[发明专利]基于数学形态学的小目标图像快速阈值分割方法

说明书

本发明公开了一种基于数学形态学的小目标图像快速阈值分割方法。本发明首先将待检测的图像进行灰度化、降噪处理，以提高图像质量；然后利用数学形态学处理来强化目标；再通过形态学处理前后图像灰度直方图函数的变化来设定阈值，实现对图像的分割，进而分割出图像中待检测的小目标。本发明的方法能够从图像中自适应地分割出小目标，具有简单高效的特点，适合于图像中小目标的在线检测。

技术领域

本发明涉及一种检测图像中小目标的快速阈值分割方法，具体地涉及一种基于数学形态学的小目标图像快速阈值分割方法，属于数字图像处理领域。

背景技术

图像分割用于将图像中有意义的目标部分提取出来，是高层计算机视觉处理的基础。迄今为止，已有众多的图像分割方法，大体上可分为三类：基于边缘的分割、基于区域的分割、以及基于阈值的分割。基于阈值的分割具有简单高效的特点，由于不需要图像的先验知识而适用于模式识别的无监督决策。恰当的阈值是进行阈值分割的关键，不当的阈值会影响目标的识别。

在图像处理和计算机视觉研究领域，对小目标物体的检测容易受到噪声的干扰。由于目标和背景之比非常小，诸如Otsu法、分水岭算法、迭代法等通常不能取得理想的效果。为了对小目标图像进行有效的分割，研究人员进行了许多的尝试。Li等人(Li Z Y，LiuC C，Liu G H，Yang X B，Cheng Y.Statistical thresholding method for infraredimages.Pattern Analysis and Applications，2011，14(2)：109-126)根据红外图像目标和背景区域具有相似的统计分布这一特点，提出了面向红外图像的统计阈值分割算法，但目标和背景具有相似的统计分布这一假设，影响了该算法的通用性。王俊等人(王骏，王士同，邓赵红.面向小目标图像的快速核密度估计图像阈值分割算法.自动化学报，2012，38(10)：1679-1689)提出了快速核密度估计图像阈值分割方法，该算法直接从像素点空间分布出发进行概率密度的计算，该算法对小目标图像阈值分割具有很强的适应性，且对参数变化不敏感，但算法复杂度较高。在一些工程实践中，需要对图像目标进行实时处理，这就需要继续探索更加高效的小目标检测方法。

发明内容

本发明的目的是为了解决图像中小目标检测的实时性问题，提供一种基于数学形态学的阈值分割方法，用于图像中的小目标检测。

本发明的基于数学形态学的小目标图像快速阈值分割方法，具体包括如下步骤：

步骤1，对待检测的图像I(i，j)，i＜M，j＜N进行灰度化和降噪处理；

步骤2，在步骤1的基础上，对降噪后的图像进行数学形态学处理，处理后的图像记为W；

步骤3，利用步骤2得到的经形态学处理后的图像W，在此基础上计算其灰度直方图，记为H₁(x)；

步骤4，计算形态学处理前的图像的灰度直方图，记为H₂(x)；

步骤5，在步骤3和4的基础上计算H(x)＝|H₁(x)-H₂(x)；

步骤6，计算目标的变化率

步骤7，根据步骤6得到的目标的变化率d(i)，计算阈值其中L为图像的灰度级，是一个常数，其作用是防止选择接近0或L灰度级的阈值；

步骤8，根据步骤7得到的二值化阈值T，将原图像I进行二值化处理，得到二值化图像G。

有益效果

本发明的方法利用形态学运算处理来强化目标，通过形态学处理前后图像灰度直方图函数的变化来设定阈值，能够适应光照条件的变化，对小目标检测具有自适应性。本发明能够从图像中快速分割出小目标，具有简单高效的特点，适合于小目标的在线检测。

附图说明