本发明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
技术领域：
。
背景技术：
：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。技术实现要素：本发明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。本发明的技术方案是：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。本发明的有益效果是：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，本发明高于直接进行遗传算法阈值分割的值。附图说明图1为本发明流程图；图2为本发明中对比度拉伸变换的流程图；图3为本发明中遗传算法流程图；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本发明所得结果。具体实施方式下面结合附图和实施例，对本发明作进ⅰ步说明，但本发明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)-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。所述将差分图像d(x,y)进行二维经验模态分解具体为：步骤2.1、取差分图像d(x,y)作为二维经验模态分解的对象，赋初值m＝1,n＝1，余项函数rmn(x,y)＝d(x,y)，sd＝1；其中，变量m表示内禀模式函数imf(x,y)的个数，变量n表示为了计算imfm(x,y)所进行的第n次循环；sd表示标准差；步骤2.2、计算rmn(x,y)的极大值包络wup(x,y)以及它的极小值包络wlow(x,y)；步骤2.3、计算rmn(x,y)的均值曲面：mean(x,y)＝(wup(x,y)+wlow(x,y))/2；步骤2.4、根据rmn(x,y)以及它的均值曲面mean(x,y)计算其差值函数，其差值计算公式如下：dmn(x,y)＝rmn(x,y)-mean(x,y)；步骤2.5、取迭代终止参数ε＝0.3，x、y代表x、y的最大值，满足内禀模式函数的终止条件为：步骤2.6、判断差值函数dmn(x,y)是否满足步骤2.5所述内禀模式函数的终止条件即sd＜ε：当满足时，内禀模式函数：imfm(x,y)＝dmn(x,y)，r(m+1)n(x,y)＝rmn(x,y)-imfm(x,y)，并且令m＝m+1，n保持不变，rmn(x,y)＝r(m+1)n(x,y)，重复步骤2.2～步骤2.6计算下一个内禀模式函数，直到余项函数没有极值点并且对余项函数多阶求导后也不会出现极大值点和极小值点；当不满足时，rm(n+1)(x,y)＝dmn(x,y)，并且令n＝n+1，m的值保持不变，rmn(x,y)＝rm(n+1)(x,y)，重复步步骤2.2～步骤2.6直到差值函数满足内禀模式函数终止条件为止；步骤2.7、通过步骤2.1-2.6，差分图像d(x,y)分解为z个内禀模式函数imfm(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。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。本实施例中b＝2，z＝3。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，控制对比拉伸变换斜率参数e＝0.9，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。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。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为10；步骤7、对种群先进行交叉、再进行变异操作，交叉概率为0.7，变异概率为0.4，对父代染色体随机进行两两配对，对每一父代p1,p2进行先交叉、再变异，从而生成变异后的子代c1,c2：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＝15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＝20表示为突变指数。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、计算变异后的子代c1,c2的适应度值若i＝1,2，则用ci替换pi，否则以概率保持pi；其中，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150次；经过150次迭代获得的适应度值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。说明书附图中展示了本发明针对原图进行形态学差分处理所得结果；其结果如图5所示，从图5中可以看到基本去除了背景信息。说明书附图中也展示了本发明针对形态学差分处理后的图像进行二维经验模态分解所得的结果；结果为三个imf(x,y)分量imf1(x,y),imf2(x,y),imf3(x,y)以及一个余项函数ref。从图6中可以看到经过bemd分解以后得到的第1个分量即imf1(x,y)含有丰富的边界、细节信息；从图7中可以看到经过bemd分解以后得到的第2个分量imf2(x,y)，imf2(x,y)较imf1(x,y)模糊，但仍然具有丰富的边界信息；从图8中可以看到经过bemd分解以后得到的第3个分量imf3(x,y)，imf3(x,y)则包含较多的低频成份；从图9中可以看到经过bemd分解以后得到的图像的余项即ref，ref则比较模糊主要为低频成份，代表图像趋势信息。结果可以看出随着m的增加，不同频率的图像可以被分解出来。通过matlab程序对图6和图7分别进行对比度拉伸变换，然后进行相加融合。其结果如图10所示。结果可以看出目标信息得到了增强，并且清晰。利用直接进行遗传算法阈值分割的图像如图11所示，本发明分割结果如图12所示，可以看出图11中感兴趣的信息大量分割过度，且有信息丢失，图12中目标信息完整，清晰，感兴趣的信息几乎都被分割出来了。为了更能直观清楚的表示本发明的效果，下面应用两种评价方式对本发明的分割效果、图像质量评价进行分析。本发明方法通过在matlab中运行，记录其最佳阈值、峰值信噪比(psnr)和特征相似度(fsim)的值；并将本文算法与直接进行遗传算法阈值分割作比较，如表1所示。其中峰值信噪比越大表示图像质量越好；特征相似度取值范围为[0,1]，其值越接近1，说明分割出的图像质量越好。综合分析表1的数据，其中，psnr表示峰值信噪比，fsim表示特征相似度，本发明方法分割的psnr值高于直接遗传算法阈值分割，本发明方法分割的fsim也高于直接遗传算法阈值分割。本发明方法分割的结果优于直接遗传算法阈值分割，并可知直接遗传算法阈值分割的最佳分割阈值为117，本发明最佳分割阈值为48。表1基于fsim和ssim的图像分割效果评价方法fsimssim最佳阈值遗传算法0.497032.8293117本发明算法0.513533.187948上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。当前第1页12