一種低對比度圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，涉及一種低對比度圖像的分割方法。
【背景技術(shù)】
[0002] 圖像分割技術(shù)大致分為:基于閾值的圖像分割、基于邊緣的圖像分割、基于區(qū)域的 圖像分割、基于模型的圖像分割、基于人工智能的圖像分割。主要方法有閾值法、區(qū)域生長 法、活動輪廓模型法、人工神經(jīng)網(wǎng)絡(luò)法、模糊聚類法、分水嶺法、邊緣算子檢測法等。圖像分 割技術(shù)具有廣泛的應(yīng)用價值，可應(yīng)用到模式識別、機器視覺等各行業(yè)各領(lǐng)域中。
[0003] 基于閾值的圖像分割算法的關(guān)鍵在于閾值的選擇，不同的閾值可能會引起完全不 同的結(jié)果。此類方差往往受噪聲影響嚴重，且受灰度不均勻性影響嚴重?；谶吘壍姆指罘?法主要基于圖像灰度級的不連續(xù)性，它通過檢測不同連續(xù)區(qū)域之間的邊界來實現(xiàn)對圖像的 分割，邊緣檢測算法有一個缺點：不能得到連續(xù)的單像素邊緣。傳統(tǒng)的邊緣算子抗噪性低， 且無法得到連續(xù)的邊緣，受背景灰度不均影響較大?；趨^(qū)域特性的分割技術(shù)不但考慮了 像素的相似性，還考慮了空間上的鄰接性，因此可以有效消除孤立噪聲的干擾，具有很強的 魯棒性。而且，無論是合并還是分裂，都能夠?qū)⒎指钌钊氲较袼丶?，因此可以保證較高的分 割精度。基于統(tǒng)計模式分類的分割技術(shù)將圖像分割過程視為以像素為基元的模式分類過 程。這類方法，對于無法由灰度區(qū)分的復(fù)雜的紋理圖像顯得尤為有效。
[0004] 目前，對應(yīng)用于普通圖像的分割算法有大量研究，已經(jīng)比較成熟，但普通圖像和低 對比度圖像在細節(jié)及灰度信息上具有較大差異，適用于普通圖像的圖像分割算法不一定適 用于低對比度圖像，近年來針對低對比度圖像的圖像分割算法研究較少而且無法滿足現(xiàn)實 需要。
[0005] 針對低對比度圖像的特點，王思賢、劉宗義、梅建新在《W u h a η U n i v e r s i t y Journal of Natural Sciences》（2000,46(5) :641-644)的文章"低對比度圖像目標分割的 研究"中提出將矩不變自動門限方法應(yīng)用到低對比度的圖像的自動分割中，耗時短，能克服 二值化過程中的斷線、粘連等問題，具有一定實用價值，但是在有噪聲情況下精度不高。針 對低對比度焊縫缺陷目標的提取，Lashkia V.在《Image&Vision Computing》（2001，19(5): 261-269)中的文章 "Defect detection in X-ray images using fuzzy reasoning" 中提 出利用區(qū)域方差和灰度對比度參數(shù)并結(jié)合模糊推理進行缺陷提取，但此方法無法廣泛應(yīng)用 于其它低對比度圖像的分割。針對X射線圖像、超聲波圖像以及紅外圖像的分析檢測中，目 標與目標之間沒有顯著的灰度變化給區(qū)域分割帶來的困難，聶守平、王鳴、劉峰在《中國激 光》(2004,31(1) :89-91)中的文章"低對比度圖像分割算法研究"中提出利用空間區(qū)域方差 和灰度區(qū)域方差進行圖像增強和灰度分區(qū)，能夠提取出一些低對比度缺陷目標。這些方法 將區(qū)域特性和對比度結(jié)合提取缺陷目標，而針對低對比度圖像，低對比度不僅存在于圖像 中某個特定細節(jié)，因而以上方法的適用性不夠強，需要一種對低對比度圖像有較好適應(yīng)性 的圖像分割方法。

【發(fā)明內(nèi)容】

[0006] 針對低對比度圖像分割完整度差、精度低、抗噪性能較差的問題，本發(fā)明提供一種 低對比度圖像分割方法，利用局部窗口內(nèi)邊緣像素個數(shù)信息實現(xiàn)局部窗口大小的自適應(yīng)， 依次在局部窗口內(nèi)利用局部窗口閾值對當前像素進行分割，以顯著提高低對比度圖像分割 的精度和抗噪性。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案包括以下步驟：
[0008] (1)初始化:設(shè)原圖像0的灰度級為L，先計算0對應(yīng)的方差圖像V，再用CANNY算子計 算V的邊緣，得到邊緣圖像E，E中邊緣像素灰度值為L-1，其余像素灰度值為0。初始化窗口邊 長 N=3〇
[0009] (2)當前窗口包含信息判斷及當前像素分割。對原圖像0進行逐像素計算，使當前 像素位于計算窗口 W的中心，步驟包括：
[0010] 1)計算邊緣圖像E中與原圖像0對應(yīng)的窗口 W中的灰度為L-1的像素的個數(shù)C，計算 邊緣像素在當前窗口 W中所占的比例P，P = C/N2;
[0011] 2)當前窗口包含信息判斷:若P 2(Ν-2)/Ν2則執(zhí)行步驟3);若P〈(N-2)/N2則N=N+2， 返回步驟(2);
[0012] 3)當前像素分割:對0中當前窗口 W計算基于區(qū)域限制的Otsu閾值T，若當前窗口中 心像素灰度大于T則置其灰度為L-1，否則置其灰度為0。
[0013] 在上述步驟（1)中，計算V時采用逐像素計算法，以及當前像素位于3 X 3窗口中心， 在此3 X 3窗口內(nèi)計算當前窗口的方差，對當前窗口方差取整，令當前窗口中心像素的灰度 值為此方差值。具體步驟為：
[0014] 1)對原圖像中的所有像素，以當前像素為窗口中心，計算0中當前窗口內(nèi)所有像素 的灰度均值A(chǔ);
[0015] 2)計算0中當前窗口內(nèi)所有像素灰度值與A的歐氏距離D1;
[0016] 3)計算當前窗口的方差5^=1￡^/9:并取整，令V的當前像素灰度為此方差值。
[0017] 在上述步驟(1)中，計算E的具體步驟為：
[0018] 1)用高斯濾波器平滑方差圖像V;
[0019] 2)用一階偏導(dǎo)有限差分計算方差圖像V的梯度幅值和方向；
[0020] 3)對梯度幅值進行非極大值抑制；
[0021] 4)檢測和連接邊緣。
[0022] 在上述步驟(2)的第3)步中，計算基于區(qū)域限制的Otsu閾值T的具體步驟為：
[0023] 1)計算當前窗口 W內(nèi)每個灰度級的概率和數(shù)量；
[0024] 2)計算閾值分別取各灰度級時的背景概率、目標概率、背景均值、目標均值、背景 方差、目標方差；
[0025] 3)遍歷各灰度級，求得使類間方差達到最大的閾值T1;
[0026] 4)在當前窗口 W內(nèi)統(tǒng)計[0，?\]內(nèi)各灰度級的概率和數(shù)量；
[0027] 5)在當前窗口 W內(nèi)，計算[0，!^]灰度級范圍內(nèi)閾值分別取各灰度級時的背景概率、 目標概率、背景均值、目標均值、背景方差、目標方差；
[0028] 6)遍歷[0，1\]中各灰度級，求得使類間方差達到最大的閾值T。
[0029] 本發(fā)明的有益效果是:本發(fā)明提供的低對比度切片圖像分割方法，可有效、完整地 對低對比度圖像進行分割，并將分割誤差控制在可接受范圍內(nèi)，抗噪性良好，且本方法無需 設(shè)置分割參數(shù)、自適應(yīng)