专利名称：用于目标图像分割的全局阈值分割方法
技术领域：
本发明属于图像处理和目标检测技术领域，具体涉及图像处理分析系统(如目标检测系统、目标识别系统、文本图像检测系统、医学图像分析系统)中用于目标检测、目标定位等的阈值分割方法。
背景技术：
近年来，目标检测成为科研和商业领域的研究热点，如小目标自动跟踪、车辆跟踪、行人跟踪、人脸检测、文字检测、飞机检测等领域。阈值分割技术是目标检测系统中的一种重要技术，其基本原理是假设目标的灰度和背景灰度不一致，通过合适的阈值分割，将目标与背景分离，极大地降低了背景干扰，为后续的识别跟踪提供了良好的图像条件。此外，阈值分割技术还广泛应用于遥感图像处理、目标识别、文字图像处理、医学图像处理、场景分析等许多领域。
几十年来，人们发展了很多种阈值分割技术。一般可以分成两大类，一类是全局阈值分割技术。顾名思义，其是指对图像全局使用相同的阈值。另一类是局部阈值分割技术，即图像的阈值随着局部区域的灰度变化而改变。相比后者，全局阈值技术更容易实现，计算更加快速，应用更加广泛。全局阈值技术的主要难点在于最优阈值的计算，人们在寻找最优阈值的计算方法上所做的努力从来没有停止过。日本东京大学信息科学系教授Otsu (N. Otsu, uK threshold selectionmethod from grey level histogram”， IEEE Transactions on Systems, Man, andCybernetics (1979) 62-66)首先提出了基于最大化类内方差和的方法。其后人们研究了很多种基于灰度直方图的阈值分割方法，包括最大熵方法、最小误差方法、最大梯度方法，等等。由于认识到一维方法的缺陷，一维方法无法区分灰度直方图相同，空间分布不同的图像。人们研究很多种利用空间相关性的阈值分割方法。美国坦普尔大学电子工程系教授 Abutaleb(A. S. Abutaleb, “Automatic thresholding of gray-level pictures usingtwo-dimensional entropies”，Pattern Recognition 47 (1989) 22-32)提出了基于二维灰度直方图、二维Reny i熵、二维T s a 11 i s熵的方法。武汉华中科技大学模式识别与人工智倉泛石开究所 Haifeng Lu (Haifeng Lu, T. -x Zhang, L. -x Yan, “Threshold Selectionusing Partial Structural Similarity，，， International Journal of Digital ContentTechnology and its Applications 5 (2011) 397-407)提出了基于部分结构相似性的方法。目前在全局阈值分割方法研究中，如何克服低对比度和噪声干扰，如何有效利用空间信息是研究的热点和难点。法国滨海大学教授Rekik(A. Rekik, M. Zribi, A. B. Hamida, and M. Benjelloun,“An Optimal Unsupervised Satellite image Segmentation Approach Based on PearsonSystem and k-Means Clustering Algorithm Initialization，，， International Journalof Information and Communication Engineering 5 (2009) 38-45)指出，许多全局阈值分割方法在处理卫星遥感图像中经常失效，因为卫星遥感图像中的目标特征不具备纹理一致性。因此，假设目标具有相似纹理的阈值分割方法就不能适应。Haifeng Lu指出，许多阈值分割方法假设目标的灰度空间分布满足高斯混合模型，但这一假设不并不符合许多实际情况。现有的全局阈值分割方法的适应面很窄，许多方法只对满足某些条件的图像有效，大部分方法在面对背景复杂、光照不均匀的图像时都会失效。因此现有的全局阈值分割方法无法解决小目标的分割定位问题，也无法解决卫星遥感图像的阈值分割问题。因此，设计一种能够抗复杂背景干扰、光照干扰，适用于小目标的分割和定位、卫星遥感图像和各类普通图像的自动全局阈值分割方法具有广泛的实际应用前景和潜在的商业价值。
发明内容
(一 )要解决的技术问题本发明所要解决的技术问题是现有的用于目标图像分割的全局阈值分割方法扰干扰能力差，不能适应于小目标的分割和定位、卫星遥感图像的阈值分割的问题。(二)技术方案为解决上述技术问题，本发明提出一种用于目标图像分割的全局阈值分割方法，包括如下步骤SI、在总阈值区间内连续改变阈值，得到与阈值对应的目标窗口集合上的0阶类点数P(0，t)的最大值所对应的阈值tmax，得到以该阈值tmax为端点的一个优化阈值区间，其中P (0，t)表示与阈值t对应的阈值图像的目标窗口集合上0阶类点的数目，其中0阶类点表示环绕指标等于0的像素点，环绕指标定义为在阈值图像的前景像素点的3X3像素的邻域内，除该前景像素点之外的其他所有前景像素点的个数除以2再取整后的值；S2、在所述优化阈值区间上计算光滑性算子SD(3，t)曲线的极值点，若其超过2个，则只保留最大的两个SD (3，t)值所对应的极值点t31、t32，其中D(k，t)表示光滑性算子，并且满足
权利要求
1.一种用于目标图像分割的全局阈值分割方法，其特征在于，包括如下步骤 51、在总阈值区间内连续改变阈值，得到与阈值对应的目标窗口集合上的O阶类点数P (O, t)的最大值所对应的阈值tmax，得到以该阈值tmax为端点的一个优化阈值区间，其中p(0，t)表示与阈值t对应的阈值图像的目标窗口集合上O阶类点的数目，其中O阶类点表示环绕指标等于O的像素点，环绕指标定义为在阈值图像的前景像素点的3X3像素的邻域内，除该前景像素点之外的其他所有前景像素点的个数除以2再取整后的值； 52、在所述优化阈值区间上计算光滑性算子SD(3，t)曲线的极值点，若其超过2个，则只保留最大的两个SD (3，t)值所对应的极值点〖31、〖32，其中0(1^，t)表示光滑性算子，并且满足
2.如权利要求I所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤SI包括 步骤S11、根据给定的阈值，生成所述目标图像的阈值图像； 步骤S12、根据给定的目标尺度，在所述阈值图像上形成目标窗口集合； 步骤S13、计算阈值图像的所述目标窗口集合中O阶类点的数目。
3.如权利要求2所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤S12包括 5121、将阈值图像分割成纵横方向上均匀、紧密排布的网格阵列，并且使该网格阵列的每个网格的尺度相同，且不大于给定的目标尺度； 5122、将所述网格阵列的每个网络作为一个窗口，对所有的窗口进行移动和筛选，得到覆盖目标的多个目标窗口； 5123、基于所述筛选得到的多个目标窗口，对于聚集在一起的窗口，去除聚集区域周边位置的窗口，保留聚集区域中心位置的窗口。
4.如权利要求3所述的用于目标图像分割的全局阈值分割方法，其特征在于，在步骤S121中，使网格的尺度小于给定的目标尺度的1/2，以提高目标窗口的采样精度。
5.如权利要求3所述的用于目标图像分割的全局阈值分割方法，其特征在于，步骤S122包括 首先，计算每个窗口的前景的几何中心，并将该窗口平行移动，使该窗口的中心移动到该前景几何中心。
然后，计算移动后的窗口的前景面积占窗口总面积的比例r，筛选出该比例r在一定范围内的窗口。
6.如权利要求5所述的用于目标图像分割的全局阈值分割方法，其特征在于，.O.05 ^ r ^ O. 3。
7.如权利要求5所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤S122还包括排除前景灰度和背景灰度差别较小的窗口。
8.如权利要求3所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤S123包括 将与其他窗口距离较远的一个窗口，或者相互之间距离较近的多个窗口归为一个窗口群；并且，对于每一个窗口群，只保留一个窗口。
9.如权利要求8所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤S123包括 首先，计算所有窗口之间的距离； 接着，任选一个窗口作为第一窗口 W1,建立第一窗口群C1,并将窗口 W1归类为第一窗口群C1O然后，依次选择第二至第M窗口，即窗口 W2 WM，对于其中的任意一个窗口 Wi,M，假设当前已建立的窗品群为C1 Cn，η彡N，若第i窗口 Wi到第j窗口群Cj的最小距离小于窗品群中的窗口间的最大距离dw，I ^ j ^ n，并且第i窗口 Wi到第j窗口群的中心距离小于窗口到窗口群中心之间的距离的最大距离dc，则将窗口 Wi归为窗口群Cj ；否则，建立一个新的窗口群Cn+1，将该窗口 Wi归为该新窗口群(；+1。
对所有窗口均归类为窗口群之后，对于每一个窗口群，仅保留前景面积最大的窗口。
10.如权利要求I所述的用于目标图像分割的全局阈值分割方法，其特征在于，所述步骤S2中对于256阶灰度图像计算极值点的步骤包括 步骤S21 :输入曲线数组a，将曲线数组a的值域归一化到
，定义域为
； 步骤S22 :在
范围内，对曲线数组做5个像素点的平均值滤波； 步骤S23:将
等分成26个区间，前25个区间的间隔是10，最后一个是5; 步骤S24:求出26个区间内的极大值点Pi，i = 0，-,25 ； 步骤S25 :对每一个极大值点Pi，建立一个左区间[Pi-IO, Pi]，一个右区间[Pi，Pi+10]，限制左区间的起点彡0，右区间的终点彡255 ； 步骤S26 :计算左区间的极大值点Pitl和右区间的极大值点ρη，计算左区间的极小值像素点Pi2和右区间的极小值像素点Pi2 ; 步骤S27 :若Pi满足下列5个条件中任意一个,则极值点Pi被过滤掉 ①a [Pi] < O. 5 ； ②Pi0幸Pi; ③Pn幸Pi;④a [pj-a [pi2] < O. 15 ；⑤alipj-alipis] < O. 15。
全文摘要
本发明公开了一种用于目标图像分割的全局阈值分割方法，包括在总阈值区间内连续改变阈值，得到与阈值对应的目标窗口集合上的0阶类点数的最大值所对应的阈值，得到以该阈值为端点的一个优化阈值区间，其中0阶类点表示环绕指标等于0的像素点，环绕指标定义为在阈值图像的前景像素点的3×3像素的邻域内，除该前景像素点之外的其他所有前景像素点的个数除以2再取整后的值；在所述优化阈值区间上计算光滑性算子SD(3，t)曲线的极值点，若其超过2个，则只保留最大的两个SD(3，t)值所对应的极值点t31、t32；计算完整性算子SN(2，t31)和SN(2，t32)，将其中较大的值所对应的阈值作为最优阈值，并输出该最优阈值对应的阈值图像。
文档编号G06T7/00GK102819841SQ20121026656
公开日2012年12月12日 申请日期2012年7月30日 优先权日2012年7月30日
发明者陈雪云, 刘成林, 向世明, 潘春洪 申请人:中国科学院自动化研究所