[发明专利]一种基于二维经验模态分解和遗传算法的图像阈值分割方法

权利要求书

1.一种基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：输入一幅待分割的图像，通过形态学差分法去除图像的背景，得到差分图像d(x,y)，再通过二维经验模态分解算法分解得到一系列内禀模式函数IMF(x,y)和余项REF；该系列内禀模式函数IMF(x,y)表示为不同频率的子图像，去除并不能表现细节信息的低频子图像，筛选出频率高的子图像；再利用对比拉伸变换算法对高频子图像进行对比度拉伸变换；然后对变换后的高频子图像相加融合得到增强后的图像H；最后利用遗传算法对增强后的图像进行阈值分割。

2.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述输入一幅待分割的图像，通过形态学差分法去除图像的背景，再通过二维经验模态分解算法分解得到一系列内禀模式函数和余项，具体为：

步骤1、输入一幅待分割的图像f(x,y)，利用形态学差分法去除背景图像b(x,y)，得到差分图像d(x,y)：

d(x,y)＝f(x,y)-b(x,y) (1)

其中，x是图像的横坐标，y是图像的纵坐标；

步骤2、将差分图像d(x,y)进行二维经验模态分解，分解为z个内禀模式函数IMF(x,y)和余项REF：

其中，REF为二维经验模态分解后的余项即最后一次分解的余项函数。

3.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述筛选出频率高的子图像，具体为：

步骤3、对原差分图像d(x,y)通过二维经验模态分解后得到的一系列内禀模式函数即一系列子图像IMF(x,y)进行筛选，保留高频子图像IMF₁(x,y),IMF₂(x,y),···IMF_b(x,y)，舍去低频子图像IMF_b+1(x,y),IMF_b+2(x,y),···,IMF_z(x,y)和余项REF；其中，b为高频子图像的总个数，z为不含余项部分的子图像总个数即内禀模式函数的个数。

4.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述用对比拉伸变换算法对高频子图像进行对比度拉伸变换，具体为：

步骤4、对高频子图像分别进行对比度拉伸变换，从而得到对比度拉伸变换后的高频子图像，其对比度拉伸变换公式如下：

s＝T(j)＝1/(1+(g/r)^E) (3)

其中，r表示输入图像j相应点(x,y)的灰度，s是输出图像，T为对比度拉伸变换函数，E为控制对比拉伸变换斜率参数，输入图像的像素平均值g＝sum/(X×Y)，sum为输入图像像素总和，X、Y分别代表变量x、y的最大值。

5.根据权利要求1所述的基于二维经验模态分解和遗传算法的图像阈值分割方法，其特征在于：所述对变换后的高频子图像相加融合得到增强后的图像，具体为：

步骤5、把对比度拉伸变换后的高频子图像进行相加融合，得到增强后的图像H：

H＝T(IMF₁(x,y))+T(IMF₂(x,y))+···+T(IMF_b(x,y))(4)

其中，H为融合后的增强图像，T为对比度拉伸变换函数。