本發(fā)明屬于數(shù)字圖像處理技術(shù)中的智能圖像分割領(lǐng)域，涉及一種二維otsu圖像分割的方法，具體涉及一種結(jié)合果蠅優(yōu)化算法的二維otsu圖像分割方法。

背景技術(shù)：

圖像分割是在一幅圖像的復(fù)雜背景中提取感興趣的目標(biāo)，是圖像處理和計(jì)算機(jī)視覺的基礎(chǔ)技術(shù)之一。

文獻(xiàn)1：自動(dòng)化學(xué)報(bào)1993年19卷1期劉健莊等提出了二維otsu分割方法，該方法考慮灰度和領(lǐng)域空間信息，基于二維直方圖直分選擇最優(yōu)二維閾值，具有較好抗噪能力，但采用窮舉法使得計(jì)算量非常大，且算法假設(shè)閾值附近部分對(duì)角線區(qū)域內(nèi)像素點(diǎn)概率為零，與實(shí)際情況不符。

文獻(xiàn)2：電子學(xué)報(bào)2007年35卷4期范九倫等提出二維otsu曲線閾值分割法，具有較好分割結(jié)果，但這種方法將所有噪聲點(diǎn)都劃分到了內(nèi)地和邊緣點(diǎn)區(qū)里，抗噪性不強(qiáng)，并且采用垂直于二維直方圖定義域?qū)蔷€的直線，普遍性不強(qiáng)。

文獻(xiàn)3：光電子激光2013年24卷7期李淼等提出改進(jìn)二維直方圖區(qū)域劃分的閾值分割研究方法，充分考慮了邊界區(qū)域信息對(duì)分割結(jié)果的影響，該方法錯(cuò)分區(qū)域明顯比傳統(tǒng)直分法少很多，具有更好的分割效果，然而僅從類間散度提出了閾值分割方法，卻沒有考慮類內(nèi)散度對(duì)圖像分割的影響，因此分割效果和抗噪性能有待提高。

文獻(xiàn)4：計(jì)算機(jī)工程與應(yīng)用2010年46卷33期邱麗君等提出改進(jìn)的二維otsu圖像分割方法，對(duì)二維灰度直方圖進(jìn)行坐標(biāo)變換,并將傳統(tǒng)計(jì)算公式進(jìn)行調(diào)整，改進(jìn)閾值分割方法，提高了識(shí)別能力和分割效率，但沒有兼顧類內(nèi)散度效果依然不理想，而吳一全等提出基于二維直方圖斜分的最小類內(nèi)方差閾值分割，僅從類內(nèi)散度提出了閾值分割方法，卻沒有考慮類間散度對(duì)圖像分割的影響，因此分割效果依然不理想。同時(shí)基于二維直方圖的圖像分割方法，計(jì)算量大，難以實(shí)施處理。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)分割精度不夠和抗噪性能的不足而提供的一種結(jié)合果蠅優(yōu)化算法的二維otsu圖像分割方法，該方法采用兩條與灰度級(jí)軸所成角為α、β的直線劃分二維直方圖區(qū)域，根據(jù)灰度級(jí)大小改進(jìn)聯(lián)合概率密度，考慮類間方差和類內(nèi)方差對(duì)圖像分割效果的作用，根據(jù)目標(biāo)和背景在圖像中所占比例對(duì)閾值求取公式進(jìn)行加權(quán)，然后采用果蠅優(yōu)化算法尋找最優(yōu)的二維閾值向量。求得最優(yōu)閾值向量

實(shí)現(xiàn)本發(fā)明目的的具體技術(shù)方案是：

一種結(jié)合果蠅優(yōu)化算法的二維otsu圖像分割方法，該方法包括以下具體步驟：

步驟1：以f(x,y)(1≤x≤m,1≤y≤n)表示將要分割的一幅大小為m×n的圖像，其灰度級(jí)為l；在每個(gè)像素點(diǎn)處，計(jì)算n×n鄰域的平均灰度值，得到一幅平滑的圖像g(x,y)，其灰度級(jí)也為l；采用兩條通過閾值向量坐標(biāo)點(diǎn)(s,t)與灰度級(jí)軸所成角為α、β的直線劃分以f(x,y)和g(x,y)組成二元組(i,j)定義的二維直方圖區(qū)域；在二維直方圖中坐標(biāo)軸與x＝l-1的直線和y＝l-1的直線圍成的區(qū)域中，二維直方圖中坐標(biāo)軸與

g(x,y)cosα-f(x,y)sinα≤tcosα-ssinαandg(x,y)cosβ-f(x,y)sinβ≥tcosβ-ssinβ

圍成的區(qū)域?yàn)槟繕?biāo)區(qū)域，二維直方圖中x＝l-1的直線和y＝l-1的直線與

g(x,y)cosα-f(x,y)sinα>tcosα-ssinαandg(x,y)cosβ-f(x,y)sinβ<tcosβ-ssinβ

圍成的區(qū)域?yàn)楸尘皡^(qū)域，剩余兩部分為噪聲區(qū)域；

步驟2：以f(x,y)和g(x,y)組成二元組(i,j)定義的二維直方圖，其中任意一點(diǎn)的聯(lián)合概率密度定義為pij，它表示二元組(i,j)發(fā)生的頻率，計(jì)算概率密度函數(shù)為：

其中，i為灰度級(jí)大小，j為鄰域平均灰度級(jí)大小，l為灰度級(jí)數(shù)值，rij為圖像灰度級(jí)為i鄰域平均灰度為j的像素點(diǎn)的個(gè)數(shù)，即(i,j)出現(xiàn)的頻數(shù)；

步驟3：計(jì)算目標(biāo)區(qū)域和背景區(qū)域的概率分別為：

計(jì)算目標(biāo)區(qū)域和背景區(qū)域?qū)?yīng)的均值向量分別為：

計(jì)算圖像總的均值向量為：

計(jì)算圖像的類間方差矩陣σb(s,t)的跡為：

tr[σb(s,t)]＝ω0[(μ0i-μti)²+(μ0j-μtj)²]+ω1[(μ1i-μti)²+(μ1j-μtj)²]

其中uoi和uoj為目標(biāo)區(qū)域的均值矢量分量，u1i和u1j為背景區(qū)域的均值矢量分量，uti和utj為圖像總的均值矢量分量；

步驟4：計(jì)算目標(biāo)與背景的類內(nèi)方差分別為：

其中uoi和uoj為目標(biāo)的均值矢量分量，u1i和u1j為背景的均值矢量分量；

計(jì)算圖像的類內(nèi)方差為：

σw＝δ0iω0+δ0jω0+δ1iω1+δ1jω1

其中δ0i和δ0j為目標(biāo)的類內(nèi)方差矢量分量，δ1i和δ1j為背景的類內(nèi)方差矢量分量；

步驟4：計(jì)算權(quán)重參數(shù)c，參數(shù)c為調(diào)節(jié)閾值公式中背景部分的權(quán)重，為：

步驟5：計(jì)算閾值公式為：

步驟6：對(duì)閾值公式采用果蠅優(yōu)化算法來獲得最佳閾值向量d(s^*,t^*)，使得

(s^*,t^*)＝argmax0≤s,t≤l-1{d(s,t)}；

其中，所述果蠅優(yōu)化算法具體包括：

s1：設(shè)置果蠅群體個(gè)數(shù)，隨機(jī)初始化果蠅群體位置，設(shè)置果蠅群體大小，設(shè)置最大迭代次數(shù)；

s2：賦予果蠅個(gè)體搜索食物的隨機(jī)方向和距離，設(shè)置搜索步長(zhǎng)；

s3：計(jì)算味道濃度判定值，借此判斷是否終止迭代；

s4：由味道濃度判定函數(shù)計(jì)算每個(gè)果蠅的味道濃度值，更新與記錄最佳濃度值及其坐標(biāo)：

s5：迭代次數(shù)計(jì)數(shù)器加一，返回到s2繼續(xù)向下執(zhí)行，直到其等于最大迭代次數(shù)；

s6：根據(jù)最后得到的果蠅坐標(biāo)獲得最佳閾值向量。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：圖片能得到更準(zhǔn)確的分割結(jié)果，更好的噪聲抑制，同時(shí)運(yùn)行耗時(shí)少。

附圖說明

圖1為二維直方圖區(qū)域劃分圖；其中圖(a)為選取正值α、β；圖(b)為選取負(fù)值α和正值β；

圖2為果蠅優(yōu)化算法示意圖；

圖3為本發(fā)明分割圖像對(duì)比圖。

具體實(shí)施方式

設(shè)f(x,y)(1≤x≤m,1≤y≤n)是一幅大小為m×n的圖像，其灰度級(jí)為l。在每個(gè)像素點(diǎn)處，計(jì)算n×n領(lǐng)域的平均灰度值，得到一幅平滑的圖像g(x,y)，其灰度級(jí)也為l。以f(x,y)和g(x,y)組成的二元組(i,j)定義二維直方圖，采用兩條通過閾值向量坐標(biāo)點(diǎn)(s,t)與灰度級(jí)軸所成角為α、β(-45°≤α≤45°,45°≤β≤135°)的直線l1、l2劃分以f(x,y)和g(x,y)組成二元組(i,j)定義的二維直方圖區(qū)域。直線表達(dá)式為：

如圖1所示。當(dāng)α、β取固定值，c0，c1兩部分所在的點(diǎn)分別歸為目標(biāo)和背景兩類，剩余兩部分為噪聲區(qū)域。因此閾值分割輸出函數(shù)為：

即在圖1中，二維直方圖中坐標(biāo)軸與

g(x,y)cosα-f(x,y)sinα≤tcosα-ssinαandg(x,y)cosβ-f(x,y)sinβ≥tcosβ-ssinβ

圍成的區(qū)域?yàn)槟繕?biāo)區(qū)域c0，二維直方圖中x＝l-1的直線和y＝l-1的直線與

g(x,y)cosα-f(x,y)sinα>tcosα-ssinαandg(x,y)cosβ-f(x,y)sinβ<tcosβ-ssinβ

圍成的區(qū)域?yàn)楸尘皡^(qū)域c1，剩余兩部分為噪聲區(qū)域。

以f(x,y)和g(x,y)組成二元組(i,j)定義的二維直方圖，其中任意一點(diǎn)的聯(lián)合概率密度定義為pij，它表示二元組(i,j)發(fā)生的頻率，rij為圖像灰度級(jí)為i領(lǐng)域平均灰度為j的像素點(diǎn)的個(gè)數(shù)，即(i,j)出現(xiàn)的頻數(shù)，那么

那么目標(biāo)區(qū)域和背景區(qū)域的概率分別為：

目標(biāo)區(qū)域和背景區(qū)域?qū)?yīng)的均值向量分別為：

圖像總的均值向量為：

圖像的類間方差矩陣σb(s,t)的跡為：

tr[σb(s,t)]＝ω0[(μ0i-μti)²+(μ0j-μtj)²]+ω1[(μ1i-μti)²+(μ1j-μtj)²]

目標(biāo)與背景的類內(nèi)方差分別為：

圖像的類內(nèi)方差為：

σw＝δ0iω0+δ0jω0+δ1iω1+δ1jω1

權(quán)重參數(shù)c，參數(shù)c為調(diào)節(jié)閾值公式中背景部分的權(quán)重，為由于方差是灰度分布均勻性的一種度量，方差值越大，構(gòu)成圖像的兩部分差別越大。因此，引入一個(gè)權(quán)重參數(shù)c，參數(shù)c的作用是調(diào)節(jié)計(jì)算公式的權(quán)重，從而避免最終閾值偏向目標(biāo)或背景，同時(shí)期望參數(shù)c的值能隨著目標(biāo)在圖像中的比例變化而變化，由于ω0(s,t)和ω1(s,t)的取值范圍為[0,1]，將權(quán)重設(shè)為：

隨著閾值的增大權(quán)重參數(shù)c非線性增大，并且引入類內(nèi)方差，用來度量?jī)?nèi)聚性的好壞，從而同時(shí)保證類間方差大，每個(gè)類的內(nèi)聚性好。新的閾值公式為：

選擇最佳的閾值向量d(s^*,t^*)，使得

(s^*,t^*)＝argmax0≤s,t≤l-1{d(s,t)}

之后采用果蠅優(yōu)化算法優(yōu)化閾值公式d(s,t)來獲得最佳閾值向量，提高計(jì)算效率。

由圖2所示，果蠅優(yōu)化算法的優(yōu)化如下：

首先隨機(jī)初始化果蠅群體的位置(x_axis,y_axis)，然后賦予果蠅個(gè)體搜索食物的隨機(jī)方向和距離(其中r為搜索步長(zhǎng))，有

從而可以得到每個(gè)果蠅的味道濃度判斷值s(i),由于沒有辦法得知食物的具體位置，故先估計(jì)果蠅位置與原點(diǎn)的距離d(i)，將d(i)的倒數(shù)作為味道濃度判斷值s(i)，即

將味道濃度判定值s(i)帶入適應(yīng)度函數(shù)(或稱為味道濃度判定函數(shù))來求出果蠅個(gè)體位置味道濃度smell,即

smell(i)＝fitness(s(i))

找出果蠅群體味道濃度最高的果蠅個(gè)體(最優(yōu)個(gè)體),記錄并保留最佳濃度值bestsmell及其坐標(biāo)x、y，并且使得果蠅群體利用視覺向當(dāng)前最優(yōu)個(gè)體位置飛去，即

之后進(jìn)入迭代尋優(yōu)過程，每次迭代后判斷最佳味道濃度是否優(yōu)于前一次迭代最佳味道濃度，且當(dāng)前迭代次數(shù)k是否小于最大迭代次數(shù)maxgen，若二者都為真則更新最佳濃度值以及其坐標(biāo)x、y，根據(jù)最后得到的果蠅坐標(biāo)求得最優(yōu)閾值向量。

實(shí)施例

為了驗(yàn)證本發(fā)明圖像分割效果和在計(jì)算速度上的優(yōu)越性，選取cameraman圖、columbia圖、eight圖以及一張rice圖作為實(shí)驗(yàn)圖像，對(duì)4幅圖所加噪聲均為n(0,0.01)。仿真實(shí)驗(yàn)是在matlab7.1環(huán)境下2.40ghzcpu，2g內(nèi)存的計(jì)算機(jī)上進(jìn)行的。

灰度級(jí)l為256，m和n都為256。參數(shù)設(shè)定為α＝-30°，β＝120°。參閱圖3，分割后的圖像從上至下分別為cameraman圖a、columbia圖b、eight圖c和rice圖d；從左至右分別為加噪原圖(a)、文獻(xiàn)1方法分割后的圖像(b)、文獻(xiàn)2方法分割后的圖像(c)、文獻(xiàn)3方法分割后的圖像(d)和本發(fā)明分割后的圖像(e)。每幅圖像分別運(yùn)行10次，計(jì)算平均時(shí)間，閾值和耗時(shí)對(duì)比如表1所示。

表1各方法閾值與耗時(shí)對(duì)比表