基于图像空间共生信息的阈值选取方法研究

发布时间：2017-08-21 05:11

  本文关键词：基于图像空间共生信息的阈值选取方法研究

  更多相关文章： 图像分割 阈值化 对称共生矩阵 非对称共生矩阵

【摘要】：阈值化技术作为图像分割的一种重要方法,在图像处理中得到了广泛的应用。基于图像空间信息构造共生矩阵的阈值化方法,更全面地表征了图像特征,获得了稳健的分割效果,成为重要的一类图像分割方法。本文从经典阈值分割方法入手,围绕图像特征信息的选用、共生矩阵的构造及信息的广义共生展开研究,得到了几种有效可行的阈值化算法。1.讨论了经典的Otsu阈值方法的应用局限性,提出了基于图像直方图信息的集中于目标的Otsu阈值法。考虑目标与背景灰度分布均匀性的相对程度,提出了基于类间相对均匀性的阈值算法。融合图像灰度分布的其他信息,构造了基于广义共生信息的改进Otsu阈值法。基于灰度平滑直方图的修正方法,使得两类均匀性差异大的图像获得了更合理的阈值。类间独立加权法及对权系数的优化选取,提高了方法的自适应能力,目标提取的完整性更佳。引入邻域空间均值、中值信息的改进方法在不增加运算量的情况下,大大提高了算法的抗噪性能。2.对灰度转移对称共生矩阵阈值法进行了研究。在处理灰度分布呈现偏斜、重尾情况的图像时,针对基于平方距离对称共生矩阵阈值法出现较大偏差的问题,定义了目标区域和背景区域的中值,应用中值作为图像灰度概率分布信息的统计量,提出了基于中值的平方距离对称共生矩阵图像阈值分割法,并给出了多阈值运算公式。将基于目标与背景相对均匀性的Otsu阈值法推广应用于基于平方距离的对称共生矩阵方法中。应用相对熵理论,提出了基于相对熵的对称共生矩阵阈值法,该方法更充分利用了对称共生矩阵具有的空间信息,获得了更有效的分割效果,为基于对称共生矩阵的其他参数相对熵的阈值方法奠定了基础。3.在“灰度-均值”非对称共生矩阵方法基础上,针对稀疏直方图图像的最大熵快速算法进行修改,获得了适用于稀疏直方图图像的一维、二维最大熵快速计算公式,大幅提高了运行速度。对以Arimoto熵为代表的广义熵中参数的优化取值问题进行了分析,指出了现有二维Arimoto熵阈值方法的表述错误,给出了正确的二维Arimoto熵阈值分割算法及其简化公式,提出了二维Arimoto熵直线型阈值分割方法,并给出快速递推公式,在图像边缘和噪声信息丰富的情况下,效果更好。4.针对传统的“灰度-均值”非对称共生矩阵构造中采用单一模板求均值自适应性差的问题,基于方差最小的准则,构建了“灰度-最小方差均值”非对称共生矩阵。该方法对图像边缘信息比较敏感,对边界信息居多的图像分割效果良好,对图像高斯噪声抑制方面有明显提高。基于“灰度-最小方差均值”非对称共生矩阵,改进了相对熵阈值法及二维Arimoto熵直线型阈值法。实验结果表明,基于“灰度-最小方差均值”非对称共生矩阵的阈值法对降低噪声干扰,保留图像边缘效果显著。5.对图像梯度信息在非对称共生矩阵的阈值选取方法中的应用进行了研究。提出了“灰度-梯度”最大加权条件熵公式。针对分割的不同要求,采用了均匀性和形状测度函数对共生矩阵的相应区域进行加权处理,获得了侧重点不同的分割效果。将梯度信息应用于集中于目标的Otsu方法中,改善了其只关注目标或背景内部信息的问题。在“灰度-梯度”非对称共生矩阵的基础上引入了均值信息,建立了“灰度-均值-梯度”三维非对称共生矩阵。基于Otsu阈值法,提出了基于“灰度-均值-梯度”的三维Otsu方法,给出了递推算法。该方法比基于“灰度-均值-中值”的三维Otsu法目标提取更完整、边缘更清晰,且有效提高了抗高斯噪声能力。
【关键词】：图像分割 阈值化 对称共生矩阵 非对称共生矩阵
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 绪论12-20
• 1.1 基于共生矩阵的图像阈值法概述12-17
• 1.1.1 经典的图像阈值化算法12-13
• 1.1.2 基于图像共生矩阵的阈值法13-17
• 1.2 本文研究背景和意义17-18
• 1.3 本文主要内容及结构安排18-20
• 第二章 基于类间相对均匀性信息的阈值法20-40
• 2.1 引言20
• 2.2 集中于目标的Otsu阈值法20-24
• 2.2.1 Otsu阈值法的局限性20-22
• 2.2.2 集中于目标的Otsu阈值法22-23
• 2.2.3 基于图像直方图的集中于目标的Otsu阈值法23-24
• 2.3 基于类间相对均匀性的Otsu阈值法24-29
• 2.3.1 集中于目标的Otsu阈值法的应用分析24-27
• 2.3.2 融合两类信息的基于类间相对均匀性的Otsu阈值法27-29
• 2.4 基于类间相对均匀性的Otsu改进阈值法29-34
• 2.4.1 修正的基于类间相对均匀性的Otsu阈值法29-30
• 2.4.2 加权融合的基于类间相对均匀性的Otsu阈值法30-34
• 2.5 加入邻域信息的基于类间相对均匀性的Otsu阈值法34-38
• 2.5.1 基于邻域空间信息的一维直方图34-36
• 2.5.2 阈值化结果选取36-38
• 2.6 小结38-40
• 第三章 基于灰度转移信息的对称共生矩阵阈值法40-60
• 3.1 引言40
• 3.2 基于均值的平方距离灰度转移对称共生矩阵阈值法40-43
• 3.2.1 灰度转移对称共生矩阵的构造40-41
• 3.2.2 基于均值的平方距离灰度转移对称共生矩阵阈值法41-43
• 3.3 基于中值的平方距离灰度转移对称共生矩阵阈值法43-51
• 3.3.1 基于中值的平方距离灰度转移对称共生矩阵43-45
• 3.3.2 实验结果分析45-51
• 3.4 基于相对均匀性的平方距离阈值法51-52
• 3.5 基于相对熵的灰度转移对称共生矩阵阈值法52-59
• 3.5.1 基于相对熵的灰度转移对称共生矩阵阈值法原理52-55
• 3.5.2 阈值结果分析55-57
• 3.5.3 性能评估57-59
• 3.6 小结59-60
• 第四章 基于均值信息的非对称共生矩阵阈值法60-90
• 4.1 引言60
• 4.2 “灰度-均值”非对称共生矩阵阈值法60-76
• 4.2.1 基于最大熵的阈值化快速算法60-66
• 4.2.2 基于Arimoto熵的阈值法66-76
• 4.3 “灰度-最小方差均值”非对称共生矩阵阈值法76-87
• 4.3.1 “灰度-最小方差均值”非对称共生矩阵76-77
• 4.3.2 基于“灰度-最小方差均值”的二维最大熵阈值法77-80
• 4.3.3 基于“灰度-最小方差均值”的相对熵阈值法80-86
• 4.3.4 基于“灰度-最小方差均值”的二维直线型Arimoto阈值法86-87
• 4.4 小结87-90
• 第五章 基于梯度信息的非对称共生矩阵阈值法90-108
• 5.1 引言90
• 5.2 图像梯度值的计算方法90-93
• 5.2.1 采用线性滤波方法求梯度91-92
• 5.2.2 形态学方法求梯度92
• 5.2.3 梯度方法比较92-93
• 5.3 “灰度-梯度”非对称共生矩阵阈值法93-96
• 5.3.1 “灰度-梯度”非对称共生矩阵93-94
• 5.3.2 “灰度-梯度”最大条件熵阈值法94-96
• 5.4 加权调节的“灰度-梯度”非对称共生矩阵阈值法96-100
• 5.4.1 基于目标完整性的加权条件熵法96-97
• 5.4.2 基于边缘和纹理保留的加权条件熵法97
• 5.4.3 实验结果对比分析97-100
• 5.5 基于图像梯度信息的集中于目标的Otsu阈值法100-102
• 5.6 基于“灰度-均值-梯度”三维共生矩阵的阈值法102-106
• 5.6.1 “灰度-均值-梯度”非对称共生矩阵102-105
• 5.6.2 实验结果分析105-106
• 5.7 小结106-108
• 第六章 总结与展望108-112
• 6.1 总结108-111
• 6.2 存在问题及展望111-112
• 参考文献112-120
• 致谢120-122
• 作者简介122-124
• 1.基本情况122
• 2.教育背景122
• 3.攻读博士期间的研究成果122-124

【参考文献】

中国期刊全文数据库 前2条

1 唐英干;刘冬;关新平;;基于粒子群和二维Otsu方法的快速图像分割[J];控制与决策;2007年02期

2 龙建武;申铉京;陈海鹏;;自适应最小误差阈值分割算法[J];自动化学报;2012年07期

，

本文编号：710995