低光照强噪声背景下图像多阈值分割方法研究.docxVIP

? ? 低光照强噪声背景下图像多阈值分割方法研究 ? ? 王 宁，韩院彬 (河北工程大学，河北 邯郸 056038) 1 引言 在采集或者传输图像的过程中，不可避免地会受到噪声的干扰，但同时也有可能产生其它干扰因素，例如光照过强或过弱、曝光时间过长或过短以及大气湍流等，因此，图像分割成为了一个值得研究的问题，众多学者对不同的分割方法进行深入探索。 文献[1]提出基于蝗虫算法的图像多阈值分割算法，采用Otsu法的极大类间方差与最大熵值对适应度函数进行架构，通过蝗虫算法完成最优分割阈值求解，实现图像分割，该方法具有较大的峰值信噪比和良好的分割效果，在一定程度上提升了算法的运行速度；文献[2]提出基于改进自适应差分演化算法的二维Otsu多阈值分割法，引入混沌映射机制，获取二维Otsu最优分割阈值，该方法使分割效率与准确度均有所改进。虽然上述方法在图像分割方面均具有一定的性能优势，但其在低光照强噪声背景下，提取出全局最优分割阈值，存在图像分割效果差、噪声平滑程度较低，降噪处理图像丢失的细节较多的问题。 针对上述问题，本文对低光照强噪声背景下图像多阈值分割方法展开研究。经过对经典图像阈值分割方法的深入分析，得知各方法相应的分割原理，在极小误差法和自适应阈值分割法基础上，实现了自适应灰度直方图多阈值优化，采用相应矩阵滤波处理低光照强噪声图像，获取图中的背景与目标区域，构建直方图阈值等价判定准则函数，实现最优分割阈值的选取。在对低光照强噪声的图像处理时，所提方法的图像分割效果较好，噪声平滑程度较高，能够准确完成目标与背景区域、边缘与噪声部分的有效分割。 2 图像多阈值分割方法优化 2.1 灰度直方图阈值法 通过对比三种静态灰度直方图方法，得到适用于课题研究的图像最优分割阈值，降低区域的误分割率方法。作为图像像素值的统计度量，灰度直方图是最简单的阈值取值法，三种方法选取对比如下： 1)直方图双峰法：该法主要是以灰度分布直方图为阈值的选取依据，通常情况下，会选定双峰间最低处的像素灰度值作为阈值，但其不能解决复杂图像的状况，若直方图为单峰或者多峰，就无法选定阈值。 2)迭代阈值法：该法是将一个近似阈值选取为估计值的原始值后，通过对估计值的不断改进，完成阈值选取。 3)极小误差法：该法也称作最优分割阈值法，将直方图转换为像素灰度值的概率分布密度函数近似，图像内目标与背景的单峰分布密度总和就是其分布密度，通过密度函数形式的获取，能够推算得到一个最优分割阈值，降低区域的误分割率。 根据上述分析可知，极小误差法在求取图像最优分割阈值，降低区域的误分割率方面较好。 2.2 自适应阈值法 极小误差法在求取图像最优分割阈值，降低区域的误分割率方面较好，但其局限于静态灰度直方图阈值分析，需要结合自适应阈值法完成动态阈值分析。自适应阈值法也称作动态阈值[4]法，通过确定各像素的邻域窗口，对其中的像素极值进行计算，最后将阈值选定为两者的方差。自适应阈值法如图1所示。 图1 自适应阈值法示意图 将当前像素设定为C，其8邻域像素为P，P的灰度极值分别表示为Max和Min，可以得到阈值表达式为 (1) 2.3 自适应灰度直方图多阈值优化 自适应灰度直方图多阈值优化是在上述极小误差方法与自适应阈值法结合创新的一种适用于动态和静态两种模式的直方图多阈值优化方法，其主要理念是所选的最优分割阈值可以令不同类间的分离性达到最优，通过计算得出直方图每个灰度级的发生几率，将阈值作为变量完成灰度级的分类，经过各类内方差和类间方差[5]的求解，得到一个最优分割阈值，该阈值能够同时满足类内方差极小与类间方差极大两个条件。 若假设L是初始灰度图像的灰度级，n为灰度级是i的像素点个数，N代表所有像素，那么将直方图进行归一化处理，可得 (2) (3) 阈值分割灰度级为静态级C0和动态级C1，且C0=(0，1，…，t)，C1=(t+1，t+2，…，L-1)，根据C0与C1方差公式 (4) (5) 可得出如下类间方差公式 (6) 类内方差公式 (7) 通过下列总体方差表达式 (8) 阈值等价判定准则公式 (9) 获取最优分割阈值计算公式，如下所示 (10) 3 基于自适应灰度直方图多阈值优化的低光照强噪声背景图像处理 3.1 图像滤噪 处理低光照强噪声背景下获取的图像样本的第一步是滤除图像中的噪声，针对采集到的低光照强噪声图像，要采用Kalman滤波器对图像进行预处理 (11) 在滤波器中，像素点(p，q)的输入与输出分别为ep，q和rp，q；像素点(i，j)的输入为ei，j，系数为xpq，ij。 通过上式可以得到一个7×7矩阵，将尺寸为M×N的噪声图像设定为K(m，n)，其灰度等级为L个，取值范围为[0，…，L-1]。将初始输入图像类型变更为Double，利用所得的矩阵对图像进行滤波[6]操