一種基于多目標的自適應閾值圖像分割方法
【專利摘要】本發明公開了一種基于多目標的自適應閾值圖像分割方法，包括以下步驟：1.輸入待分割的圖像，如果是彩色圖像，需轉換為灰度圖像；2.設置多目標進化自適應目閾值圖像分割的參數，將最大閾值分割數設置為5；3.對輸入的圖像數據分別進行1～5閾值的多目標閾值圖像分割；4.通過步驟2將得到1～5閾值下的Parato最優解，利用F函數分別求得1～5閾值下的最優解，5.通過比較F函數值間的差值選擇最合適的解作為圖像的最佳分割閾值；6.通過選擇出來的最佳閾值來對原圖像進行類別劃分來得到最終的分割結果。本發明能夠實現自適應閾值圖像分割，分割結果精確，算法實現簡單。
【專利說明】
一種基于多目標的自適應閾值圖像分割方法
技術領域
[0001] 本發明屬于圖像處理領域，具體涉及一種基于多目標的自適應閾值圖像分割方 法。
【背景技術】
[0002] 圖像分割是圖像處理中最底層也是最重要的一步，其目的是根據圖像中的灰度、 顏色和紋理等特征將圖像劃分成若干個互不相交的區域，并使得同一區域具有相似的特 征，不同區域間具有明顯的特征差異。
[0003] 基于閾值的圖像分割方法一般是根據某一個閾值準則來對圖像進行閾值分割，因 此獲得的圖像在該準則下是最優的或者是接近最優的。但在實際應用中，圖像分割是一個 根據人們實際需求和實際應用環境，根據具體的問題進行分割的，因此單個的閾值準則有 可能已經滿足不了具體的需求，我們需要從多個角度去考慮問題。此外，在閾值數目的選擇 方面都是先確定好閾值數目再進行分割的，這樣就必須人為的判斷閾值分割數目。

【發明內容】

[0004] 本發明的目的在于提供一種基于多目標的自適應閾值圖像分割方法，以克服上述 現有技術存在的缺陷，本發明能夠實現自適應閾值圖像分割，分割結果精確，算法實現簡 單。
[0005] 為達到上述目的，本發明采用如下技術方案：
[0006] -種基于多目標的自適應閾值圖像分割方法，包括以下步驟：
[0007]步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉換為灰度圖像；
[0008] 步驟二:針對步驟一所得到的灰度圖像分別進行若干不同閾值數目的多目標進化 閾值分割，得到若干不同的Parato解集；
[0009] 步驟三:采用函數Fk求出每個Parato解集中的最優閾值；
[0010] 步驟四：通過比較不同閾值數目下的Fk差值識別最佳閾值分害擻目；
[0011] 步驟五:通過最佳閾值分割數目對原圖像進行類別劃分得到最終的分割結果。
[0012] 進一步地，步驟二中多目標進化閾值分割方法具體為：
[0013] 2a)設置多目標進化閾值分割的參數:最大閾值數目為5,種群規模為200,最大遺 傳代數為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~ 255；
[0014] 2b)種群初始化，隨機產生200個個體，假設有k個閾值則每個染色體有k個基因位， 每個基因位取值為0~255，遺傳代數g = 1;
[0015] 2c)計算種群中每個個體的兩個目標函數值，將兩個目標函數值分別添加到染色 體的k+l、k+2基因位；
[0016] 2d)利用步驟2c)中計算的目標函數值對種群進行非支配排序以及擁擠距離計算， 并將個體序值和擁擠距離分別添加到染色體的k+3、k+4基因位；
[0017] 2e)開始進化，采用錦標賽法根據序值和擁擠距離大小從種群中選出一半數量的 個體作為父代種群；
[0018] 2f)對父代種群進行交叉和變異操作，產生子代種群；
[0019] 2g)將當前種群與子代種群合并并進行精英選擇，獲得與初始種群大小相同的新 一代種群；
[0020] 2h)如果g>300，則執行步驟三，否則，g = g+1，跳轉到步驟2c)。
[0021] 進一步地，步驟2c)中的兩個目標函數分別為體現類間方差函數心以及最大可能 保留圖像原有信息以及邊緣輪廓信息的熵函數f 2。
[0022] 進一步地，計算種群中每個個體的兩個目標函數值具體為：
[0023]假設一幅圖像中包含的像素數目為N，圖像中的灰度級范圍為[0，···，L]，灰度級為 i的像素個數為m，則灰度級i出現的概率為：
[0025] 則目標函數&為：
[0026] fl(tl, t2, ???tk) =Wl(ui-UT)2+W2(u2-UT)2+---+Wk+l(uk+l-UT)2
[0027] 其中：
[0031]其中，（1：142，-41〇為圖像的閾值，1^為圖像所分割的閾值數目，￥11(1彡11彡1^+1)為 第η類像素的灰度出現概率和，un(l<n<k+l)為第η類像素的灰度平均值，UT是整幅圖像的 平均灰度值；
[0032]目標函數5為：
[0033] f2( ti，t2，...tk) =Hl+H2^-----i~Hk+i
[0034] 其中：
[0038]式中，（ti，t2，···tk)為圖像的閾值，k為圖像所分割的閾值數目，Hn( 1 彡k+1)為 第η類像素的信息熵之和，wn(l<n$k+l)為第η類像素的灰度出現概率和，Pl為像素i出現的 概率。
[0039]進一步地，步驟三中函數Fk具體為：
[0041]其中，N為整幅圖像的像素數目，k為圖像所分割的閾值數目，m(k+l)為第k+1類的 灰度平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合， gl是像素 i的灰度值。
[0042]進一步地，步驟四中通過比較不同閾值數目下的Fk差值識別最佳閾值分割數目， 具體為：
[0043] 4a)計算當前閾值數目下的F^zFk-F^，如果這個值為負值，將其置0;第一閾值下 的 Fa = Fi;
[0044] 4b)比較不同閾值數目下的F△值，選擇F△值最大時的閾值數目作為最佳閾值分割 數目。
[0045] 與現有技術相比，本發明具有以下有益的技術效果：
[0046] 本發明首先利用多目標進化閾值分割方法進行分割。與單一的閾值分割準則算法 相比，多目標進化閾值分割算法對圖像背景與目標是否明有明顯雙峰不再敏感，并且盡可 能多的保留圖像的原有信息及邊緣輪廓信息，閾值分割的結果更佳符合實際的需求。最后 使用了 Fk函數可以從最后一組Pareto最優解中選擇合適的閾值，還能從不同的閾值數目中 獲得最佳的閾值，并且獲得較為理想的分割結果。
【附圖說明】
[0047]圖1為本發明方法的整體流程圖；
[0048]圖2為本發明方法的shotl圖像分割結果對比圖；
[0049]圖3為本發明仿真實驗中使用的Berkeley圖像分割結果對比圖；
[0050]圖4為本發明仿真試驗中使用的Berkeley圖像分割結果對比圖；
[0051 ]其中，（a)為待分割圖像；（b)為給定閾值數目下Otsu方法分割結果；（c)為給定閾 值數目下最大熵法分割結果；（d)為本發明在沒有給定閾值數目下，自適應的分割結果。
【具體實施方式】
[0052]下面結合附圖對本發明作進一步詳細描述：
[0053] 一種基于多目標的自適應閾值圖像分割方法，包括以下步驟：
[0054] 步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉換為灰度圖像；
[0055] 步驟二:針對步驟一所得到的灰度圖像分別進行若干不同閾值數目的多目標進化 閾值分割，得到若干不同的Parato解集;具體步驟為：
[0056] 2a)設置多目標進化閾值分割的參數:最大閾值數目為5,種群規模為200,最大遺 傳代數為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~ 255；
[0057] 2b)種群初始化，隨機產生200個個體，假設有k個閾值則每個染色體有k個基因位， 每個基因位取值為0~255，遺傳代數g = 1;
[0058] 2c)計算種群中每個個體的兩個目標函數值，將兩個目標函數值分別添加到染色 體的k+l、k+2基因位；
[0059]兩個目標函數分別為體現類間方差函數心以及最大可能保留圖像原有信息以及 邊緣輪廓信息的熵函數f2,為了計算目標函數，假設一幅圖像中包含的像素數目為N，圖像 中的灰度級范圍為[0，…，L]，灰度級為i的像素個數為m，則灰度級i出現的概率為：
[0061 ]則目標函數負為：
[0062] fl(tl, t2, ???tk) =Wl(ui-UT)2+W2(u2-UT)2+---+Wk+l(uk+l-UT)2
[0063] 其中：
[0067]在上式中（11,12，···tk)為圖像的閾值，k為圖像所分割的閾值數目，wn(1彡n彡k+1) 為第η類像素的灰度出現概率和，un(l<n<k+l)為第η類像素的灰度平均值，ut是整幅圖像 的平均灰度值。
[0068] 目標函數f2為：
[0069] f2( ti，t2，...tk) =Hl+H2^-----i~Hk+i
[0070] 其中：
[0074]在上式中（11，t2，···tk)為圖像的閾值，k為圖像所分割的閾值數目，Hn(1彡n彡k+1) 為第η類像素的信息熵之和，wn( 1 <n<k+l)為第η類像素的灰度出現概率和，Pl為像素 i出現 的概率。
[0075] 為了獲得最佳閾值，需同時最大化函數f#Pf2。由于在多目標進化算法中，同時優 化函數的最小值便于算法的計算，因此在本方法中將同時最小化1/fi、l/f 2兩個目標函數來 求取最佳閾值。
[0076] 2d)利用步驟2c)中計算的目標函數值對種群進行非支配排序以及擁擠距離計算， 并將個體序值和擁擠距離分別添加到染色體的k+3、k+4基因位；
[0077] 2e)開始進化，采用錦標賽法根據序值和擁擠距離大小從種群中選出一半數量的 個體作為父代種群；
[0078] 2f)對父代種群進行交叉和變異操作，產生子代種群；
[0079] 2g)將當前種群與子代種群合并并進行精英選擇，獲得與初始種群大小相同的新 一代種群；
[0080] 2h)如果g>300，則執行步驟三，否則，g = g+1，跳轉到步驟2c)。
[0081 ]步驟三:采用函數Fk求出每個Parato解集中的最優閾值，函數Fk值越大，則分割結 果越好;具體為：
[0083]其中，N為整幅圖像的像素數目，k為圖像所分割的閾值數目，m(k+l)為第k+Ι類的 灰度平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合， gl是像素 i的灰度值。
[0084] 步驟四：通過比較不同閾值數目下的Fk差值識別最佳閾值分割數目；具體為：
[0085] 4a)計算當前閾值數目下的，如果這個值為負值，將其置0;第一閾值下 的 Fa = Fi;
[0086] 4b)比較不同閾值數目下的F△值，選擇F△值最大時的閾值數目作為最佳閾值分割 數目。
[0087]步驟五:通過最佳閾值分割數目對原圖像進行類別劃分得到最終的分割結果。 [0088]為了驗證本發明的有效性，實驗中選取一幅shot圖像（圖2中（a)所示）以及 Berkeley圖像數據庫中的2幅圖像(如圖3中（a)及圖4中（a)所示），圖2-圖4中的(b)是在給 定閾值數目下Otsu法（即最大類間方差法)的分割結果，圖2-圖4中的(c)是給定閾值數目下 最大熵法的分割結果，圖2-圖4中的(d)是本發明的分割結果。
[0089]仿真效果分析:本發明利用多目標進化算法來對閾值圖像進行分割，在最后最優 解的選擇上，使用Fk函數可以自適應的選擇出最佳閾值獲得閾值圖像分割的最終結果，相 對于傳統的給定閾值數目求解最終閾值有較大進步，分割結果也有所提高。
【主權項】
1. 一種基于多目標的自適應闊值圖像分割方法，其特征在于，包括W下步驟： 步驟一:輸入待分割圖像，若待分割圖像為彩色圖像，先將其轉換為灰度圖像； 步驟二:針對步驟一所得到的灰度圖像分別進行若干不同闊值數目的多目標進化闊值 分割，得到若干不同的化rato解集； 步驟Ξ:采用函數Fk求出每個化rato解集中的最優闊值； 步驟四：通過比較不同闊值數目下的Fk差值識別最佳闊值分割數目； 步驟五:通過最佳闊值分割數目對原圖像進行類別劃分得到最終的分割結果。2. 根據權利要求1所述的一種基于多目標的自適應闊值圖像分割方法，其特征在于，步 驟二中多目標進化闊值分割方法具體為： 2a)設置多目標進化闊值分割的參數:最大闊值數目為5,種群規模為200,最大遺傳代 數為300,交叉概率為0.9,變異概率為0.1，基因變異范圍為5~15,基因編碼范圍0~255; 2b)種群初始化，隨機產生200個個體，假設有k個闊值則每個染色體有k個基因位，每個 基因位取值為0~255,遺傳代數g = l; 2c)計算種群中每個個體的兩個目標函數值，將兩個目標函數值分別添加到染色體的k +l、k+2基因位； 2d)利用步驟2c)中計算的目標函數值對種群進行非支配排序W及擁擠距離計算，并將 個體序值和擁擠距離分別添加到染色體的k+3、k+4基因位； 2e)開始進化，采用錦標賽法根據序值和擁擠距離大小從種群中選出一半數量的個體 作為父代種群； 2f)對父代種群進行交叉和變異操作，產生子代種群； 2g)將當前種群與子代種群合并并進行精英選擇，獲得與初始種群大小相同的新一代 種群； 2h)如果g〉300，則執行步驟Ξ，否則，g = g+1，跳轉到步驟2c)。3. 根據權利要求2所述的一種基于多目標的自適應闊值圖像分割方法，其特征在于，步 驟2c)中的兩個目標函數分別為體現類間方差函數fiW及最大可能保留圖像原有信息W及 邊緣輪廓信息的賭函數f 2。4. 根據權利要求3所述的一種基于多目標的自適應闊值圖像分割方法，其特征在于，計 算種群中每個個體的兩個目標函數值具體為： 假設一幅圖像中包含的像素數目為N，圖像中的灰度級范圍為[0，···，L]，灰度級為i的 像素個數為m，則灰度級i出現的概率為： P -二山 ' N 則目標函數fi為： f 1 (11, t2，... tk) = W1 (山-UT) 2+W2 (U2-UT) 2+... +Wk+1 (Uk+1-UT) 2 其中：其中，（ti，t2，-，tk)為圖像的闊值，k為圖像所分割的闊值數目，￥。(1《11《4+1)為第]1類 像素的灰度出現概率和，un(l《n《k+l)為第η類像素的灰度平均值，UT是整幅圖像的平均灰 度值； 目標函數f 2為： f2(tl, t2, ...tk) =Hl+出+...+Hk+l 其中：式中，（ti，t2，一tk)為圖像的闊值，k為圖像所分割的闊值數目，Hn(l《n《k+1)為第η類 像素的信息賭之和，wn( l《n《k+l)為第η類像素的灰度出現概率和，Pi為像素 i出現的概率。5. 根據權利要求1所述的一種基于多目標的自適應闊值圖像分割方法，其特征在于，步 驟Ξ中函數Fk具體為：其中，N為整幅圖像的像素數目，k為圖像所分割的闊值數目，m化+1)為第k+1類的灰度 平均值，m(l)為第一類的灰度平均值，為第j類的灰度平均值，Cj是第j類的像素集合，gi是 像素 i的灰度值。6. 根據權利要求1所述的一種基于多目標的自適應闊值圖像分割方法，其特征在于，步 驟四中通過比較不同闊值數目下的Fk差值識別最佳闊值分割數目，具體為： 4a)計算當前闊值數目下的FA = Fk-Fk-i，如果運個值為負值，將其置0;第一闊值下的Fa = Fi； 4b)比較不同闊值數目下的Ρλ值，選擇Ρλ值最大時的闊值數目作為最佳闊值分割數目。
【文檔編號】G06T7/00GK106097351SQ201610423850
【公開日】2016年11月9日
【申請日】2016年6月13日 公開號201610423850.1, CN 106097351 A, CN 106097351A, CN 201610423850, CN-A-106097351, CN106097351 A, CN106097351A, CN201610423850, CN201610423850.1
【發明人】趙鳳, 惠房臣, 劉漢強, 鄭月, 王俊, 韓文超
【申請人】西安郵電大學