[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

说明书

本发明涉及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，本发明首先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，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；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；最后利用遗传算法对增强后的图像进行阈值分割。本发明在分割效果方面，相对于不加区分地直接对图像进行遗传算法阈值分割，目标分割效果更好，分割更完整。在特征相似性方面，本发明高于直接进行遗传算法阈值分割的值。

技术领域

本发明涉及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，属于数字图像处理技术领域。

背景技术

近年来许多图像分割技术被提出，但是都各有优缺点。目前国内外图像分割技术主要有阈值分割、区域增长分割、边缘检测分割。阈值分割是一种很简单的图像分割方法，但是基于该方法处理图像时会遇到最优化问题，不容易确定最优分割阈值；区域增长分割最早是由Levine等人提出的，它是一种串行区域分割的图像分割方法，其方法虽然思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果，但是噪声和灰度不均一可能会导致空洞和过分割；基于边缘检测分割是通过求一阶或二阶微分突出细节信息，虽然可以精准定位目标进行分割，但是该方法对噪声敏感。因此以上方法虽然可以分割图像感兴趣区域，但是也会有一些不利因素，从而对图像分析、识别等领域的工作带来麻烦。

发明内容

本发明提供了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，以用于有效地实现图像的分割。

本发明的技术方案是：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，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。

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。

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。

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：