图像分割方法技术

一种图像分割方法，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。

【技术实现步骤摘要】
图像分割方法
本专利技术属于图像处理
，特别涉及一种图像分割方法
技术介绍
现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。阈值分割是一种常见的直接对图像灰度信息阈值化处理的分割算法，就是简单的用一个或几个阈值将图像灰度直方图进行分类，将灰度值在同一个灰度类内的像素归为同一个物体。基于区域的图像分割考虑了图像的空间信息，如图像灰度、纹理、颜色和像素统计特性等，进而将目标对象划分为同一区域的分割方法，常见的区域分割方法主要有：区域生长法、分裂合并法和分水岭分割方法。边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方，这种不连续性称为边缘，不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像分割至今尚无通用的自身理论，随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法，如聚类分析、模糊集理论、基因编码、小波变换等。专利文献CN107507199A，公开了一种图像分割方法，所述图像分割方法包括：获取多个第一代阈值组和迭代次数；所述第一代阈值组表示分割图像的多阈值分割组；对每个所述第一代阈值组进行爆炸处理，得到多个阈值组集合，并记录爆炸次数；每个所述阈值组集合包括一个所述第一代阈值组以及所述第一代阈值组爆炸产生的多个第二代阈值组；计算每个所述阈值组集合中的所述第一代阈值组、所述第二代阈值组的适应度值，得到多组适应度值集合；对每组所述适应度值集合中的适应度值按照从大到小进行排列，确定每组中第一适应度值对应的阈值组；所述第一适应度值为所述适应度值集合中的最大适应度值；所述阈值组为所述第一代阈值组或者为所述第二代阈值组；判断所述爆炸次数是否小于所述迭代次数，得到第一判断结果；若所述第一判断结果表示所述爆炸次数小于所述迭代次数，则将所述第一适应度值对应的所述阈值组进行爆炸处理，更新所述阈值组集合和所述爆炸次数；若所述第一判断结果表示所述爆炸次数等于或者大于所述迭代次数，则将多个所述第一适应度值按照从大到小进行排列，选择最大的第一适应度值所对应的阈值组确定为分割图像时的最优分割阈值组。专利文献CN107424162A，公开了一种图像分割方法，包括:获取图像数据；基于所述图像数据，重建图像，其中，所述图像包括一个或多个第一边缘；获取一个模型，其中，所述模型包括与所述一个或多个第一边缘相对应的一个或多个第二边缘；匹配所述模型与所述重建后的图像；以及根据所述一个或多个第一边缘，调整所述模型的一个或多个第二边缘。专利文献CN107578420A，公开了一种自适应光条图像阈值分割方法。该方法通过传统的固定阈值图像分割方法来分割初始光条区域，获得光条横截面左右边界的列坐标；然后建立图像灰度分布评价系数，根据初始阈值分割结果，计算每行光条横截面的光条横截面能量强度；根据光条分布特征，计算理想光条横截面能量强度的灰度分部水平；再建立与光条图像灰度分布系数正相关的光条图像自适应阈值分割关联模型，以确定光条图像的自适应图像分割阈值，从背景中准确分离出光条区域。该方法提高了随机曲面大型航空构件表面光条的提取精度，避免了局部过曝或者局部光条过暗而导致光条提取困难，光条提取精度不高的问题。在现有的的图像分割方法的使用中，经常需要面对复杂度高、计算时间长、分割精度不高以及贮存信息所需空间大等问题。本文涉及的参考文献包括：[1]周莉莉,姜枫.图像分割方综述研究[J].计算机应用研究,2017,34(07):1921-1928.[2]林喜兰.图像分割算法研究及其应用[D].江南大学,2016.[3]雷俊,王立辉,何芸倩,张智.适用于机器人视觉的图像分割方法[J].系统工程与电子技术,2017,39(07):1653-1659.[4]向凡.基于边缘检测的图像分割技术的研究[J].湖北农机化,2017(05):80.[5]王超.基于模糊聚类算法的图像分割问题研究[D].山东大学,2017.[6]王风丽.融合轮廓信息的基于区域的图像分割算法[D].山东大学,2016.[7]张永梅,巴德凯,邢阔.基于模糊阈值的自适应图像分割方法[J].计算机测量与控制,2016,24(04):126-128+136.
技术实现思路
本专利技术的目的是提供一种图像分割方法，通过简化或改变图像的表示形式，把图像分成各具特性的区域并提取出感兴趣的目标，使得图像更容易理解和分析，同时使图像分割的处理时间大大减少，降低计算的复杂性，提高效率，同时保护图像的细节信息。本专利技术的实施例之一是，一种图像分割方法，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。本专利技术的实施例针对经典的二维最大熵阈值分割算法计算时间长，贮存信息需要的空间大的问题，在标准二维最大熵阈值分割算法的基础上，提出了一种基于二维最大熵阈值递推的快速算法。简化或改变图像的表示形式，把图像分成各具特性的区域并提取出感兴趣的目标。获得的有益效果之一是，使得图像更容易理解和分析，同时使图像分割的处理时间大大减少，降低计算的复杂性，提高效率，同时保护了图像的细节信息。同时，本专利技术实施例还将采用Canny算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中，获得的有益效果之一是，解决了图像中出现的细节丢失等问题。附图说明通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：图1本专利技术实施例中图像的二维灰度分布图。具体实施方式本专利技术的实施例在标准二维最大熵阈值分割算法的基础上，提出了一种基于二维最大熵阈值递推的快速算法，同时还将采用Canny算子边缘检测得到的阈值应用到快速二维最大熵阈值分割算法中。以此来解决图像中出现的细节丢失等问题。这种改进的算法通过运用递推公式将处理时间大大减少，降低了计算的复杂性，提高了效率，同时也保护了图像的细节信息。根据一个或多个实施例，基于二维最大熵阈值递推的快速算法对图像进行分割。首先引入熵的概念即二维最大阈值法的分割原理，将图像分割后，对所得熵的和进行计算，在对熵的和进行判断，这样的话就能得到理想的最佳阈值。以二维灰度函数来表示所得图像，像素点设为N×N，像素点的灰度值分为L个等级。首先对原始图像的区域灰度求均值，在实际计算时，选定目标像素与相邻像素为模板，以数据(i,j)表示对应坐标的像素点灰度值与其区域灰度均值，设ni,j是点灰度为i，区域灰度为j的像素点个数，pi,j为概率密度，则有：如图1所示，横坐标为点灰度值，纵坐标轴为区域灰度均值，由此建立图像的二维灰度分布图。(s,t)处表示分割的阈值，如上述二维灰度分布图就可以将其分为4个区域，即A、B、C、D这四个区域。其中，A区代表目标区域，B区为背景像素的分布区域，C代表边界像素点分布，D区为噪声信号分布区。在这，A区与B区是我们所要分割的对象，目标与背景区域为了达到理想的分割本文档来自技高网...

【技术保护点】
1.一种图像分割方法，其特征在于，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。

【技术特征摘要】
1.一种图像分割方法，其特征在于，根据二维最大阈值法的分割方法原理，对原始图像进行一次分割后，对所得熵的和进行计算和判断，得到最佳阈值，根据该最佳阈值优化对所述图像的二次分割。2.根据权利要求1所述的种图像分割方法，其特征在于，对经过二次分割后的图像，采用Canny算子进行边缘检测，得到的阈值被用于对图像的三次分割。3.根据权利要求1所述的图像分割方法，其特征在于，设原始图像为以二维灰度函数来表示的图像，像素点设为N×N，像素点的灰度值分为L个等级，所述的分割方法包括：首先，对原始图像的区域灰度求均值，以数据(i,j)表示对应坐标的像素点灰度值与其区域灰度均值，设ni,j是点灰度为i，区域灰度为j的像素点个数，pi,j为概率密度，则有：以横坐标为点灰度值，纵坐标轴为区域灰度均值，由此建立图像的二维灰度分布图，(s,t)表示分割的阈值；将二维灰度分布图分为4个区域，即A、B、C、D这四个区域，其中，A区代表目标区域，B区为背景像素的分布区域，C代表边界像素点分布，D区为噪声信号分布区；设A区与B区是所要分割的对象，对其采用二维最大阈值法，得到最佳阈值。4.根据权利要求3所述的图像分割方法，其特征在于，分别用A区和B区的概率进行归一化处理，：对离散二维熵定义为：则就可得到A区的二维熵：又，...

【专利技术属性】
技术研发人员：张允，焦斌，甘浩，周恒辉，
申请(专利权)人：上海电机学院，
类型：发明
国别省市：上海,31