[发明专利]一种基于直方图的EM多阈值图像分割方法及装置

说明书

本发明公开了一种基于直方图的EM多阈值图像分割方法及装置,采用二维高斯混合模型，用二维GMM拟合二维直方图曲线，采用EM算法获取GMM的分布参，在构建二维直方图的基础上，分析了二维混合模型参数估计推导方法，自适应方法决定混合分量个数，获得像素点的统计分布，通过确定类属完成图像分割，通过获取像素点的分布类属，在斜分法的基础上提出利用置信度进行区域划分，分量越多，迭代步数和训练时间越长，不会错分区域，方便确定领域灰度划分的斜线的截距，随着混合模型个数的增加，区域划分越来越精细，特征越来越明显。较好地自适应完成图像的多阈值分割。保证了图像分割的正确率。

技术领域

本公开涉及图像处理领域，具体涉及一种基于直方图的EM多阈值图像分割方法及装置。

背景技术

图像分割就是将一幅图像划分成若干聚类区域，每个区域都有相似的特性。在众多的图像分割方法中，直方图阈值法因其简单高效备受注意。它的基本思想是目标和背景分布在直方图灰度轴的两端，只要找到这个分割点，就可以进行图像分割，最大类间方差法(大津OTSU)、最大熵法、模糊聚类、期望最大(EM)值法等，都是典型的阈值分割方法。随着研究的深入、应用领域的扩大，阈值分割算法也在不断进化，出现了多阈值分割、融合目标特征的分割、以及利用二维直方图的多维度分割算法等。

由于图像像素绝大部分都分布在二维直方图的主对角线附近，这是因为除非边缘点，否则像素灰度与其邻域的平均灰度非常接近。利用这个特点，现在的图像分割技术主要有两种分割方法，第一种图像分割方法为，以(s,t)为分割点，将图像根据对角线区域划分为目标和背景，其余是边缘或噪声。第一种图像分割方法采用双斜线分割，靠近主对角附近的区域是正常像素，远离对角线的点则为边缘或噪声点，第一种方法假设阈值附近像素点出现概率为零，是一种近似划分，造成区域错分而第二种分割方法虽然将概率不为零的点都包含了进来，但是斜线的截距却难以确定。

发明内容

本公开提供一种基于直方图的EM多阈值图像分割方法及装置，采用二维高斯混合模型(Gaussian Mixture Model，GMM)，用二维GMM拟合二维直方图曲线，采用EM算法获取GMM的分布参，在构建二维直方图的基础上，分析了二维混合模型参数估计推导方法，提出了一种自适应方法决定混合分量个数，利用EM算法实现图像分割，获得像素点的统计分布，通过确定类属完成图像分割，通过获取像素点的分布类属，在斜分法的基础上提出利用置信度进行区域划分，在二维直方图的基础上利用EM算法实现了多阈值分割，直方图阈值是图像分割的重要依据，二维直方图因为考虑了每个像素的邻域相关信息，对噪声图像的分割效果更好，有别于传统的最大类间方差及最大熵阈值法。

为了实现上述目的，根据本公开的一方面，提供一种基于直方图的EM多阈值图像分割方法，所述方法包括以下步骤：

步骤1，根据信号点判断条件寻找图像中的信号点区域；

步骤2，根据贝叶斯最小错误率准则在信号点区域中对图像进行标记划分出图像的噪声点区域；

步骤3，在噪声点区域，计算邻域灰度值与各混合分量的欧拉距离，判断类属。

进一步地，在步骤1中，所述根据信号点判断条件寻找图像中的信号点区域的方法为，在图像中按照信号点判断条件的约束条件，所述约束条件为：

通过约束条件进行寻找图像中的信号点区域，即图中满足约束条件的区域，所述信号点区域为图像中的一部分区域，任意像素点p在坐标(x，y)处的灰度值为f(x，y)，取p的8-邻域平均灰度值g(x，y)，二者的值域都在[0,L]之间，其中，a1、a2、b1和b2指纵截距。

进一步地，在步骤2中，所述贝叶斯最小错误率准则的方法包括以下步骤：

步骤2.1，获取图像的二维直方图，输入一个的图像，所述图像的图像矩阵为m行n列，根据每个像素本身的灰度值，每个像素的邻域平均灰度值，由每个像素本身的灰度值和邻域平均灰度值构成了二维坐标系；