CN113538499B - 图像阈值分割方法、装置、计算机设备和存储介质 - Google Patents

图像阈值分割方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN113538499B
CN113538499B CN202110961697.9A CN202110961697A CN113538499B CN 113538499 B CN113538499 B CN 113538499B CN 202110961697 A CN202110961697 A CN 202110961697A CN 113538499 B CN113538499 B CN 113538499B
Authority
CN
China
Prior art keywords
gray
value
class
numerical range
optimal threshold
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.)
Active
Application number
CN202110961697.9A
Other languages
English (en)
Other versions
CN113538499A (zh
Inventor
孙雪强
夏群兵
谭传明
后居上
韦海艳
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.)
Shenzhen Aixiesheng Technology Co Ltd
Original Assignee
Shenzhen Aixiesheng Technology Co Ltd
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 Shenzhen Aixiesheng Technology Co Ltd filed Critical Shenzhen Aixiesheng Technology Co Ltd
Priority to CN202110961697.9A priority Critical patent/CN113538499B/zh
Publication of CN113538499A publication Critical patent/CN113538499A/zh
Application granted granted Critical
Publication of CN113538499B publication Critical patent/CN113538499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Facsimile Image Signal Circuits (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种图像阈值分割方法、***、计算机设备和存储介质。所述方法包括：获取图像中每个灰度值的出现概率及整幅图像的灰度均值；根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；根据所述最佳阈值，对所述图像进行分割。采用本方法能够借助参数之间的递推关系，快速地计算出参数值，同时，通过减少类间方差的计算次数，减少了计算过程中涉及到的乘法运算的次数，有效地提高了算法的计算效率。

Description

图像阈值分割方法、装置、计算机设备和存储介质
技术领域
本申请涉及图像处理技术领域，特别是涉及一种图像阈值分割方法、装置、计算机设备和存储介质。
背景技术
在图像分割的各个算法中，当目标与背景的灰度值有较大差异时，阈值分割是一种应用广泛且行之有效的方法。目前图像阈值分割的方法有很多，比如迭代法、最大熵法和Otsu法等。Otsu算法通过统计整幅图像的灰度属性，进而自动选取图像的阈值，基于该阈值可以实现对图像较好的分割，进而得到广泛的应用。
Otsu又称为最大类间方差法，其依次计算每个灰度值对应的类间方差，选取最大类间方差对应的灰度值作为最佳阈值，其基本原理如下：
设一幅图像的灰度值分为0,1,2,…,L，灰度值i出现的次数为Ni，像素总个数为N，则有：
其中，pi为灰度值为i的像素出现的概率，μ为整幅图像的灰度均值。
设最佳阈值t(0≤t<L)，则将灰度分为两类，第一灰度类C0＝(0,1,…,t)和第二灰度类C1＝(t+1,t+2,…,L)，则：
第一灰度类C0的出现概率w0(t)为：
第一灰度类C0的灰度均值μ0(t)为：
第二灰度类C1的出现概率w1(t)为：
第二灰度类C1的灰度均值μ1(t)为：
因此，类间方差为：
使得最大的t*为：
由以上可知，当使用Otsu法计算阈值时，需要计算每个灰度值的类间方差，而每个类间方差的计算都涉及到多次乘法，运算量大，比较耗时，计算效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够减少类间方差的计算次数，有效地提高计算效率的图像阈值分割方法、装置、计算机设备和存储介质。
第一方面，提供了一种图像阈值分割方法，所述方法包括：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
根据所述最佳阈值，对所述图像进行分割。
在其中一个实施例中，所述根据所述整幅图像的灰度均值，确定最佳阈值的数值范围包括：
获取第一数值范围，所述第一数值范围是第一灰度类的出现概率的数值范围；
获取第二数值范围，所述第二数值范围是第二灰度类的出现概率的数值范围；
根据所述第一数值范围、所述第二数值范围和最佳阈值公式，确定最佳阈值的数值范围。
在其中一个实施例中，所述最佳阈值公式为：
其中，代表向下取整，最佳阈值为t*时，对应的第一灰度类的灰度均值μ0(t*)、第二灰度类的灰度均值μ1(t*)。
在其中一个实施例中，所述递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值包括：
在所述最佳阈值的数值范围内，根据前一灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值，获得当前灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值并保存，继续计算下一个灰度值对应的参数值。
在其中一个实施例中，若前一阀值对应的第一灰度类的出现概率w0(t)、第一灰度类的灰度均值μ0(t)、第二灰度类的出现概率w1(t)和第二灰度类的灰度均值μ1(t)，当前阀值对应的第一灰度类的出现概率w0(t+1)、第一灰度类的灰度均值μ0(t+1)、第二灰度类的出现概率w1(t+1)和第二灰度类的灰度均值μ1(t+1)，则
其中，pi为灰度值为i的像素出现的概率，L为图像的最大灰度值，t为阈值，0≤t<L。
在其中一个实施例中，所述在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值包括：
根据所述参数值查找满足最佳阈值的数值范围的灰度阈值，并统计满足条件的灰度阈值数量；
若所述满足灰度阈值数量为1，则所述灰度阈值为最佳阈值；
若所述满足灰度阈值数量大于1，则计算每一个所述灰度阈值的类间方差，将最大所述类间方差对应的所述灰度阈值作为最佳阈值。
在其中一个实施例中，所述根据所述参数值查找满足最佳阈值的数值范围的灰度值包括：
根据所述参数值，从最小阈值开始查找满足最佳阈值公式的灰度阈值。
第二方面，提供了一种图像阈值分割装置，所述装置包括：
第一计算单元，用于获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
范围获取单元，用于根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
第二计算单元，用于递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
阈值查找单元，用于在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
图像分割单元，用于根据所述最佳阈值，对所述图像进行分割。
第三方面，提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
根据所述最佳阈值，对所述图像进行分割。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
根据所述最佳阈值，对所述图像进行分割。
上述图像阈值分割方法、装置、计算机设备和存储介质，通过获取图像中每个灰度值的出现概率及整幅图像的灰度均值；根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；根据所述最佳阈值，对所述图像进行分割，借助参数之间的递推关系，快速地计算出参数值，同时，通过减少类间方差的计算次数，减少了计算过程中涉及到的乘法运算的次数，有效地提高了算法的计算效率。
附图说明
图1为一个实施例中图像阈值分割方法的流程示意图；
图2为一个实施例中图像阈值分割装置的结构框图；
图3为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种图像阈值分割方法，以该方法应用于智能图像设备为例进行说明，包括以下步骤：
步骤S11，获取图像中每个灰度值的出现概率及整幅图像的灰度均值。
对图像的像素值进行遍历，统计图像中每个灰度值的出现次数，进而得到每个灰度值的出现概率，进而计算整幅图像的灰度均值，其中，若待分割图像的灰度值分为0,1,2,…,L，灰度值i出现的次数为Ni，像素总个数为N，则有：
其中，pi为灰度值为i的像素出现的概率，μ为整幅图像的灰度均值。
步骤S12，根据所述整幅图像的灰度均值，确定最佳阈值的数值范围。
具体的，获取第一数值范围，所述第一数值范围是第一灰度类的出现概率的数值范围；获取第二数值范围，所述第二数值范围是第二灰度类的出现概率的数值范围；根据所述第一数值范围、所述第二数值范围和最佳阈值公式，确定最佳阈值的数值范围。
其中，所述最佳阈值公式为：
代表向下取整，最佳阈值为t*时，对应的第一灰度类的灰度均值μ0(t*)、第二灰度类的灰度均值μ1(t*)。
具体的，若最佳阈值的数值范围f(t)＝μ0(t)+μ1(t)，确定f(t)的数值范围，则先确定μ0(t)、μ1(t)的数值范围。
第一，确定μ0(t)的数值范围：
由于μ0(t)<t+1,则μ0(t+1)≥μ0(t)，等号只有在pt+1为0时成立，因此，μ0(t)在区间[0,L)上单调递增，当t为0时，μ0(0)＝0；当t为L-1时，μ0(L-1)≤μ，则0≤μ0(t)≤μ。
第二，确定μ1(t)的数值范围：
当w0(t+1)<1时，由于μ1(t+1)>t+1,可得：
等号只有在pt+1为0时成立,因此，当w0(t+1)<1时，μ1(t)≤μ1(t+1)，
存在一个t1，满足w0(t1)<1且w0(t1+1)＝1，则
μ1(t1)＝t1+1 (13)
μ1(t1+1)＝0 (14)
此时，μ1(t)在t1取得最大值，在t1+1取得最小值，因此，0≤μ1(t)≤t1+1。
综上，当0≤t≤t1，μ0(t)与μ1(t)都是单调递增的，那么只需要计算f(t)在0、t1的数值就可以确定f(t)在区间[0,t1]的数值范围，
当p0为0时，等号成立。
f(t1)＝μ0(t1)+μ1(t1)<μ+t1+1 (16)
当t>t1时，μ0(t)为μ，μ1(t)为0，则
f(t)＝μ0(t)+μ1(t)＝μ+0＝μ (17)
因此，μ≤f(t)<μ+t1+1，而最佳阈值的数值范围是
步骤S13，递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值。
具体的，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值。在所述最佳阈值的数值范围内，根据前一灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值，获得当前灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值并保存，继续计算下一个灰度值对应的参数值。
根据前一灰度值对应的第一灰度类的出现概率w0(t)、第一灰度类的灰度均值μ0(t)、第二灰度类的出现概率w1(t)和第二灰度类的灰度均值μ1(t)，利用前后灰度值对应参数值的递推关系，则当前灰度值对应的第一灰度类的出现概率w0(t+1)、第一灰度类的灰度均值μ0(t+1)、第二灰度类的出现概率w1(t+1)和第二灰度类的灰度均值μ1(t+1)
其中，在计算μ0(t)时已得到并保存的，下一个灰度值计算时直接调用即可。
其中，在计算μ1(t)时已得到并保存的，pi为灰度值为i的像素出现的概率，L为图像的最大灰度值，t为灰度阈值，0≤t<L，下一个灰度值计算时直接调用即可，继续计算下一个灰度值对应的参数值。由于只是计算最佳阈值的数值范围内灰度值对应的参数值，大大减少了计算量。
步骤S14，在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值。
具体的，根据所述参数值，从开始查找满足公式(10)的灰度值t，查找满足该条件的灰度阈值，并统计满足灰度阈值数量；若所述满足灰度阈值数量为1，则所述灰度阈值为最佳阈值；若所述满足灰度阈值数量大于1，则计算各个所述灰度阈值的类间方差，将最大所述类间方差对应的所述灰度阈值作为最佳阈值。由于从通过/>开始查找，极大地减少公式(8)的计算次数，进而减少了计算过程中涉及到的乘法运算的次数，有效地提高算法的计算效率。
步骤S15，根据所述最佳阈值，对所述图像进行分割。
当图像的像素值大于最佳阈值时，将对应的像素值赋值为L，否则，将对应的像素值赋值为0，进而实现图像的分割。
上述图像阈值分割方法中，通过获取图像中每个灰度值的出现概率及整幅图像的灰度均值；根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；根据所述最佳阈值，对所述图像进行分割，借助参数之间的递推关系，快速地计算出参数值，同时，通过减少类间方差的计算次数，减少了计算过程中涉及到的乘法运算的次数，有效地提高了算法的计算效率。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图2所示，提供了一种图像阈值分割装置，包括：第一计算单元21、范围获取单元22、第二计算单元23、阈值查找单元24和图像分割单元25，其中：
第一计算单元21，用于获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
范围获取单元22，用于根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
第二计算单元23，用于递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
阈值查找单元24，用于在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
图像分割单元25，用于根据所述最佳阈值，对所述图像进行分割。
进一步地，所述范围获取单元22用于获取第一数值范围，所述第一数值范围是第一灰度类的出现概率的数值范围；获取第二数值范围，所述第二数值范围是第二灰度类的出现概率的数值范围；根据所述第一数值范围、所述第二数值范围和最佳阈值公式，确定最佳阈值的数值范围。
进一步地，所述最佳阈值公式为：
其中，代表向下取整，最佳阈值为t*时，对应的第一灰度类的灰度均值μ0(t*)、第二灰度类的灰度均值μ1(t*)。
进一步地，所述第二计算单元23用于在所述最佳阈值的数值范围内，根据前一灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值，获得当前灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值并保存，继续计算下一个灰度值对应的参数值。
进一步地，若前一阀值对应的第一灰度类的出现概率w0(t)、第一灰度类的灰度均值μ0(t)、第二灰度类的出现概率w1(t)和第二灰度类的灰度均值μ1(t)，当前阀值对应的第一灰度类的出现概率w0(t+1)、第一灰度类的灰度均值μ0(t+1)、第二灰度类的出现概率w1(t+1)和第二灰度类的灰度均值μ1(t+1)，则
其中，pi为灰度值为i的像素出现的概率，L为图像的最大灰度值，t为阈值，0≤t<L。
进一步地，阈值查找单元24用于根据所述参数值查找满足最佳阈值的数值范围的灰度阈值，并统计满足条件的灰度阈值数量；
若所述满足灰度阈值数量为1，则所述灰度阈值为最佳阈值；
若所述满足灰度阈值数量大于1，则计算每一个所述灰度阈值的类间方差，将最大所述类间方差对应的所述灰度阈值作为最佳阈值。
进一步地，根据所述参数值，从最小阈值开始查找满足最佳阈值公式的灰度阈值。
关于图像阈值分割装置的具体限定可以参见上文中对于图像阈值分割方法的限定，在此不再赘述。上述图像阈值分割装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图3所示。该计算机设备包括通过***总线连接的处理器和存储器。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现一种图像阈值分割方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
根据所述最佳阈值，对所述图像进行分割。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值；
根据所述最佳阈值，对所述图像进行分割。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种图像阈值分割方法，其特征在于，所述方法包括：
获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值，具体的，在所述最佳阈值的数值范围内，根据前一灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值，获得当前灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值并保存，继续计算下一个灰度值对应的参数值；
在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值，具体的，获取第一数值范围，所述第一数值范围是第一灰度类的灰度均值的数值范围；获取第二数值范围，所述第二数值范围是第二灰度类的灰度均值的数值范围；根据所述第一数值范围、所述第二数值范围和最佳阈值公式，确定最佳阈值的数值范围，其中，所述最佳阈值公式为：
其中，代表向下取整，最佳阈值为t*时，对应的第一灰度类的灰度均值μ0(t*)、第二灰度类的灰度均值μ1(t*)；
具体的，若最佳阈值的数值范围f(t)＝μ0(t)+μ1(t)，确定f(t)的数值范围，则先确定μ0(t)、μ1(t)的数值范围，
确定μ0(t)的数值范围：
由于μ0(t)<t+1,则μ0(t+1)≥μ0(t)，等号只有在pt+1为0时成立，因此，μ0(t)在区间[0,L)上单调递增，当t为0时，μ0(0)＝0；当t为L-1时，μ0(L-1)≤μ，则0≤μ0(t)≤μ；
确定μ1(t)的数值范围：
当w0(t+1)<1时，由于μ1(t+1)>t+1,可得：
等号只有在pt+1为0时成立,因此，当w0(t+1)<1时，μ1(t)≤μ1(t+1)，
存在一个t1，满足w0(t1)＜1且w0(t1+1)＝1，则
μ1(t1)＝t1+1
μ1(t1+1)＝0
此时，μ1(t)在t1取得最大值，在t1+1取得最小值，因此，0≤μ1(t)≤t1+1；
当0≤t≤t1，μ0(t)与μ1(t)都是单调递增的，那么只需要计算f(t)在0、t1的数值就可以确定f(t)在区间[0,t1]的数值范围，
当p0为0时，等号成立，
f(t1)＝μ0(t1)+μ1(t1)＜μ+t1+1
当t>t1时，μ0(t)为μ，μ1(t)为0，则
f(t)＝μ0(t)+μ1(t)＝μ+0＝μ
则μ≤f(t)<μ+t1+1，而最佳阈值的数值范围是
根据所述最佳阈值，对所述图像进行分割。
2.根据权利要求1所述的方法，其特征在于，若前一阈值对应的第一灰度类的出现概率w0(t)、第一灰度类的灰度均值μ0(t)、第二灰度类的出现概率w1(t)和第二灰度类的灰度均值μ1(t)，当前阈值对应的第一灰度类的出现概率w0(t+1)、第一灰度类的灰度均值μ0(t+1)、第二灰度类的出现概率w1(t+1)和第二灰度类的灰度均值μ1(t+1)，则
其中，pi为灰度值为i的像素出现的概率，L为图像的最大灰度值，t为阈值，0≤t<L。
3.根据权利要求1所述的方法，其特征在于，所述在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值包括：
根据所述参数值查找满足最佳阈值的数值范围的灰度阈值，并统计满足条件的灰度阈值数量；
若所述满足条件的灰度阈值数量为1，则所述灰度阈值为最佳阈值；
若所述满足条件的灰度阈值数量大于1，则计算每一个所述灰度阈值的类间方差，将最大所述类间方差对应的所述灰度阈值作为最佳阈值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述参数值查找满足最佳阈值的数值范围的灰度值包括：
根据所述参数值，从最小阈值开始查找满足最佳阈值公式的灰度阈值。
5.一种图像阈值分割装置，其特征在于，所述装置包括：
第一计算单元，用于获取图像中每个灰度值的出现概率及整幅图像的灰度均值；
范围获取单元，用于根据所述整幅图像的灰度均值，确定最佳阈值的数值范围；
第二计算单元，用于递推地计算所述最佳阈值的数值范围内每个灰度值对应的参数值，所述参数值包括第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率、第二灰度类的灰度均值，具体的，在所述最佳阈值的数值范围内，根据前一灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值，获得当前灰度值对应的第一灰度类的出现概率、第一灰度类的灰度均值、第二灰度类的出现概率和第二灰度类的灰度均值并保存，继续计算下一个灰度值对应的参数值；
阈值查找单元，用于在最佳阈值的数值范围内，根据所述参数值查找满足条件的最佳阈值，具体的，获取第一数值范围，所述第一数值范围是第一灰度类的出现概率的数值范围；获取第二数值范围，所述第二数值范围是第二灰度类的出现概率的数值范围；根据所述第一数值范围、所述第二数值范围和最佳阈值公式，确定最佳阈值的数值范围，其中，所述最佳阈值公式为：
其中，代表向下取整，最佳阈值为t*时，对应的第一灰度类的灰度均值μ0(t*)、第二灰度类的灰度均值μ1(t*)；
具体的，若最佳阈值的数值范围f(t)＝μ0(t)+μ1(t)，确定f(t)的数值范围，则先确定μ0(t)、μ1(t)的数值范围，
确定μ0(t)的数值范围：
由于μ0(t)<t+1,则μ0(t+1)≥μ0(t)，等号只有在pt+1为0时成立，因此，μ0(t)在区间[0,L)上单调递增，当t为0时，μ0(0)＝0；当t为L-1时，μ0(L-1)≤μ，则0≤μ0(t)≤μ；
确定μ1(t)的数值范围：
当w0(t+1)<1时，由于μ1(t+1)>t+1,可得：
等号只有在pt+1为0时成立,因此，当w0(t+1)<1时，μ1(t)≤μ1(t+1)，
存在一个t1，满足w0(t1)＜1且w0(t1+1)＝1，则
μ1(t1)＝t1+1
μ1(t1+1)＝0
此时，μ1(t)在t1取得最大值，在t1+1取得最小值，因此，0≤μ1(t)≤t1+1；
当0≤t≤t1，μ0(t)与μ1(t)都是单调递增的，那么只需要计算f(t)在0、t1的数值就可以确定f(t)在区间[0,t1]的数值范围，
当p0为0时，等号成立，
f(t1)＝μ0(t1)+μ1(t1)＜μ+t1+1
当t>t1时，μ0(t)为μ，μ1(t)为0，则
f(t)＝μ0(t)+μ1(t)＝μ+0＝μ
则μ≤f(t)<μ+t1+1，而最佳阈值的数值范围是
图像分割单元，用于根据所述最佳阈值，对所述图像进行分割。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202110961697.9A 2021-08-20 2021-08-20 图像阈值分割方法、装置、计算机设备和存储介质 Active CN113538499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110961697.9A CN113538499B (zh) 2021-08-20 2021-08-20 图像阈值分割方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110961697.9A CN113538499B (zh) 2021-08-20 2021-08-20 图像阈值分割方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN113538499A CN113538499A (zh) 2021-10-22
CN113538499B true CN113538499B (zh) 2024-01-19

Family

ID=78122693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110961697.9A Active CN113538499B (zh) 2021-08-20 2021-08-20 图像阈值分割方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN113538499B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063622A (zh) * 2010-12-27 2011-05-18 天津家宇科技发展有限公司 基于小波和大津法的二维条码图像二值化方法
CN105096333A (zh) * 2015-09-06 2015-11-25 河海大学常州校区 一种森林火灾红外热成像图像分割方法
CN107704818A (zh) * 2017-09-28 2018-02-16 韦彩霞 一种基于视频图像的火灾检测***
CN109461148A (zh) * 2018-10-30 2019-03-12 兰州交通大学 基于二维Otsu的钢轨缺陷分割自适应快速算法
CN110473215A (zh) * 2019-08-20 2019-11-19 贵州电网有限责任公司 一种用于架空配电线路监测场景的图像分割方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102063622A (zh) * 2010-12-27 2011-05-18 天津家宇科技发展有限公司 基于小波和大津法的二维条码图像二值化方法
CN105096333A (zh) * 2015-09-06 2015-11-25 河海大学常州校区 一种森林火灾红外热成像图像分割方法
CN107704818A (zh) * 2017-09-28 2018-02-16 韦彩霞 一种基于视频图像的火灾检测***
CN109461148A (zh) * 2018-10-30 2019-03-12 兰州交通大学 基于二维Otsu的钢轨缺陷分割自适应快速算法
CN110473215A (zh) * 2019-08-20 2019-11-19 贵州电网有限责任公司 一种用于架空配电线路监测场景的图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的Otsu图像阈值分割算法;陈峥 等;《激光与红外》;第42卷(第5期);正文第2-3章 *
一种改进的一维Otsu快速算法;郭瑞峰 等;《现代电子技术》;第40卷(第20期);正文第2章 *
陈峥 等.一种改进的Otsu图像阈值分割算法.《激光与红外》.2012,第42卷(第5期),正文第2-3章. *

Also Published As

Publication number Publication date
CN113538499A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109597571B (zh) 数据存储方法、数据读取方法、装置和计算机设备
US9286653B2 (en) System and method for increasing the bit depth of images
CN110569255A (zh) 数据库分库分表的分页查询方法、装置和计算机设备
CN111754429B (zh) 运动矢量后处理方法和装置、电子设备及存储介质
CN111445487B (zh) 图像分割方法、装置、计算机设备和存储介质
CN109377444B (zh) 图像处理方法、装置、计算机设备及存储介质
CN116612280A (zh) 车辆分割方法、装置、计算机设备和计算机可读存储介质
CN111091146A (zh) 图片相似度获取方法、装置、计算机设备及存储介质
CN113538499B (zh) 图像阈值分割方法、装置、计算机设备和存储介质
CN110930449A (zh) 预测结果的评估方法、装置、计算机设备和存储介质
CN111711823B (zh) 运动矢量处理方法和装置、电子设备及存储介质
CN112446951B (zh) 三维重建方法、装置、电子设备及计算机存储介质
CN114141187A (zh) Mura补偿方法、装置、***及显示设备
US9916663B2 (en) Image processing method and process simulation apparatus
CN111445411A (zh) 图像去噪方法、装置、计算机设备和存储介质
US9679363B1 (en) System and method for reducing image noise
CN115409070A (zh) 离散数据序列临界点的确定方法、装置以及设备
CN117710235B (zh) 图像目标增强方法、装置、计算机设备和存储介质
CN110427816B (zh) 物体检测方法、装置、计算机设备和存储介质
CN111462059B (zh) 胎儿超声图像智能目标检测的并行处理方法和装置
CN109376754B (zh) 图像处理方法、装置、计算机设备及存储介质
CN113780316A (zh) 图片的重复检测方法、装置、计算机设备和存储介质
CN111540016A (zh) 基于图像特征匹配的位姿计算方法、装置、计算机设备及存储介质
CN116257207B (zh) 一种数据截位方法、模块、计算机设备及存储介质
CN112231627B (zh) 边界卷积计算方法、装置、计算机设备及可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 518000 District D and E, 7th Floor, Building 3, Tingwei Industrial Park, 6 Liufang Road, Xin'an Street, Baoan District, Shenzhen City, Guangdong Province

Applicant after: Shenzhen Aixiesheng Technology Co.,Ltd.

Address before: 518000 District D and E, 7th Floor, Building 3, Tingwei Industrial Park, 6 Liufang Road, Xin'an Street, Baoan District, Shenzhen City, Guangdong Province

Applicant before: SHENZHEN AIXIESHENG TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant