本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于非廣延高斯熵測度的灰度圖像分割方法。

背景技術(shù)：

圖像分割是指按照一定的標(biāo)準(zhǔn)將圖像分成互不重疊的多個(gè)區(qū)域，它是對圖像進(jìn)行進(jìn)一步分析、理解和識(shí)別的基礎(chǔ)，是數(shù)字圖像處理領(lǐng)域的關(guān)鍵技術(shù)之一，在圖像工程中占有重要地位。目前許多的圖像分割算法往往只能對某一類的具有相同特質(zhì)的圖像實(shí)現(xiàn)較好分割，然而，由于圖像在成像過程中受多種因素影響(例如，光照強(qiáng)度)，導(dǎo)致現(xiàn)有的分割方法對具有多種因素影響的復(fù)雜圖像進(jìn)行分割的效果不佳。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于非廣延高斯熵測度的灰度圖像分割方法，采用灰度圖像I的非廣延高斯熵測度模型計(jì)算出灰度圖像I的熵，并將使得熵取得最大值所對應(yīng)的灰度級作為最優(yōu)分割閾值，從而對灰度圖像I進(jìn)行分割，可對多種類型的圖像實(shí)現(xiàn)較好分割，提高了圖像分割算法的魯棒性。

為解決上述技術(shù)問題，本發(fā)明提供一種基于非廣延高斯熵測度的灰度圖像分割方法，包括：獲取待分割的灰度圖像I，并確定出灰度圖像I的最大灰度級L-1，以及灰度級集合G，其中，L為灰度圖像I的總級數(shù)，G＝{0,1,…,L-1}；統(tǒng)計(jì)灰度圖像I的灰度直方圖H，其中，H＝{h₀,h₁,…,h_i…,h_L-1},h_i＝n_i/(M×N)，M×N為灰度圖像I的大小，n_i為灰度圖像I中灰度級為i的像素點(diǎn)個(gè)數(shù)；根據(jù)灰度直方圖H，以及根據(jù)預(yù)先構(gòu)建的非廣延高斯熵測度模型，計(jì)算非廣延高斯熵測度模型的熵S，其中，S＝S₀+S₁+(1-r)S₀S₁，r為預(yù)先設(shè)定的非廣延高斯熵測度模型的熵指數(shù)，r>0且r≠1，根據(jù)非廣延高斯熵測度模型的熵S獲取灰度圖像I的最優(yōu)分割閾值t^*，其中，t^*為使得非廣延高斯熵測度模型的熵S取得最大值所對應(yīng)的灰度級，且根據(jù)最優(yōu)分割閾值t^*,獲取分割結(jié)果圖像J，且分割結(jié)果圖像J中的各像素點(diǎn)的取值為其中，I(x,y)為灰度圖像I中坐標(biāo)(x,y)處的像素點(diǎn)對應(yīng)的像素值，J(x,y)為分割結(jié)果圖像J中坐標(biāo)(x,y)處的像素點(diǎn)對應(yīng)的像素值。

進(jìn)一步地，非廣延高斯熵測度模型的熵指數(shù)r的取值在取值范圍內(nèi)可調(diào)節(jié)，其中，取值范圍內(nèi)為r>0且r≠1。

本發(fā)明提供的基于非廣延高斯熵測度的灰度圖像分割方法，采用灰度圖像I的非廣延高斯熵測度模型計(jì)算出灰度圖像I的熵，并將使得熵取得最大值所對應(yīng)的灰度級作為最優(yōu)分割閾值，從而對灰度圖像I進(jìn)行分割，可對多種類型的圖像實(shí)現(xiàn)較好分割，提高了圖像分割算法的魯棒性。

附圖說明

圖1是本發(fā)明實(shí)施例提供的一種基于非廣延高斯熵測度的灰度圖像分割方法的流程圖；

圖2是本發(fā)明實(shí)施例提供的多種算法對同一灰度圖像進(jìn)行分割的效果對比圖；

圖3是本發(fā)明實(shí)施例提供的米粒圖像；

圖4是本發(fā)明實(shí)施例提供的工業(yè)玻璃纖維增強(qiáng)塑料缺陷檢測的超聲圖像；

圖5是本發(fā)明實(shí)施例提供的空中飛行的飛機(jī)圖像；

其中

圖2-a為待分割的灰度圖像；

圖2-b為采用Otsu分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；

圖2-c為采用MSE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；

圖2-d為采用MRE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；

圖2-e為采用MTE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；

圖2-f為采用基于非廣延高斯熵測度的灰度圖像分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像。

具體實(shí)施方式

下面通過具體的實(shí)施例進(jìn)一步說明本發(fā)明，但是，應(yīng)當(dāng)理解為，這些實(shí)施例僅僅是用于更詳細(xì)具體地說明之用，而不應(yīng)理解為用于以任何形式限制本發(fā)明。

結(jié)合圖1，本實(shí)施例提供的基于非廣延高斯熵測度的灰度圖像分割方法，包括：

步驟S1：獲取待分割的灰度圖像I，并確定出灰度圖像I的最大灰度級L-1，以及灰度級集合G，其中，L為灰度圖像I的總級數(shù)，G＝{0,1,…,L-1}；

步驟S2：統(tǒng)計(jì)灰度圖像I的灰度直方圖H，其中，H＝{h₀,h₁,…,h_i…,h_L-1},h_i＝n_i/(M×N)，M×N為灰度圖像I的大小，n_i為灰度圖像I中灰度級為i的像素點(diǎn)個(gè)數(shù)；

步驟S3：根據(jù)灰度直方圖H，以及根據(jù)預(yù)先構(gòu)建的非廣延高斯熵測度模型，計(jì)算非廣延高斯熵測度模型的熵S，其中，S＝S₀+S₁+(1-r)S₀S₁，r為預(yù)先設(shè)定的非廣延高斯熵測度模型的熵指數(shù)，r>0且r≠1，

步驟S4：根據(jù)非廣延高斯熵測度模型的熵S獲取灰度圖像I的最優(yōu)分割閾值t^*，其中，t^*為使得非廣延高斯熵測度模型的熵S取得最大值所對應(yīng)的灰度級，且

步驟S5：根據(jù)最優(yōu)分割閾值t^*,獲取分割結(jié)果圖像J，且分割結(jié)果圖像J中的各像素點(diǎn)的取值為其中，I(x,y)為灰度圖像I中坐標(biāo)(x,y)處的像素點(diǎn)對應(yīng)的像素值，J(x,y)為分割結(jié)果圖像J中坐標(biāo)(x,y)處的像素點(diǎn)對應(yīng)的像素值。

本發(fā)明提供的基于非廣延高斯熵測度的灰度圖像分割方法，采用灰度圖像I的非廣延高斯熵測度模型計(jì)算出灰度圖像I的熵，并將使得熵取得最大值所對應(yīng)的灰度級作為最優(yōu)分割閾值，從而對灰度圖像I進(jìn)行分割，可對多種類型的圖像實(shí)現(xiàn)較好分割，提高了圖像分割算法的魯棒性。

如圖2所示地，圖2中，圖2-a為待分割的灰度圖像；圖2-b為采用Otsu分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；圖2-c為采用MSE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；圖2-d為采用MRE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；圖2-e為采用MTE分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像；圖2-f為采用基于非廣延高斯熵測度的灰度圖像分割方法對灰度圖像進(jìn)行分割后的分割結(jié)果圖像。其中，Otsu為最大類間方差法的簡稱，MSE為最大Shannon熵法的簡稱，MRE為最大Rényi熵法的簡稱，MTE為最大Tsallis熵法的簡稱，Otsu分割方法，MSE分割方法，MRE分割方法，MTE分割方法，均為工業(yè)實(shí)踐中得到廣泛應(yīng)用的著名圖像閾值化分割方法。從圖2可以看出，本實(shí)施例的方法對圖像的分割效果更佳，魯棒性更好。

此外，本實(shí)施例還分別針對三種不同類型的圖像進(jìn)行圖像分割耗時(shí)測試，如圖3至圖5所示地，圖3是米粒圖像，圖4是工業(yè)玻璃纖維增強(qiáng)塑料缺陷檢測的超聲圖像，圖5是空中飛行的飛機(jī)圖像。多種算法分別對這三類圖像的耗時(shí)數(shù)據(jù)記錄如下表所示，其中，表中耗時(shí)數(shù)據(jù)的單位為秒。

從表中記錄的各方法對三類圖像的分割耗時(shí)數(shù)據(jù)可以看出，本實(shí)施例的方法耗時(shí)較低，具有很好的實(shí)時(shí)性。

優(yōu)選地，非廣延高斯熵測度模型的熵指數(shù)r的取值在取值范圍內(nèi)可調(diào)節(jié)，其中，取值范圍內(nèi)為r>0且r≠1。

本實(shí)施例的非廣延高斯熵測度模型的熵指數(shù)r能夠在取值范圍內(nèi)進(jìn)行調(diào)節(jié)，以實(shí)現(xiàn)對多種不同類型的圖像進(jìn)行分割處理，具有更好的普適性。

盡管本發(fā)明已進(jìn)行了一定程度的描述，明顯地，在不脫離本發(fā)明的精神和范圍的條件下，可進(jìn)行各個(gè)條件的適當(dāng)變化?？梢岳斫?，本發(fā)明不限于所述實(shí)施方案，而歸于權(quán)利要求的范圍，其包括所述每個(gè)因素的等同替換。