一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法
【專利摘要】本發(fā)明公開(kāi)了一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法，包括以下步驟：1.輸入待分割的圖像，如果是彩色圖像，需轉(zhuǎn)換為灰度圖像；2.設(shè)置多目標(biāo)進(jìn)化自適應(yīng)目閾值圖像分割的參數(shù)，將最大閾值分割數(shù)設(shè)置為5；3.對(duì)輸入的圖像數(shù)據(jù)分別進(jìn)行1～5閾值的多目標(biāo)閾值圖像分割；4.通過(guò)步驟2將得到1～5閾值下的Parato最優(yōu)解，利用F函數(shù)分別求得1～5閾值下的最優(yōu)解，5.通過(guò)比較F函數(shù)值間的差值選擇最合適的解作為圖像的最佳分割閾值；6.通過(guò)選擇出來(lái)的最佳閾值來(lái)對(duì)原圖像進(jìn)行類別劃分來(lái)得到最終的分割結(jié)果。本發(fā)明能夠?qū)崿F(xiàn)自適應(yīng)閾值圖像分割，分割結(jié)果精確，算法實(shí)現(xiàn)簡(jiǎn)單。
【專利說(shuō)明】
一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方 法。
【背景技術(shù)】
[0002] 圖像分割是圖像處理中最底層也是最重要的一步，其目的是根據(jù)圖像中的灰度、 顏色和紋理等特征將圖像劃分成若干個(gè)互不相交的區(qū)域，并使得同一區(qū)域具有相似的特 征，不同區(qū)域間具有明顯的特征差異。
[0003] 基于閾值的圖像分割方法一般是根據(jù)某一個(gè)閾值準(zhǔn)則來(lái)對(duì)圖像進(jìn)行閾值分割，因 此獲得的圖像在該準(zhǔn)則下是最優(yōu)的或者是接近最優(yōu)的。但在實(shí)際應(yīng)用中，圖像分割是一個(gè) 根據(jù)人們實(shí)際需求和實(shí)際應(yīng)用環(huán)境，根據(jù)具體的問(wèn)題進(jìn)行分割的，因此單個(gè)的閾值準(zhǔn)則有 可能已經(jīng)滿足不了具體的需求，我們需要從多個(gè)角度去考慮問(wèn)題。此外，在閾值數(shù)目的選擇 方面都是先確定好閾值數(shù)目再進(jìn)行分割的，這樣就必須人為的判斷閾值分割數(shù)目。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法，以克服上述 現(xiàn)有技術(shù)存在的缺陷，本發(fā)明能夠?qū)崿F(xiàn)自適應(yīng)閾值圖像分割，分割結(jié)果精確，算法實(shí)現(xiàn)簡(jiǎn) 單。
[0005] 為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：
[0006] -種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法，包括以下步驟：
[0007]步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉(zhuǎn)換為灰度圖像；
[0008] 步驟二:針對(duì)步驟一所得到的灰度圖像分別進(jìn)行若干不同閾值數(shù)目的多目標(biāo)進(jìn)化 閾值分割，得到若干不同的Parato解集；
[0009] 步驟三:采用函數(shù)Fk求出每個(gè)Parato解集中的最優(yōu)閾值；
[0010] 步驟四：通過(guò)比較不同閾值數(shù)目下的Fk差值識(shí)別最佳閾值分害擻目；
[0011] 步驟五:通過(guò)最佳閾值分割數(shù)目對(duì)原圖像進(jìn)行類別劃分得到最終的分割結(jié)果。
[0012] 進(jìn)一步地，步驟二中多目標(biāo)進(jìn)化閾值分割方法具體為：
[0013] 2a)設(shè)置多目標(biāo)進(jìn)化閾值分割的參數(shù):最大閾值數(shù)目為5,種群規(guī)模為200,最大遺 傳代數(shù)為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~ 255；
[0014] 2b)種群初始化，隨機(jī)產(chǎn)生200個(gè)個(gè)體，假設(shè)有k個(gè)閾值則每個(gè)染色體有k個(gè)基因位， 每個(gè)基因位取值為0~255，遺傳代數(shù)g = 1;
[0015] 2c)計(jì)算種群中每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值，將兩個(gè)目標(biāo)函數(shù)值分別添加到染色 體的k+l、k+2基因位；
[0016] 2d)利用步驟2c)中計(jì)算的目標(biāo)函數(shù)值對(duì)種群進(jìn)行非支配排序以及擁擠距離計(jì)算， 并將個(gè)體序值和擁擠距離分別添加到染色體的k+3、k+4基因位；
[0017] 2e)開(kāi)始進(jìn)化，采用錦標(biāo)賽法根據(jù)序值和擁擠距離大小從種群中選出一半數(shù)量的 個(gè)體作為父代種群；
[0018] 2f)對(duì)父代種群進(jìn)行交叉和變異操作，產(chǎn)生子代種群；
[0019] 2g)將當(dāng)前種群與子代種群合并并進(jìn)行精英選擇，獲得與初始種群大小相同的新 一代種群；
[0020] 2h)如果g>300，則執(zhí)行步驟三，否則，g = g+1，跳轉(zhuǎn)到步驟2c)。
[0021] 進(jìn)一步地，步驟2c)中的兩個(gè)目標(biāo)函數(shù)分別為體現(xiàn)類間方差函數(shù)心以及最大可能 保留圖像原有信息以及邊緣輪廓信息的熵函數(shù)f 2。
[0022] 進(jìn)一步地，計(jì)算種群中每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值具體為：
[0023]假設(shè)一幅圖像中包含的像素?cái)?shù)目為N，圖像中的灰度級(jí)范圍為[0，···，L]，灰度級(jí)為 i的像素個(gè)數(shù)為m，則灰度級(jí)i出現(xiàn)的概率為：
[0025] 則目標(biāo)函數(shù)&為：
[0026] fl(tl, t2, ???tk) =Wl(ui-UT)2+W2(u2-UT)2+---+Wk+l(uk+l-UT)2
[0027] 其中：
[0031]其中，（1：142，-41〇為圖像的閾值，1^為圖像所分割的閾值數(shù)目，￥11(1彡11彡1^+1)為 第η類像素的灰度出現(xiàn)概率和，un(l<n<k+l)為第η類像素的灰度平均值，UT是整幅圖像的 平均灰度值；
[0032]目標(biāo)函數(shù)5為：
[0033] f2( ti，t2，...tk) =Hl+H2^-----i~Hk+i
[0034] 其中：
[0038]式中，（ti，t2，···tk)為圖像的閾值，k為圖像所分割的閾值數(shù)目，Hn( 1 彡k+1)為 第η類像素的信息熵之和，wn(l<n$k+l)為第η類像素的灰度出現(xiàn)概率和，Pl為像素i出現(xiàn)的 概率。
[0039]進(jìn)一步地，步驟三中函數(shù)Fk具體為：
[0041]其中，N為整幅圖像的像素?cái)?shù)目，k為圖像所分割的閾值數(shù)目，m(k+l)為第k+1類的 灰度平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合， gl是像素 i的灰度值。
[0042]進(jìn)一步地，步驟四中通過(guò)比較不同閾值數(shù)目下的Fk差值識(shí)別最佳閾值分割數(shù)目， 具體為：
[0043] 4a)計(jì)算當(dāng)前閾值數(shù)目下的F^zFk-F^，如果這個(gè)值為負(fù)值，將其置0;第一閾值下 的 Fa = Fi;
[0044] 4b)比較不同閾值數(shù)目下的F△值，選擇F△值最大時(shí)的閾值數(shù)目作為最佳閾值分割 數(shù)目。
[0045] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益的技術(shù)效果：
[0046] 本發(fā)明首先利用多目標(biāo)進(jìn)化閾值分割方法進(jìn)行分割。與單一的閾值分割準(zhǔn)則算法 相比，多目標(biāo)進(jìn)化閾值分割算法對(duì)圖像背景與目標(biāo)是否明有明顯雙峰不再敏感，并且盡可 能多的保留圖像的原有信息及邊緣輪廓信息，閾值分割的結(jié)果更佳符合實(shí)際的需求。最后 使用了 Fk函數(shù)可以從最后一組Pareto最優(yōu)解中選擇合適的閾值，還能從不同的閾值數(shù)目中 獲得最佳的閾值，并且獲得較為理想的分割結(jié)果。
【附圖說(shuō)明】
[0047]圖1為本發(fā)明方法的整體流程圖；
[0048]圖2為本發(fā)明方法的shotl圖像分割結(jié)果對(duì)比圖；
[0049]圖3為本發(fā)明仿真實(shí)驗(yàn)中使用的Berkeley圖像分割結(jié)果對(duì)比圖；
[0050]圖4為本發(fā)明仿真試驗(yàn)中使用的Berkeley圖像分割結(jié)果對(duì)比圖；
[0051 ]其中，（a)為待分割圖像；（b)為給定閾值數(shù)目下Otsu方法分割結(jié)果；（c)為給定閾 值數(shù)目下最大熵法分割結(jié)果；（d)為本發(fā)明在沒(méi)有給定閾值數(shù)目下，自適應(yīng)的分割結(jié)果。
【具體實(shí)施方式】
[0052]下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述：
[0053] 一種基于多目標(biāo)的自適應(yīng)閾值圖像分割方法，包括以下步驟：
[0054] 步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉(zhuǎn)換為灰度圖像；
[0055] 步驟二:針對(duì)步驟一所得到的灰度圖像分別進(jìn)行若干不同閾值數(shù)目的多目標(biāo)進(jìn)化 閾值分割，得到若干不同的Parato解集;具體步驟為：
[0056] 2a)設(shè)置多目標(biāo)進(jìn)化閾值分割的參數(shù):最大閾值數(shù)目為5,種群規(guī)模為200,最大遺 傳代數(shù)為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~ 255；
[0057] 2b)種群初始化，隨機(jī)產(chǎn)生200個(gè)個(gè)體，假設(shè)有k個(gè)閾值則每個(gè)染色體有k個(gè)基因位， 每個(gè)基因位取值為0~255，遺傳代數(shù)g = 1;
[0058] 2c)計(jì)算種群中每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值，將兩個(gè)目標(biāo)函數(shù)值分別添加到染色 體的k+l、k+2基因位；
[0059]兩個(gè)目標(biāo)函數(shù)分別為體現(xiàn)類間方差函數(shù)心以及最大可能保留圖像原有信息以及 邊緣輪廓信息的熵函數(shù)f2,為了計(jì)算目標(biāo)函數(shù)，假設(shè)一幅圖像中包含的像素?cái)?shù)目為N，圖像 中的灰度級(jí)范圍為[0，…，L]，灰度級(jí)為i的像素個(gè)數(shù)為m，則灰度級(jí)i出現(xiàn)的概率為：
[0061 ]則目標(biāo)函數(shù)負(fù)為：
[0062] fl(tl, t2, ???tk) =Wl(ui-UT)2+W2(u2-UT)2+---+Wk+l(uk+l-UT)2
[0063] 其中：
[0067]在上式中（11,12，···tk)為圖像的閾值，k為圖像所分割的閾值數(shù)目，wn(1彡n彡k+1) 為第η類像素的灰度出現(xiàn)概率和，un(l<n<k+l)為第η類像素的灰度平均值，ut是整幅圖像 的平均灰度值。
[0068] 目標(biāo)函數(shù)f2為：
[0069] f2( ti，t2，...tk) =Hl+H2^-----i~Hk+i
[0070] 其中：
[0074]在上式中（11，t2，···tk)為圖像的閾值，k為圖像所分割的閾值數(shù)目，Hn(1彡n彡k+1) 為第η類像素的信息熵之和，wn( 1 <n<k+l)為第η類像素的灰度出現(xiàn)概率和，Pl為像素 i出現(xiàn) 的概率。
[0075] 為了獲得最佳閾值，需同時(shí)最大化函數(shù)f#Pf2。由于在多目標(biāo)進(jìn)化算法中，同時(shí)優(yōu) 化函數(shù)的最小值便于算法的計(jì)算，因此在本方法中將同時(shí)最小化1/fi、l/f 2兩個(gè)目標(biāo)函數(shù)來(lái) 求取最佳閾值。
[0076] 2d)利用步驟2c)中計(jì)算的目標(biāo)函數(shù)值對(duì)種群進(jìn)行非支配排序以及擁擠距離計(jì)算， 并將個(gè)體序值和擁擠距離分別添加到染色體的k+3、k+4基因位；
[0077] 2e)開(kāi)始進(jìn)化，采用錦標(biāo)賽法根據(jù)序值和擁擠距離大小從種群中選出一半數(shù)量的 個(gè)體作為父代種群；
[0078] 2f)對(duì)父代種群進(jìn)行交叉和變異操作，產(chǎn)生子代種群；
[0079] 2g)將當(dāng)前種群與子代種群合并并進(jìn)行精英選擇，獲得與初始種群大小相同的新 一代種群；
[0080] 2h)如果g>300，則執(zhí)行步驟三，否則，g = g+1，跳轉(zhuǎn)到步驟2c)。
[0081 ]步驟三:采用函數(shù)Fk求出每個(gè)Parato解集中的最優(yōu)閾值，函數(shù)Fk值越大，則分割結(jié) 果越好;具體為：
[0083]其中，N為整幅圖像的像素?cái)?shù)目，k為圖像所分割的閾值數(shù)目，m(k+l)為第k+Ι類的 灰度平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合， gl是像素 i的灰度值。
[0084] 步驟四：通過(guò)比較不同閾值數(shù)目下的Fk差值識(shí)別最佳閾值分割數(shù)目；具體為：
[0085] 4a)計(jì)算當(dāng)前閾值數(shù)目下的，如果這個(gè)值為負(fù)值，將其置0;第一閾值下 的 Fa = Fi;
[0086] 4b)比較不同閾值數(shù)目下的F△值，選擇F△值最大時(shí)的閾值數(shù)目作為最佳閾值分割 數(shù)目。
[0087]步驟五:通過(guò)最佳閾值分割數(shù)目對(duì)原圖像進(jìn)行類別劃分得到最終的分割結(jié)果。 [0088]為了驗(yàn)證本發(fā)明的有效性，實(shí)驗(yàn)中選取一幅shot圖像（圖2中（a)所示）以及 Berkeley圖像數(shù)據(jù)庫(kù)中的2幅圖像(如圖3中（a)及圖4中（a)所示），圖2-圖4中的(b)是在給 定閾值數(shù)目下Otsu法（即最大類間方差法)的分割結(jié)果，圖2-圖4中的(c)是給定閾值數(shù)目下 最大熵法的分割結(jié)果，圖2-圖4中的(d)是本發(fā)明的分割結(jié)果。
[0089]仿真效果分析:本發(fā)明利用多目標(biāo)進(jìn)化算法來(lái)對(duì)閾值圖像進(jìn)行分割，在最后最優(yōu) 解的選擇上，使用Fk函數(shù)可以自適應(yīng)的選擇出最佳閾值獲得閾值圖像分割的最終結(jié)果，相 對(duì)于傳統(tǒng)的給定閾值數(shù)目求解最終閾值有較大進(jìn)步，分割結(jié)果也有所提高。
【主權(quán)項(xiàng)】
1. 一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，包括W下步驟： 步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉(zhuǎn)換為灰度圖像； 步驟二:針對(duì)步驟一所得到的灰度圖像分別進(jìn)行若干不同闊值數(shù)目的多目標(biāo)進(jìn)化闊值 分割，得到若干不同的化rato解集； 步驟Ξ:采用函數(shù)Fk求出每個(gè)化rato解集中的最優(yōu)闊值； 步驟四：通過(guò)比較不同闊值數(shù)目下的Fk差值識(shí)別最佳闊值分割數(shù)目； 步驟五:通過(guò)最佳闊值分割數(shù)目對(duì)原圖像進(jìn)行類別劃分得到最終的分割結(jié)果。2. 根據(jù)權(quán)利要求1所述的一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，步 驟二中多目標(biāo)進(jìn)化闊值分割方法具體為： 2a)設(shè)置多目標(biāo)進(jìn)化闊值分割的參數(shù):最大闊值數(shù)目為5,種群規(guī)模為200,最大遺傳代 數(shù)為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~255; 2b)種群初始化，隨機(jī)產(chǎn)生200個(gè)個(gè)體，假設(shè)有k個(gè)闊值則每個(gè)染色體有k個(gè)基因位，每個(gè) 基因位取值為0~255,遺傳代數(shù)g = l; 2c)計(jì)算種群中每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值，將兩個(gè)目標(biāo)函數(shù)值分別添加到染色體的k +l、k+2基因位； 2d)利用步驟2c)中計(jì)算的目標(biāo)函數(shù)值對(duì)種群進(jìn)行非支配排序W及擁擠距離計(jì)算，并將 個(gè)體序值和擁擠距離分別添加到染色體的k+3、k+4基因位； 2e)開(kāi)始進(jìn)化，采用錦標(biāo)賽法根據(jù)序值和擁擠距離大小從種群中選出一半數(shù)量的個(gè)體 作為父代種群； 2f)對(duì)父代種群進(jìn)行交叉和變異操作，產(chǎn)生子代種群； 2g)將當(dāng)前種群與子代種群合并并進(jìn)行精英選擇，獲得與初始種群大小相同的新一代 種群； 2h)如果g〉300，則執(zhí)行步驟Ξ，否則，g = g+1，跳轉(zhuǎn)到步驟2c)。3. 根據(jù)權(quán)利要求2所述的一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，步 驟2c)中的兩個(gè)目標(biāo)函數(shù)分別為體現(xiàn)類間方差函數(shù)fiW及最大可能保留圖像原有信息W及 邊緣輪廓信息的賭函數(shù)f 2。4. 根據(jù)權(quán)利要求3所述的一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，計(jì) 算種群中每個(gè)個(gè)體的兩個(gè)目標(biāo)函數(shù)值具體為： 假設(shè)一幅圖像中包含的像素?cái)?shù)目為N，圖像中的灰度級(jí)范圍為[0，···，L]，灰度級(jí)為i的 像素個(gè)數(shù)為m，則灰度級(jí)i出現(xiàn)的概率為： P -二山 ' N 則目標(biāo)函數(shù)fi為： f 1 (11, t2，... tk) = W1 (山-UT) 2+W2 (U2-UT) 2+... +Wk+1 (Uk+1-UT) 2 其中：其中，（ti，t2，-，tk)為圖像的闊值，k為圖像所分割的闊值數(shù)目，￥。(1《11《4+1)為第]1類 像素的灰度出現(xiàn)概率和，un(l《n《k+l)為第η類像素的灰度平均值，UT是整幅圖像的平均灰 度值； 目標(biāo)函數(shù)f 2為： f2(tl, t2, ...tk) =Hl+出+...+Hk+l 其中：式中，（ti，t2，一tk)為圖像的闊值，k為圖像所分割的闊值數(shù)目，Hn(l《n《k+1)為第η類 像素的信息賭之和，wn( l《n《k+l)為第η類像素的灰度出現(xiàn)概率和，Pi為像素 i出現(xiàn)的概率。5. 根據(jù)權(quán)利要求1所述的一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，步 驟Ξ中函數(shù)Fk具體為：其中，N為整幅圖像的像素?cái)?shù)目，k為圖像所分割的闊值數(shù)目，m化+1)為第k+1類的灰度 平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合，gi是 像素 i的灰度值。6. 根據(jù)權(quán)利要求1所述的一種基于多目標(biāo)的自適應(yīng)闊值圖像分割方法，其特征在于，步 驟四中通過(guò)比較不同闊值數(shù)目下的Fk差值識(shí)別最佳闊值分割數(shù)目，具體為： 4a)計(jì)算當(dāng)前闊值數(shù)目下的FA = Fk-Fk-i，如果運(yùn)個(gè)值為負(fù)值，將其置0;第一闊值下的Fa = Fi； 4b)比較不同闊值數(shù)目下的Ρλ值，選擇Ρλ值最大時(shí)的闊值數(shù)目作為最佳闊值分割數(shù)目。
【文檔編號(hào)】G06T7/00GK106097351SQ201610423850
【公開(kāi)日】2016年11月9日
【申請(qǐng)日】2016年6月13日 公開(kāi)號(hào)201610423850.1, CN 106097351 A, CN 106097351A, CN 201610423850, CN-A-106097351, CN106097351 A, CN106097351A, CN201610423850, CN201610423850.1
【發(fā)明人】趙鳳, 惠房臣, 劉漢強(qiáng), 鄭月, 王俊, 韓文超
【申請(qǐng)人】西安郵電大學(xué)