基于图像灰度梯度和灰度统计直方图的自适应预分割方法

摘要

本发明公布了一种基于图像灰度梯度和灰度统计直方图的自适应预分割方法。本发明利用图像的灰度梯度信息和图像本身的灰度统计直方图信息来自适应生成用于图像分割的阈值序列，将连续灰度图像转换为离散灰度图像，实现图像的预分割，以便于后续的图像分割。本发明约束条件少，适用范围广，算法复杂度低，实现简单，运算速度快。

说明书

技术领域

本发明涉及一种基于图像灰度梯度和灰度统计直方图的自适应预分割方法，属于应用于通过机器视觉来实现目标识别的图像预处理，尤其涉及利用图像的灰度梯度信息和图像本身的灰度统计直方图信息来自适应生成用于图像分割的阈值序列，将连续灰度图像转换为离散灰度图像，实现图像的预分割，以便于后续的图像分割的图像处理的技术领域。

背景技术

图像分割是图像识别和图像理解的基础和关键，也是机器视觉的经典难题，就图像分割而言，到目前位置，提出的分割算法不下千种，并且每年还有不少新算法出现。

图像分割的基本目的是要将目标前景信息从原始采样图像中抽取出来，实现前景与背景的分割，同时过滤和屏蔽成像过程中引入的各种噪声和成像缺陷。

纵览各种图像分割算法，其中绝大部分都是基于图像在像素级别的不连续性和相似性。也就是说，属于同一目标的区域具有相似性，而不同区域在边界会表现出不连续性。这些方法大致可以分成以下几类：

边缘检测方法：基于图像边缘在像素级别上的某些方向存在边缘梯度，通过从某些方向求图像的一阶(如Roberts算子、Sobel算子、Prewitt算子等)或二阶导数(如高斯-拉普拉斯算子、LOG算子)等微分算子来寻找边缘。Canny算子是一种不采用微分算子的边缘检测算子。但边缘检测方法对成像噪声的抑制效果很一般、对成像缺陷的修复几乎无能为力，其检测效果反而因此而下降。

边缘跟踪方法：由于前述的边缘检测方法检测出的边缘点往往由于成像噪声、光照不均等原因而不连续，边缘跟踪方法就是对这些边缘点进行跟踪，形成连续的边缘。最著名的当属常用于直线、椭圆检测的Hough变换。

区域分割法：包括区域增长法和区域分裂合并法。其基本思想是基于同一区域像素的相似性。对输电线路部件识别这种先验知识很少、场景复杂、成像条件约束很少的应用进行图像确有一定的优势。但由于输电线路部件识别一般采用高分辨率成像设备，而这种算法在具体实现上一般采用递归方法，牵涉到较大的计算时间开销，因此对计算速度影响较大。

发明内容

本发明目的是针对现有技术存在的不足提供一种基于图像灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法，实现图像的预处理。本发明利用图像的平均灰度梯度值及图像本身的灰度统计直方图信息，生成用于图像分割的阈值序列，构造像素相似性区间，判断像素之间的相似性，对图像中具有相似性质的像素进行聚类，使得图像的信息层次分明，方便对图像进行分割等后续处理。

本发明为实现上述目的，采用如下技术方案：

本发明基于图像灰度梯度和灰度统计直方图的自适应预分割方法，其特征在于包括以下步骤：

(1)将输入的彩色图像转换为灰度图像I_G；

(2)在水平方向逐行扫描步骤(1)所述的灰度图像I_G，得到灰度图像I_G的每个像素在水平方向的灰度梯度，形成灰度图像I_G的灰度梯度图I_grad；

(3)计算灰度梯度：对步骤(2)所述的灰度梯度图I_grad中属于[4，255]区间的灰度梯度值进行统计平均，得到灰度图像I_G的统计平均灰度梯度G_s，其中4为视觉器官可感知的最小灰度梯度，255为灰度图像I_G的最大灰度梯度；将统计平均梯度G_s与视觉器官能明显感知的灰度梯度区间G_e＝[16，32]比较，得到灰度图像I_G的灰度梯度G_g：如G_s＜16，则G_g＝16；如G_g＞32，则G_g＝32；否则G_g＝G_s；

(4)采用灰度图像I_G的所有灰度等级建立其灰度直方图H_G，所述灰度直方图H_G表示灰度图像I_G的每个灰度等级k对应的像素数量n_k，其中横轴为灰度级别k；竖轴为相应灰度级别k的像素个数n_k，灰度等级k的取值范围为0至255；

(5)扫描步骤(4)所述的灰度直方图H_G，得到灰度属性列表A_k，即针对每个灰度等级k，根据其像素数量n_k与其前一个灰度等级(k-1)的像素数量n_k-1的大小关系，将对应的灰度属性列表A_k标记为“上升”、“下降”或“不变”：当n_k＞n_k-1，则标记灰度级k为“上升”；当n_k＜n_k-1，则标记灰度级k为“下降”；当n_k＝n_k-1，则标记灰度级k为“不变”；灰度级别0和255均标记为“不变”；

(6)扫描灰度属性列表A_k，并在灰度属性列表A_k中标记出“谷底”区域序列B_{i，j(i，j∈0-255，j≥i)}，“谷底”区域B_{i，j(i，j∈0-255，j≥i)}是指灰度属性列表A_k中属性A_i为“下降”、A_j为“上升”的区间；

(7)找到步骤(4)所述的灰度直方图H_G的峰值n_p＝MAX(n_k)，确定灰度直方图H_G的峰值n_p对应的灰度等级p所对应的图像分割灰度阈值区间T_p＝[t₀，t₁]，其中MAX()表示求最大值；t₀＝MAX(0，p-G_g)，t₁＝MIN(255，p+G_g)，其中MIN()表示求最小值；在灰度属性列表A_k上，从t₀向峰值对应的灰度等级p方向即从小到大扫描，当在[t₀，p]区间找到第一个“谷底”，则取该“谷底”对应的灰度等级为新的t₀值，找不到“谷底”则t₀不变；同样地，从t₁向峰值对应的灰度等级p方向即从大到小扫描，当在[p，t₁]区间找到第一个“谷底”，则取该“谷底”对应的灰度等级为新的t₁值，找不到“谷底”则t₁不变；

(8)扫描整个灰度图像I_G，将灰度等级属于步骤(7)所述的图像分割灰度阈值区间T_p＝[t₀，t₁]的像素的灰度等级设置为p；

(9)将灰度直方图H_G中满足k∈T_p＝[t₀，t₁]的n_k设为0，即n_k＝0；

(10)重复步骤(7)、(8)、(9)，直到灰度图像直方图的峰值为0，完成图像像素的聚类，实现图像的预分割。

所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法，其特征在于步骤(2)所述的灰度图像I_G的每个像素在水平方向的灰度梯度的求取方法如下：每行中第m个像素的灰度梯度g_m＝ABS(V_m-V_m-1)，其中V_m、V_m-1是一行中像素m及其前一个像素m-1的灰度值，ABS()表示取绝对值，每行的第一个像素的灰度梯度为0，其中m为自然数，m∈[1，N]，N为灰度图像I_G中每行像素的个数。

所述的基于图像灰度梯度和灰度统计直方图的自适应预分割方法，其特征在于步骤(3)所述的统计平均梯度G_s的方法如下：

建立步骤(2)所述的灰度梯度图I_grad的灰度直方图H_g，对所述灰度直方图H_g区域[4，255]内的灰度等级进行加权平均，求得灰度图像I_G的统计平均梯度G_s：

$G_s=\frac{\lambda *n_{\lambda }}{\underset{\lambda =4}{\overset{255}{\Sigma }}{n}_{\lambda }},\lambda \in \left[\mathrm{4,255}\right],$

其中λ、n_λ分别为灰度梯度图I_gard的每个灰度等级λ对应的像素数量n_λ。

本发明的有益效果为：本发明采用基于图像的灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法，能够很好的对图像中相似的像素进行聚类，使得图像的信息层次分明，满足图像分割等后续处理的要求，本发明方法具有约束条件少，适用范围广，算法复杂度低，实现简单，运算速度快。

附图说明

图1为本发明原始彩色图像；

图2为本发明由原始彩色图像转换而来的灰度图像；

图3为本发明灰度图像的灰度梯度图；

图4为本发明灰度梯度图的梯度直方图；

图5为本发明灰度图像的灰度直方图；

图6本发明进行预分割后的灰度图像的灰度直方图；

图7为本发明进行预分割后的灰度图像。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

本实施例的一种基于图像的灰度梯度信息和图像本身的灰度统计直方图信息的自适应图像预分割算法。硬件平台为个人微型计算机，操作系统为Windows，图像开发平台为Intel OpenCV，开发工具为Microsoft Visual C++。具体步骤为：

首先将原始采集的分辨率为2560*1920的彩色图像(图1)通过cvCvtColor函数转换为灰度图像，如图2所示。

然后针对灰度图像，对其进行水平扫描，得到图像的灰度梯度图(图3)，建立灰度梯度图的灰度直方图(图4)，图中横轴为像素的灰度梯度k，取0-255，每个小格代表10；竖轴为图像中相应灰度梯度的像素个数n_k(其中k表示灰度梯度)。

具体的灰度梯度图的灰度直方图数据如下表：

表1

  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  0  176066  64  727  128  2  192  0

  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  1  118413  65  714  129  2  193  0  2  106057  66  647  130  1  194  0  3  83239  67  636  131  0  195  0  4  59936  68  640  132  0  196  0  5  42947  69  584  133  0  197  0  6  30063  70  568  134  0  198  0  7  21361  71  571  135  0  199  0  8  15896  72  511  136  0  200  0  9  11785  73  522  137  0  201  0  10  9116  74  516  138  0  202  0  11  7319  75  526  139  0  203  0  12  5875  76  506  140  0  204  0  13  5064  77  442  141  0  205  0  14  4320  78  422  142  0  206  0  15  3787  79  439  143  0  207  0  16  3489  80  410  144  0  208  0  17  3100  81  412  145  0  209  0  18  2797  82  349  146  0  210  0  19  2735  83  346  147  0  211  0  20  2471  84  376  148  0  212  0  21  2362  85  314  149  0  213  0

  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  22  2275  86  295  150  0  214  0  23  2124  87  288  151  0  215  0  24  2034  88  272  152  0  216  0  25  2008  89  246  153  0  217  0  26  1894  90  222  154  0  218  0  27  1736  91  209  155  0  219  0  28  1699  92  184  156  0  220  0  29  1657  93  184  157  0  221  0  30  1609  94  154  158  0  222  0  31  1583  95  153  159  0  223  0  32  1544  96  119  160  0  224  0  33  1439  97  113  161  0  225  0  34  1411  98  101  162  0  226  0  35  1345  99  98  163  0  227  0  36  1363  100  95  164  0  228  0  37  1272  101  86  165  0  229  0  38  1296  102  74  166  0  230  0  39  1282  103  54  167  0  231  0  40  1276  104  59  168  0  232  0  41  1239  105  59  169  0  233  0  42  1195  106  51  170  0  234  0

  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  灰度梯  度k  像素数  n_k  43  1153  107  36  171  0  235  0  44  1114  108  46  172  0  236  0  45  1121  109  34  173  0  237  0  46  1159  110  33  174  0  238  0  47  1088  111  26  175  0  239  0  48  1077  112  26  176  0  240  0  49  1049  113  26  177  0  241  0  50  1061  114  16  178  0  242  0  51  1051  115  19  179  0  243  0  52  1010  116  11  180  0  244  0  53  996  117  20  181  0  245  0  54  999  118  17  182  0  246  0  55  914  119  11  183  0  247  0  56  884  120  12  184  0  248  0  57  865  121  7  185  0  249  0  58  831  122  8  186  0  250  0  59  789  123  3  187  0  251  0  60  801  124  2  188  0  252  0  61  809  125  3  189  0  253  0  62  777  126  3  190  0  254  0  63  745  127  2  191  0  255  0

在直方图中，对区域[4，255]内的灰度梯度进行加权平均，求得图像的统计平均梯度值G_s，公式为：λ∈[4，255]，其中λ、n_λ分别为灰度梯度图I_grad的每个灰度等级λ对应的像素数量n_λ。算得G_s＝16。

将统计平均梯度G_s与视觉器官能明显感知的灰度梯度区间G_e＝[16，32]比较，得到图像I_G的平均灰度梯度G_g：如G_s＜16，则G_g＝16；如G_s＞32，则G_g＝32；否则G_g＝G_s。最终确定G_g＝16。

对图像的预分割过程如下：

a)得到原始灰度图像的灰度直方图H_G(图5)。

b)找到灰度直方图H_G的峰值n_p＝MAX(n_k)(k＝0-255)，确定该峰值对应的灰度等级p对应的图像分割灰度阈值区间T_p＝[t₀，t₁]。默认情况下，t₀＝MAX(0，p-G_g)，t₁＝MIN(255，p+G_g)。在灰度属性列表A_k(k＝0-255)上，从t₀向p方向(从小到大)扫描，如在[t₀，p]区间找到第一个“谷底”，则取该“谷底”对应的灰度等级为新的t₀值，找不到“谷底”则t₀不变。同样地，从t₁向p方向(从大到小)扫描，如在[p，t₁]区间找到第一个“谷底”，则取该“谷底”对应的灰度等级为新的t₁值，找不到“谷底”则t₁不变。

计算得到第一轮像素聚类时，p＝137，对应的图像分割灰度阈值区间T_p＝[t₀，t₁]＝[109，153]，即与灰度级137相似的像素灰度区间为[109，153]。

遍历灰度图像，对于灰度值落在灰度阈值区间T_p([109，153])内的像素，即设置其灰度值为p(137)。完成第一轮像素聚类。

c)将灰度直方图H_G中满足k∈T_p＝[t₀，t₁]的n_k设为0。即

d)重复步骤b)、c)，直到灰度图像直方图的峰值为0，则完成所有图像像素的聚类，实现整个灰度图像从连续灰度空间到离散灰度空间的变换，即预分割。得到进行预分割后的灰度图像的灰度直方图(图6)及进行聚类后的灰度图像(图7)。