[發明專利]一種基于二維經驗模態分解和遺傳算法的圖像閾值分割方法

在審

• 申請號: 201810044627.5
• 申請日: 2018-01-17
• 公開（公告）號: CN108460771A
• 公開（公告）日: 2018-08-28
• 發明（設計）人: 賀建峰;銀溫社
• 申請（專利權）人: 昆明理工大學
• 主分類號: G06T7/11
• 分類號: G06T7/11;G06T7/136;G06T7/155;G06T5/50;G06N3/12
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及一種基于二維經驗模態分解和遺傳算法的圖像閾值分割方法，本發明首先輸入一幅待分割的圖像，通過形態學差分法去除圖像的背景，得到差分圖像，再通過二維經驗模態分解算法分解得到一系列內稟模式函數和余項；去除并不能表現細節信息的低頻子圖像，篩選出頻率高的子圖像；再利用對比拉伸變換算法對高頻子圖像進行對比度拉伸變換；然后對變換后的高頻子圖像相加融合得到增強后的圖像；最后利用遺傳算法對增強后的圖像進行閾值分割。本發明在分割效果方面，相對于不加區分地直接對圖像進行遺傳算法閾值分割，目標分割效果更好，分割更完整。在特征相似性方面，本發明高于直接進行遺傳算法閾值分割的值。

技術領域

本發明涉及一種基于二維經驗模態分解和遺傳算法的圖像閾值分割方法，屬于數字圖像處理技術領域。

背景技術

近年來許多圖像分割技術被提出，但是都各有優缺點。目前國內外圖像分割技術主要有閾值分割、區域增長分割、邊緣檢測分割。閾值分割是一種很簡單的圖像分割方法，但是基于該方法處理圖像時會遇到最優化問題，不容易確定最優分割閾值；區域增長分割最早是由Levine等人提出的，它是一種串行區域分割的圖像分割方法，其方法雖然思想相對簡單，通常能將具有相同特征的聯通區域分割出來，并能提供很好的邊界信息和分割結果，但是噪聲和灰度不均一可能會導致空洞和過分割；基于邊緣檢測分割是通過求一階或二階微分突出細節信息，雖然可以精準定位目標進行分割，但是該方法對噪聲敏感。因此以上方法雖然可以分割圖像感興趣區域，但是也會有一些不利因素，從而對圖像分析、識別等領域的工作帶來麻煩。

發明內容

本發明提供了一種基于二維經驗模態分解和遺傳算法的圖像閾值分割方法，以用于有效地實現圖像的分割。

本發明的技術方案是：一種基于二維經驗模態分解和遺傳算法的圖像閾值分割方法，輸入一幅待分割的圖像，通過形態學差分法去除圖像的背景，得到差分圖像d(x,y)，再通過二維經驗模態分解算法分解得到一系列內稟模式函數IMF(x,y)和余項REF；該系列內稟模式函數IMF(x,y)表示為不同頻率的子圖像，去除并不能表現細節信息的低頻子圖像，篩選出頻率高的子圖像；再利用對比拉伸變換算法對高頻子圖像進行對比度拉伸變換；然后對變換后的高頻子圖像相加融合得到增強后的圖像H；最后利用遺傳算法對增強后的圖像進行閾值分割。

所述輸入一幅待分割的圖像，通過形態學差分法去除圖像的背景，再通過二維經驗模態分解算法分解得到一系列內稟模式函數和余項，具體為：

步驟1、輸入一幅待分割的圖像f(x,y)，利用形態學差分法去除背景圖像b(x,y)，得到差分圖像d(x,y)：

d(x,y)＝f(x,y)-b(x,y)(1)

其中，x是圖像的橫坐標，y是圖像的縱坐標；

步驟2、將差分圖像d(x,y)進行二維經驗模態分解，分解為z個內稟模式函數IMF(x,y)和余項REF：

其中，REF為二維經驗模態分解后的余項即最后一次分解的余項函數。

所述篩選出頻率高的子圖像，具體為：

步驟3、對原差分圖像d(x,y)通過二維經驗模態分解后得到的一系列內稟模式函數即一系列子圖像IMF(x,y)進行篩選，保留高頻子圖像IMF₁(x,y),IMF₂(x,y),···IMF_b(x,y)，舍去低頻子圖像IMF_b+1(x,y),IMF_b+2(x,y),···,IMF_z(x,y)和余項REF；其中，b為高頻子圖像的總個數，z為不含余項部分的子圖像總個數即內稟模式函數的個數。

所述用對比拉伸變換算法對高頻子圖像進行對比度拉伸變換，具體為：