一种基于高斯平滑滤波的图像分割方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，提供了一种基于高斯平滑滤波的图像分割方法。
【背景技术】
[0002] 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标 的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下 几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论 的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些 新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以 用于图像语义识别，图像搜索等等领域。
[0003] 数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像 处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但 却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基 础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知 的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。
[0004] 1998年以来，人工神经网络识别技术已经引起了广泛的关注，并且应用于图像分 害J。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然 后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网 络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何 种网络结构是这种方法要解决的主要问题。
[0005] 图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能 有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理 分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以 及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一 些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但 是这又增加了解决问题的复杂性。
[0006] 在通信领域中，图像分割技术对可视电话等活动图像的传输很重要，需要把图像 中活动部分与静止的背景分开，还要把活动部分中位移量不同的区域分开，对不同运动量 的区域用不同的编码传输，以降低传输所需的码率。
【发明内容】
[0007] 本发明的目的在于提高了分类精度和准确性。能够实时稳定的对目标分割提取， 分割效果良好的灰度空间划分方法。
[0008] 本发明为了实现上述目的采用以下技术方案：
[0009] -种基于高斯平滑滤波的图像分割方法，其包括以下步骤：
[0010] 步骤1、根据RGB三个分量的重要性及其它指标，将三个分量以不同的权值进行加 权平均运算。由于人眼对绿色的敏感度高，对蓝色的敏感度低，故可以按照不同的权值对 RGB三个分量进行加权平均运算能得到比较合理的灰度图像。
[0011] 步骤2、采取直方图均衡化首选先进行直方图修正，把原图像的直方图利用灰度变 换函数修正为均匀分布，然后再进行直方图均衡化；
[0012] 步骤3、对图像进行高斯平滑滤波，使用imreadO读入图像，输入高斯滤波器的均 值和方差，利用高斯滤波生成高斯序列，用生成的高斯序列进行滤波，输出图像；
[0013] 步骤4、采取是全局阈值法，在二值化过程中只使用一个全局阈值T的方法，它将 图像的每个像素的灰度值与T进行比较，若大于T，则取为前景色；否则，取为背景色；
[0014] 步骤5、将L个灰度级范围内对应像素个数最多中心点P作为初始类均值 μ/1)，μ2(2)，…，μ/1)。
[0015] 步骤6、在第i次迭代时，考察每个像素，计算它与每个灰度级的均值之间的间距， 即它与聚类中心的距离D，将每个像素赋均值距其最近的类，即
[0016] D|Xp-yi(1)| =min{D|Xp-y j(1)|，（j = 1，2,…1)}
[0017] D为两个像素灰度值差小于定间距；
[0018] Xp(p = 0, 1，…，255)为像素的灰度值；
[0019] 则乂 egf，为第i次迭代后赋给类j的像素集合；
[0020] 步骤7、对于j = 1，2,…1，计算新的聚类中心，更新类均值：
[0022] 式中，％是er中的像素个数；
[0023] 步骤8、将所有像素逐个考察，如果j = 1，2,…K，有μ /1+1)= μ ,(1)，则算法收敛， 结束；否则返回步骤6继续下一次迭代；
[0024] 步骤9、以上聚类过程结束后，分割结果的各像素以聚类中心灰度值作为该类最终 灰度。
[0025] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0026] 采用本申请的分割方法边缘更加清晰，分割结果既突出了目标，又保留了细节信 息，达到了较好的分割效果。因此，本算法可以有效地对灰度图像进行分割，从分割后的图 像中可获取更多的目标信息。
【具体实施方式】
[0027] 本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥 的特征和/或步骤以外，均可以以任何方式组合。
[0028] -幅图像中的信息包括目标物体，背景和噪声三个部分，图像的二值化是为了得 到图像中的目标物体而产生的一种图像处理方法，二值化以后图像中所有的像素点将会变 为白或黑。当图像中只包含前景和背景两部分信息时，就可以将前景的像素值置为1，背景 的像素值置为〇,这样图像就被二值化了。二值化的方法有很多种，一般分为全局阈值法和 局部阈值法
[0029] 全局阈值法是指在二值化过程中只使用一个全局阈值T的方法。它将图像的每 个像素的灰度值与T进行比较，若大于T，则取为前景色（白色）；否则，取为背景色。根据 文本图像的直方图或灰度空间分布确定一个阈值，以此实现灰度文本图像到二值图像的转 化。其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很 大程度上依赖于对阈值的选择，因此该方法的关键是如何选择合适的阈值。
[0030] 典型的全局阈值方法包括Otsu方法、最大熵方法等。全局阈值法算法简单，对于 目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对于由于光照不均匀、噪声干 扰较大等原因使直方图分布不呈双峰的图像，二值化效果明显变差。
[0031] 高斯平滑滤波也属于线性滤波，它是根据高斯函数的形状来选择权值的线性平滑 滤波器。高斯平滑滤波对去除服从正太分布的噪声特别是高斯噪声很有效果。高斯滤波的 特性与高斯函数息息相关，高斯函数具有一下的重要性质：
[0032] 二维高斯函数具有旋转对称性，也就是滤波器在各个方向上的平滑程度是相同 的。通常来说一幅图像的边缘方向是不知道的，因此，我们在滤波之前是无法确定哪个方向 上需要要更多的平滑的，而这意味着高斯滤波在图像处理中不会偏向任一方向。
[0033] 高斯函数是单值函数。与均值滤波相似，高斯滤波用图像像素邻域的加权均值来 代替该点的像素值，而权值的选取是随着该像素点与中心点距离单调递减的，所以离中心 点比较远的像素权值较小，受到的高斯滤波影响会很小。相反如果平滑滤波对边缘像素点 仍然有很大的作用，则会导致图像失真。
[0034] 高斯函数的傅立叶变换频谱是单瓣的。因为图像常被高频信号所污染，而我们所 期望的图像特征，既含有低频分量，又含有高频分量。高斯函数傅立叶变换的单瓣意味着平 滑图像不会被不需要的高频信号所污染，同时保留了大部分所需要的信号。
[0035] 高斯滤波器的宽度（决定着平滑程度）是由参数σ表证的，而且σ和平滑程度 的关系是非常简单的。σ越大，高斯