客服电话:15682930301

计算机网络论文

当前位置: 毕业论文>计算机论文>计算机网络论文 > 正文

图像阈值分割方法的研究

发布时间:2019-12-11 10:38文字数:11167字

  摘 要:图像分割是一个十分基础却十分重要的问题,它是数字图像处理和数字图像分析之间的关键桥梁,图像分割效果的好坏与后续一系列图像分析问题密切相关。所以,图像分割技术在整个数字图像处理中的地位十分重要。

  本文首先对图像分割的有关理论做出简单的介绍,重点探究图像阈值分割技术。将对几种比较常见的阈值分割算法进行研究,主要是迭代法、最大类间方差法、最大熵法、最小误差法,并且对特定图像在MATLAB环境中进行了仿真测试。

  本文采用了一种图像分割评价标准,综合了Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等指标。将手动分割的图像作为金标准,与算法分割的图像进行比较,在MATLAB环境下给出算法图像与金标准图像的相似度,从而可以在评价各图像阈值分割算法上具有更强的说服力。

  从最终的实验结果和参数分析可以看出,相比较其他三种算法分割方法,最大类间方差法不仅可以将图像中的背景和目标分割开来,而且对于图像细节的处理也比较好,并且在处理不同图像的图像时也具有良好的稳定性。

  关键词:图像分割;阈值分割技术;图像分割评价标准

  前 言

  人类主要通过听觉和视觉对外部环境进行感知,而视觉感官占主要部分,所以我们从外部所获得的图像、视频信息对我们而言十分重要[1]。当人们观察一幅图像时,只有图像中的一部分内容是人们所需要的,这部分内容也往往和其周围的图像内容有所不同,这些不同一般表现在颜色、形状、灰度等方面。但是,这些不同点可能是十分细微的,导致人体的肉眼无法分辨,此时,便显示出图像分割的重要性。图像分割可以将图像分为不同的区域,而我们所需要解决的问题决定了我们要对这幅图像分割到什么程度。也就是说,在图像分割的应用中,当已经识别出我们所需要的目标时,图像分割工作就已经完成了[2]。可见,图像分割技术在整个数字图像处理中的地位和重要程度不容忽视,这就促使人们将目光投向于寻找更加实用、有效的分割算法使图像分割的效率和质量获得进一步的提高,从而可以适应各个应用领域不同的需求。

  第一章 绪论

  1.1 图像阈值分割的背景及研究意义

  科学技术随着社会的快速发展而飞速进步,所带来的图像信息也不断增加,我们需要用图像处理技术从庞大的数据图像库中找寻我们所需要的信息。图像分割在数字图像处理技术中的重要地位不容忽视,任何的图像在进行图像分析时都必须首先进行图像分割,后续分析过程中的工作能否顺利进行在一定程度上也取决于图像分割质量的好坏。所以,图像分割在整个数字图像处理中的位置也十分重要,这也一直是国内外学者的研究热点,如图1.1.所示:

  图1.1数字图像处理中图像分割的重要作用

  将图像中我们所感兴趣的、具有某些我们所需要的性质的像素区域从原来的图像中提取出来的过程就叫做图像分割。图像分割受到国内外科研人员的关注,迄今为止,虽然已经有很多的分割算法被提出,但是分割的理论并没有统一。目前所提出的每一种分割算法都不能保证完全适应于每一幅图像。并且,利用分割算法所获得的分割图像与我们所期望的理想分割图像并不完全一致,总是存在着一定的差距。尽管图像分割技术有一定的局限性,但是仍在各个领域的应用还是比较普遍的。

  1.2 图像阈值分割国内外研究现状

  20世纪60年代,数字图像处理技术开始获得飞跃性的发展,几乎在各个领域中都可以看到图像处理技术的身影。在数字图像处理中,图像分割技术是图像理解和图像识别的前提。基于阈值的图像分割方法因为计算方法简单,计算效率较高,并且性能较稳定,所以它被称为为图像分割的基本技术,也是应用最为普遍的图像分割技术。

  20世纪70年代起,图像阈值分割一直是研究人员关注的重点。迄今为止,已经有众多的基于阈值的图像分割算法相继提出,但是一直没有一个通用的分割理论,每一种阈值分割算法都有它的优点和局限性,很多分割算法只能应用于某些特定的场合,或者只能针对某些特定的图像。此外,当我们遇到一个具体的图像分割场景,面对众多的分割算法我们应该选取哪一种算法也没有普适的原则,并且如何去评定一个图像分割算法的好坏也是一个没有解决的问题[3]。以上内容都是需要我们进一步去探究的。

  1.3论文研究的主要内容及各章结构安排

  本文主要的研究内容包括以下三个部分:

  对选定图片进行算法阈值分割,主要包括:迭代法、最大类间方差法、最小误差法、最大熵法;

  对选定图片进行手动分割,本文主要运用人体视觉和Photoshop软件;

  采用Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等参数作为图像分割标准,利用这些参数之间的差异来综合评价图像阈值分割的效果,从而进一步分析不同算法的分割效果。

  本文的结构安排包括以下五个章节:

  第一章是绪论,主要介绍本论文和分割实验的研究背景及意义;

  第二章是对现有的图像分割方法做出综述,将图像分割方法分为阈值分割法、边缘检测分割法、区域分割法进行介绍;

  第三章是对特定图片分别运用迭代法、最大类间方差法、最小误差法、最大熵法基于MATLAB环境进行图像阈值分割

  第四章将四种分割算法所得分割图像与手动分割图像进行对比,运用选定的图像分割评价标准来评定两种算法的分割效果;

  第五章是工作总结,总结本文所提及的图像分割算法,通过比较得出最优方案,并对实验进行总结,以便今后做出改善。

  第二章 图像分割方法综述

  2.1图像分割技术的基本概念

  在数字图像处理中,通常情况下,对于一幅图像我们只需要该图像中的一部分内容。这些我们所需要的内容我们称之为目标,所不需要的另一部分内容我们称之为噪声。目标往往是具有特定性质的一些像素,其与噪声像素所具有的特性有所区别。图像分割可以理解为将一幅图像的噪声像素和目标像素分离开来的一个过程,数学中集合的概念可以帮助我们更好地定义图像分割:

  这里,是定义在集合的点上的逻辑谓词,φ是空集。

  从(1)可以看出,当一幅图像进行分割之后,将所获得的所有子图像的像素点取并集,结果与原图像的总像素点相同。

  从(2)可以看出,在图像分割完成之后,若某个像素点属于目标区域,则它必不属于噪声区域。反之亦然。

  从(3)可以看出,图像分割之后的所获得的每一个子图象都有与其他子图象不同的性质。

  从(4)可以看出,属于不同子图象的像素点之间没有交叉的性质。

  从(5)可以看出,分割之后属于同一子图象的像素点满足相互连通的条件。

  我们在应用中遇到的图像分割问题,不仅需要我们最后所获得的分割图像满足以上五个要求,而且还需要我们提取出原始图像中的目标区域。

  2.2.图像分割的基本分类

  图像分割算法在数字图像处理中的重要地位,使国内外科研人员一直关注着算法的更新和改进,新的图像分割算法不断被提出。迄今为止,提出的分割算法已有上千种,虽然这些算法有不同的表现方式但是他们大部分都基于图像像素的不连续性和相似性。

  2.2.1 边缘检测分割法

  顾名思义,边缘检测分割算法是一种利用图像边缘达到分割目的的图像分割方法,这种方法主要的难点在于如何提取图像的边缘,该方法的主要依据是图像中不同区域间像素具有不连续性[5]。

  边缘分割算法的步骤如下:

  首先需要经过滤波操作,因为图像强度的一阶导数和二阶导数是图像边缘检测算法的依据,但是图像中噪声的存在对导数运算的影响比较大,所以在边缘检测之前需要通过滤波器将部分噪声过滤出去。

  然后需要进行图像增强,在此之前我们还需要知道图像边缘的各个邻域的强度是如何变化的,这样我们才可以通过增强算法突出图像边缘中强度有明显变化的像素点。

  下一步我们要进行检测,在一幅图像中,不仅图像边缘的像素点会有比较大的梯度幅度值,图像中也可能存在一些梯度幅度值比较大的像素点,但这些像素点并不是我们要找的边缘点,所以我们需要筛选出符合要求的边缘像素点。

  在大多数使用图像边缘检测来分割图像的场合中,是不需要将图像边缘的准确位置找出来的,只需要知道图像边缘出现在图像的哪些像素点附近。此时,以上三个步骤就可以满足边缘检测分割图像的要求。如果需要确定边缘的位置,我们可以从子分变率上估计。

  通常情况下,我们需要使用边缘检测算子来处理边缘检测的问题。常用的边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Kirsch算子这些一阶导数算子。除此之外,还有Laplacian算子、LOG算子、Canny算子这些二阶导数算子。

  边缘检测分割算法的优点是可以比较准确地找出边缘的位置,算法的运算速度也比较快;但是缺点在于,噪声的存在会对该算法影响比较大,并且由于只利用了图像的局部信息,分割图像内部颜色的一致性比较难以保证[6]。故此,在实际的图像处理过程中,边缘检测技术往往不单独使用,常与其他分割算法相结合。

  2.2.2 阈值分割法

  在图像分割技术中,图像阈值分割法的地位十分重要。阈值分割是一种利用区域进行图像分割的技术,它的基本原理是通过设置合理的阈值,把图像中的像素点按照阈值分为不同的互不重叠的区域,所有灰度值大于或者等于该阈值的像素点被判为目标,所有灰度值小于该阈值的像素被判为噪声,从而实现图像分割[7]。

  阈值图像分割法在图像分割算法中属于较为常用且操作简单的一种方法,目前,已经提出了很多阈值分割算法。直方图双峰法由Prewitt在20世纪60年代率先提出,这也开创了图像阈值分割算法的先河。但这种传统的分割算法的缺陷也是十分明显的,其不能很好地适应于直方图双峰不明显或者双峰之间的谷底很宽的图像。后续经过研究者的不断改进,又相继提出了最大类间方差法、最小误差法、最大熵法,并将图像分割理论与其他理论相结合,提出了基于图割理论的图像分割算法、基于遗传算法理论的图像分割算法等使图像阈值分割算法的性能显著提升。

  2.2.3 区域分割法

  通过之前的介绍,我们可以知道阈值分割法只是考虑孤立的像素点的关系,没有或者很少考虑到空间的关系。但是在实际应用中,我们不得不考虑三维空间的问题,所以从应用的角度看,阈值分割法的局限性比较大。针对这一问题,人们又提出了区域分割法。区域分割法认为经过算法分割所获得的同一区域的像素点的性质在某种程度上应该是相似的,这就将图像的空间特性考虑了进去。区域生长法和区域分裂合并法都是比较常用的区域分割算法。

  区域生长法需要对每一个待分割区域找一个像素点作为种子,将其作为生长的起点,从种子点开始,将其周围具有与种子点相似性质的像素点进行合并,使之成为一个区域。

  在图像处理中,当图像中没有先验知识可以利用或者先验知识不足时,用该种方法对图像进行分割,也可以获得比较好的性能。但是,区域分割法的缺点在于它是一种迭代的算法,对空间和时间的消耗都比较大。

  第三章 图像阈值分割技术

  图像阈值分割技术是一种最基本的图像分割方法,当图像的目标与背景有较强对比时,采用图像阈值分割的方法就可以达到比较满意的分割效果。当使用图像阈值分割技术对图像进行分割时,一般需要假定图像是遵循一定的模型的,尽可能多地使用图像模型来了解图像的区域组成。图像阈值分割模型通常假设目标或背景中相邻像素之间的灰度值相似,但目标和背景的像素在灰度级上不同[8]。图像阈值分割技术的分割过程可以简化为以下两个步骤:

  第一步,针对图像,选取合适的算法来确定该图像的分割阈值

  第二步,将图像的所有像素点与分割阈值相比较,从而完成对像素点的分类

  从以上分析中我们可以知道,怎么找到一个理想的阈值进行图像分割是最为重要的步骤。若将分割阈值确定为T,那么在以(x,y)为中心的邻域的平均灰度级中,经过阈值T处理后的图像g(x,y)定义为:

  由此得到的g(x,y)成为二值图像。本章将介绍一些重要的图像阈值分割算法,如:迭代法、最大类间方差法、最小误差法、最大熵法等。

  3.1 迭代法

  迭代法选取阈值的方法可以完成阈值的自动选取,迭代法的步骤如下:

  第一步,确定一个初始阈值T (通常情况下,我们将初始阈值定为图像中所有像素的平均值)。

  第二步,把图像中所有灰度值小于T的像素归为一个集合G1,所有灰度值大于T的像素归为一个集合G2。

  第三步,分别计算出G1集合和G2集合的像素平均值,并将其定义为m1和m2。

  第四步,利用以下公式计算新的阈值:T = (m1+m2)/2 。

  第五步,比较新的阈值和原阈值之间的差值,如果它们之间的差值小于我们可以接受的范围,就表明我们已经找到一个合适的分割阈值,则停止迭代,否则重新开始第二步至第四步。

  使用迭代法对某指纹的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.1 迭代法对指纹图像进行阈值分割效果图

  图3.2 迭代法对指纹图像阈值分割直方图

  使用迭代法对lena的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.3迭代法对lena图像进行阈值分割效果图

  图3.4 迭代法对lena图像阈值分割直方图

  由图3.1和图3.3的分割效果可以看出,对于某些图像,微小数据的变化会会导致分割结果发生很大变化。由图3.2和图3.4的对比可得,若图像的直方图具有明显的双峰和较深的谷底,使用迭代法分割图像的效果会比较好,但是如果图像的直方图双峰不是十分明显,或者图像的目标和背景在整体图像中所占的比例的差异比较大,迭代法所选取的阈值可能就不是那么准确了。

  3.2 最大类间方差法

  最大类间方差法又称为Ostu算法,该算法利用了最小二乘法的原理,在灰度直方图的基础上推导而来,因此,所得到的分割阈值具有统计意义[9]。基本原理是选取目标和背景的类间方差的最大值,使目标和背景之间的分离性最大。

  若X是具有L级灰度的图像,其中第i级像素为ni个,则图像的总像素点个数可以表示为:

  图像的第i级像素出现的概率为:

  在Ostu算法中,属于目标C0的像素和属于背景C1的像素是由所得的分割阈值K区别开的。它们的像素灰度级都在0—k-1之间。

  图像的总平均灰度级为:

  属于C0的像素所占的比例为:

  属于C1的像素所占的比例为:

  属于C0的像素的平均灰度为:

  属于C1的像素的平均灰度为:

  其中

  由上面几个公式可得:

  则类间方差公式为:

  使k从0-255之间变化取值,分别计算在当K值不同时的类间方差,使取得最大值时的k值就是我们所需要的分割阈值。

  使用最大类间方差法对某指纹的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.5最大类间方差法法对指纹图像进行阈值分割效果图

  使用最大类间方差法对lena的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.6最大类间方差法对lena图像进行阈值分割效果图

  从以上的理论分析和实际效果可以看出,当两个区域达到最佳分割的状态时,这两个区域之间的方差也是最大的,分割阈值便可以由此确定。可以知道,在确定阈值的过程中,最大类间方差法的算法参数是自动选择的,不需要我们人为去设定。当我们所处理的图像是直方图中无明显双峰、低谷的图像,或者是难以确定目标和噪声区域的面积比的图像时,采用最大类间方差法的分割效果会比迭代法要好很多。

  3.3最小误差法

  最小误差法是基于图像灰度特征的一种分割算法,在该算法中,假设噪声像素点和目标像素点的灰度是独立分布的随机变量,图像中总像素点也满足一定的概率分布,那么我们就可以利用最小误差分类准则来获得我们所需要的最佳分割阈值[10]。

  假设图像中只有目标和背景两种模式,且他们的概率密度函数分别是和,均值分别为和。设目标的像素点的数量在图像总像素点的数量中所占的百分比为,背景的像素点的数量在图像总像素点的数量中所占的百分比为,可以得出混合概率密度为:

  如果确定一个分割阈值T,则将目标像素点判断为背景像素点的概率为:

  将背景像素点判断为目标像素点的概率为:

  那么总错误概率可以表示为:

  当总错误概率最小时所取得的阈值就是我们所需要的最佳阈值。

  利用上述公式进行一定的数学运算可得:

  使用这个等式即可解出最佳图像分割阈值T。

  从以上分析可以知道,想要得到最佳分割阈值T,我们需要知道两个概率密度函数。在此我们所使用的主要是高斯密度概率密度函数。

  高斯概率密度函数可以用背景像素点和目标像素点的均值和方差描述:

  将上述公式进行简单代数运算后,可以得到:

  当时:

  当时:

  使用最小误差法对某细胞的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.7最小误差法对细胞图像进行阈值分割效果图

  图3.8 细胞图像的直方图

  使用最小误差法对lena的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.9最小误差法对lena图像进行阈值分割效果图

  图3.10 lena图像的直方图

  从上述两幅图像的分割效果对比和其直方图可以看出,当分割阈值为目标像素均值和背景像素均值的平均值时,图像中的目标像素点和背景像素点满足正态分布,并且有相同的方差。对于密度函数为其他形式,也可以类比这种方法来获得分割阈值。但是,如何获得待分割图像的目标和噪声的概率密度函数,是使用最小误差法进行图像阈值分割的一大难点。

  3.4 最大熵法

  熵是在信息理论中是一个十分重要的概念,也是一种统计方法,信源中的信息数量可以用熵来衡量。例如,若一个图像包含有N个像素点,我们可以将这个图像理解为包含了N个符号的信息,每一个符号的取值都在K(0.,256)之间。

  如果图像中的概率密度函数已经给出,那么数字图像中的熵可以定义为:

  如果给定一个阈值q,利用该阈值将图像分割为两个不同的区域C0、C1,那么这两个区域的概率密度函数如下:

  以q为阈值进行分割的噪声累积概率和目标累积概率为:

  易知,其两者之和为1。

  噪声所对应的熵为:

  目标所对应的熵为:

  图像总熵为:

  当使用最大熵法对图像进行阈值分割时,需要计算所有分割阈值下的图像总熵,比较大小,从而找到最大的熵,最终的分割阈值即为此最大熵。若图像中的像素点的灰度值大于该阈值,则将该像素点归为目标,像素点的灰度值小于该阈值,则将该像素点归为噪声,从而实现图像分割的目的。

  使用最大熵法对某细胞的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.11最大熵法对细胞图像进行阈值分割效果图

  使用最大熵法对某建筑的二值图像在MATLAB环境中进行阈值分割的效果如下:

  图3.12最大熵法对建筑图像进行阈值分割效果图

  由以上的分割效果和理论分析可以看出,如果所要分割的图像中的目标和背景的区分不是很明显,或者图像中有噪声干预,最大熵法都不能获得很好地阈值分割效果。

  第四章 图像分割算法的评价

  图像分割技术在整个数字图像处理中的重要性使我们不得不去考虑图像分割效果的定量评价。目前,评价一个图像分割算法性能的方法也有很多,可靠的评价方法可以有效地比较不同的分割算法,且对于任何给定的分割算法中不同的参数,都可以得到相同的结论[11]。现有的分割算法可以分为两类,一类是分析法,一类是实验法。分析法属于直接评价方法,其通过理论的分析推理来评价图像分割算法的性能。实验法属于间接评价方法,需要通过实验获得每种分割算法的分割图像,然后根据已确定的评价参数,将算法分割结果与理想的金标准分割图像进行比较,从而判断该分割算法的性能优劣。

  本文的图像分割算法的评价属于实验法。选取Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等作为评价参数,采用结合人体视觉体验的手动分割图像作为金标准分割图像。对同一幅图像分别采用迭代法、最大类间方差法、最小误差法、最大熵法这四种分割算法进行分割,在MATLAB环境中分别将分割结果与手动分割所得的金标准图像做比较,得出评价参数之间的差异,进而通过分析对上述图像分割算法进行客观的评价。

  4.1 Dice系数

  两个集合的相似性可以由Dice系数进行度量,在某种程度上,字符串也可以理解为集合的一种,所以字符串之间的相似性也可以用Dice系数来度量。Dice系数的定义如下:

  其中,X,Y表示两个集合,分子表示两个集合取交集之后的长度,分母表示两个集合的总长度。

  若用向量A、B来表示,则可变化为如下形式:

  在度量两个图像之间的相似性时,以图像的每个像素点为基本元素,Dice系数可以有效地度量出两幅图像之间相同位置的像素点的相似性。两幅图像之间相同的像素点越多,则图像的相似度就越高。易见,Dice系数的取值在0和1之间。

  4.2 Hausdorff距离

  Hausdorff距离指的是某一集合中离另一集合最近的点的所有距离的最大值,它的数学定义如下:

  其中,,即a和b分别为集合A和集合B中的点,可以定义为a与b之间的欧几里德距离。

  Hausdorff距离和最短距离的定义看似一致,实际上却有很大的区别。以简单的两个几何图形举例,Hausdorff距离通过一个多边形与另一个多边形之间的最大距离,来定义它们之间相互近似性[12]。而最短距离考虑的点数较少,只将每个多边形的一个点考虑在内,而没有考虑其它点的情况。

  图4.1 Hausdorff距离

  再者,当多边形的位置发生变化时,有时只用最短距离是检测不到这种变化的,但是用Hausdorff距离可以敏锐地捕捉到多边形位置的变化。

  图4.2 Hausdorff距离可以检测到图形位置的变化

  如图4.2,两个三角形之间具有完全相同的位置距离,但是它们之间的相对位置发生了变化,所以它们的Hausdorff距离完全不同。

  可以将Hausdorff距离的以上特性由简单几何多边形推广到两个图像的像素点之间,通过对各个像素点的之间相似性的比对,可以比较可靠地评价两幅图像之间的相似性。

  。

  4.3 Jaccard相似系数

  Jaccard相似系数是用于比较有效样本集之间的相似性和差异性的系数指标。若给定两个集合A、B,Jaccard相似系数定义为A与B交集的大小与A与B并集的大小的比值,即:

  Jaccard相似系数处理的是非对称二元变量,非对称的意思是指两个输出结果的重要性不同。编码为1的输出结果一般是比较重要的,并且出现的概率也比较小。编码为0的结果相对而言没那么重要,并且出现的概率比较大。

  Jaccard相似系数可以将复杂向量简为编码0和编码1,计算效率比较高,可用于评价灰度图像像素点之间的相似性。

  4.4 准确率、召回率

  我们将用一个假设来解释这两个概念。假设我们有一个由自行车图片和汽车图片组成的集合,而我们的目的是将这个集合中的自行车图片全部识别出来。我们将做出下述定义:

  将例子中的“图片”映射到本次实验中,可以将其等同于分割图像中独立的像素点。将分割算法所得图像与金标准图像进行对比,在MATLAB环境中得出准确率和召回率,可以评价出算法分割图像与金标准图像之间的差异性,从而分析分割算法的性能。

  4.5 分割效果分析

  本次实验中,我们选取了一个简单的细胞图像,首先结合人体视觉体验进行手动分割,获得了金标准分割图像。然后分别使用迭代法、最大类间方差法、最小误差法、最大熵法在MATLAB环境中对原图像进行算法分割,将经过算法分割后获得的分割图像与金标准图像进行比较,得出算法分割图像与金标准图像在Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等方面的参数的不同,从而可以比较可靠地评价各分割算法的性能。

  下面是原始图像和手动分割图像:

  图4.3 原始图像 图4.4 手动分割图像

  何种图像可以作为金标准分割图像一直没有统一的定论,在本次的实验中,我们参考了不同算法分割图像所得到的图像阈值,再结合人体视觉,利用手动分割的方式得到了如图4.4的图像,将其作为本次实验的金标准分割图像。

  不同分割算法所得的阈值分割图像如下:

  图4.4 迭代法分割图像 图4.5 最大类间方差法分割图像

  图4.6最小误差法分割图像 图4.7最大熵法分割图像

  从实验结果上可以直观地看出,对于同一幅图像,当采用不同的阈值分割算法时,所获得的分割图像还是存在比较大的差异的。将不同的阈值分割算法所得的图像阈值整理如下表:

  分割算法 分割阈值

  迭代法 114

  最大类间方差法 110

  最小误差法 84

  最大熵法 126

  图4.8 四种不同分割算法对图像进行处理所得的分割阈值

  下面我们将分别把算法分割所获得的图像与金标准图像进行比较,从Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等方面将它们之间的差异进行量化。

  我们在MATLAB环境中完成了此次量化,将所得的参数整理如下表:

  分割算法 评价参数

  Dice系数 Hausdorff距离 Jaccard相似系数 准确率 召回率

  迭代法 0.8986 138.6362 0.8158 1 0.8158

  最大类间方差法 0.9308 115 0.8705 1 0.8705

  最小

  误差法 0.9603 38.1182 0.9236 0.9238 0.9997

  最大熵法 0.7752 164.1585 0.6330 1 0.6330

  图4.9 四种不同分割算法的评价参数

  可见,由最大熵法分割所得的图像的阈值为126,而Dice系数为0.7752,且召回率为0.6330,在四种分割算法中都是最低的,其对应的阈值分割效果图见图4.7。分析以上参数我们可以知道,与其他三种分割方法相比,最大熵法存在次分割的现象,即将图像中的背景归为目标的比例过大,不能有效地提取出目标信息,使图像分割的效果没有达到预期的程度。

  由最小误差法分割所得的图像的阈值为84,在四种分割算法中是最低的,而Hausdorff距离为38.1182,明显低于其他三种算法,其对应的阈值分割效果图见图4.6。易知,最小误差法针对于该图像过度分割,将目标的像素点错判为噪声像素点,使图像的信息丢失较多。

  迭代法和最大类间方差法在上述五个评价参数上的差别不是很大,分割效果图见图4.4、图4.5。对于图像细节的分割,这两种方法也表现出了一定的差异。我们可以看出,在图像的细微处,最大类间方差法的分割结果要更好于迭代法。通过迭代算法选取的阈值可以将图像的目标的背景的大概区域区分开,不会存在大量信息丢失的情况,但是在细节方面,迭代法的区分度不是很好。而最大类间方差法所选取的阈值,无论是从直观感受,还是从各类评价参数上,效果都十分理想。

  第五章 结论

  本次毕业设计,通过对图像分割技术的理解,了解了不同的图像阈值分割方法。目前,图像阈值分割方法众多,没有哪种图像分割方法是普遍适用的,所以,针对于所要分割的图像,采用何种方法就显得十分重要。针对于此,本文进行了如下的研究:

  1、介绍了图像阈值分割的背景知识及国内外研究状况,对现有的图像分割方法做出综述,也反映出图像阈值分割技术在整个图像数字处理中的研究价值。

  2、介绍了四种图像阈值分割方法,分别是:迭代法、最大类间方差法、最小误差法、最大熵法

  3、提出了一种图像分割算法评价标准,用Dice系数、Hausdorff距离、Jaccard相似系数、准确率、召回率等参数参与评价,从而判断阈值分割算法的可靠性。相比较而言,最大类间方差法具有更加稳定更加可靠的分割性能。

  随着数字化时代的到来,对图像分割算法的要求也越来越高,其精确性、可靠性、稳定性、自适应性、鲁棒性也需要进一步的提高。在实际应用中,没有一种图像分割方法是普遍适用的,所处理的图像的不同,会影响我们对图像分割算法的选择。因此,图像分割技术也需要向着更加智能化的方向发展,这也需要我们的进一步研究。

移动版:图像阈值分割方法的研究

本文标签: