[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN103903275A - 利用小波融合算法改进图像分割效果的方法 - Google Patents

利用小波融合算法改进图像分割效果的方法 Download PDF

Info

Publication number
CN103903275A
CN103903275A CN201410165290.5A CN201410165290A CN103903275A CN 103903275 A CN103903275 A CN 103903275A CN 201410165290 A CN201410165290 A CN 201410165290A CN 103903275 A CN103903275 A CN 103903275A
Authority
CN
China
Prior art keywords
image
algorithm
segmentation
wavelet
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410165290.5A
Other languages
English (en)
Other versions
CN103903275B (zh
Inventor
刘紫燕
祁佳
徐跃州
毛品莉
帅暘
唐思腾
冯亮
罗超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou University
Original Assignee
Guizhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou University filed Critical Guizhou University
Priority to CN201410165290.5A priority Critical patent/CN103903275B/zh
Publication of CN103903275A publication Critical patent/CN103903275A/zh
Application granted granted Critical
Publication of CN103903275B publication Critical patent/CN103903275B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种利用小波融合算法改进图像分割效果的方法，通过将图像分别进行OTSU算法和双峰法的图像分割之后，使用小波融合算法对OTSU算法和双峰法得到的图像分割结果进行小波融合的新算法，使分割得到的目标区域更加完整、细节更为清晰。

Description

利用小波融合算法改进图像分割效果的方法
技术领域
本发明涉及图像处理技术领域，尤其是一种利用小波融合算法改进图像分割效果的方法。
背景技术
图像分割定义为把图像中具有特殊含义的不同区域分开来，每一个区域都满足某种特性的一致性。在对图像的研究和相关的应用中，人们往往对图像的某些部分感兴趣，这些部分被称为目标，它们通常对应于图像中某些特定的、具有独特性质的区域。为了辨识和分析目标，需要将它们与背景分离，提取出来，这就是图像分割。
在众多的图像分割算法中，阈值法是一种最常用图像分割方法，阈值选取方法多达十几种，最具代表的是P-tile法、双峰法、最大类间方差法、最小误差法、最大熵方法和梯度统计法等。最大类间方差法(OTSU)算法是1979年由Ostu提出的动态阈值分割算法，它依据图像的灰度直方图，依据类间距离极大准则来确定区域分割门限，其对单峰和双峰图像均有较好的效果。双峰法则是利用图像灰度直方图的目标区域和背景区域的差别，即背景和目标区域各会形成一个波峰，而两波峰之间的波谷即为双峰法的分割阈值。
但是，经典的OTSU算法和双峰法对图像进行目标分割时，其分割的图像中分割目标存在不完全和图像细节分割不清晰的现象。
发明内容
本发明所要解决的技术问题是提供一种利用小波融合算法改进图像分割效果的方法，它能解决经典的OTSU算法和双峰法对图像进行目标分割时，其分割的图像中分割目标不完全和图像细节分割不清晰的现象，使分割得到的目标区域更加完整、细节更为清晰，以克服现有技术的不足。
本发明是这样实现的：利用小波融合算法改进图像分割效果的方法，包括如下步骤：
1）先将彩色图像f转化为灰度图像f g ，并计算灰度图像f g 的灰度值；
2）采用OTSU算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g1 ；
3）采用双峰法算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g2 ；
4）通过小波图像融合算法将步骤2）与步骤3）中获得的图像分割结果fg 1 与图像分割结果fg 2 进行小波图像融合，得到得到融合结果f k ，将融合结果f k 显示出来即可。
步骤2）中OTSU算法对灰度图像f g 进行分割的原理是，根据图像的灰度特性，将图像分为目标区域和背景区域两部分，这两部分之间的类间方法最大的值就是图像的分割阈值t；设在一幅图像I中存在L个灰度的等级,具体步骤为：
a）计算第i个等级灰度的像素出现的概率Pi；
b）计算图像总体的平均灰度级则为μ T ；
c）使用分割阈值t将图像分为分为两类：α 0[0,t]和α 1[t+1,L-1]，求α 0和α 1 的概率Pα0和Pα1；
d）计算出α 0 和α 1 的平均灰度μ α0 和μ α1 ；
e）计算目标区域和背景区域的类间方差η 2 ，采用遍历计算方法得出类间方差最大的值T 1 ，即为最大类间方差法得到的分割阈值；再利用得到的该算法的分割阈值T 1 对图像进行分割则得到OTSU算法的图像分割结果f g1 。
步骤3）中的双峰图像算法对灰度图像f g 进行分割的原理是：利用图像的灰度直方图的特性来确定图像的分割阈值，利用图像的目标区域和背景区域的差异会在灰度直方图上形成两个相对应的波峰，两波峰之间的波谷即为图像的分割阈值T 2 ，利用分割阈值T 2 对图像进行分割则得到双峰法算法的图像分割结果f g2 。
步骤4）中小波图像融合算法的具体步骤是：
a）将灰度图像f g 转为三维数据矩阵；
b）取步骤（a）中得到的三维矩阵中的第一维；
c）对步骤（b）中得到的第一维图像数据用wname小波基函数实现两层分解；
d）取第二层高频分解系数，并取均方差最大值；
e）取一个与分解系数矩阵的行向量长度同的0矩阵，对于第2层低频取两张图像对应两个元素的平均值，作为生成矩阵的元素；
f）将图像处理结果进行二维离散小波的5层重构，进行小波融合。
小波变换多尺度分解在图像融合中有着广泛的应用，小波变换的图像融合方法在保留塔形分解融合方法优点的基础上，冗余性小，数据运算量不会很大，同时小波分解的方向性可以根据人眼对不同方向的高频分量有不同的分辨率的特性，获得最佳的视觉融合图像。
与现有技术相比，本发明通过将图像分别进行OTSU算法和双峰法的图像分割之后，使用小波融合算法对OTSU算法和双峰法得到的图像分割结果进行小波融合的新算法，使分割得到的目标区域更加完整、细节更为清晰。
附图说明
附图1为本发明的算法流程图；
附图2为本发明的小波变换分解、重构图像融合算法流程图；
附图3为本发明的实施例的灰度图像；
附图4为双峰法分割图像；
附图5为OTSU算法分割图像；
附图6为最大熵分割算法图像；
附图7为本发明的实施例的算法图像。
具体实施方式
本发明的实施例：利用小波融合算法改进图像分割效果的方法，如图1所示：
1）输入一幅彩色图像，记为f，将彩色图像f转化为灰度图像f g ，并计算灰度图像f g 的灰度值；该灰度图像f g 如图3所示；
2）采用OTSU算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g1 ；
Figure 547039DEST_PATH_IMAGE001
3）采用双峰法算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g2 ；
双峰图像算法对灰度图像f g 进行分割的原理是：利用图像的灰度直方图的特性来确定图像的分割阈值，利用图像的目标区域和背景区域的差异会在灰度直方图上形成两个相对应的波峰，两波峰之间的波谷即为图像的分割阈值T 2 ，利用分割阈值T 2 对图像进行分割则得到双峰法算法的图像分割结果f g2 ；
4）通过小波图像融合算法将步骤2）与步骤3）中获得的图像分割结果fg 1 与图像分割结果fg 2 进行小波图像融合，得到得到融合结果f k ，将融合结果f k 显示出来即可。
小波图像融合算法的具体步骤是：
a）将灰度图像f g (即图3）转为三维数据矩阵；
b）取步骤（a）中得到的三维矩阵的第一维；
c）对步骤（b）中得到的第一维图像数据用wname小波基函数实现两层分解；
d）取第二层高频分解系数，并取均方差最大值；
e）取一个与分解系数矩阵的行向量长度同的0矩阵，对于第2层低频取两张图像对应两个元素的平均值，作为生成矩阵的元素；
f）将图像处理结果进行二维离散小波的5层重构，进行小波融合。
上实施例采用MATLAB软件2009b软件平台进行测试，并采用国际标准测试图像彩色Lena进行试验；将本发明的算法与OTSU和双峰法图像分割结果进行对比试验，其数字图像仿真实验结果如附图4-7所示。
与经典同类算法进行对比实验可以看出，图4-图6对比图7，相比双峰法、OTSU算法和最大熵阈值分割算法等图像分割算法，可以看出基于小波融合的OTSU算法和双峰法的图像分割算法分割出的图像目标区域更完整、细节更清晰；从图4与图7对比可以看出，相比于双峰法，基于小波融合的OTSU算法和双峰法的图像分割算法在目标区域细节信息更为清晰丰富；从图5、图6与图7对比可以看出，相比于OTSU算法和最大熵分割算法，基于小波融合的OTSU算法和双峰法的图像分割算法对目标区域分割更为完整。综上所述，本发明文基于小波融合的OTSU算法和双峰法的图像分割算法提高了图像分割的精确度，能较好地保目标区域的完整性同时细节信息清晰丰富。

Claims (4)

1.一种利用小波融合算法改进图像分割效果的方法，其特征在于：包括如下步骤：
1）先将彩色图像f转化为灰度图像f g ，并计算灰度图像f g 的灰度值；
2）采用OTSU算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g1 ；
3）采用双峰法算法对灰度图像f g 进行分割，并求出灰度图像f g 的图像分割结果f g2 ；
4）通过小波图像融合算法将步骤2）与步骤3）中获得的图像分割结果f g1 与图像分割结果fg 2 进行小波图像融合，得到得到融合结果f k ，将融合结果f k 显示出来即可。
2.根据权利要求1所述的利用小波融合算法改进图像分割效果的方法，其特征在于：步骤2）中OTSU算法对灰度图像f g 进行分割的原理是，根据图像的灰度特性，将图像分为目标区域和背景区域两部分，这两部分之间的类间方法最大的值就是图像的分割阈值t；设在一幅图像I中存在L个灰度的等级,具体步骤为：
a）计算第i个等级灰度的像素出现的概率P i ；
b）计算图像总体的平均灰度级则为μ T ；
c）使用分割阈值t将图像分为分为两类：α 0[0,t]和α 1[t+1,L-1]，求α 0和α 1 的概率Pα0和Pα1；
d）计算出α 0 和α 1 的平均灰度μ α0 和μ α1 ；
e）计算目标区域和背景区域的类间方差η 2 ，采用遍历计算方法得出类间方差最大的值T 1 ，即为最大类间方差法得到的分割阈值；再利用得到的该算法的分割阈值T 1 对图像进行分割则得到OTSU算法的图像分割结果f g1 。
3.根据权利要求1所述的利用小波融合算法改进图像分割效果的方法，其特征在于：步骤3）中的双峰图像算法对灰度图像f g 进行分割的原理是：利用图像的灰度直方图的特性来确定图像的分割阈值，利用图像的目标区域和背景区域的差异会在灰度直方图上形成两个相对应的波峰，两波峰之间的波谷即为图像的分割阈值T 2 ，利用分割阈值T 2 对图像进行分割则得到双峰法算法的图像分割结果f g2 。
4.根据权利要求1所述的利用小波融合算法改进图像分割效果的方法，其特征在于：步骤4）中小波图像融合算法的具体步骤是：
a）将灰度图像f g 转为数据三维数据矩阵；
b）取步骤（a）中得到的三维矩阵中的第一维；
c）对步骤（b）中得到的第一维图像数据用wname小波基函数实现两层分解；
d）取第二层高频分解系数，并取均方差最大值；
e）取一个与分解系数矩阵的行向量长度同的0矩阵，对于第2层低频取两张图像对应两个元素的平均值，作为生成矩阵的元素；
f）将图像处理结果进行二维离散小波的5层重构，进行小波融合。
CN201410165290.5A 2014-04-23 2014-04-23 利用小波融合算法改进图像分割效果的方法 Expired - Fee Related CN103903275B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410165290.5A CN103903275B (zh) 2014-04-23 2014-04-23 利用小波融合算法改进图像分割效果的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410165290.5A CN103903275B (zh) 2014-04-23 2014-04-23 利用小波融合算法改进图像分割效果的方法

Publications (2)

Publication Number Publication Date
CN103903275A true CN103903275A (zh) 2014-07-02
CN103903275B CN103903275B (zh) 2017-02-22

Family

ID=50994582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410165290.5A Expired - Fee Related CN103903275B (zh) 2014-04-23 2014-04-23 利用小波融合算法改进图像分割效果的方法

Country Status (1)

Country Link
CN (1) CN103903275B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134219A (zh) * 2014-08-12 2014-11-05 吉林大学 基于直方图的彩色图像分割算法
CN104392429A (zh) * 2014-10-15 2015-03-04 中铁电气化局集团有限公司 基于色彩信息和P-tile算法的受电弓图像定位方法
CN104732519A (zh) * 2015-01-20 2015-06-24 中国科学院半导体研究所 鲁棒的全局阈值分割方法
CN105844608A (zh) * 2015-01-16 2016-08-10 西门子医疗保健诊断公司 尿沉渣图像的分割方法和装置
CN108247649A (zh) * 2018-01-30 2018-07-06 深圳源广安智能科技有限公司 一种具有旅游引导功能的智能机器人
CN108288388A (zh) * 2018-01-30 2018-07-17 深圳源广安智能科技有限公司 一种智能交通监控系统
CN109492448A (zh) * 2018-11-13 2019-03-19 国网河北省电力有限公司电力科学研究院 标签编码一致性校验方法及装置
CN111028202A (zh) * 2019-11-14 2020-04-17 苏州斯玛维科技有限公司 Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统
CN115166120A (zh) * 2022-06-23 2022-10-11 中国科学院苏州生物医学工程技术研究所 一种谱峰识别方法、设备、介质及产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080292194A1 (en) * 2005-04-27 2008-11-27 Mark Schmidt Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images
CN101599124A (zh) * 2008-06-03 2009-12-09 汉王科技股份有限公司 一种从视频图像中分割字符的方法和装置
CN102930538A (zh) * 2012-10-25 2013-02-13 河南师范大学 高斯势与空间直方图融合的自适应图像分割方法
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080292194A1 (en) * 2005-04-27 2008-11-27 Mark Schmidt Method and System for Automatic Detection and Segmentation of Tumors and Associated Edema (Swelling) in Magnetic Resonance (Mri) Images
CN101599124A (zh) * 2008-06-03 2009-12-09 汉王科技股份有限公司 一种从视频图像中分割字符的方法和装置
US20140079297A1 (en) * 2012-09-17 2014-03-20 Saied Tadayon Application of Z-Webs and Z-factors to Analytics, Search Engine, Learning, Recognition, Natural Language, and Other Utilities
CN102930538A (zh) * 2012-10-25 2013-02-13 河南师范大学 高斯势与空间直方图融合的自适应图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张翰进 等: "双峰法与otsu法结合在太阳能电池缺陷检测中的应用", 《计算机系统应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104134219A (zh) * 2014-08-12 2014-11-05 吉林大学 基于直方图的彩色图像分割算法
CN104392429A (zh) * 2014-10-15 2015-03-04 中铁电气化局集团有限公司 基于色彩信息和P-tile算法的受电弓图像定位方法
CN105844608A (zh) * 2015-01-16 2016-08-10 西门子医疗保健诊断公司 尿沉渣图像的分割方法和装置
CN104732519A (zh) * 2015-01-20 2015-06-24 中国科学院半导体研究所 鲁棒的全局阈值分割方法
CN104732519B (zh) * 2015-01-20 2019-03-12 中国科学院半导体研究所 鲁棒的全局阈值分割方法
CN108247649A (zh) * 2018-01-30 2018-07-06 深圳源广安智能科技有限公司 一种具有旅游引导功能的智能机器人
CN108288388A (zh) * 2018-01-30 2018-07-17 深圳源广安智能科技有限公司 一种智能交通监控系统
CN109492448A (zh) * 2018-11-13 2019-03-19 国网河北省电力有限公司电力科学研究院 标签编码一致性校验方法及装置
CN111028202A (zh) * 2019-11-14 2020-04-17 苏州斯玛维科技有限公司 Led芯片的x射线气泡缺陷图像处理方法、设备、存储介质及系统
CN115166120A (zh) * 2022-06-23 2022-10-11 中国科学院苏州生物医学工程技术研究所 一种谱峰识别方法、设备、介质及产品
CN115166120B (zh) * 2022-06-23 2024-12-24 中国科学院苏州生物医学工程技术研究所 一种谱峰识别方法、设备、介质及产品

Also Published As

Publication number Publication date
CN103903275B (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN103903275B (zh) 利用小波融合算法改进图像分割效果的方法
CN107506761B (zh) 基于显著性学习卷积神经网络的脑部图像分割方法及系统
CN106203430B (zh) 一种基于前景聚集度和背景先验的显著性物体检测方法
CN105701508B (zh) 基于多级卷积神经网络的全局‑局部优化模型及显著性检测算法
CN105404861B (zh) 人脸关键特征点检测模型的训练、检测方法及系统
CN104732545B (zh) 结合稀疏近邻传播和快速谱聚类的纹理图像分割方法
CN107680106A (zh) 一种基于Faster R‑CNN的显著性目标检测方法
CN103400154B (zh) 一种基于有监督等距映射的人体动作识别方法
CN104778476B (zh) 一种图像分类方法
CN105574534A (zh) 基于稀疏子空间聚类和低秩表示的显著性目标检测方法
CN103810723A (zh) 基于帧间约束超像素编码的目标跟踪方法
CN103198479B (zh) 基于语义信息分类的sar图像分割方法
CN104123417B (zh) 一种基于聚类融合的图像分割的方法
CN104392231A (zh) 基于分块与稀疏主特征提取的快速协同显著性检测方法
WO2018082308A1 (zh) 一种图像处理方法及终端
CN107038416A (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN107590815A (zh) 基于萤火虫群优化法的图像多阈值分割方法
CN105550703A (zh) 一种适用于人体再识别的图片相似度计算方法
CN107194351B (zh) 基于韦伯局部对称图结构的人脸识别特征提取方法
CN106127104A (zh) 一种Android平台下基于人脸关键点的预测系统及其方法
CN112580661A (zh) 一种深度监督下的多尺度边缘检测方法
CN104637045A (zh) 一种基于超级像素层次特征的图像像素标号方法
CN104778472A (zh) 人脸表情特征提取方法
CN104036491B (zh) 基于区域划分和自适应多项式隐模型的sar图像分割方法
Salem et al. Semantic image inpainting using self-learning encoder-decoder and adversarial loss

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170222