一種基于高斯平滑濾波的圖像分割方法
【技術領域】
[0001] 本發(fā)明涉及圖像處理技術領域，提供了一種基于高斯平滑濾波的圖像分割方法。
【背景技術】
[0002] 圖像分割就是把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提出感興趣目標 的技術和過程。它是由圖像處理到圖像分析的關鍵步驟?，F(xiàn)有的圖像分割方法主要分以下 幾類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論 的分割方法等。1998年以來，研究人員不斷改進原有的圖像分割方法并把其它學科的一些 新理論和新方法用于圖像分割，提出了不少新的分割方法。圖像分割后提取出的目標可以 用于圖像語義識別，圖像搜索等等領域。
[0003] 數(shù)字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發(fā)展，圖像 處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長，但 卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基 礎，因此，數(shù)字圖像成為心理學、生理學、計算機科學等諸多領域內(nèi)的學者們研究視覺感知 的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。
[0004] 1998年以來，人工神經(jīng)網(wǎng)絡識別技術已經(jīng)引起了廣泛的關注，并且應用于圖像分 害J?；谏窠?jīng)網(wǎng)絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數(shù)，然 后用決策函數(shù)對像素進行分類來達到分割的目的。這種方法需要大量的訓練數(shù)據(jù)。神經(jīng)網(wǎng) 絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何 種網(wǎng)絡結構是這種方法要解決的主要問題。
[0005] 圖像分割是圖像識別和計算機視覺至關重要的預處理。沒有正確的分割就不可能 有正確的識別。但是，進行分割僅有的依據(jù)是圖像中像素的亮度及顏色，由計算機自動處理 分割時，將會遇到各種困難。例如，光照不均勻、噪聲的影響、圖像中存在不清晰的部分，以 及陰影等，常常發(fā)生分割錯誤。因此圖像分割是需要進一步研究的技術。人們希望引入一 些人為的知識導向和人工智能的方法，用于糾正某些分割中的錯誤，是很有前途的方法，但 是這又增加了解決問題的復雜性。
[0006] 在通信領域中，圖像分割技術對可視電話等活動圖像的傳輸很重要，需要把圖像 中活動部分與靜止的背景分開，還要把活動部分中位移量不同的區(qū)域分開，對不同運動量 的區(qū)域用不同的編碼傳輸，以降低傳輸所需的碼率。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提高了分類精度和準確性。能夠實時穩(wěn)定的對目標分割提取， 分割效果良好的灰度空間劃分方法。
[0008] 本發(fā)明為了實現(xiàn)上述目的采用以下技術方案：
[0009] -種基于高斯平滑濾波的圖像分割方法，其包括以下步驟：
[0010] 步驟1、根據(jù)RGB三個分量的重要性及其它指標，將三個分量以不同的權值進行加 權平均運算。由于人眼對綠色的敏感度高，對藍色的敏感度低，故可以按照不同的權值對 RGB三個分量進行加權平均運算能得到比較合理的灰度圖像。
[0011] 步驟2、采取直方圖均衡化首選先進行直方圖修正，把原圖像的直方圖利用灰度變 換函數(shù)修正為均勻分布，然后再進行直方圖均衡化；
[0012] 步驟3、對圖像進行高斯平滑濾波，使用imreadO讀入圖像，輸入高斯濾波器的均 值和方差，利用高斯濾波生成高斯序列，用生成的高斯序列進行濾波，輸出圖像；
[0013] 步驟4、采取是全局閾值法，在二值化過程中只使用一個全局閾值T的方法，它將 圖像的每個像素的灰度值與T進行比較，若大于T，則取為前景色；否則，取為背景色；
[0014] 步驟5、將L個灰度級范圍內(nèi)對應像素個數(shù)最多中心點P作為初始類均值 μ/1)，μ2(2)，…，μ/1)。
[0015] 步驟6、在第i次迭代時，考察每個像素，計算它與每個灰度級的均值之間的間距， 即它與聚類中心的距離D，將每個像素賦均值距其最近的類，即
[0016] D|Xp-yi(1)| =min{D|Xp-y j(1)|，（j = 1，2,…1)}
[0017] D為兩個像素灰度值差小于定間距；
[0018] Xp(p = 0, 1，…，255)為像素的灰度值；
[0019] 則乂 egf，為第i次迭代后賦給類j的像素集合；
[0020] 步驟7、對于j = 1，2,…1，計算新的聚類中心，更新類均值：
[0022] 式中，％是er中的像素個數(shù)；
[0023] 步驟8、將所有像素逐個考察，如果j = 1，2,…K，有μ /1+1)= μ ,(1)，則算法收斂， 結束；否則返回步驟6繼續(xù)下一次迭代；
[0024] 步驟9、以上聚類過程結束后，分割結果的各像素以聚類中心灰度值作為該類最終 灰度。
[0025] 綜上所述，由于采用了上述技術方案，本發(fā)明的有益效果是：
[0026] 采用本申請的分割方法邊緣更加清晰，分割結果既突出了目標，又保留了細節(jié)信 息，達到了較好的分割效果。因此，本算法可以有效地對灰度圖像進行分割，從分割后的圖 像中可獲取更多的目標信息。
【具體實施方式】
[0027] 本說明書中公開的所有特征，或公開的所有方法或過程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0028] -幅圖像中的信息包括目標物體，背景和噪聲三個部分，圖像的二值化是為了得 到圖像中的目標物體而產(chǎn)生的一種圖像處理方法，二值化以后圖像中所有的像素點將會變 為白或黑。當圖像中只包含前景和背景兩部分信息時，就可以將前景的像素值置為1，背景 的像素值置為〇,這樣圖像就被二值化了。二值化的方法有很多種，一般分為全局閾值法和 局部閾值法
[0029] 全局閾值法是指在二值化過程中只使用一個全局閾值T的方法。它將圖像的每 個像素的灰度值與T進行比較，若大于T，則取為前景色（白色）；否則，取為背景色。根據(jù) 文本圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度文本圖像到二值圖像的轉 化。其中全局閾值法又可分為基于點的閾值法和基于區(qū)域的閾值法。閾值分割法的結果很 大程度上依賴于對閾值的選擇，因此該方法的關鍵是如何選擇合適的閾值。
[0030] 典型的全局閾值方法包括Otsu方法、最大熵方法等。全局閾值法算法簡單，對于 目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對于由于光照不均勻、噪聲干 擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差。
[0031] 高斯平滑濾波也屬于線性濾波，它是根據(jù)高斯函數(shù)的形狀來選擇權值的線性平滑 濾波器。高斯平滑濾波對去除服從正太分布的噪聲特別是高斯噪聲很有效果。高斯濾波的 特性與高斯函數(shù)息息相關，高斯函數(shù)具有一下的重要性質(zhì)：
[0032] 二維高斯函數(shù)具有旋轉對稱性，也就是濾波器在各個方向上的平滑程度是相同 的。通常來說一幅圖像的邊緣方向是不知道的，因此，我們在濾波之前是無法確定哪個方向 上需要要更多的平滑的，而這意味著高斯濾波在圖像處理中不會偏向任一方向。
[0033] 高斯函數(shù)是單值函數(shù)。與均值濾波相似，高斯濾波用圖像像素鄰域的加權均值來 代替該點的像素值，而權值的選取是隨著該像素點與中心點距離單調(diào)遞減的，所以離中心 點比較遠的像素權值較小，受到的高斯濾波影響會很小。相反如果平滑濾波對邊緣像素點 仍然有很大的作用，則會導致圖像失真。
[0034] 高斯函數(shù)的傅立葉變換頻譜是單瓣的。因為圖像常被高頻信號所污染，而我們所 期望的圖像特征，既含有低頻分量，又含有高頻分量。高斯函數(shù)傅立葉變換的單瓣意味著平 滑圖像不會被不需要的高頻信號所污染，同時保留了大部分所需要的信號。
[0035] 高斯濾波器的寬度（決定著平滑程度）是由參數(shù)σ表證的，而且σ和平滑程度 的關系是非常簡單的。σ越大，高斯