一种图像的熵阈值分割方法、装置、电子设备及存储介质制造方法及图纸

本申请提供一种图像的熵阈值分割方法、装置、电子设备及存储介质，该方法包括：利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类的后验概率；计算每个阈值下待分割图像全图像素的Tsallis

【技术实现步骤摘要】
一种图像的熵阈值分割方法、装置、电子设备及存储介质


[0001]本专利技术属于优化调度
，特别涉及一种图像的熵阈值分割方法、装置、电子设备及存储介质。

技术介绍

[0002]图像分割是医学图像分析的主要过程之一。它在医学领域的许多应用中都有用，包括量化病变、手术模拟、辅助手术决策、辅助诊断多发性硬化症等。而阈值化是一种流行的图像分割技术，特别是在医学图像处理领域。图像阈值化的主要挑战是根据图像中物体和背景的强度分布确定最佳阈值,通过该阈值来将全图的像素划分为目标和背景两个类别。根据核磁共振图像的成像原理，不同的组织在图像中会呈现不同的强度和分布规律，因此熵阈值法通过可以最大化或最小化一个基于灰度构造出来的代价函数，来寻找最佳的分割阈值。
[0003]现有技术中，提出利用经典Tsallis熵来对图像进行分割，证明了Tsallis熵用于图像分割特别是医学图像分割的优越性。以及现有技术将Tsallis熵推广到二维，除了像素的灰度外，还考虑了像素与其相邻像素之间的相关关系，进一步的提升了Tsallis熵阈值分割的准确度。
[0004]但是，上述现有技术难以平衡分割的准确度和效率，为了提升准确度，二维熵阈值方法需要在二维空间搜索最优阈值，容易陷入局部最优且耗时长。

技术实现思路

[0005]本说明书实施例的目的是提供一种图像的熵阈值分割方法、装置、电子设备及存储介质。
[0006]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0007]第一方面，本申请提供一种图像的熵阈值分割方法，该方法包括：
[0008]利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类的后验概率；
[0009]计算每个阈值下待分割图像全图像素的Tsallis
‑
BE熵的值，其中，Tsallis
‑
BE熵由后验概率和Tsaliis熵结合构成；
[0010]从所有Tsallis
‑
BE熵的值中找出最大熵值，将最大熵值对应的阈值确定为最优阈值。
[0011]在其中一个实施例中，该方法还包括：
[0012]根据不同阈值将待分割图像分割为目标区域和背景区域；
[0013]计算每个阈值下分割出的目标区域的目标像素数量和背景区域的背景像素数量；
[0014]根据不同阈值下的目标像素数量和背景像素数量，确定每个阈值下待分割图像的目标类概率和背景类概率。
[0015]在其中一个实施例中，根据不同阈值下的目标像素数量和背景像素数量，确定每
个阈值下待分割图像的目标类概率和背景类概率，包括：
[0016]p
o,t
(i)＝P[f(s)＝i|s∈S
o,t
][0017]p
b,t
(i)＝P[f(s)＝i|s∈S
b,t
][0018]S＝S
o,t
∪S
b,t
[0019]其中，p
o,t
(i)为在阈值t时目标像素值为i的目标类概率，p
b,t
(i)为在阈值t时背景像素值为i的背景类概率；S为待分割图像的全部像素的集合；S
o,t
为阈值t时的目标像素集合；S
b,t
为阈值t时的背景像素集合。
[0020]在其中一个实施例中，假设待分割图像中像素灰度值的最小值和最大值分别为t_min和t_max，则将阈值遍历的区间设置为[t_min+2,t_max+2]。
[0021]在其中一个实施例中，利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类的后验概率，包括：
[0022]假设γ(t)表示像素在阈值t时属于目标的先验概率，则1
‑
γ(t)表示像素在阈值t时属于背景的先验概率，p
o,t
(i)为在阈值t时目标像素值为i的目标类概率，p
b,t
(i)为在阈值t时背景像素值为i的背景类概率；
[0023]一个像素值为i的像素属于目标类和背景类的后验概率可以由贝叶斯规则分别表示为：
[0024][0025][0026]其中，p
t
(i)可以通过以下公式计算：
[0027]p
t
(i)＝γ(t)p
o,t
(i)+(1
‑
γ(t))p
b,t
(i)。
[0028]在其中一个实施例中，目标类和背景类的Tsallis
‑
BE熵的表达式分别为：
[0029][0030][0031]其中，L为待分割图像中像素灰度最高的值。
[0032]在其中一个实施例中，从所有Tsallis
‑
BE熵的值中找出最大熵值t
opt
，包括：
[0033][0034]第二方面，本申请提供一种图像的熵阈值分割装置，该装置包括：
[0035]概率确定模块，用于利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类的后验概率；
[0036]熵值确定模块，用于计算每个阈值下待分割图像全图像素的Tsallis
‑
BE熵的值，其中，Tsallis
‑
BE熵由后验概率和Tsaliis熵结合构成；
[0037]查找模块，用于从所有Tsallis
‑
BE熵的值中找出最大熵值，将最大熵值对应的阈
值确定为最优阈值。
[0038]第三方面，本申请提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的图像的熵阈值分割方法。
[0039]第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的图像的熵阈值分割方法。
[0040]由以上本说明书实施例提供的技术方案可见，该方案：利用贝叶斯后验概率来给出每个像素属于目标和背景的不确定性，改进了Tsallis熵对图像本身信息利用不充分的缺点，同时又避免了引入更多图像特征信息所带来的维度增加的问题，仍然只需要在一维空间求解最优阈值，做到了高精度分割的同时，降低算法的耗时，提升了熵阈值方法的性能。
附图说明
[0041]为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0042]图1为本申请提供的图像的熵阈值分割方法的流程示意图；
[0043]图2为本申请本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像的熵阈值分割方法，其特征在于，所述方法包括：利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类的后验概率；计算每个阈值下所述待分割图像全图像素的Tsallis
‑
BE熵的值，其中，Tsallis
‑
BE熵由所述后验概率和Tsaliis熵结合构成；从所有所述Tsallis
‑
BE熵的值中找出最大熵值，将所述最大熵值对应的阈值确定为最优阈值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据不同阈值将所述待分割图像分割为目标区域和背景区域；计算每个所述阈值下分割出的所述目标区域的目标像素数量和所述背景区域的背景像素数量；根据不同阈值下的所述目标像素数量和所述背景像素数量，确定每个阈值下待分割图像的目标类概率和背景类概率。3.根据权利要求2所述的方法，其特征在于，所述根据不同阈值下的所述目标像素数量和所述背景像素数量，确定每个阈值下待分割图像的目标类概率和背景类概率，包括：p
o,t
(i)＝P[f(s)＝i|s∈S
o,t
]p
b,t
(i)＝P[f(s)＝i|s∈S
b,t
]S＝S
o,t
∪S
b,t
其中，p
o,t
(i)为在阈值t时目标像素值为i的目标类概率，p
b,t
(i)为在阈值t时背景像素值为i的背景类概率；S为所述待分割图像的全部像素的集合；S
o,t
为阈值t时的目标像素集合；S
b,t
为阈值t时的背景像素集合。4.根据权利要求2或3所述的方法，其特征在于，假设所述待分割图像中像素灰度值的最小值和最大值分别为t_min和t_max，则将所述阈值遍历的区间设置为[t_min+2,t_max+2]。5.根据权利要求1所述的方法，其特征在于，所述利用贝叶斯后验估计，根据每个阈值下待分割图像的目标类概率和背景类概率，确定不同阈值的分割下，每个像素属于目标类和背景类...

【专利技术属性】
技术研发人员：罗思进，梁国远，罗哲皓，吴新宇，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：