基于数学形态学的小目标图像快速阈值分割方法与流程

本发明涉及一种检测图像中小目标的快速阈值分割方法，具体地涉及一种基于数学形态学的小目标图像快速阈值分割方法，属于数字图像处理领域。

背景技术：

图像分割用于将图像中有意义的目标部分提取出来，是高层计算机视觉处理的基础。迄今为止，已有众多的图像分割方法，大体上可分为三类：基于边缘的分割、基于区域的分割、以及基于阈值的分割。基于阈值的分割具有简单高效的特点，由于不需要图像的先验知识而适用于模式识别的无监督决策。恰当的阈值是进行阈值分割的关键，不当的阈值会影响目标的识别。

在图像处理和计算机视觉研究领域，对小目标物体的检测容易受到噪声的干扰。由于目标和背景之比非常小，诸如otsu法、分水岭算法、迭代法等通常不能取得理想的效果。为了对小目标图像进行有效的分割，研究人员进行了许多的尝试。li等人(lizy，liucc，liugh，yangxb，chengy.statisticalthresholdingmethodforinfraredimages.patternanalysisandapplications，2011，14(2)：109-126)根据红外图像目标和背景区域具有相似的统计分布这一特点，提出了面向红外图像的统计阈值分割算法，但目标和背景具有相似的统计分布这一假设，影响了该算法的通用性。王俊等人(王骏，王士同，邓赵红.面向小目标图像的快速核密度估计图像阈值分割算法.自动化学报，2012，38(10)：1679-1689)提出了快速核密度估计图像阈值分割方法，该算法直接从像素点空间分布出发进行概率密度的计算，该算法对小目标图像阈值分割具有很强的适应性，且对参数变化不敏感，但算法复杂度较高。在一些工程实践中，需要对图像目标进行实时处理，这就需要继续探索更加高效的小目标检测方法。

技术实现要素：

本发明的目的是为了解决图像中小目标检测的实时性问题，提供一种基于数学形态学的阈值分割方法，用于图像中的小目标检测。

本发明的基于数学形态学的小目标图像快速阈值分割方法，具体包括如下步骤：

步骤1，对待检测的图像i(i，j)，i＜m，j＜n进行灰度化和降噪处理；

步骤2，在步骤1的基础上，对降噪后的图像进行数学形态学处理，处理后的图像记为w；

步骤3，利用步骤2得到的经形态学处理后的图像w，在此基础上计算其灰度直方图，记为h1(x)；

步骤4，计算形态学处理前的图像的灰度直方图，记为h2(x)；

步骤5，在步骤3和4的基础上计算h(x)＝|h1(x)-h2(x)；

步骤6，计算目标的变化率

步骤7，根据步骤6得到的目标的变化率d(i)，计算阈值其中l为图像的灰度级，是一个常数，其作用是防止选择接近0或l灰度级的阈值；

步骤8，根据步骤7得到的二值化阈值t，将原图像i进行二值化处理，得到二值化图像g。

有益效果

本发明的方法利用形态学运算处理来强化目标，通过形态学处理前后图像灰度直方图函数的变化来设定阈值，能够适应光照条件的变化，对小目标检测具有自适应性。本发明能够从图像中快速分割出小目标，具有简单高效的特点，适合于小目标的在线检测。

附图说明

图1为本发明的基于数学形态学的小目标图像快速阈值分割方法的流程图；

图2为本发明的实施例1的一幅小目标图像及该图像经形态学开运算处理后的结果；

图3为本发明的实施例1的经形态学处理前后的灰度直方图对照图；

图4为本发明的实施例1的经形态学处理后灰度直方图的变化率；

图5为本发明的实施例1的原小目标图像的二值化图像；

图6为本发明的实施例1的四种分割方法分割结果的对比图；

图7为本发明的实施例2的一幅小目标图像及利用本发明方法的分割结果；

图8为本发明的实施例3的一幅小目标图像及利用本发明方法的分割结果。

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图对本发明作进一步的详细说明。

一种基于数学形态学的小目标图像快速阈值分割方法，其总体技术方案如图1所示，具体包括如下步骤：

步骤1，对对待检测的图像i(i，j)，i＜m，j＜n进行灰度化和降噪处理；

所述的降噪处理可以是几何处理、图像滤波、经验模态分解(empiricalmodedecomposition，emd)去噪、图像平滑和图像锐化的一种或者多种方法组合使用。

步骤2，在步骤1的基础上，对降噪后的小目标图像进行形态学开或者闭运算，记为w；

所述的形态学开运算或者闭运算，至于选择开运算还是闭运算一般依据图像而定，若目标比背景亮，选择开运算，反之选择闭运算。

步骤3，利用步骤2得到的经形态学处理后的图像w，在此基础上计算其灰度直方图，记为h1(x)；

步骤4，计算形态学处理前的图像的灰度直方图，记为h2(x)；

步骤5，在步骤3和4的基础上计算h(x)＝|h1(x)-h2(x)|；

步骤6，计算目标的变化率

通过对比形态学处理前后的直方图，虽然开运算或者闭运算后图像的直方图函数中目标像素很少，但与原图像相比，目标像素的变化量却很大。于是定义目标像素的变化率以便于识别图像中的小目标。

步骤7，根据步骤6得到的目标的变化率d(i)，计算阈值其中l为图像的灰度级，是一个常数，其作用是防止选择接近0或l灰度级的阈值；

步骤8，根据步骤7得到的二值化阈值t，将原图像i进行二值化处理，得到二值化图像g；

所述的二值化的表达式为：

为验证本发明所述方法的有效性，本发明给出了三个实施例。

实施例1：

图2(a)为本实施例中的一幅包含小目标的图像，从图2(a)中可以看出，图像中的目标占背景的比例很小，图2(b)为经过形态学开运算处理后的图像，图3是经形态学开运算处理前后直方图的对比图，黑色粗线表示形态学开运算处理前的直方图，蓝色细线表示形态学开运算处理后的直方图，可知处理前后直方图发生了变化。图4是经形态学开运算处理前后灰度直方图的变化率，阈值t可根据最大值原则来设定，亦即根据直方图变化率的最大值所对应的灰度级来确定。此实施例中的阈值t＝176。图5是原始图像利用本发明的方法进行分割后的二值化图。图6为利用四种分割方法进行图像分割结果的对比图，图6(a)为原始图像，图6(b)为原始图像的直方图，图6(c)为本发明方法分割后的二值图，其中的取值为10，图6(d)为otsu法分割后的二值图，图6(e)为迭代法分割后的二值图，图6(f)为区域生长法分割后的二值图。从图6可以看出，本发明对小目标的分割比其它几种方法更加接近真实分割。

实施例2：

图7(a)为本实施例中的一幅包含小目标的图像，其中小目标为荷花。图7(b)为利用本发明方法分割后的二值图，其中形态学处理采用了开运算，取值10。由图7可以看到，本发明方法的分割结果中很好的保留了荷花信息。

实施例3：

图8(a)为本实施例中的一幅包含小目标的图像，其中小目标为树干。图8(b)为利用本发明方法分割后的二值图，其中形态学处理采用了闭运算，取值10。由图8可以看到虽然分割出的图像少许噪声，但是本发明的方法基本上保留了整个小目标信息。

以上所述的具体描述，是对发明的目的、技术方案和有益效果进行的进一步详细说明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。