多阈值图像分割.docVIP

多阈值图像分割概述

摘要：多阈值分割是现代图像处理中不可或缺的一局部。它主要指通过设定多个阈值将图像中感兴趣的目标标记出来。阈值的选取非常关键，它关系到分割后的结果的好坏。Ostu法也称之为最大类间法是多阈值图像分割中比拟常用且完善的方法。由于多阈值图像分割对于图像处理的重要性，多阈值图像分割被广发应用于现代生产生活的方方面面。

关键词:图像分割，多阈值，遗传算法，ostu

引言

图像分割是图像处理和前期视觉中的根本技术，是大多数图像分析和视觉系统的重要组成局部。其中阈值的自动选取，是图像分割中研究的重点和焦点。多阈值图像分割的应用领域非常广泛，如医学图像的分析诊断、交通中的智能识别、卫星遥感图片识别处理等等。

多阈值图像分割定义

图像分割

所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成假设干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。图像分割的方法有基于阈值的分割、基于区域的分割和基于边缘的图像分割。

多阈值分割

所谓多阈值也是为了在图像中分割出多片区域从而设定多个阈值。阈值分割方法的特点是实现简单、计算量小、性能较稳定。所以多阈值图像分割成为图像分割中最根本和应用最广泛的分割技术。

多阈值分割原理

阈值分割原理

一般意义下，阈值运算可以看作是对图像中某点的灰度、该点的某种局部特性以及该点在图像中的位置的一种函数，这种阈值函数可记作

T(x，y，N(x，y)，f(x，y))

式中，f(x，y)是点(x，y)的灰度值；N(x，y)是点(x，y)的局部邻域特性．根据对T的不同约束，可以得到3种不同类型的阈值，即

点相关的全局阈值T＝T(f(x，y))

(只与点的灰度值有关)

区域相关的全局阈值T＝T(N(x，y)，f(x，y))

(与点的灰度值和该点的局部邻域特征有关)

局部阈值或动态阈值T＝T(x，y，N(x，y)，f(x，y))

(与点的位置、该点的灰度值和该点邻域特征有关)

所有这些阈值化方法，根据使用的是图像的局部信息还是整体信息，可以分为上下文无关(non-contextual)方法(也叫做基于点(point-dependent)的方法)和上下文相关(contextual)方法(也叫做基于区域(region-dependent)的方法)；根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法(globalthresholding)和局部阈值方法(localthresholding，也叫做自适应阈值方法adaptivethresholding)。

多阈值分割原理

一般意义下，多阈值图像模糊是根据图像的灰度，设定多个阈值，然后令图像中的每一个像素点的灰度与阈值作比照，之后将其归类。多阈值图像分割是一个模式识别归类的过程。

阈值选取原理

对于多阈值分割中阈值的选取方法非常的多，比方迭代法、最小误差法、简单统计法、分块采样法、阈值差值法、直方图变换法、边界点递归法、均衡比照度递归法、小波法、双峰法、p分位数法、直方图凹凸面分析法、适量保持法、模糊集方法、松弛法、水线阈值法、模拟退火算法、带噪图像多扫描法、势函数聚类法、势函数聚类自适应法、模糊率自适应法、归一化自适应法、直方图统计模型自适应法、正那么割〔nuct〕、最大类间方差法(otsu法)、改良pso算法的otsu法、分块采样遗传算法法、遗传算法二维熵法、遗传算法模糊熵法、递推遗传模糊3-划分熵法、熵约束快速fcm法、最大熵法、快速最大熵法、递推人工蜂群的模糊划分熵法、量子粒子群优化最小交叉熵法、粒子群优化法、混沌粒子群法、nw小世界邻居粒子群法、风诺依曼邻居粒子群法、加权模糊c均值聚类统计检验指导法等。这里就不一一进行详细介绍。只介绍其中比拟经典的最大类间方差(ostu)法。

最大类间方差法本身是用于单阈值分割。其原理是通过设定阈值进行分割，使分割出来的两个类之间方差最大。

这里用于多与子分割，设定图像X中存在m个带区分的类，那么有m-1个阈值k1,…,kn,…,km-1用来将图像分为m个类。这些类分别表示为C0={0,1,…k1},…,Cn={kn+1,kn+2,…,kn+1},…,Cn={km+1,km+2,…,L-1},将类间方差定义为

σ

其中

ω

μ

N=

使得σBC取得最大值的一组阈值就是所要求的最优阈

关于最有预知个数确实定，这里使用一个别离因素SF作为结束图像分割的判断条件，通过对它的操作来完成对最优阈值个数确实定。

SF定义为

SF=

式中：vT=

SF的值用来度量已存在的类之间别离性，它的值越大那么说明这些类之间的别离性越强。SF的取值范围为[0…1]，当SF趋向于1时，图像中的类就被完全的别离出来，即类间方差σBC也取得最大值。这样图像中的类的个数已