适用于低对比度含噪声图像的阈值化方法及装置制造方法及图纸

一种适用于低对比度含噪声图像的阈值化方法及装置，包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。本发明专利技术体现在目标分割的完整性、边缘的清晰性、抗噪声性方面的处理效果较佳。

【技术实现步骤摘要】

本专利技术涉及图像分割的实现，尤其涉及到一种阈值化分割算法的实现。
技术介绍
图像分割是图像处理向图像分析过渡的重要步骤。其中阈值化分割算法以其简单、高效、便于理解等特性在图像预处理中得到了广泛研究与应用。数字图像复杂、多样，大量图像的目标与背景在亮度、颜色、纹理等特征上差异较小，目标与背景分界不明显，并且含有噪声，这类图像的阈值选取是图像分割研究中的重点和难点，阈值化算法的设计需要结合图像的多种特征信息进行。现有的图像分割方法中，基于信息熵建立阈值化准则函数是一类重要方法，除准则函数的选用，图像特征信息的合理选取是准确计算阈值的关键。其中，应用相邻像素间存在的灰度关联性建立共生矩阵，应用图像灰度、均值、中值、梯度等空间相关性建立共生矩阵的这两类方法。在阈值选取中能够取得良好的效果，但是分割结果受特征信息获取质量的影响大，而且过多特征量的选用会增加运算的维数。另外，当图像受噪声影响大时，仅应用均值或中值提高抗噪性能效果不明显。对于目标与背景特征差异小的低对比度且含噪声图像分割，如何根据图像情况准确选取特征信息，提高抗噪声性能，并且降低运算维数，是阈值化方法研究的重点。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提出一种适用于低对比度含噪声图像的阈值化方法及装置，处理效果较佳。本专利技术解决其技术问题所采用的技术方案是：提供一种适用于低对比度含噪声图像的阈值化方法，其包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。本专利技术解决其技术问题所采用的技术方案还是：提供一种适用于低对比度含噪声图像的阈值化装置，其包括：第一模块，用于基于最小方差滤波思想，自适应地获取像素点邻域均值；第二模块，用于结合灰度与均值信息建立非对称共生矩阵；第三模块，用于应用二维直线型Arimoto熵作为阈值选取方法；以及第四模块，用于通过均匀性测度函数指导Arimoto熵中参数的选取。本专利技术的有益效果在于，通过均值获取方法更加符合图像的特征，对于低对比度的图像，更能完整地保留目标边缘信息；通过应用灰度-均值构建二维共生矩阵，考虑了图像邻域空间信息，可提高抗噪声性能；通过二维直线型Arimoto信息熵函数，对噪声和边界区域信息丰富的图像更适用；通过应用均匀性测度函数对二维直线型Arimoto熵中参数进行选择，使得阈值化准则函数对目标与背景内部信息保留更完整，对噪声信号有更强的抑制效果，从而体现在目标分割的完整性、边缘的清晰性、抗噪声性方面的处理效果较佳。附图说明下面将结合附图及实施例对本专利技术作进一步说明，附图中：图1为本专利技术适用于低对比度含噪声图像的阈值化方法的流程示意。图2a、2b和2c为本专利技术九种滤波处理模板的形状示意，其中，图2a示出了一个方形模板与像素的关系，图2b示出了四个屋形模板与像素的关系，图2c示出了四个六边形模板与像素的关系。图3为本专利技术二维非对称共生矩阵的示意。图4为本专利技术二维直线型Arimoto熵分割区域划分的示意。图5a、5b、5c和5d为CT图像示意，其中，图5a示出了含噪声图像，图5b示出了采用本专利技术方法处理后的结果，图5c示出了采用常规的二维直线型Arimoto熵的结果，图5d示出了采用常规的二维最大熵的结果。图6a、6b、6c和6d为卫星图像示意，其中，图6a示出了含噪声图像，图6b示出了采用本专利技术方法处理后的结果，图6c示出了采用常规的二维直线型Arimoto熵的结果，图6d示出了采用常规的二维最大熵的结果。图7a、7b、7c和7d为车牌图像示意，其中，图7a示出了含噪声图像，图7b示出了采用本专利技术方法处理后的结果，图7c示出了采用常规的二维直线型Arimoto熵的结果，图7d示出了采用常规的二维最大熵的结果。具体实施方式现结合附图，对本专利技术的较佳实施例作详细说明。本专利技术针对目标与背景灰度差异小且含噪声的图像，如医学图像、航拍图像等，设计自适应获取图像特征及信息融合的方法，建立阈值化准则函数，并对准则函数中的参数进行优化，获得目标完整边缘清晰，抗噪性能好的结果。本专利技术方法包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。参见图1，图1为本专利技术适用于低对比度含噪声图像的阈值化方法的流程示意。本专利技术提供一种适用于低对比度含噪声图像的阈值化方法，其包括以下步骤：101、读入低对比度含噪声图像。102、用九个不同形状的模板求均值和方差。103、选取方差最小模板对应的均值。104、结合像素点灰度与以上获得的均值构造共生矩阵。105、基于上述共生矩阵建立二维直线型Arimoto信息熵函数。106、求图像的均匀性测度函数。107、应用均匀性测度函数选取上述Arimoto熵中最优参数。108、应用参数优化后的Arimoto熵函数获取最佳阈值。可见，本专利技术方法的实现可以用下列四个步骤来描述。步骤一、应用九种不同形状的模板，对每一像素点进行最小方差滤波，选取方差最小值对应的均值；步骤二、对每一像素点，将灰度与均值信息融合，构造二维非对称共生矩阵；步骤三、建立二维直线型Arimoto熵阈值函数，作为阈值化准则函数，并应用快速递推算法简化运算过程，降低运算维数；步骤四、应用均匀性测度函数作为上述熵函数中参数的选取准则，建立自适应的二维直线型Arimoto熵阈值函数。以下，对这四个步骤的实现予以详细说明。步骤一、基于最小方差滤波思想获取邻域均值。参见图2a、2b和2c，以5×5窗口为基准，应用九种不同形状的滤波模板，其中，“·”对应的像素为当前的待处理像素200。九种模板包括一个方形模板201、四个屋形模板203和四个六边形模板205。对每个像素点都用九个模板进行滤波处理，求均值和方差，同时比较九个方差值的大小，然后取方差最小的模板的灰度均值作为该像素的邻域平均值。具体处理步骤为：以“·”包围的像素f(x,y)为中心，计算图2a、2b和2c所示的九个模板中的所有像素的灰度分布方差δi2(i＝1,2,L,9)；找出方差值为最小的模板，求灰度均值，记为对图像中所有像素点均进行相同的处理；应用方差最小的模板求取的像素灰度平均值，参与共生矩阵的构造。步骤二、灰度-均值二维非对称共生矩阵的构建。参见图3，图3为本专利技术二维非对称共生矩阵的示意。对于M×N大小的灰度图像G＝[0,1,L,L-1]，则在一个(L-1)×(L-1)大小的正方形区域上定义灰度-均值二维共生矩阵，c(i,j)是灰度f(x,y)和均值二元组(i,j)出现的频次，简记为cij。则二元组发生的频率:步骤三、二维直线型Arimoto熵阈值方法1)二维Arimoto熵定义图像目标和背景的二维Arimoto熵分别为： H 0 α ( s , t ) = α α 本文档来自技高网...

【技术保护点】
一种适用于低对比度含噪声图像的阈值化方法，其特征在于，包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。

【技术特征摘要】
1.一种适用于低对比度含噪声图像的阈值化方法，其特征在于，包括：基于最小方差滤波思想，自适应地获取像素点邻域均值；结合灰度与均值信息建立非对称共生矩阵；应用二维直线型Arimoto熵作为阈值选取方法；通过均匀性测度函数指导Arimoto熵中参数的选取。2.根据权利要求1所述的阈值化方法，其特征在于：所述的基于最小方差滤波思想，自适应地获取像素点邻域均值的过程是指应用九种不同形状的模板，对每一像素点进行最小方差滤波，选取方差最小值对应的均值。3.根据权利要求2所述的阈值化方法，其特征在于：这九种模板包括一个方形模板、四个屋形模板和四个六边形模板。4.根据权利要求1所述的阈值化方法，其特征在于：所述的结合灰度与均值信息建立非对称共生矩阵的过程是指对每一像素点，将灰度与均值信息融合，构造二维非对称共生矩阵。5.根据权利要求4所述的阈值化方法，其特征在于：构造二维非对称共生矩阵的实现包括：对于M×N大小的灰度图像G＝[0,1,L,L-1]，则在一个(L-1)×(L-1)大小的正方形区域上定义灰度-均值二维共生矩阵，c(i,j)是灰度f(x,y)和均值二元组(i,j)出现的频次，简记为cij，二元组发生的频率:6.根据权利要求1所述的阈值化方法，其特征在于：所述应用二维直线型Arimoto熵作为阈值选取方法的过程是指建立二维直线型Arimoto熵阈值函数，作为阈值化准则函数，并应用快速递推算法简化运算过程，降低运算维数。7.根据权利要求6所述的阈值化方法，其特征在于：所述快速递推算法的公式为：定义二维联合幂概率分布式为：最佳阈值向量(s*(α),t*(α))的递推过程如下：P0(0,0)＝p00 s＝0， P 0 ( s - 1 , s ) = P 0 ( s - 1 , s - 1 ) + Σ i + j = 2 s - 1 p i j , s > 0 , ]]> P 0 ( s , s ) = P 0 ( s - 1 , s ) + Σ i + j = 2 s p i j , s > 0 , ]]> F ‾ α ( 0 , 0 ) = ( p 00 ) α , s = 0 , ]]> F ‾ α ( s - 1 , s ) = F ‾ α ( s - 1 , s - 1 ) + Σ i + j = 2 s - 1 ( p i j ) α , s > 0 , ]]> F ‾ α ( s , s ) = F ‾ α ( s - 1 , ...

【专利技术属性】
技术研发人员：张弘，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：陕西;61