基于非广延高斯熵测度的灰度图像分割方法与流程

本发明涉及图像处理领域，尤其涉及一种基于非广延高斯熵测度的灰度图像分割方法。

背景技术：

图像分割是指按照一定的标准将图像分成互不重叠的多个区域，它是对图像进行进一步分析、理解和识别的基础，是数字图像处理领域的关键技术之一，在图像工程中占有重要地位。目前许多的图像分割算法往往只能对某一类的具有相同特质的图像实现较好分割，然而，由于图像在成像过程中受多种因素影响(例如，光照强度)，导致现有的分割方法对具有多种因素影响的复杂图像进行分割的效果不佳。

技术实现要素：

本发明要解决的技术问题是提供一种基于非广延高斯熵测度的灰度图像分割方法，采用灰度图像I的非广延高斯熵测度模型计算出灰度图像I的熵，并将使得熵取得最大值所对应的灰度级作为最优分割阈值，从而对灰度图像I进行分割，可对多种类型的图像实现较好分割，提高了图像分割算法的鲁棒性。

为解决上述技术问题，本发明提供一种基于非广延高斯熵测度的灰度图像分割方法，包括：获取待分割的灰度图像I，并确定出灰度图像I的最大灰度级L-1，以及灰度级集合G，其中，L为灰度图像I的总级数，G＝{0,1,…,L-1}；统计灰度图像I的灰度直方图H，其中，H＝{h₀,h₁,…,h_i…,h_L-1},h_i＝n_i/(M×N)，M×N为灰度图像I的大小，n_i为灰度图像I中灰度级为i的像素点个数；根据灰度直方图H，以及根据预先构建的非广延高斯熵测度模型，计算非广延高斯熵测度模型的熵S，其中，S＝S₀+S₁+(1-r)S₀S₁，r为预先设定的非广延高斯熵测度模型的熵指数，r>0且r≠1，根据非广延高斯熵测度模型的熵S获取灰度图像I的最优分割阈值t^*，其中，t^*为使得非广延高斯熵测度模型的熵S取得最大值所对应的灰度级，且根据最优分割阈值t^*,获取分割结果图像J，且分割结果图像J中的各像素点的取值为其中，I(x,y)为灰度图像I中坐标(x,y)处的像素点对应的像素值，J(x,y)为分割结果图像J中坐标(x,y)处的像素点对应的像素值。

进一步地，非广延高斯熵测度模型的熵指数r的取值在取值范围内可调节，其中，取值范围内为r>0且r≠1。

本发明提供的基于非广延高斯熵测度的灰度图像分割方法，采用灰度图像I的非广延高斯熵测度模型计算出灰度图像I的熵，并将使得熵取得最大值所对应的灰度级作为最优分割阈值，从而对灰度图像I进行分割，可对多种类型的图像实现较好分割，提高了图像分割算法的鲁棒性。

附图说明

图1是本发明实施例提供的一种基于非广延高斯熵测度的灰度图像分割方法的流程图；

图2是本发明实施例提供的多种算法对同一灰度图像进行分割的效果对比图；

图3是本发明实施例提供的米粒图像；

图4是本发明实施例提供的工业玻璃纤维增强塑料缺陷检测的超声图像；

图5是本发明实施例提供的空中飞行的飞机图像；

其中

图2-a为待分割的灰度图像；

图2-b为采用Otsu分割方法对灰度图像进行分割后的分割结果图像；

图2-c为采用MSE分割方法对灰度图像进行分割后的分割结果图像；

图2-d为采用MRE分割方法对灰度图像进行分割后的分割结果图像；

图2-e为采用MTE分割方法对灰度图像进行分割后的分割结果图像；

图2-f为采用基于非广延高斯熵测度的灰度图像分割方法对灰度图像进行分割后的分割结果图像。

具体实施方式

下面通过具体的实施例进一步说明本发明，但是，应当理解为，这些实施例仅仅是用于更详细具体地说明之用，而不应理解为用于以任何形式限制本发明。

结合图1，本实施例提供的基于非广延高斯熵测度的灰度图像分割方法，包括：

步骤S1：获取待分割的灰度图像I，并确定出灰度图像I的最大灰度级L-1，以及灰度级集合G，其中，L为灰度图像I的总级数，G＝{0,1,…,L-1}；

步骤S2：统计灰度图像I的灰度直方图H，其中，H＝{h₀,h₁,…,h_i…,h_L-1},h_i＝n_i/(M×N)，M×N为灰度图像I的大小，n_i为灰度图像I中灰度级为i的像素点个数；

步骤S3：根据灰度直方图H，以及根据预先构建的非广延高斯熵测度模型，计算非广延高斯熵测度模型的熵S，其中，S＝S₀+S₁+(1-r)S₀S₁，r为预先设定的非广延高斯熵测度模型的熵指数，r>0且r≠1，

步骤S4：根据非广延高斯熵测度模型的熵S获取灰度图像I的最优分割阈值t^*，其中，t^*为使得非广延高斯熵测度模型的熵S取得最大值所对应的灰度级，且

步骤S5：根据最优分割阈值t^*,获取分割结果图像J，且分割结果图像J中的各像素点的取值为其中，I(x,y)为灰度图像I中坐标(x,y)处的像素点对应的像素值，J(x,y)为分割结果图像J中坐标(x,y)处的像素点对应的像素值。

本发明提供的基于非广延高斯熵测度的灰度图像分割方法，采用灰度图像I的非广延高斯熵测度模型计算出灰度图像I的熵，并将使得熵取得最大值所对应的灰度级作为最优分割阈值，从而对灰度图像I进行分割，可对多种类型的图像实现较好分割，提高了图像分割算法的鲁棒性。

如图2所示地，图2中，图2-a为待分割的灰度图像；图2-b为采用Otsu分割方法对灰度图像进行分割后的分割结果图像；图2-c为采用MSE分割方法对灰度图像进行分割后的分割结果图像；图2-d为采用MRE分割方法对灰度图像进行分割后的分割结果图像；图2-e为采用MTE分割方法对灰度图像进行分割后的分割结果图像；图2-f为采用基于非广延高斯熵测度的灰度图像分割方法对灰度图像进行分割后的分割结果图像。其中，Otsu为最大类间方差法的简称，MSE为最大Shannon熵法的简称，MRE为最大Rényi熵法的简称，MTE为最大Tsallis熵法的简称，Otsu分割方法，MSE分割方法，MRE分割方法，MTE分割方法，均为工业实践中得到广泛应用的著名图像阈值化分割方法。从图2可以看出，本实施例的方法对图像的分割效果更佳，鲁棒性更好。

此外，本实施例还分别针对三种不同类型的图像进行图像分割耗时测试，如图3至图5所示地，图3是米粒图像，图4是工业玻璃纤维增强塑料缺陷检测的超声图像，图5是空中飞行的飞机图像。多种算法分别对这三类图像的耗时数据记录如下表所示，其中，表中耗时数据的单位为秒。

从表中记录的各方法对三类图像的分割耗时数据可以看出，本实施例的方法耗时较低，具有很好的实时性。

优选地，非广延高斯熵测度模型的熵指数r的取值在取值范围内可调节，其中，取值范围内为r>0且r≠1。

本实施例的非广延高斯熵测度模型的熵指数r能够在取值范围内进行调节，以实现对多种不同类型的图像进行分割处理，具有更好的普适性。

尽管本发明已进行了一定程度的描述，明显地，在不脱离本发明的精神和范围的条件下，可进行各个条件的适当变化。可以理解，本发明不限于所述实施方案，而归于权利要求的范围，其包括所述每个因素的等同替换。