一种基于二维经验模态分解和遗传算法的图像阈值分割方法技术

本发明专利技术涉及一种基于二维经验模态分解和遗传算法的图像阈值分割方法，本发明专利技术首先输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像，再通过二维经验模态分解算法分解得到一系列内禀模式函数和余项；去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像；最后利用遗传算法对增强后的图像进行阈值分割。本发明专利技术在分割效果方面，相对于不加区分地直接对图像进行遗传算法阈值分割，目标分割效果更好，分割更完整。在特征相似性方面，本发明专利技术高于直接进行遗传算法阈值分割的值。

【技术实现步骤摘要】
一种基于二维经验模态分解和遗传算法的图像阈值分割方法
本专利技术涉及一种基于二维经验模态分解和遗传算法的图像阈值分割方法，属于数字图像处理

技术介绍
近年来许多图像分割技术被提出，但是都各有优缺点。目前国内外图像分割技术主要有阈值分割、区域增长分割、边缘检测分割。阈值分割是一种很简单的图像分割方法，但是基于该方法处理图像时会遇到最优化问题，不容易确定最优分割阈值；区域增长分割最早是由Levine等人提出的，它是一种串行区域分割的图像分割方法，其方法虽然思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果，但是噪声和灰度不均一可能会导致空洞和过分割；基于边缘检测分割是通过求一阶或二阶微分突出细节信息，虽然可以精准定位目标进行分割，但是该方法对噪声敏感。因此以上方法虽然可以分割图像感兴趣区域，但是也会有一些不利因素，从而对图像分析、识别等领域的工作带来麻烦。
技术实现思路
本专利技术提供了一种基于二维经验模态分解和遗传算法的图像阈值分割方法，以用于有效地实现图像的分割。本专利技术的技术方案是：一种基于二维经验模态分解和遗传算法的图像阈值分割方法，输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像d(x,y)，再通过二维经验模态分解算法分解得到一系列内禀模式函数IMF(x,y)和余项REF；该系列内禀模式函数IMF(x,y)表示为不同频率的子图像，去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像H；最后利用遗传算法对增强后的图像进行阈值分割。所述输入一幅待分割的图像，通过形态学差分法去除图像的背景，再通过二维经验模态分解算法分解得到一系列内禀模式函数和余项，具体为：步骤1、输入一幅待分割的图像f(x,y)，利用形态学差分法去除背景图像b(x,y)，得到差分图像d(x,y)：d(x,y)＝f(x,y)-b(x,y)(1)其中，x是图像的横坐标，y是图像的纵坐标；步骤2、将差分图像d(x,y)进行二维经验模态分解，分解为z个内禀模式函数IMF(x,y)和余项REF：其中，REF为二维经验模态分解后的余项即最后一次分解的余项函数。所述筛选出频率高的子图像，具体为：步骤3、对原差分图像d(x,y)通过二维经验模态分解后得到的一系列内禀模式函数即一系列子图像IMF(x,y)进行筛选，保留高频子图像IMF1(x,y),IMF2(x,y),···IMFb(x,y)，舍去低频子图像IMFb+1(x,y),IMFb+2(x,y),···,IMFz(x,y)和余项REF；其中，b为高频子图像的总个数，z为不含余项部分的子图像总个数即内禀模式函数的个数。所述用对比拉伸变换算法对高频子图像进行对比度拉伸变换，具体为：步骤4、对高频子图像分别进行对比度拉伸变换，从而得到对比度拉伸变换后的高频子图像，其对比度拉伸变换公式如下：s＝T(j)＝1/(1+(g/r)E)(3)其中，r表示输入图像j相应点(x,y)的灰度，s是输出图像，T为对比度拉伸变换函数，E为控制对比拉伸变换斜率参数，输入图像的像素平均值g＝sum/(X×Y)，sum为输入图像像素总和，X、Y分别代表变量x、y的最大值。所述对变换后的高频子图像相加融合得到增强后的图像，具体为：步骤5、把对比度拉伸变换后的高频子图像进行相加融合，得到增强后的图像H：H＝T(IMF1(x,y))+T(IMF2(x,y))+···+T(IMFb(x,y))(4)其中，H为融合后的增强图像，T为对比度拉伸变换函数。所述利用遗传算法对增强后的图像进行阈值分割，具体为：步骤6、在图像H中随机产生实数编码的初始染色体，组成染色体组即种群，染色体的数目为种群大小；步骤7、对种群先进行交叉、再进行变异操作；步骤8、用适应度函数lownum×hignum×[(lowsum÷lownum)-(higsum÷hignum)]2计算染色体的适应度值，评价染色体的优劣，其中lownum为低于交叉变异后染色体大小的像素总个数，hignum为高于交叉变异后染色体大小的像素总个数，lowsum为低于交叉变异后染色体大小的像素灰度值总和，higsum为高于交叉变异后染色体大小的像素灰度值总和；步骤9、对变异后的种群进行选择操作：如果变异后的染色体适应度值不低于父代染色体适应度值，选择优秀的染色体，产生一个新的种群，即用适应度值高的变异后的子代染色体替代父代染色体；如果变异后的染色体适应度值低于父代染色体适应度值，则以p＝fpi/fp的概率保留父代；其中fpi为父代适应度值，fp为种群中所有个体适应度值总和；步骤10、新种群重复步骤7-9，直到达到最大迭代次数；经过迭代获得适应度最高的染色体，适应度最高的染色体的值即最优阈值；步骤11、利用上述遗传算法得到的最优阈值来进行阈值分割，其公式如下：其中，f(q)是H图像阈值分割后的每点像素值，q是H图像的每点像素值，v是最优阈值。所述交叉，具体公式为：其中，a1,a2为交叉后两个子代，p1,p2为两个父代；为扩展系数，μ是一个[0,1]的随机数，ηc表示为交叉指数；所述变异的公式为：ck＝ak+δ(Ukmax-Ukmin)(7)其中，ck表示变异后的子代，ak为交叉后的子代，Ukmax和Ukmin分别为ak所在变异点取值范围的上限和下限，k为1、2；参数δ通过多项式概率分布获得l是一个[0,1]的随机数，ηm表示为突变指数。本专利技术的有益效果是：在分割效果方面，相对于不加区分地直接对图像进行遗传算法阈值分割，目标分割效果更好，分割更完整。在特征相似性方面，本专利技术高于直接进行遗传算法阈值分割的值。附图说明图1为本专利技术流程图；图2为本专利技术中对比度拉伸变换的流程图；图3为本专利技术中遗传算法流程图；图4为Eyeball原图；图5为形态学差分后的结果；图6为二维经验模态分解一次后的结果；图7为二维经验模态分解二次后的结果；图8为二维经验模态分解三次后的结果；图9为二维经验模态分解三次后余项部分；图10融合增强后的结果；图11直接利用遗传算法阈值分割的结果；图12本专利技术所得结果。具体实施方式下面结合附图和实施例，对本专利技术作进Ⅰ步说明，但本专利技术的内容并不限于所述范围。实施例1：如图1-12所示，一种基于二维经验模态分解和遗传算法的图像阈值分割方法，输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像d(x,y)，再通过二维经验模态分解算法分解得到一系列内禀模式函数IMF(x,y)和余项REF；该系列内禀模式函数IMF(x,y)表示为不同频率的子图像，去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像H；最后利用遗传算法对增强后的图像进行阈值分割。进一步地，可以设置所述一种基于二维经验模态分解和遗传算法的图像阈值分割方法，具体为：步骤1、在Matlab中输入一幅待分割的图像f(x,y)(如图4所示的Eyeball原图)，利用形态学差分法去除背景图像b(x,y)，得到差分图像d(x,y)：d(x,y)＝f(x,y本文档来自技高网...

【技术保护点】
1.一种基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像d(x,y)，再通过二维经验模态分解算法分解得到一系列内禀模式函数IMF(x,y)和余项REF；该系列内禀模式函数IMF(x,y)表示为不同频率的子图像，去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像H；最后利用遗传算法对增强后的图像进行阈值分割。

【技术特征摘要】
1.一种基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像d(x,y)，再通过二维经验模态分解算法分解得到一系列内禀模式函数IMF(x,y)和余项REF；该系列内禀模式函数IMF(x,y)表示为不同频率的子图像，去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像H；最后利用遗传算法对增强后的图像进行阈值分割。2.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述输入一幅待分割的图像，通过形态学差分法去除图像的背景，再通过二维经验模态分解算法分解得到一系列内禀模式函数和余项，具体为：步骤1、输入一幅待分割的图像f(x,y)，利用形态学差分法去除背景图像b(x,y)，得到差分图像d(x,y)：d(x,y)＝f(x,y)-b(x,y)(1)其中，x是图像的横坐标，y是图像的纵坐标；步骤2、将差分图像d(x,y)进行二维经验模态分解，分解为z个内禀模式函数IMF(x,y)和余项REF：其中，REF为二维经验模态分解后的余项即最后一次分解的余项函数。3.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述筛选出频率高的子图像，具体为：步骤3、对原差分图像d(x,y)通过二维经验模态分解后得到的一系列内禀模式函数即一系列子图像IMF(x,y)进行筛选，保留高频子图像IMF1(x,y),IMF2(x,y),···IMFb(x,y)，舍去低频子图像IMFb+1(x,y),IMFb+2(x,y),···,IMFz(x,y)和余项REF；其中，b为高频子图像的总个数，z为不含余项部分的子图像总个数即内禀模式函数的个数。4.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述用对比拉伸变换算法对高频子图像进行对比度拉伸变换，具体为：步骤4、对高频子图像分别进行对比度拉伸变换，从而得到对比度拉伸变换后的高频子图像，其对比度拉伸变换公式如下：s＝T(j)＝1/(1+(g/r)E)(3)其中，r表示输入图像j相应点(x,y)的灰度，s是输出图像，T为对比度拉伸变换函数，E为控制对比拉伸变换斜率参数，输入图像的像素平均值g＝sum/(X×Y)，sum为输入图像像素总和，X、Y分别代表变量x、y的最大...

【专利技术属性】
技术研发人员：贺建峰，银温社，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53