论文研究 融合非局部空间灰度信息的三维Otsu法.pdf

为了提高最大类间方差阈值分割法（Otsu）对于图像噪声的鲁棒性，提出融合非局部空间灰度信息的三维Otsu法。该方法利用图像像素的灰度信息、邻域中值灰度信息和非局部空间灰度信息进行直方图统计，构建新颖的三维直方图，采用最大类间方差作为阈值选取准则。实验结果表明新方法对于噪声的鲁棒性要优于原始三维Otsu法，能够获得更加令人满意的分割结果。32013,49(3)Computer Engineering and4 pplications计算机工程与应用Iv(N)(N, IID∑(6)(L-1)理论上说,当前像素非局部空间灰度信息的计算应该(1.-1)2(-1)遍历整幅图像寻找勹亡具有相似邻域结构的像素(即搜索(0,0,0窗的大小为整幅图像的大小)。在实际应用中,搜索窗的大小不会设置为整幅图像的大小,往往取一个比相似窗的尺寸大得多的值就可以了,搜索窗体现了“非局部”的思(a)三维直方图的定义域b)三维直方图区域的划分想。从上面的介绍可知,与局部空间灰度信息相比,非局部空间灰度信息更加充分地挖掘了图像中的空间结构信息,利用它来构建图像直方图是合理的。山前面的坐标转换关系可知图像像素j即为像素(x,y),那么图像中华标为(x,y)的像素点的非局部空间灰度值(x,y)=l。与传统三维直方图定义类似,把x,y)、4(x,y)和l(x,y)组成的三元组(a,b,c)定义为灰度-邻域中(L-1)(L-1)值灰度-非局部空间灰度三维直方图。如果图像中像素灰(c)区域0、2、3、4(d)区域1、56、7度的最大值为L-1,则像素的邻域中值灰度和非局部空间图1灰度邻域中值灰度非局部空间灰度三维直方图的划分灰度的最大值小于等于L-1,则该三维直方图定义在一个L×LXL大小的正方体区域上,如图1(a)所示,它的三个坐由前面分析可知,三维直方图中的区域0和1分别代标分别表示图像像素的灰度值、像素的邻域中值灰度和像表图像的目标和背景,P0(s,t,)和P(s,t,9)分别为它们素的非局部空间灰度。三维直方图上任意一点的值A对应的概率。根据对区域27的概率之和近似为0的假表示三元组(a,b,c发生的频率其定义如公式(3)所示,设,可知P(,1,9)=1P(s,t,9)这里就不再赘述最佳阈值采用下式来获得:(s,t, 9)=Arg max trS(s, t, q(7)3基于灰度-邻域中值灰度-非局部空间灰度三维直方图的Otsu法其中,ts表示类间离差矩阼S2的迹,由下式计算灰度邻域中值灰度非局部空间灰度三维直方图的定ts、(41-04n)+(p2=0on2)2+(uP04(8)义域如图1(a)所示。基于此直方图,本文采用最大类间方P0(1-P0)差作为阈值选取准则。假设(s,,y)为选取的阙值,则以该在上式中,1-2,-∑b阈值点为基准,利用平行于三个坐标平面的平面可以将该a,b,)∈C(r,分三维直方图分成8个子区城(如图1(b)所示),具体的区域Cp,Hn=(n,k2,k2)表示灰度邻域中值划分在图1(c)和图1(d)中展示。假设要将图像划分为目灰度非局部空间灰度三维直方图上总的均值矢量,定义如下标和背景两个区城,则在目标内部和背景内部的像素点具x=(n1,1273)=有较强的相关性,像素点的灰度、邻域中值灰度和非局部空间灰度之间的差异性会比较小;而在凵标和背景的边界∑∑ma∑∑∑b,∑∑∑py(9)a=0h=0c=0d=0b=0c=0附近的像素点的灰度、邻城中值灰度和非局部空间灰度之由」最佳阈值的选择需要遍历全部的。、和q,对」任间的差异会比较大。因此,在三维直方图中,属于区域0和意图像来说,St和q的范围都为[0,L-1],因此算法的计算1的像素被分别归类为目标和背景,区城2~7内的像素被看复朵度为O(L)。为了降低算法的复杂度本文采用文献l成边缘或噪声点。由于边界区域的像素点和噪声点的数目远远少」目标和背景的像素点的数目,因此可以采用区中的快速算法来实现,计算复杂度降为O(1),其体递推公城2~7上的所有像素点的概率和近似为0的假设。此外,式可参考该文献,这里就不再赘述。得到國值(s,,q)之由于灰度邻域中值灰度非局部空间灰度三维直方图利用后,利用下式对图像进行值化分割:了像素的非局部空间灰度信息,使得基于此三维直方图的S()-1.)1,)(,9(10Otsu法能够在含噪图像上获得较妤的分割效果。需要指否则出,邻域中值滤波易于滤除椒盐嗓声,非局部均值滤波是目前公认去除高斯噪声最好的方法之一,所以,基于灰度。4实验结果及分析邻域中值灰度非局部空间灰度三维直方图的Osu方法不为了验证本文算法的有效性,在两幅自然图像和一幅但能在被高斯噪声或椒盐噪声污染的图像上取得良好的合成孔径雷达(SAR)图像上进行了分割实验,其中,自然图分割性能,而且也能在被混合噪声(即高斯噪声加椒盐噪像采用 Bacteria和 Tungsten肉,人寸分别为178×178和声)污染的图像上获得较好的分割效果252×298,SAR图像大小为200×220。在两幅自然图像上赵凤,范九伦:融合非局部空间灰度信息的三维Otsu法2013,49(3)33分别添加了高斯噪声、椒盐噪声和混合噪声(高斯噪声加椒盐噪声),加噪佟像分别在图2-7的(a)中展示。在实验中,将本文提出的方法和三维Otsu阈值分割法进行对比,本文方法的三个参数h、和f分别取30、21和7,三维Ots法的参数k取为7。图像的分割实验结果如图2~8所示。(a)SAR原图(b)三维Otsu法(c)本文方法图8SAR图像分割结果从被不同噪声污染的自然图像的仿真实验结果可以看出,与三维Otsu法相比,本文方法能够有效抑制图像中(a)高斯加噪图b)三维Otsu法(c)本文方法的大部分噪声。对于 bacteria图像,本文方法在背景上的图2 bacteria高斯噪声图分割结果噪声抑制效果要优于三维Osu法;对于 Tungstcn图像,本文方法更好地去除了钨表面上的噪声。因此,在含噪自然图像上,本文方法分割所得的目标和背景区域内部的一致性较好,获得了更加理想的分割结果。此外,含有乘性噪声的SAR图像上的实验结果表明本文方法获得的目标区城轮廓更加清晰,噪声抑制效果更好,分割结果婁优于三(a)椒盐加噪图h)三维Ou法(c)本义方法维Otsu法。图3 Bacteria椒盐噪声图分割结果5结束语维Otsu法中的二维直方图是由图像像素的灰度,邻城中值灰度和邻城均值灰度构成的,当图像被噪声严重污22上染的时候,仅仅利用像素的邻域像素不能很好地克服噪声(a)混合加噪图(b)三维Otsu法(c)本文方法的影响。因此,在本文中引入非局部空间灰度信息,将它图4 Bacteria混合噪声图分割结果与像素的灰度和邻域中值灰度相结合构造了一个新颖的维直方图,并采用最大类间方差作为阈值选取准则。由与F5j于非局部空间灰度信息是利用与当前像素具有相似邻域结构的那些像素获得的,因此新提出的三维直方图比传统的三维直方图更加有效。在含噪自然图像和SAR图像上的实验结果也表明了本文方法的分割效果要优于三维O(a)高斯加噪图b)三维Osu法(c)木文方法法。需要指出,本文提出的三维直方图对于不同噪声的适图5 Tungsten高斯噪声图分割结果用性问题以及非局部空间灰度信息获取过程中参数的自与F适应确定问题都将是下一步的研究内容。参考文献:l1 Baradez M o, McGuckinb C P, Forrazb N, et al. Robust anda)椒盐加噪图b)三维Osu法(c)本文方法automated unimodal histogram thresholding and potential ap图6 Tungsten椒盐噪声图分割结果plications[J]. Pattern Recognition, 2004, 37(6): 1131-1148[2 Cinque L, Foresti G, Lombardi LA clustering fuzzy approachfor image segmentation[J]. Pattern Recognition, 2004, 37(9):1797-1807.[3 Zhao F, Jiao L C, Liu H Q, et al. A novel fuzzy clusteringalgorithm with non local adaptive spatial constraint for image(a)混合加噪图(b)二维Otsu法(c)本文方法segmentation[J]. Signal Proccssing, 2011, 91(4): 988-999图7 Tungsten混合噪声图分割结果(下转39页