用于找出图像分割的最佳阈值的方法技术

本发明专利技术披露了一种在图像识别过程中找出用于图像分割的最佳阈值的方法。该方法包括以下步骤：ａ）获得图像的直方图分布；ｂ）计算对应于直方图中灰度级的熵值；以及ｃ）根据计算得到的熵值，利用定点迭代ＦＰＩ，获得对应于该灰度级的作为阈值的最小熵值。本发明专利技术能够根据图像分割完成条件及定点迭代方法，通过分析图像的熵特性迅速找出最佳阈值。

【技术实现步骤摘要】

本专利技术涉及一种找出用于图像分割的最佳阈值的方法，尤其涉及一种在图像识别过程中找出用于图像分割的最佳阈值的方法。
技术介绍
一般来说，在图像识别技术中，找出用于图像分割的最佳阈值的过程是基础和重要的过程。为了从图像的背景中辨别出一个对象，识别过程是必要的。根据双峰类型的直方图分布区线，很容易将最佳阈值找出来，在上述情况下，最佳阈值位于直方图分布曲线的最低点。还可以用很多方法找出最佳阈值。第一种方法是用于找出最佳阈值的随机法。也就是假定图像的直方图分布是双峰类型的，并且具有最小方差和的灰度级被选择为最佳阈值。第二种用于找出所述的最佳阈值的方法基于香农熵(Shannon entropy)。在这种方法中，将具有最小熵的灰度级选择为最佳阈值。还有另一种方法是在图像熵的计算过程中使用模糊度。在这种方法中，选择具有最小模糊度的灰度级作为最佳阈值。图1是说明用于找出最佳阈值的传统方法的流程图。参照图1，在步骤S101，计算图像的直方图分布。在步骤S102，计算分布于直方图中的所有灰度级的熵。在步骤103，将所有计算得到的熵相互进行比较，并且选出一个具有最小熵值的灰度级。但是，传统方法的整个处理过程的时间是随着图像的分辨率以及需要计算的熵值的数量而成比例增加的。而且，在图像有多个阈值的情况下，不能通过传统的方法计算出图像分割完成的条件。
技术实现思路
因此，本专利技术一个目的在于提供一种当图像具有多个阈值时基于定点迭代及模糊熵通过分析图像的熵特性来有效地找出用于图像分割的最佳阈值的方法。根据本专利技术的一个方面，本专利技术还提供了一种用于在图像分割中找出一个阈值的方法，该方法包括以下步骤a)得到图像的直方图分布；b)计算直方图中的对应于各灰度级的熵值；以及c)根据计算所得的熵值，通过利用定点迭代(FPI)，得到对应于灰度级的最小熵值作为所述阈值。附图说明本专利技术的上述和其它目的及特点通过对下面给出的优选实施例并结合相关附图的描述将变得清楚起来，在附图中图1是说明用于找出最佳阈值的传统方法的流程图；图2是用于说明根据本专利技术的优选实施例的找出用于图像分割的最佳阈值的方法的流程图；图3是示出根据本专利技术的优选实施例的对应于常数k的模糊度的曲线图；图4是示出根据本专利技术的优选实施例的用于获得最小熵的灰度级的灰度级分布曲线图； 图5是用于解释根据本专利技术的优选实施例的图2中的步骤S203的流程图，该步骤用于通过使用FPI获得对应于最小熵值的灰度级；以及图6是用于详细解释图5中步骤501的流程图。具体实施例方式本专利技术的其他目的和方面通过对以下文中参考附图所描述的实施例的进一步解释将变得清楚起来。图2是用于解释根据本专利技术中的优选实施例的找出用于图像分割的最佳阈值的方法的流程图。参考图2，在步骤201中得到图像的直方图分布。在步骤S202中计算出灰度级的熵。在步骤S202中计算出熵值以后，在步骤S203中根据计算出的熵值通过使用所述的定点迭代(fixed pointiteration；FPI)得到一个最小熵的灰度级。在步骤S202中，通过测量相应的灰度级的模糊熵来计算灰度级的熵。在下文中，对模糊熵的计算进行了详细的解释。如果一幅尺寸为M×N的图像I具有L个灰度级，一个灰度级的像素(x，y)被定义为I(x，y)，并且μI(Ii，j)代表像素(x，y)的灰度级的模糊度。因此，图像I能用下面的等式来表示。I＝{(Iij，μI(Iij))} 等式1其中0≤μI(Ii，j)≤1；i＝0，1，...，M-1；j＝0，1，...，N-1 如果在整幅图像I中灰度级g具有生成频率h(g)，那么背景的平均灰度级μ0可以用下面的等式2来表示，并且一个物体的平均灰度级μI可以用下面的等式3来表示。μ0=Σg=0Tgh(g)/Σg=0Th(g);]]>如果i(x，y)≤T等式2μI=Σg=T+1L-1gh(g)/ΣT+1=0L-1h(g);]]>如果i(x，y)≤T等式3平均灰度级μI和μ0可以被考虑作为阈值T的靶值(targetvalue)。那就是说，模糊度可以被表示为像素(x，y)的灰度级与包含相应灰度级的区域的灰度级之间的差。因此，随着模糊度的增大，灰度级差变小。在图像中，所有像素的灰度级对于阈值T来说不管是相对于一个客体或者相对于背景都必须具有特定的模糊度。所述像素的模糊度可以用下面的等式表示。 等式4同时，当某一特定像素的灰度级包括在特定的区域中时，相对于相同集合的模糊度值必须大于0.5。因此，常数K被定义为Gmax-Gmin，并且所述的模糊度值在0.5至1之间选择。图3示出了依据所述的常数K的模糊度。模糊度通常也被认为是模糊集合的模糊度，并且公开了很多用于计算模糊熵的熵方程。如果所述的一个独立变量的熵方程是在二维图像区域扩展的，那么图像I的熵值可以用表1表示。表1 尤其是，所述熵的绝对值在范围内是递增的，而且所述熵值在区域内是递减的。同时，如果包括在该图像中的所有灰度级的模糊度约为0.5，则熵E(I)具有最大值1。在步骤S202得到熵值以后，在步骤S203中通过使用定点迭代(FPI)法获得最小熵的灰度级。图4是示出根据本专利技术的优选实施例的用于得到最小熵的灰度级的灰度级分布曲线图。参考图4，将在下文中解释最小熵的灰度级。图5是用于说明根据本专利技术的实施例的图2中步骤203的流程图，在该步骤，用FPI获得对应于最小熵值的灰度级。在步骤501中，根据图4中的曲线图得到用于获得最小熵的灰度级的可能的最佳阈值Pi。在得到所述Pi后，将顺序地获得从左到右的Pi的灰度级。在步骤503中，通过比较Pi的灰度级的熵值来得到具有最小熵的灰度级的最佳阈值。图6是用于详细说明图5中步骤501的流程图。参照图6，并且，在步骤601中，gmin，gmax，Gmin，Gmax，Pi及gcal的初始值设定如下。通过选择图4中灰度级分布曲线的最小值，将gmin设定为可能最小灰度级，通过选择图4中灰度级分布曲线的最大值，将gmax设定为可能最大灰度级。并且将Gmax设定为等于gmax，将Gmin设定为等于gmin。同样，将Pi设定为gmax和gmin的中间值即(gmax+gmin)/2。并且，将gcal设定为等于Pi。初值初始化后，在步骤602，计算出gmin、gmax及gcal的熵值E(gmin)、E(gmax)及E(gcal)。在计算出熵值E(gmin)、E(gmax)及E(gcal)后，在步骤603中将E(gmin)和E(gcal)进行比较。如果E(gmin)高于E(gcal)，则在步骤604中，将gtemp的值改变为gmin的值，并且将gfix的值设定为Gmax。通过改变这些值而不影响Gmax及Gmin的值，新的临时值gtemp及gfix在步骤604中被设定如下。如果E(gmin)等于或小于E(gcal)，则将gtemp的值改变为gmax的值，并且在步骤605中将gfix值设定为Gmin。通过改变这些值而不影响Gmax及Gmin的值，新的临时值gtemp和gfix在步骤605中被设定如下。根据比较结果改变gtemp或gfix值后，在步骤606，将Pi设定为本文档来自技高网...

【技术保护点】
一种在图像分割中找出阈值的方法，所述方法包括以下步骤：ａ）获得图像的直方图分布；ｂ）计算对应于所述直方图中的灰度级的熵值；以及ｃ）根据所计算出的熵值，通过使用定点迭代ＦＰＩ，获得对应于所述灰度级的最小熵值作为所述阈值 。

【技术特征摘要】
...

【专利技术属性】
技术研发人员：申龙湜，
申请(专利权)人：株式会社泛泰，
类型：发明
国别省市：KR[韩国]