一種基于高斯平滑濾波的圖像分割方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，提供了一種基于高斯平滑濾波的圖像分割方法。
【背景技術(shù)】
[0002] 圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo) 的技術(shù)和過(guò)程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下 幾類(lèi)：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論 的分割方法等。1998年以來(lái)，研究人員不斷改進(jìn)原有的圖像分割方法并把其它學(xué)科的一些 新理論和新方法用于圖像分割，提出了不少新的分割方法。圖像分割后提取出的目標(biāo)可以 用于圖像語(yǔ)義識(shí)別，圖像搜索等等領(lǐng)域。
[0003] 數(shù)字圖像處理技術(shù)是一個(gè)跨學(xué)科的領(lǐng)域。隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，圖像 處理和分析逐漸形成了自己的科學(xué)體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長(zhǎng)，但 卻引起各方面人士的廣泛關(guān)注。首先，視覺(jué)是人類(lèi)最重要的感知手段，圖像又是視覺(jué)的基 礎(chǔ)，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計(jì)算機(jī)科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺(jué)感知 的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長(zhǎng)的需求。
[0004] 1998年以來(lái)，人工神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)已經(jīng)引起了廣泛的關(guān)注，并且應(yīng)用于圖像分 害J?；谏窠?jīng)網(wǎng)絡(luò)的分割方法的基本思想是通過(guò)訓(xùn)練多層感知機(jī)來(lái)得到線(xiàn)性決策函數(shù)，然 后用決策函數(shù)對(duì)像素進(jìn)行分類(lèi)來(lái)達(dá)到分割的目的。這種方法需要大量的訓(xùn)練數(shù)據(jù)。神經(jīng)網(wǎng) 絡(luò)存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問(wèn)題。選擇何 種網(wǎng)絡(luò)結(jié)構(gòu)是這種方法要解決的主要問(wèn)題。
[0005] 圖像分割是圖像識(shí)別和計(jì)算機(jī)視覺(jué)至關(guān)重要的預(yù)處理。沒(méi)有正確的分割就不可能 有正確的識(shí)別。但是，進(jìn)行分割僅有的依據(jù)是圖像中像素的亮度及顏色，由計(jì)算機(jī)自動(dòng)處理 分割時(shí)，將會(huì)遇到各種困難。例如，光照不均勻、噪聲的影響、圖像中存在不清晰的部分，以 及陰影等，常常發(fā)生分割錯(cuò)誤。因此圖像分割是需要進(jìn)一步研究的技術(shù)。人們希望引入一 些人為的知識(shí)導(dǎo)向和人工智能的方法，用于糾正某些分割中的錯(cuò)誤，是很有前途的方法，但 是這又增加了解決問(wèn)題的復(fù)雜性。
[0006] 在通信領(lǐng)域中，圖像分割技術(shù)對(duì)可視電話(huà)等活動(dòng)圖像的傳輸很重要，需要把圖像 中活動(dòng)部分與靜止的背景分開(kāi)，還要把活動(dòng)部分中位移量不同的區(qū)域分開(kāi)，對(duì)不同運(yùn)動(dòng)量 的區(qū)域用不同的編碼傳輸，以降低傳輸所需的碼率。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于提高了分類(lèi)精度和準(zhǔn)確性。能夠?qū)崟r(shí)穩(wěn)定的對(duì)目標(biāo)分割提取， 分割效果良好的灰度空間劃分方法。
[0008] 本發(fā)明為了實(shí)現(xiàn)上述目的采用以下技術(shù)方案：
[0009] -種基于高斯平滑濾波的圖像分割方法，其包括以下步驟：
[0010] 步驟1、根據(jù)RGB三個(gè)分量的重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加 權(quán)平均運(yùn)算。由于人眼對(duì)綠色的敏感度高，對(duì)藍(lán)色的敏感度低，故可以按照不同的權(quán)值對(duì) RGB三個(gè)分量進(jìn)行加權(quán)平均運(yùn)算能得到比較合理的灰度圖像。
[0011] 步驟2、采取直方圖均衡化首選先進(jìn)行直方圖修正，把原圖像的直方圖利用灰度變 換函數(shù)修正為均勻分布，然后再進(jìn)行直方圖均衡化；
[0012] 步驟3、對(duì)圖像進(jìn)行高斯平滑濾波，使用imreadO讀入圖像，輸入高斯濾波器的均 值和方差，利用高斯濾波生成高斯序列，用生成的高斯序列進(jìn)行濾波，輸出圖像；
[0013] 步驟4、采取是全局閾值法，在二值化過(guò)程中只使用一個(gè)全局閾值T的方法，它將 圖像的每個(gè)像素的灰度值與T進(jìn)行比較，若大于T，則取為前景色；否則，取為背景色；
[0014] 步驟5、將L個(gè)灰度級(jí)范圍內(nèi)對(duì)應(yīng)像素個(gè)數(shù)最多中心點(diǎn)P作為初始類(lèi)均值 μ/1)，μ2(2)，…，μ/1)。
[0015] 步驟6、在第i次迭代時(shí)，考察每個(gè)像素，計(jì)算它與每個(gè)灰度級(jí)的均值之間的間距， 即它與聚類(lèi)中心的距離D，將每個(gè)像素賦均值距其最近的類(lèi)，即
[0016] D|Xp-yi(1)| =min{D|Xp-y j(1)|，（j = 1，2,…1)}
[0017] D為兩個(gè)像素灰度值差小于定間距；
[0018] Xp(p = 0, 1，…，255)為像素的灰度值；
[0019] 則乂 egf，為第i次迭代后賦給類(lèi)j的像素集合；
[0020] 步驟7、對(duì)于j = 1，2,…1，計(jì)算新的聚類(lèi)中心，更新類(lèi)均值：
[0022] 式中，％是er中的像素個(gè)數(shù)；
[0023] 步驟8、將所有像素逐個(gè)考察，如果j = 1，2,…K，有μ /1+1)= μ ,(1)，則算法收斂， 結(jié)束；否則返回步驟6繼續(xù)下一次迭代；
[0024] 步驟9、以上聚類(lèi)過(guò)程結(jié)束后，分割結(jié)果的各像素以聚類(lèi)中心灰度值作為該類(lèi)最終 灰度。
[0025] 綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：
[0026] 采用本申請(qǐng)的分割方法邊緣更加清晰，分割結(jié)果既突出了目標(biāo)，又保留了細(xì)節(jié)信 息，達(dá)到了較好的分割效果。因此，本算法可以有效地對(duì)灰度圖像進(jìn)行分割，從分割后的圖 像中可獲取更多的目標(biāo)信息。
【具體實(shí)施方式】
[0027] 本說(shuō)明書(shū)中公開(kāi)的所有特征，或公開(kāi)的所有方法或過(guò)程中的步驟，除了互相排斥 的特征和/或步驟以外，均可以以任何方式組合。
[0028] -幅圖像中的信息包括目標(biāo)物體，背景和噪聲三個(gè)部分，圖像的二值化是為了得 到圖像中的目標(biāo)物體而產(chǎn)生的一種圖像處理方法，二值化以后圖像中所有的像素點(diǎn)將會(huì)變 為白或黑。當(dāng)圖像中只包含前景和背景兩部分信息時(shí)，就可以將前景的像素值置為1，背景 的像素值置為〇,這樣圖像就被二值化了。二值化的方法有很多種，一般分為全局閾值法和 局部閾值法
[0029] 全局閾值法是指在二值化過(guò)程中只使用一個(gè)全局閾值T的方法。它將圖像的每 個(gè)像素的灰度值與T進(jìn)行比較，若大于T，則取為前景色（白色）；否則，取為背景色。根據(jù) 文本圖像的直方圖或灰度空間分布確定一個(gè)閾值，以此實(shí)現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn) 化。其中全局閾值法又可分為基于點(diǎn)的閾值法和基于區(qū)域的閾值法。閾值分割法的結(jié)果很 大程度上依賴(lài)于對(duì)閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。
[0030] 典型的全局閾值方法包括Otsu方法、最大熵方法等。全局閾值法算法簡(jiǎn)單，對(duì)于 目標(biāo)和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對(duì)于由于光照不均勻、噪聲干 擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差。
[0031] 高斯平滑濾波也屬于線(xiàn)性濾波，它是根據(jù)高斯函數(shù)的形狀來(lái)選擇權(quán)值的線(xiàn)性平滑 濾波器。高斯平滑濾波對(duì)去除服從正太分布的噪聲特別是高斯噪聲很有效果。高斯濾波的 特性與高斯函數(shù)息息相關(guān)，高斯函數(shù)具有一下的重要性質(zhì)：
[0032] 二維高斯函數(shù)具有旋轉(zhuǎn)對(duì)稱(chēng)性，也就是濾波器在各個(gè)方向上的平滑程度是相同 的。通常來(lái)說(shuō)一幅圖像的邊緣方向是不知道的，因此，我們?cè)跒V波之前是無(wú)法確定哪個(gè)方向 上需要要更多的平滑的，而這意味著高斯濾波在圖像處理中不會(huì)偏向任一方向。
[0033] 高斯函數(shù)是單值函數(shù)。與均值濾波相似，高斯濾波用圖像像素鄰域的加權(quán)均值來(lái) 代替該點(diǎn)的像素值，而權(quán)值的選取是隨著該像素點(diǎn)與中心點(diǎn)距離單調(diào)遞減的，所以離中心 點(diǎn)比較遠(yuǎn)的像素權(quán)值較小，受到的高斯濾波影響會(huì)很小。相反如果平滑濾波對(duì)邊緣像素點(diǎn) 仍然有很大的作用，則會(huì)導(dǎo)致圖像失真。
[0034] 高斯函數(shù)的傅立葉變換頻譜是單瓣的。因?yàn)閳D像常被高頻信號(hào)所污染，而我們所 期望的圖像特征，既含有低頻分量，又含有高頻分量。高斯函數(shù)傅立葉變換的單瓣意味著平 滑圖像不會(huì)被不需要的高頻信號(hào)所污染，同時(shí)保留了大部分所需要的信號(hào)。
[0035] 高斯濾波器的寬度（決定著平滑程度）是由參數(shù)σ表證的，而且σ和平滑程度 的關(guān)系是非常簡(jiǎn)單的。σ越大，高斯