基于自适应加权中值滤波的二维Otsu图像分割算法

作者:倪麟;龚劬;曹莉;廖武忠 刊名:计算机应用研究 上传者:王会

【摘要】为解决传统二维Otsu算法在含噪声较多的图像应用中分割效果较差这一问题,提出一种基于自适应加权中值滤波的二维Otsu图像分割算法。该算法首先利用一种新的自适应加权中值滤波对噪声图像中值滤波;然后将中值图像的二维直方图区域划分由四分法改为二分法;最后利用改进的二维Otsu算法对图像作精确分割。实验结果表明,该算法对灰度噪声图像具有更强的抗噪性且分割效果也更为理想。

全文阅读

图像分割技术在计算机视觉、模式识别、医学图像处理等领域应用十分广泛,其主要目的是从一幅图像中提取感兴趣的目标,它是图像分析和图像理解的基础。至今,提出的分割算法已有上千种,其中最经典的方法就是基于灰度阈值的分割方法。在图像阈值化分割计算中,Otsu法[1]因计算简单、实时性高等优点被广泛使用[2,3]。但是,一维Otsu方法只考虑了图像灰度信息,对噪声较为敏感,抗噪性较弱。为此,刘健庄等人[4]在像素灰度和邻域平均灰度的基础上提出了二维Otsu方法,对含噪声较少的图像具有比较好的分割效果。文献[5]提出基于分解的阈值选取算法,求解两个一维Otsu法的阈值来代替原始的二维Otsu法的最佳阈值。为了进一步提高其分割准确度和抗噪性能,有学者又提出了相应的三维Otsu算法[68],取得了更好的效果。但对于含噪声较多的图像,二维和三维Otsu算法因存在区域误分使其抗噪性较弱,致使其分割效果也不够理想。为解决传统二维Otsu算法在含噪声较多的图像应用中分割效果较差这一问题,本文提出一种基于自适应加权中值滤波的二维Otsu图像分割算法。该算法充分将自适应加权中值滤波和二维Otsu算法结合起来,弥补了二维Otsu算法去噪性能的不足。本文首先利用自适应加权中值滤波对噪声图像进行滤波处理;然后再将滤波后的中值图像的二维直方图区域划分由原来的四分法改为二分法,充分考虑了二维直方图内的每一个像素点的信息,利用改进的二维Otsu算法对图像作精确分割,计算复杂度由O(L4)降为了O(L),提高了算法的实用性。1自适应加权中值滤波考虑到二维Otsu算法在含噪声较多的图像应用中分割效果较差这一问题,本文首先提出一种自适应加权中值滤波,然后使用该滤波对噪声图像进行滤波处理。该滤波算法包括三个过程:a)对噪声图像进行噪声检测;b)依据窗口中噪声点的个数来自适应地确定滤波窗口的大小;c)利用加权中值滤波对噪声图像进行滤波。1.1对噪声图像进行噪声检测噪声检测的质量直接影响着后文图像分割的准确度,是本文算法中比较重要的一个步骤。本文采用文献[9]给出的方法来检测噪声。在确定噪声点时,利用一个33窗口在图像上滑动,该窗口中心像素点(i,j)的灰度值为f(i,j),则该窗口内所有像素值构成如下的一个集合:Fi,j={f(i+x,j+y)|x,y=-1,0,1}。窗口内的所有像素的平均值为aver(Fi,j)=191x=-11y=-1f(i+x,j+y),取Zmin和Zmax分别表示Fi,j中灰度值的最小值和最大值,令di,j=131x=-11y=-1[f(i+x,j+y)-aver(Fi,j)]槡2,表示基于人眼视觉特性的噪声敏感度系数。确定一个像素点是噪声点的方法如下:f(i,j)=Zmin或f(i,j)=Zmax或|f(i,j)-aver(Fi,j)|>di,j,噪声点标记为numnoise=1,非噪声点标记为numnoise=0。需要指出的是,对于同像素的窗口,由于窗口内的所有像素都相同,一般认为是非噪声点。1.2自适应确定滤波窗口的大小标准中值滤波算法去除噪声的性能受到滤波窗口尺寸的影响较大。滤波窗口大,可加强噪声的抑制能力,但图像会变得模糊;滤波窗口小,可较好地保护图像细节和边界信息,但损失的是滤除噪声的能力。因此,结合大、小窗口滤波各自的优势,本文根据窗口内噪声点的个数来自适应确定滤波窗口的尺寸大小。根据前面的噪声检测办法,用下面的统计公式统计33窗口内噪声点的个数:num(Fi,j)=1x=-11y=-1numnoise(i+x,j+y)。接下来根据窗口内噪声点的个数,自适应

参考文献

引证文献

问答

我要提问