一种用于彩色图像处理的自适应阈值分割方法

合集下载

一种自适应模糊阈值区间的图像分割方法

收稿日期:2009-09-18;修回日期:2009-12-11基金项目:江苏省计算机信息处理技术重点实验室开放课题项目(08K JB520003)作者简介:宋淑娜(1983-),女,山东临沂人,硕士研究生,研究方向为计算智能;高　尚,博士,硕士生导师,主要从事人工智能领域的研究。

一种自适应模糊阈值区间的图像分割方法宋淑娜1,李金霞1,胡学坤1,高　尚2(11江苏科技大学计算机科学与工程学院,江苏镇江212003;21苏州大学江苏省计算机信息处理技术重点实验室,江苏苏州215006)摘　要:针对图像分割边缘不准确的问题,研究了一种基于模糊理论的阈值区间的图像分割方法。

在首先介绍的模糊阈值分割的基本原理上,提出了一种分层分割图像的思想。

根据图像具有模糊的性质,利用模糊阈值法得到一个图像分割的调和阈值,再将每一层根据像素统计直方图信息得到一个本层次的阈值区域,最后用模糊阈值法得到的阈值调和阈值区域,使最终的分割阈值区间更精确。

最后,根据相邻层相连背景像素相似的原则,逐层分割图像。

实验结果表明该方法具有较好的分割效果。

关键词:像素统计;图像分割;阈值区域;调和阈值;自适应中图分类号:TP301 文献标识码:A 文章编号:1673-629X (2010)05-0121-03A Method of Adaptive Fuzzy Threshold R egion for Image SegmentationSON G Shu 2na 1,L I Jin 2xia 1,HU Xue 2kun 1,G AO Shang 2(11School of Computer Science and Engineering ,Jiangsu University of Science and Technology ,Zhenjiang 212003,China ;21Provincial K ey Laboratory of Computer Information Processing Technology ,S oochow University ,Suzhou 215006,China )Abstract :Aimed at the problem that image segmentation is not accurate ,research a method of image segmentation is based on fuzzy of the thresholding region.At first introduce the basic principles of fuzzy thresholding on segmentation.A hierarchical image segmentation idea is presented.According to the fuzzy nature of images obtain an attemper thresholding of image segmentation.Histogram to expose the pixels distributing in every layer ,with the information of pixel statistic to figure out every layer ’s background pixel region.Finally ,using the fuzzy thresholding attemper the thresholding region.By the relationship between adjoin layers of similar background pixels ,segment layers.The experimental results demonstrate this kind of algorithm is effective and preferable.K ey w ords :pixel statistic ;image segmentation ;threshold region ;attemper threshold ;adaptive0　引　言图像分割是图像分析和模式识别的第一步,是图像处理中难度最大的部分之一,决定了最终分析结果的质量。

基于遗传算法的彩色图像二维熵多阈值自适应分割

第20卷第6期V ol.20N o.6　控　制　与　决　策　Contr ol andDecision 2005年6月　June 2005 收稿日期:2004-07-08;修回日期:2004-09-28. 基金项目:国家自然科学基金项目(60104009);山东省自然科学基金项目(Y2001G 06). 作者简介:常发亮(1965—),男,山东寿光人,教授,从事模式识别、机器视觉与智能控制的理论及应用研究;乔谊正(1945—),上海人,教授,博士生导师,从事模式识别等研究. 文章编号:1001-0920(2005)06-0674-05基于遗传算法的彩色图像二维熵多阈值自适应分割常发亮,刘　静,乔谊正(山东大学控制科学与工程学院,山东济南250061)摘　要:提出一种基于遗传算法的二维熵多阈值自适应图像分割方法.在分析研究二维熵阈值分割原理的基础上,将可变码长的遗传算法应用于多阈值分割处理过程,采用基于多阈值的整数编码方式,将图像分割的类别数即染色体的码长融合到适应度函数中,从而实现了在对阈值寻优的同时得以优化分割类别数,最终实现图像的多阈值自适应分割处理.实验分析结果表明,该方法具有实现阈值寻优速度快,最优解对应图像分割效果好的特点.关键词:遗传算法;二维熵;多阈值;图像分割中图分类号:T P391.41 文献标识码:ASelf -adaptive threshold segmentation for color image using two -dimensional entropy method based on genetic algorithmCH A NG Fa -liang ,L I U J ing ,QI A O Yi -z heng(Co nt ro l Science and Eng ineering D epar tment ,Shando ng U niver sity ,Ji ′nan 250061,China .Co rr espo ndent :CHA N G F a-liang ,E-ma il:flchang @)Abstract :A met ho d o f color imag e multi-threshold segm enta tio n using tw o-dimensio na l ent ro py m et hod based o n genetic alg or ithm (GA )is pr esented .T hr o ug h ana ly zing the theor y o f entro py thr esho ld segmentat ion ,a GA of chang eable code-length is applied.Ev ery threshold is co ded a s integ er data,and the fitness functio n includes classes of seg ment atio n,w hich is the lengt h o f o ne chro mosom e.T hen it r ealizes o ptimizing cla sses o f seg mentation as soo n as optimizing ev ery thr esho ld .T he ex perim ent s sho w that t he applied segmentation met ho d sho w s highly effect ive and speediness .Key words :g enetic algo rithm;tw o -dimensional ent ro py ;muti-thr esho ld;imag e seg mentatio n1　引言图像分割[1,2]是指应用一种或多种运算将图像分成一些具有类似特性(如颜色、纹理、密度等)的区域,主要方法有区域方法和阈值方法两类.前者利用局部空间信息进行分割,将具有相似特性的像素集合起来构成区域,主要有分区域生长法和分裂合并法;后者利用灰度频率对分布信息进行分类,一般分为直方图法、最大类间方差法、模糊聚类法和神经网络方法等.阈值方法因其简单、性能稳定而成为图像分割中的基本技术.但在许多情况下,一幅图像中的物体可能由于表面灰度和颜色的不同,在灰度级上有不同的反映,简单的二值分割已不能反映图像的特点,有必要进行多阈值分割,从而为后续处理提供更多的信息.1985年Kapur 等提出了一维最大熵阈值法,1989年Abutaleb [1]将一维推广到二维熵阈值法,这种方法不需要先验知识,而且对于非理想双峰或多峰直方图的图像也可以进行较好的分割.但该方法在实现多阈值分割时,传统的算法是采用穷尽的搜索方法寻求最优解,需要大量的计算时间,从而限制了它的使用.具有鲁棒性、自适应性的遗传算法[3](GA )是一种较好的优化搜索算法,它采用全局并行搜索技术寻找优化群体中的最优个体.因此在多阈值分割处理中,可以引入遗产算法来缩短计算时间.此外,在遗传算法中,为了解决复杂图像的分割类别数难以确定的问题,本文将图像分割的类别数即染色体的码长融合到适应度函数中,从而实现了在对阈值寻优的同时得以优化分割类别数.本文将可变码长的GA用于二维熵多阈值分割处理,实现了图像的自适应分割处理,缩短了寻找多阈值的时间,使分割结果更有利于计算机视觉的后续处理.2　二维熵阈值选择法2.1　单阈值分割熵是平均信息量的表征[4],根据信息论,熵可定义为H=-∫+∞-∞p(x)log p(x)d x,(1)其中p(x)为随机变量x的概率密度函数.对于数字图像,x可以是灰度、区域灰度和梯度等特征.根据最大熵原理,用灰度的一维熵求取阈值就是选择一个阈值.图像用该阈值分割出的两部分的一阶灰度统计的信息量最大,即此时一维熵最大.一维最大熵阈值法[5,6]是基于图像的原始直方图,仅利用了点灰度信息,而未充分利用图像的空间信息,信噪比降低时,分割效果并不理想.Abutaleb提出的二维最大熵阈值法,利用图像中各像素的点灰度及其区域灰度均值生成二维直方图,并以此为依据选取最佳阈值,其基本原理[2,7]如下:若原始灰度图像的灰度级为L,则原始图像中的每一个像素都对应于一个点灰度-区域灰度均值对,设f ij为图像中点灰度为i以及区域灰度均值为j 的像素点数,p ij为点灰度-区域灰度均值对(i,j)发生的概率,即p ij=f ij/(M×N),其中M×N为图像大小,则{p ij,i,j=1,2,…,L}代表了该图像关于点灰度-区域灰度均值的二维直方图.图1为二维直方图的X OY平面图,其中沿对角线分布的A区和D 区分别代表目标和背景,远离对角线的B区和C区代表边界和噪声.由于图像的所有像素中,目标点和背景点所占比例最大,且目标与背景区域内部的像素灰度级比较均匀,点灰度及其区域灰度均值相差不大,所以各像素点大都集中在对角线附近的A和D区域;而边界点和噪声点则与此相反,集中在偏离对角线的B和C区域.显然,A区与D区上二维参数对的分布概率在对应的区域应有最大值,且对应最大熵,则由此确定的最佳阈值使分割后的图像代表目标和背景的信息量最大,效果最好.此外,由于忽略了噪声点的影响,该方法具有比较好的抗噪性.这种单阈值分割法的具体实现如下: 设A区和D区各自具有不同的概率分布,如果阈值图1　XOY平面图—半阈值图2　XOY平面图—多阈值设在(s,t),则P A=∑i∑jp ij,i=1,…,s,j=1,…,t;(2)P D=∑i∑jp ij,i=s+1,…,L,j=t+1,…,L.(3)定义离散二维熵为H=-∑i∑jp ij log p ij,(4)则A区和D区的二维熵分别为H(A)=-∑i∑j(p ij/P A)log(p ij/P A)=log P A+H A/P A,(5) H(D)=-∑i∑j(p ij/P D)lo g(p ij/P D)=log P D+H D/P D.(6)其中H A=-∑i∑jp ij log p ij,i=1,…,s,j=1,…,t;(7)H D=-∑i∑jp ij log p ij,i=s+1,…,L,j=t+1,…,L.(8) 由于B区和D区所包含的是关于噪声和边缘的信息,可将其忽略不计,即假设这两区域的p ij= 0.其中:B区对应i=s+1,…,L,j=1,…,t;C区对应i=1,…,s,j=t+1,…,L.由此可得P D=1-P A,H D=H L-H A.其中H L=-∑i∑jp ij lo g p ij,第6期常发亮等:基于遗传算法的彩色图像二维熵多阈值自适应分割675i=1,…,L,j=1,…,L.(9)则H(D)=-∑i ∑j(p ij/P D)log(p ij/P D)=log(1-P A)+(H L-H A)/(1-P A),(10)于是,熵的判别函数定义为W(s,t)=H(A)+H(D)=lo g P A(1-P A)+H A/P A+(H L-H A)(1-P A).(11)选取的最佳阈值向量(s*,t*)满足W(s*,t*)=M ax{W(s,t)}.(12) 2.2　多阈值分割对复杂图像或含有多个物体的图像进行分割处理,需要用到多阈值分割.可在前述单阈值分割的基础上进行推广,将二维熵法应用于多阈值分割.采用同样的方法绘制多阈值分割的点灰度-区域灰度均值的二维直方图,其X OY平面如图2所示.前面已分析得出,目标点和背景点大多集中到X OY平面的对角线区域,噪声点和边缘分布在偏离对角线的两个对角上.因此,在多阈值分割处理中,为减少计算量,应将噪声和边缘所包含的信息忽略不计,而由对角线区域各参数对的分布概率确定一个最佳阈值,使得代表目标和背景的信息量最大,分割效果最好. 将图像用N-1个阈值分割成N个不同的区域,实现方法如下:设A1,A2,…,A N区各自具有不同的概率分布,如果阈值分别设在(s1,t1),(s2,t2),…,(s N-1,t N-1), s1>s2>…>s N-1,t1>t2>…>t N-1,则其熵的判别函数定义为W(s1,s2,…,s N-1,t1,t2,…,t N-1)=H(A1)+H(A2)+…+H(A N)=log P A1P A2…P AN+H A1/P A1+H A2/P A2+…+H AN/P N.(13)选取的最佳阈值满足W(s*1,…,s*N-1,t*1,…,t*N-1)=M ax{W(s1,s2,…,s N-1,t1,t2,…,t N-1)}.3　基于GA的多阈值自适应图像分割3.1　遗传算法(GA)的工作流程GA[3]是由美国科学家Holland提出的,其主要优点是简单、鲁棒性强,需要解决的问题越复杂,目标越不明确,优越性越大.遗传操作主要包括选择、交叉、变异3种基本操作,其基本工作流程如下:1)随机生成初始种群,个体数目一定;2)计算群体中每个个体的适应度,并判断是否符合预设的优化准则,若符合,输出最佳个体及其所代表的最优解,结束计算,否则继续进行;3)依据适应度选择再生个体,适应度高的个体被选中的概率高,适应度低的个体被选中的概率低;4)按照一定的交叉概率和交叉方法,生成新的个体;5)按照一定的变异概率和变异方法,生成新的个体;6)由交叉和变异产生的新个体组成新一代的种群,返回到2),继续进行计算.GA的优化准则,一般依据问题的不同有不同的确定方式.通常采用的准则有:种群中个体的最大适应度超过预先的设定值;种群中个体的平均适应度超过预先设定值;进化代数超过预先设定值.3.2　熵阈值分割在GA中的构造问题将遗传算法用于前面所讨论的图像二维熵阈值选择[8],应首先解决以下两个问题:1)如何将问题的解编码成染色体,即如何将多个阈值表示成染色体;2)如何构造一个适应度函数来评价每个染色体的适应度,即如何评价每组阈值的分割效果.因为采用灰度-区域灰度均值二维直方图进行分析,且分析对像是真彩色图像,即每个像素点都具有属于[0,255]的RGB共3个颜色分量,因此得到的阈值组是由多个6维向量(s Ri,s Gi,s Bi,t Ri,t Gi,t Bi)组成的,其中i=1,2,…,N-1,N为分割类别数.为避免过长的染色体带来计算上的复杂性,文中算法采用实数编码方式.这样,每条染色体的长度为6×(N-1)个整数码串.熵判别函数被用来作为遗传算法的适应度函数,即F(s,t)=W(s,t).F(s,t)越大,说明分割效果越好,该染色体的适应度越高.解决了上述2个问题后,只需按照遗传算法的流程执行即可.经过一定的迭代次数后,得到一个最佳的染色体.对该染色体解码,便可得到所需要的多个分割阈值.3.3　固定码长GA的多阈值分割如果通过先验知识可以得知图像分割的类别数N(即需N-1个阈值进行分割),则可采用固定码长GA分割法,即用N-1个基因代表N-1个不同的分割阈值,编码成一个染色体.编码与适应度函数已在前面指出,这里只对选择、交叉和变异操作进行说明.1)基于排名的选择操作:根据个体的适应度在群体中的排名来分配选择概率,基于此概率采用转盘选择法;2)线性交叉:交叉概率P c取为0.3～0.4;676控制与决策第20卷3)均匀变异:变异概率P m取为0.1～0.2. 3.4　可变码长GA的自适应多阈值分割如果在图像分割前不知道需要分割的类数或其很难确定,则要求分割方法能自动确定最佳分类数,本文采用的可变码长遗传算法便可以实现这一点.把图像分割的类别数即染色体的码长融合到适应度函数中,从而实现在对阈值寻优的同时得以优化分割类别数,最终实现图像的多阈值自适应分割处理.与固定码长的GA相比,主要在以下几个方面加以改进.1)编码:仍基于RGB分割阈值,但另需给出一最大码长M ax N,即最大分割类数,则每个个体码长N i的变化范围为1～M ax N.2)适应度函数的改进:如直接将式(11)的熵判别函数作为适应度函数,则不能同时对所分类数N 进行优化.在此引入函数估计和学习系统理论中的模型复杂度概念[9],在原来熵函数的基础上乘一惩罚因子,提出如下启发式准则函数作为适应度函数: F D=NW(s*1,s*2,…,s*N-1,t*1,t*2,…,t*N-1).(14)并由此进行基于排序的转盘选择.其中:N为分类数,W(õ)为熵函数.3)交叉操作的改进:对进行交叉操作的染色体对的共同部分(即较短染色体长度范围内),进行一般的线性交叉;对共同部分以外的,即较长染色体长出的一部分,等概率地进行以下3种操作:丢弃,拼接在另一条染色体上,长度变短为某个随机值.后半部分操作包含了染色体长度的变化,从而使图像的分割类数自适应变化.4)变异操作的改进:变异操作是在原均匀交叉方法的基础上加进了关于码长变异的操作,即等概率地使染色体长度变长或变短.其中,变长就是在其后拼接上一随机长度的向量,变短则可以简单地将染色体截断一段随机长度.当然变化后的染色体长度应在1～M ax N范围内.4　实验结果与分析本文采用110×70的24位真彩色图像作为实验分析对像,用VC++编写算法程序,实现分割处理,并由先验知识预设分割阈值的个数为3(针对二维熵阈值法和固定码长GA法).图3为原图像,图4为二维熵阈值分割结果,图5为基于固定码长GA的多阈值分割结果,图6为基于可变码长GA的多阈值分割结果.表1为以上各种处理方法的性能对照表(在PIV800计算机上进行计算的结果).显然,图像重复处理分割的结果基本一致.图3　原图图4　二维熵阈值法图5　固定码长GA法图6　可变码长GA法表1　性能对照表二维熵阈值法固定码长GA法可变码长GA法阈值个数334时间/s1******* 由实验结果分析可以看出: 1)在预设阈值个数相同的前提下,固定码长GA法与传统的二维熵阈值法相比,分割效果略好,但前者寻优的快速性明显优于后者;2)可变码长GA法与固定码长GA法相比,处理时间略长,但前者的分割效果比后者好.5　结论本文给出了一种基于遗传算法的二维熵多阈值图像分割方法.该方法采用可变码长的遗传算法,实现了图像分割类别数与最佳多阈值的自动确定,进而完成了彩色图像的自适应多阈值分割.本文方法比采用穷尽搜索方式的传统二维熵阈值法实现阈值寻优速度快得多,最优解对应图像的分割效果更好.第6期常发亮等:基于遗传算法的彩色图像二维熵多阈值自适应分割677参考文献(References)[1]A butaleb A S.A utomat ic t hr esholding of gr ay-lev elpictur es using tw o-dimensional entr opy[J].Comp uter, V ision Grap hic I mage Pr ocess,1989,47(1):22-32. [2]郭国栋,马颂德.彩色图像分割[J].中国图像图形学报,1998,3(11):918-921.(Guo G D,M a S D.Co lor im age seg mentation[J].J of I mage and Gr ap hics,1998,3(11):918-921.) [3]王小平,曹立明.遗传算法-理论、应用与软件实现[M].西安:西安交通大学出版社,2002:5-10.[4]Shanbhag A G.U tiliza tio n of infor mation measur e as ameans o f imag e thresholding[J].Com p uter V ision, Gr ap hics,I mage Pr ocessing-Gr ap hical M odel andI mage P r ocessing,1994,56(5):414-419.[5]Juliana F,Camapum W,M ark H F.Spatial-featurepar ametr ic clust ering a pplied to motion-based seg ment atio n in camo uflag e[J].Comp uter V ision andI mage U nder standing,2002,85(2):144-157.[6]Constantine K,Io annis P.Segmentation o f ultr asonicimag es using suppor t vecto r machines[J].Patter n Recognition L etter s,2003,(24):715-727.[7]张毅军,吴雪菁,夏良正.二维熵阈值图像阈值分割的快速递推算法[J].模式识别与人工智能,1997,10(3): 261-265.(Zhang Y J,W u X J,X ia L Z.A fast r ecur ring alg or it hm fo r t wo-dimensional entro pic t hresholding for imag e seg mentatio n[J].P attern R ecogniti and A r tif icalI nteligence,1997,10(3):261-265.)[8]Bhanu B,L ee S,M ing J.Self-optimizing imag esegmentation system using a gener ic algo rithm[A].Pr oc of the4th I nt Conf on Gener ic A lg orithms[C].San Dieg o:M o rg an Kaufmann Publisher s,1991:362-369. [9]Wiro J N iessen,K oen L V incken.N o nlinear multiscalerepr esentat ions for Imag e Seg mentation[J].Comp uter V ision and I mage Understanding,1997,66(2):233-245. (上接第655页)[8]D aafor z J,Ber nusso u J.Ro bust dy na mic o utputfeedback co ntro l for switched systems[A].Pr oc of the 41st I EEE Conf on D ecision and Contr ol[C].L as V eg as,2002:4389-4394.[9]Cuzzola F A,M or ar M.An L M I appro ach fo r H∞analy sis and contr ol o f discr ete-t ime piecew ise affine systems[J].I nt J Control,2002,75(16/17):1293-1301. (上接第668页)[2]P ott s C N,K o valyo v M Y.Scheduling w ith ba tching:A rev iew[J].Europ ean J our nal of Op er ationalR esear ch,2000,(120):228-249.[3]李大卫,王莉,王梦光.基于遗传算法的钢管生产批量计划[J].系统工程理论方法应用,1998,7(3):22-27.(L i D W,W ang L,Wang M G.Pr oduction lot planning of steel pipe based on genetic alg or ithm[J].Sy stems Engineering-T heory M ethod ology Ap p lications, 1998,7(3):22-27.)[4]路飞,田国会.用自适应遗传算法求解轧制顺序调度问题[J].山东大学学报,2003,33(3):311-313.(L u F,T ian G H.So lv ing scheduling pr o blems of r olling sequence with an adaptive g enetic alg or ithm[J].J of S handong U nivers ity,2003,33(3):311-313.) [5]F uka ya N,Kat agiri T.Exper t sy st em fo rmanufacturing sequence determ inatio n in hot ro lling pr ocess o f seamless steel pipe[J].K aw asak i S teel Giho,1991,23(3):191-196.[6]Siddique M.A kno w ledge-based system for pr ocessplanning in a seamless steel tube pla nt[D].Birming ham:A sto n U niver sity,1990.[7]马建辉,牛海军.提前/拖期惩罚的单机批调度优化问题研究[J].制造业自动化,2002,24(7):65-67.(M a J H,N iu H J.R esearch o n sing le machine batch scheduling w ith ear liness/tardiness penalties[J].M anuf actur ing I ndustry A utomation,2002,24(7):65-67.)[8]Baker K,Scudder G.Sequencing with earliness andtar diness penalt ies:A r eview[J].Op er ations Res earch, 1990,(38):22-36.[9]于海斌,薛劲松,王浩波,等.基于遗传算法的单机提前/拖期调度方法研究[J].控制理论与应用,2000,17(2):209-214.(Y u H B,Xue J S,Wang H B,et al.G A-based appr oach to sing le machine scheduling with g eneral early-tar dy penalty w eights[J].Contr ol T heory and Ap p lications,2000,17(2):209-214.)[10]王凌.智能优化算法及其应用[M].北京:清华大学出版社,2001.678控制与决策第20卷。

自适应区域生长算法在彩色年轮图像分割中的应用

62 •电子技术与软件工程 Electronic Technology & Software Engineering图像与多媒体技术• Image & Multimedia Technology3.2 融入艺术手段烘托版面效果与氛围好的版面设计中，既能够保证每个版块的独立性，也可以保证整体不零散。

报纸版式设计也是如此，需要将报头、文字、图片、色彩等和谐的融合到一个版面中，提高视觉上的均衡感，让读者阅读更加舒服。

做好版面各要素的组合，提高报纸版式设计质量，可以提高新闻传播效果。

如结合版面要求，保证标题字体足够的醒目、简洁，版面位置设计要有节奏感、均衡感。

图片摆放部位要保持整个版面的视觉均衡，多幅图片搭配要划分好主次关系和大小搭配。

色彩运用和谐色调，表达不同版面内容以及版面语言，根据版块内容的差异，确定冷暖色调搭配。

同时，还要注重线条搭配，明确版面中粗细、长短搭配关系，灵活运用线条可以让版面更加有规律。

让这些要素各司其职，充分发挥自身优势特点，并整合到同一个版面当中，实现各个元素的和谐统一，从而提高版面的美观度。

3.3 形成报纸风格，突出个性形成报纸的风格与个性，可以让读者一眼就看到报纸的版面、名字，更加吸引读者的眼球。

当然，不同报纸版面的内在艺术与灵魂不同，想要掌握报纸新闻内涵，需要设计人员全面掌握报纸的办报宗旨和服务对象基础上，采用针对性版面语言对新闻进行描述，创造出更具个性、特点的版面。

如新闻版面设计要以沉稳为主，版式设计要庄重、大气；生活版设计要足够时尚、灵动，版式设计要多元、灵巧；副刊版设计要足够生动、典雅，版式设计要突出文化气息等。

其中，报头设计尤为重要，报头设计元素必须要服务报名的大主题，保证报名视觉效果可以超过其他设计元素，在设计当中需要立足于报纸整体风格、市场定位，去设定报头板式、报眉板式，并在此基础上对版面其他内容进行设计。

4 结束语综上所述，在读图时代背景下，人们对新闻传播提出了更高要求，因此报纸版面设计必须要能够顺应时代发展需求，注重报纸板式的视觉冲击力，创新报纸板式设计语言。

一种自适应图像分割算法

Ξ　收稿日期:2009-10-23作者简介:刘辉(1987—),男,陕西咸阳人,硕士研究生,主要从事数字图像处理与识别研究;赵文杰(1968—),女,黑龙江齐齐哈尔人,教授,硕士生导师,主要从事图像处理、目标识别研究.一种自适应图像分割算法Ξ刘　辉1,赵文杰1,周　健2(1.空军航空大学,吉林长春　130022;2.空司情报总站,北京　100000)摘要:采用超限性均值滤波和中值滤波的方法对含有高斯噪声和椒盐噪声的图像进行了滤波处理,同时将基于整体的最大熵值分割法与基于局部的均值阀值分割算法相结合,在保证分割图像整体性的同时,提高了分割图像的层次性,保留了图像的细节.仿真结果表明,分割结果能够提高分割图像的质量.关键词:数字图像;噪声抑制;阀值分割中图分类号:TP391文献标识码:A 文章编号:1006-0707(2009)12-0031-03 对图像进行研究和应用时,人们往往仅对图像中的某些部分感兴趣.这些部分常称为目标或前景(相对于背景),他们一般对应于图像中特定的、具有独特属性的区域.为了能进一步分析和识别目标,需要将这些特定区域分离提取出来,在此基础上才能更好的对目标进行提取、识别等处理.图像分割就是将这些特定区域从图像中提取出来的技术和过程,他是图像由预处理阶段进入图像分析识别阶段的关键步骤[1].因此图像分割一直是图像处理领域的重要研究方向.在图像分割中,阀值分割又是应用最多的一种方法.针对阈值分割,各国学者提出了很多算法,这些算法主要分为全局阀值分割和区域阀值分割2种.全局阀值分割算法主要包括:0stu 方法、最大熵法、直方图极小值点阀值分割算法、最优阀值分割算法和迭代阀值分割算法等;局部阀值分割算法主要包括:均值阀值分割算法、Bersen 算法、K amel —Zhao 算法、LE VBB 算法等[2-5].全局阀值分割根据整幅图像确定1个阀值,不考虑图像的区域特征,强制将1幅图像分割为目标和背景2部分,因此往往会丢失目标的细节,不能达到很好的分割效果.而局部阀值分割则是根据图像区域的特征确定阀值,因此他能根据图像不同区域的特征进行自适应分割,最大限度地保留目标细节;但是局部阀值分割却没有考虑图像的整体特征,因此往往会造成分割结果出现伪影和区域断裂的现象.为了解决这一问题,本文中拟采用整体和局部相结合的分割方法,同时满足整体和局部分割的要求,以提高图像分割的质量.1　噪声抑制图像在传输、转换、处理过程中,由于电磁干扰、电子信息处理等因素会使图像质量下降,即产生噪声.噪声将给图像的分析带来困难,甚至影响图像处理的最终结果.因此,对获取的图像进行噪声抑制是图像处理的重要环节.其中,高斯噪声和椒盐噪声是图像处理中经常遇到的噪声类型.高斯噪声主要来源于电子电路噪声和低照明度或高温带来的传感器噪声,椒盐噪声则主要来源于强脉冲干扰[6].为了降低这2种噪声的干扰,经常使用滤波的方法.均值滤波对于抑制高斯噪声具有很好的效果,而中值滤波则主要用于消除椒盐噪声的影响[7].为了能更好地提高图像质量,最大限度地保存图像细节,本文中采用了超限均值滤波和中值滤波的方法对图像的高斯噪声和椒盐噪声进行抑制.1.1　超限均值滤波均值滤波是1种线性滤波方法,该方法的基本思想是:利用某个像素邻域内所有像素的灰度平均值代替该像素的灰度值.均值滤波的定义为:对于图像中位置(i ,j )处的像素,其灰度值为f (i ,j ),取其邻域的集合为S ,S 中含有M 个像素,平滑后的灰度值为g (i ,j ),则由下式可得到平滑的像素灰度值g (i ,j )=1M ∑(x ,y )∈sf (i ,j )x ,y =0,1,2,…,N -1(1) 邻域平均法的效果与所使用的邻域半径有关.半径越大,平滑效果越明显,但是图像的模糊程度也越高,特别是边缘和细节处,邻域越大模糊越厉害.为了尽可能减小图像的模糊失真,保护图像细节,本文中采用“超限邻域平均法”进行图像平滑.超限性邻域平均法采用下列准则形成平滑图像g (i ,j )=g (i ,j )=1M ∑(x ,y )∈sf (i ,j )f (i ,j )-1M∑(x ,y )∈sf (i ,j )>Tf (i ,j )f (i ,j )-1M∑(x ,y )∈sf (i ,j )≤T(2)第30卷　第12期四川兵工学报2009年12月式中:T 是选定的非负阀值,可根据图像总体特征或局部特征确定.当某些点和他们邻域的差值超过规定阀值T 时,才进行噪声处理,否则保留元像素灰度值.这样平滑后的图像比直接使用邻域平均的模糊程度要小.1.2　中值滤波中值滤波也是1种局部平均平滑技术,他属于非线性滤波.中值滤波对减小椒盐噪声具有明显效果.中值滤波的基本思想是:用图像中每个像素邻域内各像素灰度值的中值代替该像素的灰度值.中值是指将1个含有n 个像素灰度值的数组按大小进行排序,当n 为奇数时,位于中间的那个数值即为这n 个数值的中值;当n 为偶数时,位于中间位置的那2个数值的平均值即为这n 个数值的中值.记为med (a 1,a 2,…,a n )(3)因此,中值滤波的数学表达式可表示为y (i ,j )=med S (i ,j )[x (i ,j )](4)式中:S (i ,j )为像素(i ,j )的邻域,即窗口,包含有n 个像素.其大小决定了在多少个元素中取中值,其形状决定了在什么样的几何空间中取元素.常用的中值滤波器窗口大小一般为3×3或5×5,形状一般为矩形、圆形或十字形等.窗口大小及形状对滤波效果影响很大.中值滤波运算对边界保护得较好,但这种算法会使图像丢失细线和小块目标区域.同时,中值滤波器对椒盐噪声的滤波效果较好,而对高斯噪声的处理结果却不尽如意.因此,本文中分别采用这2种滤波方法对图像进行滤波处理,即首先采用中值滤波降低图像的椒盐噪声,继而采用均值滤波减少高斯噪声对图像的影响.2　图像分割2.1　最大熵法最大熵分割是1种典型的基于全局特征的图像分割方法,在对图像整体进行分割时具有良好的效果.在图像处理中,图像的熵代表图像中信息量的大小.最大熵法的基本思想是:找到阀值T ,使分割后的图像背景和目标熵值之和最大. 在灰度图像中,有一灰度值T ,在灰度值小于T 的像素中,各灰度级出现的概率分别为p 0p T ,p 1p T ,…,p Tp T ,故其熵为H (T )B=-∑Ti =0p i p T log p ip T(5) 在所有灰度值大于T 的像素中,各灰度级出现的概率分别为p T +11-p T ,p T +21-p T ,…,p 2551-p T,故其熵为H (T )W=-∑255i =T+1p i 1-p Tlogp i1-p T (6)则图像的全局熵为H(T )=H (T )B+H (T )W(7) 根据熵的定义,使得H (T )最大的阀值T 就是所求阀值.2.2　均值阀值分割算法均值阀值分割算法是1种局部阀值分割算法,其基本思想是:根据像素与其邻域内其他像素的灰度特征,在不同区域选择不同阀值进行分割.取(2W +1)×(2W +1)的模板,其像素中心所在的图像位置为(i ,j ),f (i ,j )表示(i ,j )点的灰度值.计算图像中每个像素点(i ,j )的阀值为T (i ,j )=mean (f (i +k ,j +l ))(8) 逐点进行二值化b (i ,j )=0f (i ,j )<T (i ,j )1f (i ,j )≥T (i ,j )(9) 均值阀值分割算法考虑像素与其邻域内其他像素间的灰度差别来确定阀值,不需要预定阀值,因此具有较强的自适应性.2.3　最大熵法与均值阀值分割算法相结合确定阀值通过最大熵法计算出全局阀值T 1,给出分割系数α(一般取0.2～0.4).当像素点灰度值f (i ,j )大于等于(1+α)T 1时,灰度值f (i ,j )取1;当灰度值f (i ,j )小于(1-α)T 1时,灰度值f (i ,j )取0;当灰度值f (i ,j )介于两者之间时,则使用均值阀值分割算法计算T 2.由于在进行滤波处理时对图像进行了均值滤波,故该方法中采用了均值滤波分割算法,同时提高了算法运行的效率.取像素点(i ,j )及以其为中心的(2W +1)×(2W +1)模板.T 2是以像素点(i ,j )为中心的(2W +1)×(2W +1)模板的灰度均值.则T 2=meanf (i +k ,j +l )(10)式中:mean 为求其邻域的均值运算.则像素点灰度值分割为f (i ,j )=0f (i ,j )<T 21f (i ,j )≥T 2(11)3　实验结果图1中a )是1幅受到了均值为0,方差为0.01的高斯噪声和噪声密度为0.05的椒盐噪声污染的图像;b )为使用3×3模板进行中值滤波后的图像;c )为取阀值T =10,使用3×3模板的超限性均值滤波处理之后的图像.从图中可以看出,原始图像污染比较严重,但经中值滤波后,图像中的椒盐噪声基本被滤除,再经过超限性均值滤波后,高斯噪声对图像的影响得到了改善;d )为采用最大熵法进行图像分割得到的结果;e )为采用局部均值阀值算法进行图像分割后所得到的结果;f )为采用本文中算法且α=0.2的最终处理结果.从图中可以看出,最大熵法分割的结果不能很好地体现图像的细节特征,图像分割的质量不高;局部均值阀值算法分割的结果出现了大量的伪影现象,图像的整体性不强;对比前2种分割结果,本文中的算法既体现了最大熵法全局分割的优势,同时也保留了图像的一部分细节,分割结果有了明显提升.23四川兵工学报图1　实验结果4　结束语图像分割是图像处理的一个重要研究内容,其分割结果的好坏对后续图像理解、识别等处理具有极大的影响.本文中结合均值滤波和中值滤波算法,对受到噪声影响的图像进行了滤波处理,减小了图像分割的难度,同时提高了分割的精度.在滤波的基础上,还提出了一种全局与局部相结合的图像分割方法,将基于全局的最大熵分割法与基于局部的均值阀值分割算法相结合,提高了图像分割的实时性.在保证图像分割整体性的同时,增强了分割后图像的细节特征,达到了良好的分割效果.参考文献:[1]　张洪刚,陈光.图像处理与识别[M].北京:北京邮电大学出版社,2006:97-100.[2]　刘莞尔,严高师.飞机的红外图像分割算法[J ].红外,2008,29(3):27-31.[3]　付小宁,殷世民.红外图像的动态阈值分割[J ].光电工程,2002,29(6):57-60.[4]　郝伟,苏秀琴.基于灰度变换的红外图像实时分割算法[J ].光子学报,2008(5):1077-1080.[5]　蒋艳军,谭佐军.红外图像阈值分割算法的研究[J ].红外,29(12):33-35.[6]　罗军.红外图像中机场目标的识别[D ].长沙:国防科技大学,2002.[7]　杨志刚.红外图像中机场跑道的自动识别与跟踪[D].哈尔滨:哈尔滨工程大学,2007.[8]　G onzales Rafael C.数字图像处理[M].北京:电子工业出版社,2005.33刘　辉,等:一种自适应图像分割算法。

医学图像分割中的自适应阈值选择算法研究

医学图像分割中的自适应阈值选择算法研究一、引言近年来，医学影像成为了医生诊断的一种重要手段。

医学影像中的图像分割技术，可以将医生所需的区域从影像中分离出来，以便医生更好地识别和分析医学影像中的信息。

因此，医学图像分割成为了医学影像处理领域的核心技术之一。

阈值分割是最简单和最常见的一种分割方法，其特点是计算简单、速度快、稳定性好。

此外，阈值分割不需要像素之间的连通性和形态学的信息。

但阈值的选择问题一直是阈值分割方法的瓶颈之一。

在这个问题上，自适应阈值分割方法被广泛应用，因为自适应阈值分割方法可以根据图像信息自动选择合适的阈值，可以显著提高医学图像分割结果的准确性。

因此，本文将介绍医学图像分割中的自适应阈值选择算法研究。

二、自适应阈值分割算法自适应阈值分割是根据图像信息动态确定阈值，分为全局自适应阈值分割和局部自适应阈值分割两种方法。

1.全局自适应阈值分割全局自适应阈值分割方法是将整幅图像分成几个小区域，在每个小区域内计算灰度值的统计特征（如平均值、标准差等），将这些统计特征利用一定的数学模型来计算出一个合适的全局阈值，然后将全图像分割为前景和背景两部分。

常用的全局自适应阈值分割方法有基于均值的方法、基于最大类间方差的方法、基于双峰分布的方法等。

2.局部自适应阈值分割局部自适应阈值分割方法在分割时，将整幅图像分割成许多个小连通区域（如正方形、圆形等），对于每个小连通域进行阈值分割，即根据小区域内像素灰度值的方差、方差等信息，计算小连通域的局部阈值，最后将整幅图像分割为前景和背景两部分。

常用的局部自适应阈值分割方法有基于均值和标准差的方法、基于最大熵的方法、基于非参数统计方法的方法等。

三、自适应阈值选择算法在自适应阈值分割方法中，选择适当的阈值至关重要。

自适应阈值选择算法是指根据图像本身的特点和要求，通过建立适当的数学模型，计算出合适的自适应阈值，然后将整幅图像分割。

常用的自适应阈值算法有以下几种。

1.基于均值的自适应阈值选择算法基于均值的自适应阈值选择算法是一种简单有效的自适应阈值选择方法，该方法在每个小区域内计算平均灰度值，并以该值作为局部阈值。

otsu 法

Otsu方法一、概述Otsu方法是一种用于图像阈值分割的经典算法，它由日本学者大津于1979年提出。

该方法基于图像的灰度直方图，通过最大化类间方差来确定最佳阈值，从而实现图像分割。

Otsu方法具有简单、快速、自适应等优点，因此在图像处理领域得到了广泛应用。

二、原理Otsu方法的原理基于图像的灰度直方图。

首先，计算图像的灰度直方图，得到每个灰度级出现的概率。

然后，选择一个阈值，将图像分为前景和背景两部分。

接着，计算前景和背景的类间方差，使类间方差最大的阈值即为最佳阈值。

类间方差是前景和背景两部分灰度级分布差异的度量。

当阈值增加时，前景像素数减少，背景像素数增加；反之，当阈值减少时，前景像素数增加，背景像素数减少。

通过计算类间方差，选择使得类间方差最大的阈值作为最佳阈值，可以将前景和背景尽可能地分开。

三、实现步骤1.计算灰度直方图：统计图像中每个灰度级的像素数。

2.初始化阈值：选择一个初始阈值，将图像分为前景和背景两部分。

3.计算类间方差：根据前景和背景像素数的概率计算类间方差。

4.迭代更新阈值：不断改变阈值，并重新计算类间方差，直到找到最佳阈值。

5.应用阈值进行分割：将最佳阈值应用于图像，得到分割后的前景和背景图像。

四、应用场景Otsu方法在许多图像处理应用中都得到了广泛应用，例如：1.图像分割：Otsu方法适用于将图像分割成前景和背景两部分，常用于医学影像分析、遥感图像处理等领域。

2.目标检测：Otsu方法可以用于检测图像中的目标，例如人脸检测、手势识别等。

3.图像增强：通过Otsu方法可以对图像进行增强，突出前景信息，提高图像的可读性。

一种自适应彩色图像分割算法

收稿日期:2004-10-12作者简介:张　琳(1979—),女,河北秦皇岛人,硕士研究生,研究方向为数字图像处理与模式识别。

一种自适应彩色图像分割算法张　琳,蔡灿辉(华侨大学计算机与信息工程学院,福建泉州362021)摘　要:目前对图像分割技术的改进一般是通过优化某种特定的算法来实现的,这样会把对彩色的分割能力拘泥在某个范围内,而文中专门针对彩色信息采用有自适应性的级联多种方法的聚类算法,在逐步的优化中,提高对彩色的分割能力,实现对彩色图像的更为清晰细致的分割。

该方法在单纯的针对色彩信息时,取得了很好的实验测试效果。

关键词:直方图;自适应;级联;图像分割中图分类号:TP391 文献标识码:A 文章编号:1005-3751(2005)07-0057-03An Adapting Algorithm for Color Image SegmentationZHAN G Lin ,CA I Can 2hui(Department of Computer and Information Engineering ,Huaqiao University ,Quanzhou 362021,China )Abstract :Presently improvement of algorithm for image segmentation has been achieved by improving a special algorithm ,but the effect of the segmentation will be restricted in a certain range.This paper adopted an adapting clustering algorithm with making a cascade of many techniques ,so it can improve the ability of the segmentation of the color image by optimizing algorithm at every step and segment distinctly object based on color image.The testing result shows this arithmetic is very effective to the color image.K ey w ords :histogram ;adapting ;cascade ;image segmentation0　引　言图像分割是图像处理的基础,分割是图像分析的初始步骤之一,也是图像处理最原始的问题。

微分进化的自适应彩色图像阈值分割

微分进化的自适应彩色图像阈值分割张志禹;王彩虹【摘要】针对阈值的选择依赖于经验和试验的问题,提出了结合微分进化算法和二维最大熵算法得到图像自适应阈值的方法.该方法首先利用全局阈值法中的迭代法得到图像的阈值并初次对图像进行分割,然后利用微分进化算法并且结合二维最大熵阈值进行适应度的计算、个体编码、终断条件等计算图像的自适应阈值,最后对测试的图像应用微分进化算法实现对图像的正确分割.采用微分进化算法可以准确地对图像进行分割,是一个比较高效的方法,有效地提升了分割效果.与现有的自适应阈值分割算法相比,本文算法缩短了计算时间.阈值分割不仅可以对灰度图像进行分割,彩色图像也可以用阈值分割.【期刊名称】《微型机与应用》【年(卷),期】2016(035)005【总页数】4页(P45-48)【关键词】自适应阈值;图像分割;微分进化;算法【作者】张志禹;王彩虹【作者单位】西安理工大学自动化与信息工程学院,陕西西安710048;西安理工大学自动化与信息工程学院,陕西西安710048【正文语种】中文【中图分类】TP391.4最近几年在图像分割方面出现了许多新思路、新方法和改进算法，并将图像分割法分为阈值分割法、边缘检测法、区域提取法3类。

阈值图像分割主要分为全局阈值和局部阈值两类。

全局阈值法指利用全局信息对整幅图像求出最优分割阈值, 可以是单阈值, 也可以是多阈值，当物体和背景像素的灰度分布十分明显时可以使用全局阈值对图像进行分割。

而常用的全局阈值法有迭代法、最大类间方差法等。

关于局部阈值最近已经有人提出了自适应阈值方法。

1986，Niblack[1]等人根据对比度，利用局部阈值相邻像素的局部均值和标准差来计算阈值。

Bernsen[2]等人提出一种局部灰度范围技术，以确定最大和最小像素之间的阈值范围。

后来，在1997年，Sauvola[3]等人介绍了一种计算局部自适应阈值的方法。

但在局部区域，对比度仍然很低，因此在计算过程中，由于其计算结果存在差异，导致阈值变得小于平均值。

自适应阈值处理

自适应阈值处理
自适应阈值处理是一种图像处理技术，用于自动确定图像分割的阈值。

这种方法通常用于二值化图像，将像素值分为两类：高于阈值的像素和低于阈值的像素。

在传统的阈值处理中，阈值是固定的，这意味着它不会根据图像的局部特性进行调整。

然而，在许多情况下，图像的亮度和对比度可能会在不同的区域中有所不同，这就需要一个能够自适应地调整阈值的方法。

自适应阈值处理通过计算图像的局部统计信息（如均值或中值）来确定每个像素的阈值。

这种方法可以确保阈值能够适应图像的局部变化，从而得到更准确的二值化结果。

OpenCV库提供了自适应阈值处理的函数，如
`cv2.adaptiveThreshold()`。

这个函数接受一个源图像、最大值、自适应方法、阈值类型和块大小等参数。

其中，自适应方法可以是
`cv2.ADAPTIVE_THRESH_MEAN_C`或
`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`，分别表示使用均值或高斯加权和作为阈值。

块大小参数指定了用于计算阈值的邻域大小。

自适应阈值处理在许多图像处理应用中都非常有用，例如文档扫描、车牌识别、图像分割等。

通过使用自适应阈值处理，可以更准确地提取图像中的有用信息，从而提高后续处理的准确性和效率。

彩色图像分割技术分析与研究

科技信息0.引言人类获得外界信息主要来源于视觉，视觉所获取的图像信息具有其它信息所无可比肩的直观性和易理解性，因此利用计算机处理所获得的图像信息成为研究热点。

由于早期设备的限制，主要的图像处理是处理灰度图像，随着科技发展，彩色图像处理得到了越来越多的重视，彩色图像分割作为图像分割的一个重要分支，其研究意义不言而喻。

1.彩色图像分割概述如果将数字图像处理分为三种层次（即低级、中级、高级处理），图像分割则属于中级处理技术中的一种，它是图像识别和图像理解的基本前提，图像分割质量的好坏直接影响后续图像处理的效果[1]，如图1所示。

图1图像分割在图像处理过程中的作用所谓图像分割是指将图像中具有特殊涵义特征的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性，这里的特征可以是颜色、纹理、形状、空间关系等，也可以是它们的组合。

分割的程度由需要解决的问题决定，即分割是否停止取决于目标对象是否被分割出。

现有的彩色图像分割方法基本上可归结为两种：第一种是把彩色图像转化为灰度图像，再用灰度图像的分割算法进行分割。

第二种是基于图像颜色信息的分割方法，把颜色信息作为图像分割的主要依据，此分割方法主要有两个方面：一是选择合适的颜色空间，二是选择合适的分割方法[2]。

2.常用的颜色空间颜色空间是进行彩色图像分割的理论基础，选择合适的颜色空间至关重要。

目前表达颜色的颜色空间有很多种，各自效用不同。

最基本的颜色空间是RGB 颜色空间，其它颜色空间都是经过其线性或非线性变换而来的。

由于对颜色的感知是非线性的，颜色的指定并不是直观的，所以此空间的应用范围是局限的，并不适用基于颜色信息的分割。

CMY 空间与RGB 空间相对应，三基色为青、品红、黄，是通过颜色的相减来产生其他颜色的，因此被称为相减混色模式。

此空间被广泛应用于印刷技术，同样并不适用于图像处理领域。

YIQ 颜色空间被美国电视系统定义为一种彩色电视信号传输格式（NTSC 系统），Y 表示颜色的亮度，I 和Q 联合起来表示图像的色调和饱和度。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

方法，把它用于彩色图像的分割其效果很不理但
想．是本文采用一种基于生物仿真结构的ＲＢ于Ｇ空间局部兴奋全局抑制振荡的自适应阈值分割方法，称为三维空间ＬＧＯ简ＥＩＮ方法．
尺＝、尺＋尺＋尺／ｂ，
其中，示当前像素红色分量的阈值，表示当尺表尺
前像素绿色分量的阈值，Ｒ而表示当前像素蓝色
１三维空间ＬＧＯＥＩＮ方法的生物学原理
三维空间ＬＧＯ方法是一种基于 “ 荡相关ＥＩＮ振
分量的阈值，们分别定义如下：它
Ｒ＝（一 … ）Ｐ（）Ｒ）＋ … ，（。ｒ／
是一种具有代表性的大脑工作方式 ” 一理论．这它认为大脑对视觉特征的聚合与分离是建立在神经
２三维空间ＬＧＯＮ分割彩色图像的数学ＥＩ
模型
三维空间ＬＧＩＮ生物学原理的彩色图像分割ＥＯ
方法中，为每一个振子对应图像一个像素．法认算的自适应阈值公式如下】：
维普资讯
２００２年７月
第２５卷第４期
四川师范大学学报（自然科学版）ＪｕｎｌｏｉｈａｏｍａＵｉｅｓｔ（ａｕａｃｅｃ）ｏｒａｆＳｃｕｎＮｒｌｎｖｒｉＮｔｒｌＳｉｎｅｙ
中图分类号：Ｐ９．Ｔ３１９文献标识码：Ａ文章编号：０１８９（０２０．０．１０．３５２０）４０５０４４
０引言
图像分割根据图像信息中的灰度差别、理差纹别、色差别、谱差别等其中的相似块分割成一彩频个区” ．们虽已提出了很多关于灰度图像的分割人
合理近似和简化之后，将其描述为一种具有并可行计算机制的动态自适应阈值分割算法．
收稿日期：０ｌ一６２０＿ｌ０Ｌ作者简介：仕良（９１）男，师赵１７一，讲
Ｊｌ２２ｕｙ，００
Ｖｏ．５．１２Ｎｏ．４
一
种用于彩色图像处理的Ａ适应阈值分割方法
赵仕良
（四川师范大学电子工程学院，四川成都６０６）１０６
摘要：出的三维空间局部兴奋全局抑制振荡网络是一种自适应阈值分割方法，首先将图像中不同提它颜色的目标有效地分割出来，后标记目标中重要的细节部分．此基础上，针对某些彩色图像中含有纹然在还理性质目标的情况，这种方法进行了改进，此用于彩色岩芯切片图像的分割取得了较好的效果．对将关键词：部兴奋全局抑制；自适应阈值分割；纹理分析；色图像分割局彩
皮层的神经元是以一种振荡活动的方式对视觉特征发生反应．测同一目标特征的神经元所产生探的振荡表现出零相位偏移的同步，不同的目标具而
示Ｐ像素的红色、色联基础上的．前已经发现视觉目
Ｒ＝（Ｗ一 … ）Ｐ。ｇ／ … ）＋ … ，（（）ＧＲｂ＝（一）Ｐ（）Ｂ）（。ｂ／ … “＋，
其中，。示当前像素，。ｒ，。ｇ，。ｂ分别表Ｐ表Ｐ（）Ｐ（）Ｐ（）
一
．
但严格按照ＬＧＯＥＩＮ原理来实现图像分割就需
如果两个像素Ｐ，满足下列条件，认为它。Ｐ则
们属于同一区域：
ＩＰｌ — Ｐ２Ｉ＜Ｒ，
要求解一系列微分方程，显然是不可行的．以这所根据ＬＧＯＥＩＮ特性，其基本振荡机制进行一系列对
是指整幅
图像中最大红色分量值，表示整幅图像中最大Ｇ
绿色分量值，表示整幅图像中最大蓝色分量Ｂ值．ｎ可取１２３分别表示线性的，次的和三次，或，二的．［， … ］为用户选取的一个最大、小映射最
有彼此异步的趋势．样，同的目标就可以在不这不
同的时间被分离开来．因此它具有天然分布式并行计算的特点，网络达到同步和异步所需的时间很即
权值范围．
短，循环次数不会超过图像中主区域的数目加其