[发明专利]一种基于粗糙集和粗糙熵的Petri网络图像分割方法

说明书

本发明属于图像信息处理研究领域，具体涉及一种基于粗糙集和粗糙熵的Petri网络图像分割方法，包括以下步骤：找到图像的最大和最小灰度值，并把他们保存到变量max和min中；根据图像的宽和高将图像分割为点集；使用Monte Carlo方法从点集中随机的选择1000个点；计算点集的灰度最大和最小值分别为Pimax和Pimin；计算对象的下降和上升粗糙集分别保存到O_T和计算背景的上升和下降粗糙集保存到和B_T中；对子集进行排序，并根据阈值T来画出轮廓，如果子集的灰度值大于阈值T，则子集属于对象缓冲区，如果子集的灰度值低于阈值T，则子集属于背景缓冲区，得到图形的粗糙轮廓；对粗分割的第一阶段进行调整，得到精确轮廓。本发明解决了不确定性、非均匀性和效率低下的问题。

技术领域

本发明属于图像信息处理研究领域，具体涉及一种基于粗糙集和粗糙熵的Petri网络图像分割方法。

背景技术

图像分割是图像处理和分析的关键步骤。例如，医学影像分割在医学影像处理研究方面具有重要意义，它作为中间处理是后续的图像处理包括配准、测量等的基础。在医学影像中准确定位病灶、确定病灶范围，对于后续的诊断和治疗有着至关重要的影响。早期的医学影像分割是由医疗工作者通过手工描绘出边界，可重复性低，工作量繁重。随着计算机和图像处理技术的发展，计算机辅助的医学图像分割成为越来越重要的研究方向。

在近几年，为了改进传统水平集方法的分割效果，一些新的方法被提出来。例如基于梯度的水平集方法、基于区域的水平集方法。

然而，在上述现有技术中，仍然存在如下所述的技术问题。例如图像具有低梯度值的弱边界时分割效果不好、图像在各区域的强度不均匀时，分割的效果不好，且难以保证对各种图像都适用，而且运算量大，造成设备处理负荷增加。

例如，超声图像由于其成像的固有特点，使得图像噪声大，斑点多，对比度不高，肿块内部灰度不均匀和边界不清晰的情况都有可能出现。无论使用现有技术中的上述哪种方法，都很难对不同特征的超声图像都取得理想的分割效果。

综上所述，现有技术中存在工作量繁重、操作复杂、效果不好、图形不清晰等问题。

发明内容

本发明的目的在于提供一种图像分割方法，能够确保在不同的实际场景中均有良好的分割效果。

一种基于粗糙集和粗糙熵的Petri网络图像分割方法，包括以下步骤：

(1.1)找到图像的最大和最小灰度值，并把他们保存到变量max和min中；

(1.2)根据图像的宽和高将图像分割为点集；

(1.3)使用Monte Carlo方法从点集中随机的选择1000个点；

(1.4)计算点集的灰度最大和最小值分别为Pimax和Pimin；

(1.5)计算对象的下降和上升粗糙集分别保存到O_T和计算背景的上升和下降粗糙集保存到和B_T中；

(1.6)对步骤(1.5)得到的子集进行排序，并根据阈值T来画出轮廓，如果子集的灰度值大于阈值T，则子集属于对象缓冲区，如果子集的灰度值低于阈值T，则子集属于背景缓冲区，得到图形的粗糙轮廓；

(1.7)对粗分割的第一阶段进行调整，得到精确轮廓。

所述得到图形的粗糙轮廓包括以下几个步骤：

(2.1)输入子集的灰度值PI、TI的转换和T的阈值，构造Petri网；

(2.2)读取Pi和参数K；