不足、普适性不强等特点，提出基于Alpha-Gamma散度的图像灰度级直方图阈值分割技术，开发出一种分割性能优越、适用于实时性要求高的工业生产场景，如工业无损检测等场景的阈值分割方法。为达到上述目的，本专利技术的构思是：本专利技术的基于Alpha-Gamma散度的灰度图像阈值分割方法包括：输入待分割图像并求取其归一化的灰度级直方图，构建分割前后图像Alpha-Gamma散度表达式，通过在图像灰度级范围内求取使该表达式获得最小值的灰度级值，然后用该灰度级值对图像实施阈值分割并输出分割图像。用于构建图像阈值分割准则函数的Alpha-Gamma散度的表达式为：；其中P，Q表示离散有限概率分布向量，D(P|Q)用于度量P、Q之间信息差异值，值越小，说明概率分布P、Q越相似；参数γ的取值区间为γ>0且γ≠1。本专利技术应用Alpha-Gamma散度，在图像灰度级直方图空间构建阈值化前后图像的对称Beta散度，并通过在灰度级范围内最小化阈值化前后图像对称Beta散度的一种伪叠加和获取最佳分割阈值，从而实现图像分割。基于上述专利技术构思，本专利技术采用以下技术方案：一种基于Alpha-Gamma散度的灰度图像阈值分割方法，其特征在于，操作步骤如下：（1）读取待分割的灰度图像，并将其存入一个大小为M×N的二维图像数组I中；（2）遍历图像数组I，计算得到图像最大灰度级L-1及灰度级集合G={0,1,…,L-1本文档来自技高网...

【技术保护点】
基于Alpha‑Gamma散度的灰度图像阈值分割方法，其特征在于，操作步骤如下：（1）读取待分割的灰度图像，并将其存入一个大小为M×N的二维图像数组I中；（2）遍历图像数组I，计算得到图像最大灰度级L‑1及灰度级集合G={0,1,…,L‑1}，通过公式hi=ni/(M×N)计算得到归一化的灰度直方图H（H={h0,h1,…,hL‑1}），这里ni表示待分割图像内灰度级为i的像素数，L‑1表示图像内最大灰度级数；（3）假定t为分割阈值，则阈值化时t将图像像素分为归属于两个不同类的灰度级集合C0与C1，其中C0={0,1,2,…,t}，C1={t+1,t+2,…,L‑1}；（4）用H做为图像灰度级的概率密度函数估计，基于公式一计算关于C0与C1的先验概率P0及P1：公式一：；（5）基于公式二计算关于C0与C1的灰度均值m0与m1：公式二：；（6）通过公式三和公式四计算关于图像灰度级类C0与C1的Alpha‑Gamma散度D0(t)和D1(t)：公式三：，公式四：；（7）图像阈值化准则函数，也即阈值化前后图像总的Alpha‑Gamma散度用公式五定义：公式五：；（8）在G={0,1,…,L‑1}范围内搜索使公式六获得最小值的灰度级t*，t*即最优分割阈值：公式六：；（9）假设用f(x,y)表示原始图像I坐标(x,y)处的像素灰度值，s(x,y)表示分割后图像坐标(x,y)处的像素灰度值，则求得最佳分割阈值t*后，s(x,y)可用公式七计算得到；公式七：；（10）输出分割后的图像。...

【技术特征摘要】
1.基于Alpha-Gamma散度的灰度图像阈值分割方法，其特征在于，操作步骤如下：（1）读取待分割的灰度图像，并将其存入...

【专利技术属性】
技术研发人员：聂方彦，张平凤，
申请(专利权)人：湖南文理学院，
类型：发明
国别省市：湖南;43