基于梯度调整的矩不变自动阈值图像分割算法.docx

基于梯度调整的矩不变自动阈值图像分割算法摘要：提出了一种改进的矩不变自动阈值算法。该算法针对矩不变自动阈值法忽略图像细节的缺点在矩不变自动阈值的基础上增加了基于目标边缘像素的梯度调整从而使分割效果兼顾图像的整体和细节。该算法无须迭代或搜索运算速度快可以满足实时性的要求。仿真结果表明该算法能有效地对目标图像进行分割。关键词：图像分割阈值选取矩不变法梯度调整目标跟踪图像分割是计算机视觉中的一个关键问题它是一种重要的图像分析技术。其目的是将图像中有意义的特征或者需要应用的特征提取出来。图像分割所遵循的基本原则是使区域内部所考虑的特征或属性是相同或相似的。而这些特征或属性在不同的区域中则不同、存在差异[1]。人们通常将图像分割的方法归纳为基于灰度直方图的阈值化方法和基于区域增长法两大类。其中阈值化方法因其简单、计算量小、性能较稳定而成为图像分割中应用最广泛的分割技术。近年来随着各学科新理论和方法的提出人们也提出了许多结合特定理论、方法和工具的分割技术例如基于数学形态学的分割技术、借助统计模式识别方法的分割技术、利用神经网络的分割技术等[2]。图像阈值分割是根据一定的阈值将目标从视场背景分离出来的过程。在实际系统中图像目标和背景之间并不具备截然不同的灰度随着可见光照射角度的不同目标的亮度和背景的亮度均要变化。因此阈值的正确选择是很重要的直接影响着分割的精度及图像描述分析的正确性。通常采用自适应阈值选取下面介绍基于梯度调整的矩不变自动阈值法它克服了矩不变自动阈值法的缺陷达到较好的分割效果。1矩不变阈值分割法介绍矩是随机变量的数学特征。矩法是由Karlpearson在1894年引入的参数点估计算法其基本思想是：样本抽自总体样本的矩在一定程度上反映了总体的矩。因此可以用样本矩函数的估计作为相应的总体矩函数的估计量。矩法是一种效率较高的正态性检验方法。具体作法是：样本矩作为相应总体矩的估计量；以样本矩的函数作为相应的总体矩同样函数的估计量。这种方法最常见的应用是用样本平均数估计总体数学期望。从统计学观点来看图像可以看作是二维随机过程(随机场)中的一个样本这个样本可以看作是理想图像的模糊视觉其特性反映了总体的特性。从统计的角度来看分割就是由样本估计总体的特征由样本的分布估计总体的分布分割本身也是对整体的一种描述和估计是一个参数估计的问题可以用参数估计的方法进行目标图像的分割。矩不变阈值分割法就是把矩法用于图像的分割其基本思想是：使阈值分割前后图像的矩保持不变[3]。矩不变阈值法可以看作是一种图像变换它将原始模糊图像变换成理想图像。二维图像的第k阶矩mk定义为：其中i为灰度值pi为图像中灰度为i的像素比例。对于图像分割来说如果进行二值分割则分割后只有Zo和Z1两个灰度级且Zo对于划分目标和背景的最佳阈值应当保持分割前后的图像的前三阶矩相等。即有：mi'=mi(3)则可以得到如下方程组：为了找到希望的阈值t需要先从上述方程组中解出po：其中求出Po后再在原图像直方图上选择合适的t使之满足：则t就是所求的分割阈值。当找不到精确的灰度值做门限满足P0时选择最为接近的灰度值作为分割阈值。矩不变法的运算速度较快可以满足实时性的要求但其受目标影响较大目标大小的变化会影响分割的准确性。2矩不变法的梯度调整矩不变法是根据样本估计总体的特性推导而出是根据图像的整体信息进行图像分割。这种分割方法在实际应用中发现分割后的目标边缘细节信息有很大的丢失。通过对算法原理及不足点的分析本文利用图像中目标边界和相邻背景的灰度差别较大、而目标区域或背景区域内部像素间的灰度差别较小的特性提出了一种基于梯度调整的改进的矩不变自动阈值法。改进后的算法的基本原理如下：首先由矩不变法得到初始分割阈值t然后利用梯度算子对图像进行处理计算出图像的梯度分布。设现行扫描点、后一行扫描点和下一行中相邻点的灰度为f(ij)f(i+1j)和f(ij+1)在x、y方向上的一阶差分定义为：梯度定义为：G=Δxf(ij)i+Δyf(ij)j(8)其模为：为了简便计算梯度模G[f(ij)]选用如下的近似公式：G[f(ij)]=max[|Δxf(ij)||Δyf(ij)|](10)根据计算出的梯度模找出边缘像素。设边缘像素的梯度为Gef(ij)则有：其中Te为边界梯度阈值可适当选取为（Gmax-Gmin）/2左右。再求出边缘像素的梯度均值：MG=E[Ge[f(ij]](12)这样基于梯