一种快速的像素尺度计算方法
【技术领域】
[0001] 本发明属于数字图像处理技术领域，涉及一种图像中像素尺度计算方法，可W将 其应用图像分割和图像处理其他领域的各种方法。
【背景技术】
[0002] 在数字图像处理领域，特别是图像分割方面，需要根据图像的灰度、颜色、纹理等 特征将图像划分为若干个互不相交而又有意义的区域。由于一般图像的构成都十分复杂， 对图像通过计算机自动分割十分困难，分割结果往往不能令人满意，因此，图像分割成为了 图像处理的经典难题之一。目前已经有很多人提出了各种算法来实现图像分割。在所有 的分割算法中，为了充分的利用图像中每个像素的灰度等特征，仅仅通过一个像素的属性 不能充分的表达出当前像素点与周围像素之间的依赖性。W-副图像中像素的灰度属性为 例，在同一对象区域内部的像素灰度间是存在某种相似性的，或者说他们的像素灰度值都 集中的体现在特定的灰度区间上。如果能在表达当前像素点的特征的同时采用一种尺度体 现出与其邻近且属于同一对象区域的其他像素的属性，将更有利于表现局部结构的细节， 同时也能达到平滑噪声的效果。因此，对图像中像素的尺度的计算具有重要的研究意义。
[0003] 目前，在图像处理领域，为了计算出图像中每个像素点的尺度，通常W当前像素点 为中必，设定一个相似性准则W及阔值，从半径为1的圆开始检测圆内像素是否满足阔值 内的相似性准则，圆的半径逐渐增加，直到出现相似性准大于阔值时即停止。此时的圆半径 即为所求的尺度范围（参见S址aPK,UdupaJK, 0化nerD.Scale-basedfuzzyconnected imagesegmentation:theory,algorithms,andvalidation[J].ComputerVisionand ImageUnderstanding, 2000, 77 (2) : 145-174.和ZhugeY,UdupaJK,S址aPK.Vectorial scale-basedfuzzy-connectedimagesegmentation[J].ComputerVisionandImageUnder standing, 2006, 101 (3) : 177-193.)。该算法简称OSE算法。送种方式能很好的表现出局部 属性，但是在上述过程中，相似性准则中阔值的选取对尺度的最终结果有很大的影响，而且 逐圈寻找的方式很耗时，当同一区域内部存在强噪声或者多灰度差时，0SE算法将无法得到 真实的尺度。
【发明内容】
[0004] 本发明的目的在于提供一种图像中像素尺度快速计算方法，该方法克服了0SE算 法需要选取一个阔值，计算时间复杂度比较大且抗噪性不高等缺点。避免了现有技术中尺 度计算时阔值对分割结果的影响，同时提高尺度计算速度和抗噪性。改善了图像分割效果， 且在实际应用中更易于执行。
[0005] 为实现上述目的，本发明的具体实现步骤包括如下：
[0006] (1)用Canny算子计算出整幅图像的边缘B，将边缘点作为后期尺度计算判断的依 据。
[0007] 似对于当前像素点C，判断其是否为边缘点。若C为边缘点，执行化1);若C不 为边缘点，执行化2);
[0008] (2. 1)若C为边缘点，由于边缘点周围像素灰度变化大而且模糊，如果还要考虑 该点周围的局部像素点对该点的影响或者依赖性，反而会干扰局部结构，则令C点尺度即 He) = 1，退出。
[0009] (2. 2)若C不为边缘点，说明C点尺度大于或等于1，则WC为中必设计一个自适 应正方形模版M，模版边长为沈+1，E=min(L，R，U，D)-1。其中L、R、U、D分别表示C点到 图像左右上下边界的距离，如图4所示。
[0010] 做计算当前像素点C的尺度大小。在模版B(M)内找出距离C最近边缘点e，c到 e的距离即为点C的尺度。若模版B(M)里面全为零，执行（3.1);否则，执行（3.2)。
[0011] (3.l)B(M)全为零，则说明模版内没有边缘点，此时已经达到最大尺度，则令r(c) =E；
[0012] (3. 2)WC为中必P从1到E开始的正方形边上按照8邻域的方式找最近边缘点 e。如图5所示，当P= 4时，如果t=tl+t2+t3+t4 > 1，说明在tl，t2,t3,t4四个点中最 少有一个边缘点，则此时r(c) = 4 ;如果tl，t2, 口，t4中没有边缘点，则分别从送四个点向 上下或者左右扩张一次。如图4中扩张后的8个点为xl，x2，x3，x4和yl，y2，y3，y4。送8 个点到C点的欧式距离相等。若t=xl+.. .+x4+yl+..+y4 > 1说明该8点中至少有一个 边缘点，此时，''W--.ク。。''(、^^)，其中〇611表示向下取整。若还没有找到边缘点，则从送8个 点开始继续向上下或者左右扩张一次，得到8个新的到点C欧氏距离相等的点，同样将送8 个点值求和，判断是否有边缘点。依次类推，若送一次还没有找到边缘点，则继续向下扩张， 找下8个点，直到扩张到正方形的四个角点，找出一个边缘点e即退出。
[0013](4)对于像素C从边长3开始到边长为沈+1循环执行步骤（3)，计算出点C的尺 度r (C)。
[0014]妨对图像中所有像素重复步骤（3)和（4)，得到图像的尺度矩阵R。
[0015] 本发明与现有的技术相比具有W下优点：
[0016] (1)消除了尺度计算时候阔值的影响，不再使用阔值，而是W边缘点作为判断条 件；
[0017] (2)加快了尺度的计算速度。原始的尺度计算方法需要算出圆环区域内所有与中 必点不同质的像素点的个数，如图2所示，因此需要遍历矩阵内所有像素；而新方法仅需要 找一个边缘点，则仅需要每次在自适应模版边上搜索即可，大大缩短了寻找时间。
[001引做提高了抗噪性。原尺度在目标或者背景区域内部遇到多个干扰点时，将无法 正确的表达出尺度。如图2中的像素点C其尺度计算如图3所示，曰1，曰2,曰3,曰4为WC为 中必半径为1的圆上像素，61，62,63,64,65，136，137，138为^0为中必半径为2的圆上像素，贝1] de|B2(C)-Bi(C)| = {bi，b2，b3，b4，b5，be，b7，bs}。若此时t取 7/8,而d中有两个噪声点， 则F〇2(c) =6/8 <7/8,得到r(c) = 1，显然尺度表达有误。新方法通过先找出边缘的方 式，只有寻找边缘的算法抗噪性好，在目标或者背景内不管遇到多少噪声点，对尺度的计算 都没有影响。
【附图说明】
[0019] 图1本发明算法的过程示意图
[0020] 图20SE算法计算尺度示意图
[0021] 图30SE算法计算尺度详解图
[0022] 图4本发明计算尺度示意图
[0023] 图5本发明计算尺度详解图
[0024] 图6实验一中本发明与0SE算法对比实验图，
[0025] 图7实验二中本发明与0SE算法对比实验图。
[0026] 图8实验Η中本发明与0SE算法对比实验图。
[0027] 图9实验四中本发明与0SE算法对比实验图。
[002引图10实验五中本发明与0SE算法对比实验图。
[0029] 图11实验六中本发明与0SE算法对比实验图。
[0030](其中，图6-11中各图分别表示；（a)实验图，图中有Η个黑色十字星表示种子点 位置，最上方的一个十字星表示背景种子点的位置，下方的两个十字星表示目标种子点的 位置；化）为0SE算法得到的尺度图；（C)为本发明算法得到的尺度图；（d)为0SE算法应用 于模糊连接度算法分割脑部图中白质所得结果；（e)为本发明应用于模糊连接度算法分割 脑部图中白质所得结果；(f)为分割脑部图中白质的标准分割结果。）
【具体实施方式】
[0031] 下面结合附图对本发明作进一步的详细说明。
[0032] 参照图1，本发明的具体实施过程如下：
[0033] (1)使用Canny算子计算出图像I的边缘矩阵B。
[0034] 似对于图像I中某一像素点C，通过矩阵B，判断C点是否为边缘点。若C为边缘 点，则跳到（2. 1);若C不为边缘点，则跳到（2. 2)。
[003引 （2.l)c为边缘点，由于边缘点周围都会存在模糊。因此，令C点尺度为1，即r(c) =1 ；
[003引（2.点不为边缘点，则WC点为中必建立一个正方形自适应模版，模版边长为 2E+1，E=min(X,R,U,D)-l。其中L、R、U、D分别表示C点到图像左右上下边界的距离，女口 图4所示。
[0037] (3)计算当前像素点C的尺度大小。在模版B(M)内找出距离C最近边缘点e，c到 e的距离即为点C的尺度。
[00測 （3.1)若模版B(M)里面全为零，则说明已经达到最大尺度，r(c) =E，退出；
[0039] (3. 2)WC为中必到点C的距离为P的正方形边上按照8点式找边缘点，若找到 边缘点e，则He) =I|c-e|I,退出；如图5所示，当P= 4时，如果t=tl+t2+t3+t4 > 1，说明在tl，t2,t3,t4四个点中最少有一个边缘点，