一种基于二代小波变换的抗噪Otsu图像分割方法与流程

本发明属于图像处理领域，尤其涉及一种基于二代小波变换的抗噪otsu图像分割方法。

背景技术：

图像分割是图像信息处理的基本技术，也是图像理解与模式识别的前提，图像分割有着广泛的应用。在处理医学图像中，图像分割对于人们身体中发生病变的器官的三维显示或者对病变位置的确定与分析都起着有效地辅导作用；在路面交通图像的分析应用中，可用图像分割技术从监控或航拍等模糊复杂背景中分出要提取的目标车辆；遥感图像分割在军事领域的应用也非常广泛，如战略战术的侦查、军事海洋领域的测绘等，高分辨率的遥感图像分割数据可以为自然灾况的监测与评估、地图的绘制与更新、森林资源及环境的监测与管理等，因此，图像的分割都起着至关重要的作用。

在众多的分割方法中，阈值分割是最为简单有效的图像分割方法之一，其关键在于阈值的选取，常用的几种经典阈值分割方法主要有otsu算法、信息最大熵算法、最小交叉熵算法等，比如，文献1：乔万波，曹银杰的《一种改进的灰度图像二值化方法》，文献2：丁晓峰，何凯霖的《基于最大类间方差的改进图像分割算法》。一维最大类间方差法，以其因计算简单、实时性高、鲁棒性强等优点而被广泛使用。但是一维otsu法未考虑像素间的空间相关性，故当图像包含噪声时，一维otsu法的分割效果不佳。因为图像中难免存在噪声干扰，对此，提出了二维otsu快速递推法，该方法在提高运算效率的同时考虑了像素的灰度信息和其邻域的空间相关性，改善了一维otsu法的抗噪性。为进一步提高算法的抗噪性，文献3：景晓军,蔡安妮,孙景鳌的《一种基于二维最大类间方差的图像分割算法》在灰度级-领域平均灰度级基础上，提出了一种二维最大类间方差的图像分割算法，该算法能更好地对含噪图像进行分割。二维otsu法虽然提高了算法的抗噪能力，但当噪声干扰严重时，它们的分割效果仍不够理想。

中国专利cn201610510826.1一种基于最小二乘法曲线拟合的图像快速分割方法，提出了利用最小二乘法曲线拟合的图像分割算法，但是该方法在噪声干扰严重时，存在图像分割不理想的问题。

中国专利cn201510903464.8基于二代小波整数变换的图像增强方法及图像增强系统，介绍了经过二代小波整数变换对图像进行处理，能够很好的将目标从背景中分割出来，具有很好的抗噪性能。

技术实现要素：

本发明要解决的技术问题是提供一种基于二代小波变换的抗噪otsu图像分割方法，能将目标图像从背景中分割出来，具有很好的抗噪声性能。

为解决上述技术问题，本发明一种基于二代小波变换的抗噪otsu图像分割方法，包括如下步骤：

步骤s1：对待分割图像进行db1二代小波整数变换单层分解，得到一个整数低频子带ca和三个高频子带(ch、cv、cd)的分解系数；

步骤s2：将低频子带ca中负数变为0构成新的低频子带ca1，并对ca1进行3×3均值滤波后取整构成ca2；

步骤s3：求ca2的系数最大值m，在[0，m]区间计算ca2的类间方差使用otsu算法得到分割阈值t；

步骤s4：对ca2的系数大于t的改为最大值m，ca2的系数小于t的改为0，更改后形成新的低频子带ca3；

步骤s5：将三个高频子带(ch、cv、cd)的分解系数全部更改为0，构成新的高频子带(ch1、cv1、cd1)；

步骤s6：利用db1二代小波整数重构ca3、ch1、cv1和cd1，构成分割后的图像w。

作为本发明的优化方案，在步骤s3中，使得类间方差最大的值为otsu算法的分割阈值t。

作为本发明的优化方案，分割阈值t的范围为[0，m]。

本发明具有积极的效果：本发明克服了一维otsu法难以分割出满意的结果，而二维otsu法虽然改善了算法的抗噪性，但与一维otsu法相比效果不大，而且还大大增加运算时间的问题。对含不同噪声类型及不同噪声强度的图像均能取得较好的分割效果，具备较强的抗噪性和抗噪顽健性；客观上从量化指标上对发明的分割效果和抗噪声进行了验证。定性和定量分析充分说明了本发明是一种抗噪性强、分割效果好的图像分割方法，而且二代小波方法有利于硬件实现，便于算法应用于噪声干扰严重及实时性要求较高的系统，具有重要的研究价值和广阔应用前景。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明db1二代小波整数变换的运算框图；

图2(a)为标准lena灰度图像，图2(b)为低照度红外图像，图2(c)为遥感图像；

图3(a)为加高斯噪声的标准lena灰度图像，图3(b)为加高斯噪声的低照度红外图像，图3(c)为加高斯噪声的遥感图像；

图4(a)为加高斯噪声的标准lena灰度图像经经典otsu算法图像分割的结果，图4(b)为加高斯噪声的低照度红外图像经经典otsu算法图像分割的结果，图4(c)为加高斯噪声的遥感图像经经典otsu算法图像分割的结果；

图5(a)为加高斯噪声的标准lena灰度图像经文献1的算法图像分割的结果，图5(b)为加高斯噪声的低照度红外图像经文献1的算法图像分割的结果，图5(c)为加高斯噪声的遥感图像经文献1的算法图像分割的结果；

图6(a)为加高斯噪声的标准lena灰度图像经文献2的算法图像分割的结果，图6(b)为加高斯噪声的低照度红外图像经文献2的算法图像分割的结果，图6(c)为加高斯噪声的遥感图像经文献2的算法图像分割的结果；

图7(a)为加高斯噪声的标准lena灰度图像经文献3的算法图像分割的结果，图7(b)为加高斯噪声的低照度红外图像经文献3的算法图像分割的结果，图7(c)为加高斯噪声的遥感图像经文献3的算法图像分割的结果；

图8(a)为加高斯噪声的标准lena灰度图像经本发明的方法图像分割的结果，图8(b)为加高斯噪声的低照度红外图像经本发明的方法图像分割的结果，图8(c)为加高斯噪声的遥感图像经本发明的方法图像分割的结果；

图9(a)为带椒盐噪声的lena图，图9(b)为带乘性噪声的lena图，图9(c)为带泊松噪声的lena图；

图10(a)为带椒盐噪声的lena图经经典otsu算法图像分割的结果，图10(b)为带乘性噪声的lena图经经典otsu算法图像分割的结果，图10(c)为带泊松噪声的lena图经经典otsu算法图像分割的结果；

图11(a)为带椒盐噪声的lena图经文献1算法图像分割的结果，图11(b)为带乘性噪声的lena图经文献1算法图像分割的结果，图11(c)为带泊松噪声的lena图经文献1算法图像分割的结果；

图12(a)为带椒盐噪声的lena图经文献2算法图像分割的结果，图12(b)为带乘性噪声的lena图经文献2算法图像分割的结果，图12(c)为带泊松噪声的lena图经文献2算法图像分割的结果；

图13(a)为带椒盐噪声的lena图经文献3算法图像分割的结果，图13(b)为带乘性噪声的lena图经文献3算法图像分割的结果，图13(c)为带泊松噪声的lena图经文献3算法图像分割的结果；

图14(a)为带椒盐噪声的lena图经本发明进行图像分割结果，图14(b)为带乘性噪声的lena图经本发明进行图像分割结果，图14(c)为带泊松噪声的lena图经本发明进行图像分割结果。

具体实施方式

如图1所示，本发明公开了一种基于二代小波变换的抗噪otsu图像分割方法，包括如下步骤：

步骤s1：对待分割图像进行db1二代小波整数变换单层分解，得到一个整数低频子带ca和三个高频子带(ch、cv、cd)的分解系数；

步骤s2：将低频子带ca中负数变为0构成新的低频子带ca1，并对ca1进行3×3均值滤波后取整构成ca2；其中，将低频子带ca中负数变为0便于后续的otsu算法进行计算，因为otsu算法是在正整数范围内计算。

步骤s3：求ca2的系数最大值m，在[0，m]区间计算ca2的类间方差使用otsu算法得到分割阈值t；

步骤s4：对ca2的系数大于t的改为最大值m，ca2的系数小于t的改为0，更改后形成新的低频子带ca3；其中，对ca2的系数大于t的改为最大值m，ca2的系数小于t的改为0，是为了在小波域中将图像背景与前景进行有效区分。

步骤s5：将三个高频子带(ch、cv、cd)的分解系数全部更改为0，构成新的高频子带(ch1、cv1、cd1)；其中，将三个高频子带(ch、cv、cd)的分解系数全部更改为0，是为了去除高频噪声。

步骤s6：利用db1二代小波整数重构ca3、ch1、cv1和cd1，构成分割后的图像w。

图像的像素值为整数，小波提升算法，即第二代小波变换是一种新的双正交小波构造方案，通过预测算子，确定高频信息，并初步确定低频信息，然后通过更新算子，对初步确定的低频信息进行修正，从而确定低频信息，包括3个处理步骤，其具体实现方案如图1所示，

(1)分解：将输入信号si根据奇偶性分解成偶数序列和奇数序列，分解过程表示为f(si)＝(si-1,di-1)；其中，si-1表示低频近似分量，di-1表示信号的高频细节分量，f(si)表示为分解过程。

(2)预测：利用数据间的相关性，用偶数序列的si-1预测值p(si-1)去预测(或内插)奇数序列di-1，即将滤波器p对偶数信号作用以后作为奇数信号的预测值，奇数信号的实际值与预测值相减得到残差信号。实际中，虽然不可能从子集si-1中准确预测子集di-1，但是p(si-1)很接近di-1，因此可以使用p(si-1)与di-1的差代替di-1，这样产生的di-1比原来的di-1包含更少的信息，于是得到di-1＝di-1-p(si-1)，这里已经可以用更小的子集si-1和小波子集di-1代替原信号si。重复分解与预测过程，经n步以后原信号集可用{sndn...s1d1}表示。

(3)更新。为了使原信号集的某些全局特性在其子集si-1中继续保持，必须进行更新。为找到更好的子集si-1，使得它保持原图的某一标量特性q(x)(如均值、消失矩等不变)，既有q(si-1)＝q(si)。通过算子u产生一个更好的子集si-1，使之保持原有信号si的一些特性，更新过程表达式为si-1＝si-1+u(di-1)。

通过对待分割图像进行db1二代小波整数变换，在小波域中对目标与背景的噪声进行了很好的抑制，然后使用otsu算法得到分割阈值t，基本过程如下：

设图像像素数为n，灰度范围为[0，l-1]，对应灰度级i的像素数为n，几率为：

pi＝ni/ni＝0,1,2,…,l-1

把图像中的像素按灰度值用阈值t0分成两类c0和c1，c0由灰度值在[0，t0]之间的像素组成，c1由灰度值在[t0+1，l-1]之间的像素组成，对于灰度分布几率，整幅图像的均值为：

则c0和c1的均值为：

其中

由公式1、公式2和公式3三式可得：

类间方差定义为：

让t0在[0，l-1]范围依次取值，使σb²最大的t0值即为otsu法的最佳阈值。

实验结果与分析

实验环境：windows7系统intelpentinumcpug860，主频3.0ghz，内存4g，变成语言matlab7.0。

实验图像选取三幅图像：

第一幅：分辨率为512×512正常照度的标准lena灰度图像，如图2(a)所示；

第二幅：分辨率为269×350低照度红外图像，如图2(b)所示；

第三幅：分辨率为500×375遥感图像，如图2(c)所示；

在三幅图像中分别加入均值为0，方差为0.03的高斯噪声，图2(a)加入后的图像如图3(a)所示，图2(b)加入后的图像如图3(b)所示，图2(c)加入后的图像如图3(c)所示。

1)使用经典的otsu方法分别对图3(a)、图3(b)和图2(c)进行分割，分割的结果分别如图4(a)、图4(b)和图4(c)所示。

2)使用文献1《一种改进的灰度图像二值化方法》分别对图3(a)、图3(b)和图3(c)进行分割，分割的结果分别如图5(a)、图5(b)和图5(c)所示。

3)使用文献2《基于最大类间方差的改进图像分割算法》分别对图3(a)、图3(b)和图3(c)进行分割，分割的结果分别如图6(a)、图6(b)和图6(c)所示。

4)使用文献3《一种基于二维最大类间方差的图像分割算法》分别对图3(a)、图3(b)和图3(c)进行分割，分割的结果分别如图7(a)、图7(b)和图7(c)所示。

从上述三种方法可以看出，上述三种方法都未能将图像进行有效分割，视觉上几乎与加噪原图像无明显差异，使用本发明分别对图3(a)、图3(b)和图3(c)进行分割，分割的结果分别如图8(a)、图8(b)和图8(c)所示，可以看出本发明由于预先在算法中加入噪声处理，有效的克服了噪声干扰，图像分割效果最好。

为了检验本发明方法抗噪的通用性，对加有强度为0.08椒盐噪声的lena图，如图9(a)所示；0.08乘性噪声的lena图，如图9(b)所示；泊松噪声的lena图，如图9(c)所示进行分割：

(1)使用经典的otsu方法分别对图9(a)、图9(b)和图9(c)进行分割，分割的结果分别如图10(a)、图10(b)和图10(c)所示；

(2)使用文献1《一种改进的灰度图像二值化方法》分别对图9(a)、图9(b)和图9(c)进行分割，分割的结果分别如图11(a)、图11(b)和图11(c)所示；

(3)使用文献2《基于最大类间方差的改进图像分割算法》分别对图9(a)、图9(b)和图9(c)进行分割，分割的结果分别如图12(a)、图12(b)和图12(c)所示；

(4)使用文献3《一种基于二维最大类间方差的图像分割算法》分别对图9(a)、图9(b)和图9(c)进行分割，分割的结果分别如图13(a)、图13(b)和图13(c)所示；

从上述三种方法可以看出，上述三种方法对图像进行分割的结果较为接近，都容易受到噪声影响，抗噪性差。使用本发明对图9(a)、图9(b)和图9(c)进行分割，分割的结果分别如图14(a)、图14(b)和图14(c)所示，可以看出本发明的方法减弱了噪声的干扰，取得了较好的分割效果，具有较强的通用性。

下面采用峰值信噪比(psnr)作为图像分割量化指标(与各方法无噪声分割时的图像作为参照图像)，从客观的角度进行验证几种方法的抗噪性能。表1为三幅图像带0.03强度高斯噪声的分割数据，表2为lena图像带不同噪声的分割数据。

表1带高斯噪声的三幅图象分割量化数据

表2lena图像带不同噪声的分割数据

从表1和表2的运算时间看，经典otsu方法、文献1《一种改进的灰度图像二值化方法》、文献2《基于最大类间方差的改进图像分割算法》三者运算速度基本一致，优于文献3《一种基于二维最大类间方差的图像分割算法》和本发明的方法。在抗噪声性能方面，本发明的方法在高斯噪声、乘性噪声和泊松噪声的图像分割的峰值信噪比(psnr)明显高于前4种方法，对椒盐噪声的抑制比前4种方法稍差一些。表2中本发明的方法在处理低信噪比的红外图像、遥感图像时，前4种的psnr一般在6～7左右，而本发明的方法分割后遥感图像的psnr为14.2210(高出前4种方法2倍左右)，分割的红外图像psnr为18.4840，是前4种算法的3倍左右，表明本发明的方法在分割低信噪比图像的抗噪性能最优。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。