[发明专利]一种结合果蝇优化算法的二维Otsu图像分割方法

摘要

本发明公开了一种结合果蝇优化算法的二维Otsu图像分割方法，该方法采用两条通过阈值向量点与灰度级轴所成角为α、β的直线划分二维直方图区域，首先计算联合概率密度，然后计算目标区域和背景区域的概率与均值向量，其次计算目标区域和背景区域的类间方差和类内方差，随后根据目标和背景在图像中所占比例对阈值求取公式中的背景区域部分进行加权，最后采用果蝇优化算法寻找最优的二维阈值向量；本发明的有益效果：图片能得到更准确的分割结果，更好的噪声抑制，同时运行耗时少。

主权项

一种结合果蝇优化算法的二维Otsu图像分割方法，其特征在于，该方法包括以下具体步骤：步骤1：以f(x,y)(1≤x≤M,1≤y≤N)表示将要分割的一幅大小为M×N的图像，其灰度级为L；在每个像素点处，计算n×n邻域的平均灰度值，得到一幅平滑的图像g(x,y)，其灰度级也为L；采用两条通过阈值向量坐标点(s,t)与灰度级轴所成角为α、β的直线划分以f(x,y)和g(x,y)组成二元组(i,j)定义的二维直方图区域；在二维直方图中坐标轴与x＝L‑1的直线和y＝L‑1的直线围成的区域中，二维直方图中坐标轴与g(x,y)cosα‑f(x,y)sinα≤tcosα‑ssinαandg(x,y)cosβ‑f(x,y)sinβ≥tcosβ‑ssinβ围成的区域为目标区域，二维直方图中x＝L‑1的直线和y＝L‑1的直线与g(x,y)cosα‑f(x,y)sinα>tcosα‑ssinαandg(x,y)cosβ‑f(x,y)sinβ<tcosβ‑ssinβ围成的区域为背景区域，剩余两部分为噪声区域；步骤2：以f(x,y)和g(x,y)组成二元组(i,j)定义的二维直方图，其中任意一点的联合概率密度定义为pij，它表示二元组(i,j)发生的频率，计算概率密度函数为：pij=(i+j)rijM×NΣi=0L-1Σj=0L-1(i+j)rijM×N,Σ0L-1Σ0L-1pij=1,i=1,2,...,L,j=1,2,...,L]]>其中，i为灰度级大小，j为邻域平均灰度级大小，L为灰度级数值，rij为图像灰度级为i邻域平均灰度为j的像素点的个数，即(i,j)出现的频数；步骤3：计算目标区域和背景区域的概率分别为：ω0(s,t)=Pr(c0)=Σ(i,j)∈c0pijω1(s,t)=Pr(c1)=Σ(i,j)∈c1pij]]>计算目标区域和背景区域对应的均值向量分别为：μ0(s,t)=(μ0i,μ0j)T=[Σ(i,j)∈c0ipijω0,Σ(i,j)∈c0jpijω0]Tμ1(s,t)=(μ1i,μ1j)T=[Σ(i,j)∈c1ipijω1,Σ(i,j)∈c1jpijω1]T]]>计算图像总的均值向量为：μT(s,t)=(μTi,μTj)T=[Σi=0L-1Σj=0L-1ipij,Σi=0L-1Σj=0L-1jpij]T]]>计算图像的类间方差矩阵σB(s,t)的迹为：tr[σB(s,t)]＝ω0[(μ0i‑μTi)2+(μ0j‑μTj)2]+ω1[(μ1i‑μTi)2+(μ1j‑μTj)2]其中uoi和uoj为目标区域的均值矢量分量，u1i和u1j为背景区域的均值矢量分量，uTi和uTj为图像总的均值矢量分量；步骤4：计算目标与背景的类内方差分别为：δ0(s,t)=[δ0i,δ0j]T=[Σ(i,j)∈c0(i-μ0i)2pijω0,Σ(i,j)∈c0(j-μ0j)2pijω0]δ1(s,t)=[δ1i,δ1j]T=[Σ(i,j)∈c1(i-μ1i)2pijω1,Σ(i,j)∈c1(j-μ1j)2pijω1]]]>其中uoi和uoj为目标的均值矢量分量，u1i和u1j为背景的均值矢量分量；计算图像的类内方差为：σw＝δ0iω0+δ0jω0+δ1iω1+δ1jω1其中δ0i和δ0j为目标的类内方差矢量分量，δ1i和δ1j为背景的类内方差矢量分量；步骤4：计算权重参数C，参数C为调节阈值公式中背景部分的权重，为：C=ω0(s,t)ω0(s,t)+ω1(s,t);]]>步骤5：计算阈值公式为：D(s,t)=ω0[(μ0i-μTi)2+(μ0j-μTj)2]+Cω1[(μ1i-μTi)2+(μ1j-μTj)2]δ0iω0+δ0jω0+C(δ1iω1+δ1jω1)]]>步骤6：对阈值公式采用果蝇优化算法来获得最佳阈值向量D(s*,t*)，使得(s*,t*)＝argmax0≤s,t≤L‑1{D(s,t)}。