IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

归一化互信息量最大化导向的自动阈值选择方法

已有 430 次阅读 2019-9-5 17:49 |系统分类:博客资讯

当前景或背景的灰度分布呈现为非正态分布特征时,比如极值、瑞利、贝塔或均匀分布,将所选阈值与最优阈值之差控制在10个灰度级内并非易事.为了在统一框架内处理不同灰度分布情形下的阈值选择问题,提出了一种归一化互信息量最大化导向的自动阈值选择方法.该方法先采用多尺度梯度乘变换规范化输入图像,获得具有单峰长拖尾灰度分布的规范图像;然后对不同阈值对应的二值图像进行轮廓提取,获得不同的轮廓图像;最后计算规范图像和不同轮廓图像之间的归一化互信息量,并以最大值对应的阈值作为最终阈值.在具有不同灰度分布模式的9幅合成图像和59幅真实世界图像上,将提出的方法和1种人工阈值方法及4种自动阈值方法进行了比较.实验结果表明,提出的方法虽然在计算效率方面不优于4个自动方法,但在分割的适应性和精确度方面优势明显:对前述不同灰度分布情形,其所选阈值与最优阈值之差都在9个灰度级内.


让所选阈值尽可能地接近最优阈值是图像阈值分割的核心目标。当前景和背景的灰度分布可以用正态分布逼近,且前景和背景的大小相对均衡时,不少方法所选阈值与最优阈值之差可控制在10个灰度级以内。但是,当前景或背景的灰度分布呈现为非正态分布特征时,比如极值分布、瑞利分布、贝塔分布或均匀分布,将所选阈值与最优阈值之差仍控制在10个灰度级以内则并非易事。


1.jpg

MNMI方法所涉及的关键概念和步骤的图示


为了在统一框架内处理上述不同灰度分布情形下的阈值选择问题,提出了一种归一化互信息量最大化导向的自动阈值选择方法。该方法先采用多尺度梯度乘变换对输入图像进行规范化,获得具有单峰长拖尾灰度分布特征的规范图像;然后,对不同阈值对应的二值图像进行轮廓提取,获得对应于不同阈值的轮廓图像;最后,计算规范图像和不同轮廓图像之间的归一化互信息量,并以最大值对应的阈值作为最终的分割阈值。


在具有不同灰度分布模式的9幅合成图像和59幅真实世界图像上,将提出的方法和1个人工阈值方法及4个新近开发的自动阈值方法进行了比较。实验结果表明,提出的方法虽然在计算效率方面不优于4个自动方法,但是在分割的适应性和精确度方面优势明显:对前述不同灰度分布情形,其所选阈值与最优阈值之差都在9个灰度级内。


引用格式:邹耀斌, 雷帮军, 臧兆祥, 王俊英, 胡泽海, 董方敏. 归一化互信息量最大化导向的自动阈值选择方法. 自动化学报, 2019, 45(7): 1373-1385.


链接:http://html.rhhz.net/ZDHXBZWB/html/2019-7-1373.htm


作者简介


邹耀斌, 三峡大学水电工程智能视觉监测湖北省重点实验室及计算机与信息学院副教授. 2011 年获得华中科技大学计算机科学与技术博士学位. 主要研究方向为数字图像处理和模式识别. 本文通信作者. 

E-mail: zyb@ctgu.edu.cn


雷帮军, 三峡大学水电工程智能视觉监测湖北省重点实验室及计算机与信息学院教授. 2003 年获得荷兰德尔夫特理工大学电子信息博士学位. 主要研究方向为计算机视觉和模式识别. 

E-mail: bangjunlei1973@sohu.com


臧兆祥, 三峡大学水电工程智能视觉监测湖北省重点实验室及计算机与信息学院副教授. 2013 年获得华中科技大学模式识别与智能系统博士学位. 主要研究方向为机器学习和进化计算. 

E-mail: zxzang@yeah.net


王俊英, 三峡大学水电工程智能视觉监测湖北省重点实验室及计算机与信息学院教授. 2010 年获得华中科技大学模式识别与智能系统博士学位. 主要研究方向为机器学习和模式识别. 

E-mail: jywang1971@21cn.com


胡泽海, 三峡大学水电工程智能视觉监测湖北省重点实验室研究助理. 主要研究方向为数字图像处理. 

E-mail: huzehaictgu@126.com


董方敏, 三峡大学水电工程智能视觉监测湖北省重点实验室及计算机与信息学院教授. 2007 年获得华中科技大学计算机辅助设计博士学位. 主要研究方向为数字图像处理和智能信息处理. 

E-mail: fmdong ctgu@163.com




http://blog.sciencenet.cn/blog-3291369-1196797.html

上一篇:国家自然科学基金&国家重点研发项目资助论文精选
下一篇:搏动式电磁血泵电控系统的研究

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备14006957 )

GMT+8, 2019-12-15 13:51

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部