不良曝光条件下的鞋印图像快速阈值分割方法与流程
本发明涉及数字图像处理领域，尤其是一种能够有效改善在曝光质量较低的情况下传统全局阈值分割存在的误分割现象，分割准确率高、实时性好的不良曝光条件下的鞋印图像快速阈值分割方法。
背景技术：
鞋印是犯罪现场上最常遇到的痕迹之一，也是侦查者发现破案线索、揭露和证实犯罪的重要依据之一。在鞋印图像处理中，人们往往只需要提取特定的鞋印部分，而几乎不关注其背景区域。在这种情况下，有必要将鞋印部分从图像中分割出来。
一个案件在侦破过程中会接触到两种鞋印图像：
图像分割是图像处理和机器视觉领域的基础研究问题之一，目前已出现了多种图像分割方法，如基于区域的图像分割方法、基于边缘的图像分割方法、基于数学形态学的图像分割方法、基于特定理论的图像分割方法、基于阈值的图像分割方法等。
基于区域的图像分割方法是根据区域之间的相似性将相似区域进行合并，并分裂内部差异较大的区域，进而获得内部特征一致的区域。这类方法适用于分割目标和背景颜色差异较大的图像，而在其他情况下的分割效果欠佳。
基于边缘检测的图像分割方法一般是通过计算图像的偏导数和梯度，来获得图像目标区域的边缘信息。但是，该类方法的抗噪性能较差，如果图像中含有噪声，那么求导运算会加重噪声的影响，导致分割准确率下降。
基于数学形态学的图像分割方法以数学形态学作为基本理论，综合运用膨胀和腐蚀等形态学运算，得到最后的分割结果。这类方法一般通过计算参数来获取边界特征，具备一定的抗噪能力，但容易出现边界缺失、区域内部丢失等现象。
基于特定理论的图像分割方法通常需要结合一些数学理论，来弥补运用单一理论进行分割的不足，形成了许多基于不同理论模型的图像分割方法，比如：基于模糊集的图像分割、基于智能优化的图像分割、基于图论的图像分割和基于偏微分方程的图像分割等。不过，这些方法的计算复杂度均较高，无法满足实时性较高的应用需求，而且个别方法还需人工干预（如设置初始分割轮廓、反复手工调试模型参数等）。
基于阈值的分割是最为经典和流行的图像分割方法之一，也是最简单的图像分割方法，其基本思想是根据图像的灰度直方图寻找一个或几个灰度阈值，将图像的灰度级分为若干等级，并认为处于同一个灰度等级的像素属于同一个物体。阈值分割特别适用于目标和背景处于不同灰度级范围的图像，并且计算简单、无需人工干预，在运算效率要求高的应用场合中得到了广泛应用。
研究表明，对于成像质量高、曝光质量好的鞋印图像，基于阈值的分割方法，如最大类间方差法（亦称“大津法”），能够取得令人满意的结果。反之，对于灰度差异较小、目标和背景的灰度值相差不大、光照条件复杂的一类鞋印图像，其分割结果却易于出现误分割的情况。尤其在压模成像设备老化或者使用次数过多时，鞋印图像会出现曝光不足、曝光过度或印迹残留的现象，典型的阈值分割算法无法准确地将鞋印图案从背景中分离出来。
尽管国内外学者已经提出了上述众多图像分割算法，可是目前尚没有一种适合于曝光质量不良的通用图像分割算法，特别是缺少一种准确率高、实时性好、无需人工交互的自动鞋印图像分割算法。
技术实现要素：
本发明是为了解决现有技术所存在的上述技术问题，提供一种分割准确率高、实时性好的不良曝光条件下的鞋印图像快速阈值分割方法。
本发明的技术解决方案是：一种不良曝光条件下的鞋印图像快速阈值分割方法，其特征在于按照如下步骤进行：
步骤1.输入待分割的鞋印图像i，设其高度为h，宽度为w；
步骤2.将图像i的颜色空间转换到hsv空间，并保留其亮度分量v；
步骤3.采用最大类间方差法对亮度分量v进行分割，得到预分割结果i1；
步骤4.计算i1的4-连通区域，并根据连通区域的面积，对i1的各个4-连通区域进行非递增排列，形成一个连通区域序列；
步骤5.计算各个4-连通区域的外接矩形，然后将外接矩形高度大于ah、且宽度大于bw的那些4-连通区域从连通区域序列中删除，所述a和b为预设常数；
步骤6.在剩余的连通区域序列中，统计外接矩形的高度最大值hmax和宽度最大值wmax；
步骤7.利用直径为max{hmax,wmax}的平坦圆盘型结构元素对输入图像的亮度分量v进行形态学开运算，得到输入图像的背景估计值b，所述max为取最大值运算；
步骤8.将输入图像的亮度分量v减去背景估计值b，得到消除了光照影响的鞋印图像i2；
步骤9.统计i2的灰度值范围，设其最小值为imin，最大值为imax，根据公式(1)对i2进行线性灰度拉伸，将其像素灰度范围拉伸到0~255之间：
所述x表示鞋印图像i2中的某个待拉伸像素值，y表示拉伸后的像素值，令增强后的图像为i3；
步骤10.采用传统的最大类间方差法对i3进行全局阈值分割，得到分割后的二值图像i4；
步骤11.利用半径为r的平坦圆盘型结构元素对i4进行形态学膨胀运算，使得残留的过曝光区域与图像边界接触，得到二值图像i5，所述r为一个预设常数；
步骤12.计算i5的4-连通区域及其外接矩形，对于每个4-连通区域，若其外接矩形与图像的外边界相接，则采用形态学区域填充运算，将i4中与该4-连通区域相对应的全部像素用背景像素值填充，并令结果图像为m；
步骤13.根据公式
所述o(p)表示图像o中像素p的值，m(p)表示二值掩膜图像m中像素p的值，i(p)表示待分割的鞋印图像i中像素p的值；
步骤14.输出鞋印图像o。
与现有技术相比，本发明的优点在于：第一，通过对鞋印图像进行预处理并分析连通区域的分布，自适应确定形态学运算的结构元素尺寸，可以去除由曝光过度、曝光不足以及由设备老化导致的印迹残留而出现的大部分伪前景，对出现在图像边界附近的伪前景尤为有效，较好地保留前景目标即鞋印；第二，无需人工交互，可以批量自动处理鞋印图像，在时间效率上明显优于人工鞋印图像分割方法和迭代分割方法（如基于偏微分方程的图像分割方法），并且分割准确率高于传统的全局阈值分割方法和迭代分割方法。
附图说明
图1是本发明实施例的流程图。
具体实施方式
一种不良曝光条件下的鞋印图像快速阈值分割方法，如图1所示，按照如下步骤进行；
步骤1.输入待分割的鞋印图像i，设其高度为h，宽度为w；
步骤2.将图像i的颜色空间转换到hsv空间，并保留其亮度分量v；
步骤3.采用最大类间方差法对亮度分量v进行分割，得到预分割结果i1；
步骤4.计算i1的4-连通区域，并根据连通区域的面积，对i1的各个4-连通区域进行非递增排列，形成一个连通区域序列；
步骤5.计算各个4-连通区域的外接矩形，然后将外接矩形高度大于ah、且宽度大于bw的那些4-连通区域从连通区域序列中删除，所述a和b为预设常数，本实施例中，令a=1/15，b=1/5；
步骤6.在剩余的连通区域序列中，统计外接矩形的高度最大值hmax和宽度最大值wmax；
步骤7.利用直径为max{hmax,wmax}的平坦圆盘型结构元素对输入图像的亮度分量v进行形态学开运算，得到输入图像的背景估计值b，所述max为取最大值运算；
步骤8.将输入图像的亮度分量v减去背景估计值b，得到消除了光照影响的鞋印图像i2；
步骤9.统计i2的灰度值范围，设其最小值为imin，最大值为imax，根据公式(1)对i2进行线性灰度拉伸，将其像素灰度范围拉伸到0~255之间：
所述x表示鞋印图像i2中的某个待拉伸像素值，y表示线性拉伸后的像素值，令增强后的图像为i3；
步骤10.采用传统的最大类间方差法对i3进行全局阈值分割，得到分割后的二值图像i4；
步骤11.利用半径为r的平坦圆盘型结构元素对i4进行形态学膨胀运算，使得残留的过曝光区域与图像边界接触，得到二值图像i5，所述r为一个预设常数，本实施例中，令r=6；
步骤12.计算i5的4-连通区域及其外接矩形，对于每个4-连通区域，若其外接矩形与图像的外边界相接，则采用形态学区域填充运算，将i4中与该4-连通区域相对应的全部像素用背景像素值填充，并令结果图像为m；
步骤13.根据公式
所述o(p)表示图像o中像素p的值，m(p)表示二值掩膜图像m中像素p的值，i(p)表示待分割的鞋印图像i中像素p的值；
步骤14.输出鞋印图像o。
利用300幅鞋印图像进行测试，并采用jaccardsimilarity相似度（简称js）进行评估，评估得分越接近1，表明分割结果就越接近手工分割结果。传统最大类间方差法、基于传统活动轮廓模型的分割方法和本发明算法的平均得分和标准差如表1。
表1客观分割质量和分割时间比较
- 还没有人留言评论。精彩留言会获得点赞！