基于Renyi交叉熵與高斯分布的圖像閾值分割方法
【專利摘要】基于Renyi交叉熵與高斯分布的圖像灰度直方圖閾值分割方法，包括步驟：1初始化Renyi交叉熵指數α；2讀取待分割的灰度圖像并將其存入一個二維圖像數組I中；3遍歷圖像數組I，計算得到圖像最大灰度級數L及灰度級集合G={0,1,…,L}；4假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合C0與C1；5用公式計算出關于C0與C1的先驗概率P0及P1、灰度級均值M0與M1，C0與C1的類方差S0與S1，圖像每個灰度級i關于C0與C1的類概率與，圖像灰度級i用高斯擬合得到的歸一化后驗概率；經過定義圖像關于Renyi交叉熵的具有對稱性的信息量；得到最優分割閾值；最后輸出分割后的圖像。
【專利說明】
基于Reny i交叉熵與高斯分布的圖像閾值分割方法
技術領域
[0001] 本發明屬于圖像處理技術領域，更進一步涉及圖像分割技術領域的一種基于 Reny i交叉熵與高斯分布的圖像閾值分割方法。
【背景技術】
[0002] 圖像分割是基于機器視覺的圖像處理任務中的一個關鍵環節，它是實現圖像目標 特征抽取、識別、檢測及圖像分析與理解的基礎。在眾多的圖像分割方法中，由于閾值分割 方法的簡潔有效及易于實現性而成為科學研究及應用實踐中得到廣泛采用的分割技術。
[0003] 閾值分割技術可分為參數法和非參數法。由于非參數法在進行圖像分割時僅需設 計一準則函數而少有大量參數的估計從而帶來計算時間的減少，而且有效性從理論和實踐 方面都能得到較好驗證，因此這類方法的研究和應用在實踐中都極為活躍。著名的非參數 法有如最大類間方差法（也稱為Otsu法）、最大熵(ME)法、最小交叉熵(MCE)法、Renyi熵法 等。
[0004] 圖像是一個復雜的物理系統，到目前為止還沒有一種普適的分割方法適用于所有 的圖像分割任務，所以面對不同的分割任務(如對NDT圖像的分割），研究和提出切實有效的 分割方法在目前而言仍然是一個極具挑戰的工作。

【發明內容】

[0005] 本發明的目的在于為應對復雜的圖像分割任務而提出一種基于Renyi交叉熵與高 斯分布的圖像閾值分割方法。
[0006] 本發明通過以下技術方案來實現上述目的： 基于Renyi交叉熵與高斯分布的圖像閾值分割方法，包括如下步驟： (1) 初始化Reny i交叉熵指數α (α>〇且α乒1); (2) 讀取待分割的灰度圖像，并將其存入一個二維圖像數組I中； (3) 遍歷圖像數組I，計算得到圖像最大灰度級數L及灰度級集合G={0, 1，…，L}，計 算歸一化的灰度直方圖H(H={h〇, lu，…，hL}); (4) 假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合Co與C1, C0= {0, 1, 2, ···, t},C〇={t+l, t+2, ···, L}； (5) 用H做為圖像灰度級的概率密度函數估計，則可以用以下公式計算出關于Co與&的 先驗概率、灰度級均值Mo與M1;
公式四
(6)為了用高斯分布擬合圖像灰度級概率分布，用以下公式計算關于Co與&的類方差So 與Si; 值
(12)輸出分割后的圖像。
[0007] 本發明的有益效果:本發明采用具有堅實物理學背景的Renyi交叉熵做為圖像閾 值分割的準則函數，使本發明與其它方法相比具有更加明確的物理學意義;本發明采用廣 泛用于模擬自然界事件發生概率的高斯分布擬合圖像灰度級像素的概率分布，使本發明具 有更好的普適性;本發明采用經過大量測試普適性較強、性能優越的對稱Renyi交叉熵做為 圖像閾值分割的準則函數，進一步提高了灰度圖像的分割質量;在對圖像進行閾值分割時， 本發明可以通過調整Renyi交叉熵參數α值獲得不同的分割閾值，這使本發明具有更好的應 對不同圖像分割任務的潛能。
[0008] 本發明是一種基于圖像灰度級直方圖的分割技術。由于自然圖像的復雜性，對圖 像實施有效的分割是一件很困難的工作。用高斯分布來擬合圖像灰度級直方圖的概率分布 是一種較合理的估計，然后借用具有可調熵參數的對稱Renyi交叉熵來構建圖像閾值分割 的準則函數，這也正是本發明的核心思想。
[0009] 實驗表明，對于具有8位256級灰度的多幅測試圖像，在一臺CPU為Intel(R) Core (TM)2 Duo CPU T8100 @ 2.10GHz，操作系統為Window XP，編程環境為MATLAB R2007b的條 件下執行相應的圖像分割任務，應用本發明得到的分割圖像區域內部均勻，輪廓邊界準確， 分割結果要優于Otsu法、最大熵(ME)法、最小交叉熵(MCE)法、Renyi熵法等傳統方法；另外 通過調節熵參數α值也使本發明具有更好的普適性。
【附圖說明】
[0010]圖1是本發明的流程框圖。
[0011]圖2是三幅NDT圖像及其專家分割結果。
[0012 ]圖3是相比較的5種方法對NDT圖像img 1的分割結果。
[0013 ]圖4是相比較的5種方法對NDT圖像img2的分割結果。
[0014]圖5是相比較的5種方法對NDT圖像img3的分割結果。
[0015]圖6是一幅待分割的紅外圖像img4和一幅血細胞圖像img5。
[0016]圖7是相比較的5種方法對紅外圖像img4的分割結果。
[0017]圖8是相比較的5種方法對血細胞圖像img5的分割結果。
【具體實施方式】
[0018]下面結合附圖對本發明作進一步說明。
[0019] 步驟1.設定Renyi交叉熵指數α(α>〇且α辛1)值，初始化圖像最小Renyi交叉熵 MinRE為無窮大。
[0020] 步驟2.讀取如圖2所示的待分割圖像，并將其存入一個二維圖像數組I中。
[0021] 步驟3.遍歷圖像I，獲取圖像最大灰度級數L、灰度級集合G，計算得到歸一化的灰 度級直方圖H。
[0022] 步驟4.假定t為關于圖像I的一個灰度直方圖分割閾值，該閾值把G分成Co與(^兩 部分。
[0023] 步驟5.計算關于Co與C1的先驗概率Pt^P1、灰度級均值Mo與M 1、類方差So與Su
[0024] 步驟6.根據高斯分布原理計算圖像灰度級i關于Co與&的類概率^與義;及歸一 化的后驗概率Pi。
[0025] 步驟7.根據Renyi交叉熵原理計算圖像灰度級直方圖概率向量與高斯擬合概率 向量的Renyi交叉熵信息量D。
[0026]步驟8.根據最小Renyi交叉熵原理求取最佳分割閾值t*。
[0027] 步驟9.用C對圖像I實施閾值分割并輸出分割圖像。
[0028] 本發明效果可以通過以下實驗進一步說明： 1)實驗條件 實驗仿真環境為：一臺CPU為Intel(R) Core(TM)2 Duo CPU T8100 0 2.10GHz，操作系 統為Window XP，編程環境為MATLAB R2007b的PC機;實驗圖像為:三幅最大灰度級為255的 NDT圖像imgl、img2、img3及一幅紅外圖像img4和一幅血細胞圖像img5。
[0029] 2)實驗內容 2.1)用Otsu法、最大熵(ME)法、最小交叉熵(MCE)法、Reny i熵法及本發明五種方法對三 幅NDT圖像：[11^1、;[11^2、;[11^3進行實驗，本實驗中本發明方法中的1^117；[交叉熵指數設定為 0.8,五種分割方法實驗結果如圖3-5所示。圖2列出的是待分割的三幅NDT原始圖像及其專 家分割結果，其中圖2(a)為imgl原圖像、圖2(b)為img2原圖像、圖2(c)為img3原圖像、圖2 (d)是imgl圖像的專家分割結果、圖2(e)是img2圖像的專家分割結果、圖2(f)是img3圖像的 專家分割結果。圖3是五種方法對imgl圖像的分割結果，其中圖3(a)是Otsu法結果，圖3(b) 是ME法結果，圖3(c)是MCE法結果，圖3(d)是Renyi熵法結果，圖3(e)是本發明分割結果；圖4 是五種方法對img2圖像的分割結果，其中圖4 (a)是Ot su法結果，圖4 (b)是ME法結果，圖4 (c) 是MCE法結果，圖4(d)是Renyi煙法結果，圖4(e)是本發明分割結果；圖5是五種方法對img3 圖像的分割結果，其中圖5 (a)是Otsu法結果，圖5 (b)是ME法結果，圖5 (c)是MCE法結果，圖5 (d)是Renyi熵法結果，圖5(e)是本發明分割結果。
[0030] 2.2)用OtSU法、ME法、MCE法、Renyi熵法及本發明五種方法對一幅紅外圖像img4及 一幅血細胞圖像img5進行分割實驗，在本實驗中，針對img4分割時本發明Renyi交叉熵指數 設定為0.8,對img5分割時本發明Renyi交叉熵指數設定為1.5,五種分割方法實驗結果如圖 7-8所示。圖6列出的是實驗用的一幅紅外img4和一幅血細胞圖像img5,其中圖6(a)是img4 原圖，圖6(b)是img5原圖。圖7是五種方法對img4的分割結果，其中圖7(a)是Otsu法結果，圖 7 (b)是ME法結果，圖7 (c)是MCE法結果，圖7 (d)是Renyi熵法結果，圖7 (e)是本發明分割結 果；圖8是五種方法對img5的分割結果，其中圖8(a)是Otsu法結果，圖8(b)是ME法結果，圖8 (c)是MCE法結果，圖8(d)是Renyi煙法結果，圖8(e)是本發明分割結果。
[0031] 3)實驗結果分析 從圖3-5及圖7-8的分割結果可以看出，無論是Otsu法，ME法，MCE法，還是Renyi熵法，在 實驗圖像分割上都不能很好的把要關注的目標分割出來，在分割結果圖中還殘留有較多的 噪聲點信息，分割結果區域一致性較差，這些現象在對NDT圖像的分割上表現尤為明顯，本 發明在這方面表現要優于對比方法。
[0032]表1結出了不同方法對imgl、img2、img3分割結果比較。表1中數據表示錯誤分類像 素點個數與圖像像素點總數的百分比，即錯誤分類像素點個數/圖像像素總數X 100%。在這 里把圖2中的專家分割結果作為原始圖像的正確分割結果，錯誤分類像素點個數是通過各 方法的分割結果與專家分割結果進行比較得到的。從表1可以看出，本發明得到的分割結果 誤分率最低，最接近于專家通過手工分割得到的結果。
[0033] 表1. NDT圖像誤分率比較
【主權項】
1.基于Renyi交叉熵與高斯分布的圖像灰度直方圖閾值分割方法，其特征在于，包括如 下步驟： (1) 初始化Renyi交叉熵指數α(α>〇且α乒1); (2) 讀取待分割的灰度圖像，并將其存入一個二維圖像數組I中； (3) 遍歷圖像數組I，計算得到圖像最大灰度級數L及灰度級集合G={0, 1，…，L}，計 算歸一化的灰度直方圖H(H={h〇, lu，…，hL}); (4) 假定t為分割閾值，t將圖像像素分為歸屬于兩個不同類的灰度級集合Co與ChCF {0, 1, 2, ···, t},C〇={t+l, t+2, ···, L}； (5) 用H做為圖像灰度級的概率密度函數估計，則可以用以下公式計算出關于Co與(^的 先驗概率、灰度級均值Mo與施；(6) 為了用高斯分布擬合圖像灰度級概率分布，用以下公式計算關于CQ與(^的類方差So 與Si;(7) 用以下公式計算圖像每個灰度級i關于(^與心的類概率尹|與(8) 用公式九計算圖像灰度級i用高斯擬合得到的歸一化后驗概率；(9) 基于以上假設，定義圖像關于Renyi交叉熵的具有對稱性的信息量公式D;(10) 在G={0，1，…，L}范圍內搜索使下式獲得最小值的灰度級t'tl卩最優分割閾 值；(11) 設/ U，/)表示圖像I坐標(H)處的像素灰度值，則可用下式對圖像I實施分割；(12) 輸出分割后的圖像。
【文檔編號】G06T7/00GK106056618SQ201610401927
【公開日】2016年10月26日
【申請日】2016年6月8日
【發明人】聶方彥, 張平鳳, 李建奇, 羅佑新
【申請人】湖南文理學院