本發(fā)明屬于圖像處理領(lǐng)域，尤其涉及一種基于二代小波變換的抗噪otsu圖像分割方法。

背景技術(shù)：

圖像分割是圖像信息處理的基本技術(shù)，也是圖像理解與模式識別的前提，圖像分割有著廣泛的應用。在處理醫(yī)學圖像中，圖像分割對于人們身體中發(fā)生病變的器官的三維顯示或者對病變位置的確定與分析都起著有效地輔導作用；在路面交通圖像的分析應用中，可用圖像分割技術(shù)從監(jiān)控或航拍等模糊復雜背景中分出要提取的目標車輛；遙感圖像分割在軍事領(lǐng)域的應用也非常廣泛，如戰(zhàn)略戰(zhàn)術(shù)的偵查、軍事海洋領(lǐng)域的測繪等，高分辨率的遙感圖像分割數(shù)據(jù)可以為自然災況的監(jiān)測與評估、地圖的繪制與更新、森林資源及環(huán)境的監(jiān)測與管理等，因此，圖像的分割都起著至關(guān)重要的作用。

在眾多的分割方法中，閾值分割是最為簡單有效的圖像分割方法之一，其關(guān)鍵在于閾值的選取，常用的幾種經(jīng)典閾值分割方法主要有otsu算法、信息最大熵算法、最小交叉熵算法等，比如，文獻1：喬萬波，曹銀杰的《一種改進的灰度圖像二值化方法》，文獻2：丁曉峰，何凱霖的《基于最大類間方差的改進圖像分割算法》。一維最大類間方差法，以其因計算簡單、實時性高、魯棒性強等優(yōu)點而被廣泛使用。但是一維otsu法未考慮像素間的空間相關(guān)性，故當圖像包含噪聲時，一維otsu法的分割效果不佳。因為圖像中難免存在噪聲干擾，對此，提出了二維otsu快速遞推法，該方法在提高運算效率的同時考慮了像素的灰度信息和其鄰域的空間相關(guān)性，改善了一維otsu法的抗噪性。為進一步提高算法的抗噪性，文獻3：景曉軍,蔡安妮,孫景鰲的《一種基于二維最大類間方差的圖像分割算法》在灰度級-領(lǐng)域平均灰度級基礎上，提出了一種二維最大類間方差的圖像分割算法，該算法能更好地對含噪圖像進行分割。二維otsu法雖然提高了算法的抗噪能力，但當噪聲干擾嚴重時，它們的分割效果仍不夠理想。

中國專利cn201610510826.1一種基于最小二乘法曲線擬合的圖像快速分割方法，提出了利用最小二乘法曲線擬合的圖像分割算法，但是該方法在噪聲干擾嚴重時，存在圖像分割不理想的問題。

中國專利cn201510903464.8基于二代小波整數(shù)變換的圖像增強方法及圖像增強系統(tǒng)，介紹了經(jīng)過二代小波整數(shù)變換對圖像進行處理，能夠很好的將目標從背景中分割出來，具有很好的抗噪性能。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于二代小波變換的抗噪otsu圖像分割方法，能將目標圖像從背景中分割出來，具有很好的抗噪聲性能。

為解決上述技術(shù)問題，本發(fā)明一種基于二代小波變換的抗噪otsu圖像分割方法，包括如下步驟：

步驟s1：對待分割圖像進行db1二代小波整數(shù)變換單層分解，得到一個整數(shù)低頻子帶ca和三個高頻子帶(ch、cv、cd)的分解系數(shù)；

步驟s2：將低頻子帶ca中負數(shù)變?yōu)?構(gòu)成新的低頻子帶ca1，并對ca1進行3×3均值濾波后取整構(gòu)成ca2；

步驟s3：求ca2的系數(shù)最大值m，在[0，m]區(qū)間計算ca2的類間方差使用otsu算法得到分割閾值t；

步驟s4：對ca2的系數(shù)大于t的改為最大值m，ca2的系數(shù)小于t的改為0，更改后形成新的低頻子帶ca3；

步驟s5：將三個高頻子帶(ch、cv、cd)的分解系數(shù)全部更改為0，構(gòu)成新的高頻子帶(ch1、cv1、cd1)；

步驟s6：利用db1二代小波整數(shù)重構(gòu)ca3、ch1、cv1和cd1，構(gòu)成分割后的圖像w。

作為本發(fā)明的優(yōu)化方案，在步驟s3中，使得類間方差最大的值為otsu算法的分割閾值t。

作為本發(fā)明的優(yōu)化方案，分割閾值t的范圍為[0，m]。

本發(fā)明具有積極的效果：本發(fā)明克服了一維otsu法難以分割出滿意的結(jié)果，而二維otsu法雖然改善了算法的抗噪性，但與一維otsu法相比效果不大，而且還大大增加運算時間的問題。對含不同噪聲類型及不同噪聲強度的圖像均能取得較好的分割效果，具備較強的抗噪性和抗噪頑健性；客觀上從量化指標上對發(fā)明的分割效果和抗噪聲進行了驗證。定性和定量分析充分說明了本發(fā)明是一種抗噪性強、分割效果好的圖像分割方法，而且二代小波方法有利于硬件實現(xiàn)，便于算法應用于噪聲干擾嚴重及實時性要求較高的系統(tǒng)，具有重要的研究價值和廣闊應用前景。

附圖說明

下面結(jié)合附圖和具體實施方式對本發(fā)明作進一步詳細的說明。

圖1為本發(fā)明db1二代小波整數(shù)變換的運算框圖；

圖2(a)為標準lena灰度圖像，圖2(b)為低照度紅外圖像，圖2(c)為遙感圖像；

圖3(a)為加高斯噪聲的標準lena灰度圖像，圖3(b)為加高斯噪聲的低照度紅外圖像，圖3(c)為加高斯噪聲的遙感圖像；

圖4(a)為加高斯噪聲的標準lena灰度圖像經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果，圖4(b)為加高斯噪聲的低照度紅外圖像經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果，圖4(c)為加高斯噪聲的遙感圖像經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果；

圖5(a)為加高斯噪聲的標準lena灰度圖像經(jīng)文獻1的算法圖像分割的結(jié)果，圖5(b)為加高斯噪聲的低照度紅外圖像經(jīng)文獻1的算法圖像分割的結(jié)果，圖5(c)為加高斯噪聲的遙感圖像經(jīng)文獻1的算法圖像分割的結(jié)果；

圖6(a)為加高斯噪聲的標準lena灰度圖像經(jīng)文獻2的算法圖像分割的結(jié)果，圖6(b)為加高斯噪聲的低照度紅外圖像經(jīng)文獻2的算法圖像分割的結(jié)果，圖6(c)為加高斯噪聲的遙感圖像經(jīng)文獻2的算法圖像分割的結(jié)果；

圖7(a)為加高斯噪聲的標準lena灰度圖像經(jīng)文獻3的算法圖像分割的結(jié)果，圖7(b)為加高斯噪聲的低照度紅外圖像經(jīng)文獻3的算法圖像分割的結(jié)果，圖7(c)為加高斯噪聲的遙感圖像經(jīng)文獻3的算法圖像分割的結(jié)果；

圖8(a)為加高斯噪聲的標準lena灰度圖像經(jīng)本發(fā)明的方法圖像分割的結(jié)果，圖8(b)為加高斯噪聲的低照度紅外圖像經(jīng)本發(fā)明的方法圖像分割的結(jié)果，圖8(c)為加高斯噪聲的遙感圖像經(jīng)本發(fā)明的方法圖像分割的結(jié)果；

圖9(a)為帶椒鹽噪聲的lena圖，圖9(b)為帶乘性噪聲的lena圖，圖9(c)為帶泊松噪聲的lena圖；

圖10(a)為帶椒鹽噪聲的lena圖經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果，圖10(b)為帶乘性噪聲的lena圖經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果，圖10(c)為帶泊松噪聲的lena圖經(jīng)經(jīng)典otsu算法圖像分割的結(jié)果；

圖11(a)為帶椒鹽噪聲的lena圖經(jīng)文獻1算法圖像分割的結(jié)果，圖11(b)為帶乘性噪聲的lena圖經(jīng)文獻1算法圖像分割的結(jié)果，圖11(c)為帶泊松噪聲的lena圖經(jīng)文獻1算法圖像分割的結(jié)果；

圖12(a)為帶椒鹽噪聲的lena圖經(jīng)文獻2算法圖像分割的結(jié)果，圖12(b)為帶乘性噪聲的lena圖經(jīng)文獻2算法圖像分割的結(jié)果，圖12(c)為帶泊松噪聲的lena圖經(jīng)文獻2算法圖像分割的結(jié)果；

圖13(a)為帶椒鹽噪聲的lena圖經(jīng)文獻3算法圖像分割的結(jié)果，圖13(b)為帶乘性噪聲的lena圖經(jīng)文獻3算法圖像分割的結(jié)果，圖13(c)為帶泊松噪聲的lena圖經(jīng)文獻3算法圖像分割的結(jié)果；

圖14(a)為帶椒鹽噪聲的lena圖經(jīng)本發(fā)明進行圖像分割結(jié)果，圖14(b)為帶乘性噪聲的lena圖經(jīng)本發(fā)明進行圖像分割結(jié)果，圖14(c)為帶泊松噪聲的lena圖經(jīng)本發(fā)明進行圖像分割結(jié)果。

具體實施方式

如圖1所示，本發(fā)明公開了一種基于二代小波變換的抗噪otsu圖像分割方法，包括如下步驟：

步驟s1：對待分割圖像進行db1二代小波整數(shù)變換單層分解，得到一個整數(shù)低頻子帶ca和三個高頻子帶(ch、cv、cd)的分解系數(shù)；

步驟s2：將低頻子帶ca中負數(shù)變?yōu)?構(gòu)成新的低頻子帶ca1，并對ca1進行3×3均值濾波后取整構(gòu)成ca2；其中，將低頻子帶ca中負數(shù)變?yōu)?便于后續(xù)的otsu算法進行計算，因為otsu算法是在正整數(shù)范圍內(nèi)計算。

步驟s3：求ca2的系數(shù)最大值m，在[0，m]區(qū)間計算ca2的類間方差使用otsu算法得到分割閾值t；

步驟s4：對ca2的系數(shù)大于t的改為最大值m，ca2的系數(shù)小于t的改為0，更改后形成新的低頻子帶ca3；其中，對ca2的系數(shù)大于t的改為最大值m，ca2的系數(shù)小于t的改為0，是為了在小波域中將圖像背景與前景進行有效區(qū)分。

步驟s5：將三個高頻子帶(ch、cv、cd)的分解系數(shù)全部更改為0，構(gòu)成新的高頻子帶(ch1、cv1、cd1)；其中，將三個高頻子帶(ch、cv、cd)的分解系數(shù)全部更改為0，是為了去除高頻噪聲。

步驟s6：利用db1二代小波整數(shù)重構(gòu)ca3、ch1、cv1和cd1，構(gòu)成分割后的圖像w。

圖像的像素值為整數(shù)，小波提升算法，即第二代小波變換是一種新的雙正交小波構(gòu)造方案，通過預測算子，確定高頻信息，并初步確定低頻信息，然后通過更新算子，對初步確定的低頻信息進行修正，從而確定低頻信息，包括3個處理步驟，其具體實現(xiàn)方案如圖1所示，

(1)分解：將輸入信號si根據(jù)奇偶性分解成偶數(shù)序列和奇數(shù)序列，分解過程表示為f(si)＝(si-1,di-1)；其中，si-1表示低頻近似分量，di-1表示信號的高頻細節(jié)分量，f(si)表示為分解過程。

(2)預測：利用數(shù)據(jù)間的相關(guān)性，用偶數(shù)序列的si-1預測值p(si-1)去預測(或內(nèi)插)奇數(shù)序列di-1，即將濾波器p對偶數(shù)信號作用以后作為奇數(shù)信號的預測值，奇數(shù)信號的實際值與預測值相減得到殘差信號。實際中，雖然不可能從子集si-1中準確預測子集di-1，但是p(si-1)很接近di-1，因此可以使用p(si-1)與di-1的差代替di-1，這樣產(chǎn)生的di-1比原來的di-1包含更少的信息，于是得到di-1＝di-1-p(si-1)，這里已經(jīng)可以用更小的子集si-1和小波子集di-1代替原信號si。重復分解與預測過程，經(jīng)n步以后原信號集可用{sndn...s1d1}表示。

(3)更新。為了使原信號集的某些全局特性在其子集si-1中繼續(xù)保持，必須進行更新。為找到更好的子集si-1，使得它保持原圖的某一標量特性q(x)(如均值、消失矩等不變)，既有q(si-1)＝q(si)。通過算子u產(chǎn)生一個更好的子集si-1，使之保持原有信號si的一些特性，更新過程表達式為si-1＝si-1+u(di-1)。

通過對待分割圖像進行db1二代小波整數(shù)變換，在小波域中對目標與背景的噪聲進行了很好的抑制，然后使用otsu算法得到分割閾值t，基本過程如下：

設圖像像素數(shù)為n，灰度范圍為[0，l-1]，對應灰度級i的像素數(shù)為n，幾率為：

pi＝ni/ni＝0,1,2,…,l-1

把圖像中的像素按灰度值用閾值t0分成兩類c0和c1，c0由灰度值在[0，t0]之間的像素組成，c1由灰度值在[t0+1，l-1]之間的像素組成，對于灰度分布幾率，整幅圖像的均值為：

則c0和c1的均值為：

其中

由公式1、公式2和公式3三式可得：

類間方差定義為：

讓t0在[0，l-1]范圍依次取值，使σb²最大的t0值即為otsu法的最佳閾值。

實驗結(jié)果與分析

實驗環(huán)境：windows7系統(tǒng)intelpentinumcpug860，主頻3.0ghz，內(nèi)存4g，變成語言matlab7.0。

實驗圖像選取三幅圖像：

第一幅：分辨率為512×512正常照度的標準lena灰度圖像，如圖2(a)所示；

第二幅：分辨率為269×350低照度紅外圖像，如圖2(b)所示；

第三幅：分辨率為500×375遙感圖像，如圖2(c)所示；

在三幅圖像中分別加入均值為0，方差為0.03的高斯噪聲，圖2(a)加入后的圖像如圖3(a)所示，圖2(b)加入后的圖像如圖3(b)所示，圖2(c)加入后的圖像如圖3(c)所示。

1)使用經(jīng)典的otsu方法分別對圖3(a)、圖3(b)和圖2(c)進行分割，分割的結(jié)果分別如圖4(a)、圖4(b)和圖4(c)所示。

2)使用文獻1《一種改進的灰度圖像二值化方法》分別對圖3(a)、圖3(b)和圖3(c)進行分割，分割的結(jié)果分別如圖5(a)、圖5(b)和圖5(c)所示。

3)使用文獻2《基于最大類間方差的改進圖像分割算法》分別對圖3(a)、圖3(b)和圖3(c)進行分割，分割的結(jié)果分別如圖6(a)、圖6(b)和圖6(c)所示。

4)使用文獻3《一種基于二維最大類間方差的圖像分割算法》分別對圖3(a)、圖3(b)和圖3(c)進行分割，分割的結(jié)果分別如圖7(a)、圖7(b)和圖7(c)所示。

從上述三種方法可以看出，上述三種方法都未能將圖像進行有效分割，視覺上幾乎與加噪原圖像無明顯差異，使用本發(fā)明分別對圖3(a)、圖3(b)和圖3(c)進行分割，分割的結(jié)果分別如圖8(a)、圖8(b)和圖8(c)所示，可以看出本發(fā)明由于預先在算法中加入噪聲處理，有效的克服了噪聲干擾，圖像分割效果最好。

為了檢驗本發(fā)明方法抗噪的通用性，對加有強度為0.08椒鹽噪聲的lena圖，如圖9(a)所示；0.08乘性噪聲的lena圖，如圖9(b)所示；泊松噪聲的lena圖，如圖9(c)所示進行分割：

(1)使用經(jīng)典的otsu方法分別對圖9(a)、圖9(b)和圖9(c)進行分割，分割的結(jié)果分別如圖10(a)、圖10(b)和圖10(c)所示；

(2)使用文獻1《一種改進的灰度圖像二值化方法》分別對圖9(a)、圖9(b)和圖9(c)進行分割，分割的結(jié)果分別如圖11(a)、圖11(b)和圖11(c)所示；

(3)使用文獻2《基于最大類間方差的改進圖像分割算法》分別對圖9(a)、圖9(b)和圖9(c)進行分割，分割的結(jié)果分別如圖12(a)、圖12(b)和圖12(c)所示；

(4)使用文獻3《一種基于二維最大類間方差的圖像分割算法》分別對圖9(a)、圖9(b)和圖9(c)進行分割，分割的結(jié)果分別如圖13(a)、圖13(b)和圖13(c)所示；

從上述三種方法可以看出，上述三種方法對圖像進行分割的結(jié)果較為接近，都容易受到噪聲影響，抗噪性差。使用本發(fā)明對圖9(a)、圖9(b)和圖9(c)進行分割，分割的結(jié)果分別如圖14(a)、圖14(b)和圖14(c)所示，可以看出本發(fā)明的方法減弱了噪聲的干擾，取得了較好的分割效果，具有較強的通用性。

下面采用峰值信噪比(psnr)作為圖像分割量化指標(與各方法無噪聲分割時的圖像作為參照圖像)，從客觀的角度進行驗證幾種方法的抗噪性能。表1為三幅圖像帶0.03強度高斯噪聲的分割數(shù)據(jù)，表2為lena圖像帶不同噪聲的分割數(shù)據(jù)。

表1帶高斯噪聲的三幅圖象分割量化數(shù)據(jù)

表2lena圖像帶不同噪聲的分割數(shù)據(jù)

從表1和表2的運算時間看，經(jīng)典otsu方法、文獻1《一種改進的灰度圖像二值化方法》、文獻2《基于最大類間方差的改進圖像分割算法》三者運算速度基本一致，優(yōu)于文獻3《一種基于二維最大類間方差的圖像分割算法》和本發(fā)明的方法。在抗噪聲性能方面，本發(fā)明的方法在高斯噪聲、乘性噪聲和泊松噪聲的圖像分割的峰值信噪比(psnr)明顯高于前4種方法，對椒鹽噪聲的抑制比前4種方法稍差一些。表2中本發(fā)明的方法在處理低信噪比的紅外圖像、遙感圖像時，前4種的psnr一般在6～7左右，而本發(fā)明的方法分割后遙感圖像的psnr為14.2210(高出前4種方法2倍左右)，分割的紅外圖像psnr為18.4840，是前4種算法的3倍左右，表明本發(fā)明的方法在分割低信噪比圖像的抗噪性能最優(yōu)。

以上所述的具體實施例，對本發(fā)明的目的、技術(shù)方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發(fā)明的具體實施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內(nèi)。