本發(fā)明涉及一種基于Sharma-Mittal熵的灰度圖像直方圖閾值分割方法,屬于圖像處理技術(shù)領(lǐng)域。
背景技術(shù):
圖像分割是圖像處理中最為基本,但又是最為困難和最具挑戰(zhàn)性的問題之一。圖像分割的目的是把圖像分成互不重疊的多個(gè)區(qū)域,各區(qū)域內(nèi)部目標(biāo)同質(zhì),從而為實(shí)現(xiàn)圖像的后續(xù)處理奠定基礎(chǔ)。因圖像成像過程中受多種因素影響,其復(fù)雜性也致使用于分割的方法不能普適于不同的分割任務(wù),因此研究新的方法用于實(shí)踐中的特定分割任務(wù)也成為研究人員在圖像處理工作中必須努力的方向之一。
在工業(yè)環(huán)境中,特別是在工業(yè)流水線上,對(duì)圖像處理任務(wù)的完成一般需要較高的實(shí)時(shí)性,因此在多種圖像分割技術(shù)中,有著很高實(shí)時(shí)性能、而且也具有較高分割精確性的直方圖閾值分割技術(shù)成為圖像分割領(lǐng)域中相當(dāng)流行的技術(shù)之一。
基于信息論中熵概念的方法是圖像閾值化技術(shù)中得到最為廣泛應(yīng)用的閾值化方法之一。因熵方法有著堅(jiān)實(shí)的物理學(xué)背景,且在圖像分割中也有著很高的效能故其得到了研究人員和工業(yè)實(shí)踐的極度青睞,因此基于熵概念的方法或改進(jìn)方案在研究或應(yīng)用中紛呈疊出。最為經(jīng)典的熵方法有Kapur等人基于Shannon熵提出的最大熵方法,Sahoo等人基于Renyi熵提出的最大Renyi熵方法等。Shannon熵與Renyi熵具有線性可加性,應(yīng)用Shannon熵與Renyi熵可以非常好的度量線性系統(tǒng)的線性可加信息量,然而對(duì)于非線性復(fù)雜物理系統(tǒng),其信息量就不能被Shannon熵與Renyi熵很好的表征。圖像做為一個(gè)復(fù)雜的物理系統(tǒng),非線性可加信息內(nèi)容也常存在于某些圖像中,考慮該因素,基于能夠處理非可加信息內(nèi)容的非廣延熵-Tsallis熵,Portes de Albuquerque等人提出另外一種圖像閾值化方法。在這些熵方法的基礎(chǔ)上,為了進(jìn)一步提高方法性能,其改進(jìn)方案也不斷被學(xué)者提出。Shannon熵方法和Renyi熵方法在圖像閾值化過程中,能夠處理圖像中存在的可加信息,Tsallis熵方法能夠處理圖像中可能存在的非可加信息,然而其中的任何一種方法都不能同時(shí)處理兩種不同性質(zhì)的信息內(nèi)容,因此這也是這類方法的一個(gè)不足。Sharma-Mittal熵是Shannon熵、Renyi熵和Tsallis熵的泛化,它即能表征線性系統(tǒng)的可加信息內(nèi)容,也能表征非線性系統(tǒng)中存在的非可加信息內(nèi)容?;谶@些堅(jiān)實(shí)的理論基礎(chǔ),本發(fā)明提出一種新的閾值化方法用以提高圖像分割性能。
技術(shù)實(shí)現(xiàn)要素:
本發(fā)明的目的在于為應(yīng)對(duì)復(fù)雜的圖像分割任務(wù)而提出一種基于Sharma-Mittal熵的圖像閾值分割方法,該方法不僅能處理圖像中的可加信息,也可以處理非可加信息,因此可以更好的提高圖像分割質(zhì)量,而且方法的計(jì)算效率也非常高,適用于實(shí)時(shí)性要求較高的圖像處理任務(wù)。
本發(fā)明通過以下技術(shù)方案來實(shí)現(xiàn)上述目的:
基于Sharma-Mittal熵的圖像閾值分割方法,包括如下步驟:
(1)設(shè)置Sharma-Mittal熵指數(shù)r、q的值;
(2)讀取待分割的灰度圖像,并將其存入一個(gè)二維圖像數(shù)組I中;
(3)遍歷圖像數(shù)組I,計(jì)算得到圖像最大灰度級(jí)數(shù)L及灰度級(jí)集合G={0, 1, …, L},計(jì)算歸一化的灰度直方圖H(H={h0, h1, …, hL});
(4)假定t為分割閾值,t將圖像像素分為歸屬于兩個(gè)不同類的灰度級(jí)集合C0與C1,C0={0, 1, 2, …, t},C0={t+1, t+2, …, L};
(5)用H做為圖像灰度級(jí)的概率密度函數(shù)估計(jì),則可以用以下公式計(jì)算出關(guān)于C0與C1的先驗(yàn)概率P0及P1;
公式一:;
公式二:;
(6)定義關(guān)于圖像灰度級(jí)類C0與C1的Sharma-Mittal熵S0和S1;
公式三:;
公式四:;
(7)圖像總的Sharma-Mittal熵,即準(zhǔn)則函數(shù)定義為;
公式五:;
(8)在G={0, 1, …, L}范圍內(nèi)搜索使下式獲得最大值的灰度級(jí)t*,t*即最優(yōu)分割閾值;
公式六:;
(9)假設(shè)用f(x,y)表示原始圖像I坐標(biāo)(x,y)處的像素灰度值,s(x,y)表示分割后圖像坐標(biāo)(x,y)處的像素灰度值,則求得最佳分割閾值t*后,s(x,y)可用下式求得;
公式七:;
(10)輸出分割后的圖像。
本發(fā)明的有益效果:本發(fā)明采用具有堅(jiān)實(shí)物理學(xué)背景的Sharma-Mittal熵做為圖像閾值分割的準(zhǔn)則函數(shù),使本發(fā)明與其它方法相比具有更加明確的物理學(xué)意義;本發(fā)明采用即能處理圖像中可加信息也能處理圖像中非可加信息的Sharma-Mittal熵做為閾值化準(zhǔn)則函數(shù)使本發(fā)明與其它熵方法相比更能提升圖像的分割質(zhì)量;本發(fā)明采用的Sharma-Mittal熵是Shannon熵、Renyi熵和Tsallis熵的泛化,因此本發(fā)明將基于這些信息熵的閾值化方法統(tǒng)一了起來,給這些熵方法的應(yīng)用提供了統(tǒng)一形式,簡化了應(yīng)用選擇的復(fù)雜性;本發(fā)明采用的Sharma-Mittal熵可通過調(diào)節(jié)熵指數(shù)應(yīng)用于不同的圖像處理任務(wù),提升了基于信息熵的圖像閾值化方法的普適性。
實(shí)驗(yàn)表明,對(duì)于具有8位256級(jí)灰度的多幅測試圖像,在一臺(tái)CPU為Intel(R) Core(TM)2 Duo CPU T8100 @ 2.10GHz,操作系統(tǒng)為Window XP,編程環(huán)境為MATLAB R2007b的條件下執(zhí)行相應(yīng)的圖像分割任務(wù),應(yīng)用本發(fā)明得到的分割圖像區(qū)域內(nèi)部均勻,輪廓邊界準(zhǔn)確,計(jì)算耗時(shí)小于0.05秒,適用于實(shí)時(shí)性要求較高的工業(yè)實(shí)踐圖像處理任務(wù)需求。
附圖說明
圖1是本發(fā)明的流程框圖。
圖2是三幅測試圖像im1,img2,img3的原始圖像。
圖3是相比較的4種方法對(duì)圖像img1的分割結(jié)果。
圖4是相比較的4種方法對(duì)圖像img2的分割結(jié)果。
圖5是相比較的4種方法對(duì)圖像img3的分割結(jié)果。
圖6是在(0,10)范圍內(nèi)變化r,q的取值應(yīng)用本發(fā)明對(duì)圖像img1實(shí)施分割時(shí)其閾值的變化圖。
具體實(shí)施方式
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白,下面結(jié)合具體實(shí)例,并參照附圖,對(duì)本發(fā)明的具體實(shí)施方式作詳細(xì)說明,本發(fā)明包含但不限于所舉實(shí)例。
步驟1. 預(yù)置Sharma-Mittal熵指數(shù)r,q(r,q>0且r,q≠1)值,預(yù)置算法迭代中圖像Sharma-Mittal熵初值MaxSME為任一小于0的數(shù)。
步驟2. 輸入待分割灰度數(shù)字圖像,并將其存入一個(gè)二維圖像數(shù)組I中。
步驟3. 遍歷圖像I,用公式L=max(I)計(jì)算得到圖像最大灰度級(jí)數(shù)L,構(gòu)建圖像灰度級(jí)集合G={0,1,…,L},計(jì)算得到歸一化的灰度級(jí)直方圖H={h0,h1,…h(huán)L},其中hi=(圖像I中灰度級(jí)為i的像素?cái)?shù))/(圖像I的總像素?cái)?shù))。
步驟4. 假定t為關(guān)于圖像I的一個(gè)灰度級(jí)直方圖分割閾值,該閾值把G分成C0與C1兩部分,其中C0={0,1,t},C1={t+1,t+2,…L}。
步驟5. 用公式一、公式二計(jì)算得到關(guān)于C0與C1的先驗(yàn)概率P0與P1。
步驟6. 根據(jù)Sharma-Mittal熵理論計(jì)算圖像兩不同灰度級(jí)類C0與C1的Sharma-Mittal熵S0,S1及圖像總的Sharma-Mittal熵S。
步驟7. 在G={0,1,…,L}范圍求取使圖像總的Sharma-Mittal熵S最大的灰度級(jí)t,該灰度級(jí)即為圖像的最佳分割閾值t*。
步驟8. 用t*對(duì)圖像I實(shí)施閾值分割并輸出分割圖像。
本發(fā)明效果可以通過以下實(shí)驗(yàn)進(jìn)一步說明:
1)實(shí)驗(yàn)條件
實(shí)驗(yàn)仿真環(huán)境為:一臺(tái)CPU為Intel(R) Core(TM)2 Duo CPU T8100 @ 2.10GHz,操作系統(tǒng)為Window XP,編程環(huán)境為MATLAB R2007b的PC機(jī);實(shí)驗(yàn)圖像為:一幅用于乳腺腫瘤檢查的X光圖像img1,一幅紅外行人圖像img2,一幅超現(xiàn)實(shí)主義的油畫作品-煙斗img3;這三幅圖像的大小分別為482×571,320×240和670×514;這三幅圖像如圖2所示,其中圖(2a)是img1,圖(2b)是img2,圖(2c)是img3。
2)實(shí)驗(yàn)內(nèi)容
2.1)用本發(fā)明和Kapur等人提出的最大Shannon熵法(MSE),Sahoo等人提出的最大Renyi熵法(MRE)以及Portes de Albuquerque等人提出的最大Tsallis熵法(MTE)對(duì)img1,img2,img3進(jìn)行實(shí)驗(yàn),每幅圖像的四種分割結(jié)果如圖3,圖4,圖5所示;其中圖(3a),圖(4a)及圖(5a)是MSE方法的分割結(jié)果;圖(3b),圖(4b)及圖(5b)是MRE方法的分割結(jié)果;圖(3c),圖(4c)及圖(5c)是MTE方法的分割結(jié)果;圖(3d)是在取r=2,q=0.01時(shí)對(duì)圖像img1實(shí)施分割,應(yīng)用本發(fā)明方法獲得的結(jié)果,圖(4d)是在取r=1.5,q=0.1時(shí)對(duì)圖像img2實(shí)施分割,應(yīng)用本發(fā)明方法獲得的結(jié)果,圖(5d)是在取r=4.2,q=0.2時(shí)對(duì)圖像img3實(shí)施分割,應(yīng)用本發(fā)明方法獲得的結(jié)果。
2.2)用本發(fā)明在(0,10)范圍內(nèi)變化r,q值對(duì)圖像img1實(shí)施分割,測試獲得最佳閾值t*的變化,也進(jìn)行了實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果如圖6所示。
3)實(shí)驗(yàn)結(jié)果分析
從圖3,圖4及圖5展示的分割結(jié)果可以看出,MSE方法、MRE方法和MTE方法在對(duì)測試的三幅圖像進(jìn)行分割時(shí),分割結(jié)果中殘留的噪聲像素點(diǎn)要多于應(yīng)用本發(fā)明方法獲得的分割結(jié)果圖像,本發(fā)明方法獲得的結(jié)果能更好的把圖像目標(biāo)從圖像背景中區(qū)分出來。
從圖6可以看出,當(dāng)設(shè)置r,q的取值在區(qū)間(0,10)范圍內(nèi)變化時(shí),在不同的取值條件下,本發(fā)明方法對(duì)img1實(shí)施分割能獲得不同的閾值,這說明改變r(jià),q的取值可以讓本發(fā)明方法具有針對(duì)不同的圖像處理任務(wù)的應(yīng)用潛能,從而使本發(fā)明方法具有更好的普適性。
表1結(jié)出了相比較的四種方法對(duì)img1、img2、img3實(shí)施分割時(shí)的計(jì)算耗時(shí)。
表1. 對(duì)圖像實(shí)施分割的計(jì)算耗時(shí)比較(單位:秒)
從表1可以看出,本發(fā)明方法的計(jì)算耗時(shí)小于相比較的其它三種方法,對(duì)三幅測試圖像的分割所耗時(shí)間均小于0.05秒,從這點(diǎn)可以看出,本發(fā)明方法可以很好地適應(yīng)實(shí)時(shí)性要求較高的圖像處理任務(wù)。