發(fā)布時(shí)間：2017-08-21 05:11

  本文關(guān)鍵詞：基于圖像空間共生信息的閾值選取方法研究

  更多相關(guān)文章： 圖像分割 閾值化 對(duì)稱(chēng)共生矩陣 非對(duì)稱(chēng)共生矩陣

【摘要】：閾值化技術(shù)作為圖像分割的一種重要方法,在圖像處理中得到了廣泛的應(yīng)用�；趫D像空間信息構(gòu)造共生矩陣的閾值化方法,更全面地表征了圖像特征,獲得了穩(wěn)健的分割效果,成為重要的一類(lèi)圖像分割方法。本文從經(jīng)典閾值分割方法入手,圍繞圖像特征信息的選用、共生矩陣的構(gòu)造及信息的廣義共生展開(kāi)研究,得到了幾種有效可行的閾值化算法。1.討論了經(jīng)典的Otsu閾值方法的應(yīng)用局限性,提出了基于圖像直方圖信息的集中于目標(biāo)的Otsu閾值法。考慮目標(biāo)與背景灰度分布均勻性的相對(duì)程度,提出了基于類(lèi)間相對(duì)均勻性的閾值算法。融合圖像灰度分布的其他信息,構(gòu)造了基于廣義共生信息的改進(jìn)Otsu閾值法�；诨叶绕交狈綀D的修正方法,使得兩類(lèi)均勻性差異大的圖像獲得了更合理的閾值。類(lèi)間獨(dú)立加權(quán)法及對(duì)權(quán)系數(shù)的優(yōu)化選取,提高了方法的自適應(yīng)能力,目標(biāo)提取的完整性更佳。引入鄰域空間均值、中值信息的改進(jìn)方法在不增加運(yùn)算量的情況下,大大提高了算法的抗噪性能。2.對(duì)灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法進(jìn)行了研究。在處理灰度分布呈現(xiàn)偏斜、重尾情況的圖像時(shí),針對(duì)基于平方距離對(duì)稱(chēng)共生矩陣閾值法出現(xiàn)較大偏差的問(wèn)題,定義了目標(biāo)區(qū)域和背景區(qū)域的中值,應(yīng)用中值作為圖像灰度概率分布信息的統(tǒng)計(jì)量,提出了基于中值的平方距離對(duì)稱(chēng)共生矩陣圖像閾值分割法,并給出了多閾值運(yùn)算公式。將基于目標(biāo)與背景相對(duì)均勻性的Otsu閾值法推廣應(yīng)用于基于平方距離的對(duì)稱(chēng)共生矩陣方法中。應(yīng)用相對(duì)熵理論,提出了基于相對(duì)熵的對(duì)稱(chēng)共生矩陣閾值法,該方法更充分利用了對(duì)稱(chēng)共生矩陣具有的空間信息,獲得了更有效的分割效果,為基于對(duì)稱(chēng)共生矩陣的其他參數(shù)相對(duì)熵的閾值方法奠定了基礎(chǔ)。3.在“灰度-均值”非對(duì)稱(chēng)共生矩陣方法基礎(chǔ)上,針對(duì)稀疏直方圖圖像的最大熵快速算法進(jìn)行修改,獲得了適用于稀疏直方圖圖像的一維、二維最大熵快速計(jì)算公式,大幅提高了運(yùn)行速度。對(duì)以Arimoto熵為代表的廣義熵中參數(shù)的優(yōu)化取值問(wèn)題進(jìn)行了分析,指出了現(xiàn)有二維Arimoto熵閾值方法的表述錯(cuò)誤,給出了正確的二維Arimoto熵閾值分割算法及其簡(jiǎn)化公式,提出了二維Arimoto熵直線型閾值分割方法,并給出快速遞推公式,在圖像邊緣和噪聲信息豐富的情況下,效果更好。4.針對(duì)傳統(tǒng)的“灰度-均值”非對(duì)稱(chēng)共生矩陣構(gòu)造中采用單一模板求均值自適應(yīng)性差的問(wèn)題,基于方差最小的準(zhǔn)則,構(gòu)建了“灰度-最小方差均值”非對(duì)稱(chēng)共生矩陣。該方法對(duì)圖像邊緣信息比較敏感,對(duì)邊界信息居多的圖像分割效果良好,對(duì)圖像高斯噪聲抑制方面有明顯提高�；凇盎叶�-最小方差均值”非對(duì)稱(chēng)共生矩陣,改進(jìn)了相對(duì)熵閾值法及二維Arimoto熵直線型閾值法。實(shí)驗(yàn)結(jié)果表明,基于“灰度-最小方差均值”非對(duì)稱(chēng)共生矩陣的閾值法對(duì)降低噪聲干擾,保留圖像邊緣效果顯著。5.對(duì)圖像梯度信息在非對(duì)稱(chēng)共生矩陣的閾值選取方法中的應(yīng)用進(jìn)行了研究。提出了“灰度-梯度”最大加權(quán)條件熵公式。針對(duì)分割的不同要求,采用了均勻性和形狀測(cè)度函數(shù)對(duì)共生矩陣的相應(yīng)區(qū)域進(jìn)行加權(quán)處理,獲得了側(cè)重點(diǎn)不同的分割效果。將梯度信息應(yīng)用于集中于目標(biāo)的Otsu方法中,改善了其只關(guān)注目標(biāo)或背景內(nèi)部信息的問(wèn)題。在“灰度-梯度”非對(duì)稱(chēng)共生矩陣的基礎(chǔ)上引入了均值信息,建立了“灰度-均值-梯度”三維非對(duì)稱(chēng)共生矩陣�；贠tsu閾值法,提出了基于“灰度-均值-梯度”的三維Otsu方法,給出了遞推算法。該方法比基于“灰度-均值-中值”的三維Otsu法目標(biāo)提取更完整、邊緣更清晰,且有效提高了抗高斯噪聲能力。
【關(guān)鍵詞】：圖像分割 閾值化 對(duì)稱(chēng)共生矩陣 非對(duì)稱(chēng)共生矩陣
【學(xué)位授予單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2015
【分類(lèi)號(hào)】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-12
• 第一章 緒論12-20
• 1.1 基于共生矩陣的圖像閾值法概述12-17
• 1.1.1 經(jīng)典的圖像閾值化算法12-13
• 1.1.2 基于圖像共生矩陣的閾值法13-17
• 1.2 本文研究背景和意義17-18
• 1.3 本文主要內(nèi)容及結(jié)構(gòu)安排18-20
• 第二章 基于類(lèi)間相對(duì)均勻性信息的閾值法20-40
• 2.1 引言20
• 2.2 集中于目標(biāo)的Otsu閾值法20-24
• 2.2.1 Otsu閾值法的局限性20-22
• 2.2.2 集中于目標(biāo)的Otsu閾值法22-23
• 2.2.3 基于圖像直方圖的集中于目標(biāo)的Otsu閾值法23-24
• 2.3 基于類(lèi)間相對(duì)均勻性的Otsu閾值法24-29
• 2.3.1 集中于目標(biāo)的Otsu閾值法的應(yīng)用分析24-27
• 2.3.2 融合兩類(lèi)信息的基于類(lèi)間相對(duì)均勻性的Otsu閾值法27-29
• 2.4 基于類(lèi)間相對(duì)均勻性的Otsu改進(jìn)閾值法29-34
• 2.4.1 修正的基于類(lèi)間相對(duì)均勻性的Otsu閾值法29-30
• 2.4.2 加權(quán)融合的基于類(lèi)間相對(duì)均勻性的Otsu閾值法30-34
• 2.5 加入鄰域信息的基于類(lèi)間相對(duì)均勻性的Otsu閾值法34-38
• 2.5.1 基于鄰域空間信息的一維直方圖34-36
• 2.5.2 閾值化結(jié)果選取36-38
• 2.6 小結(jié)38-40
• 第三章 基于灰度轉(zhuǎn)移信息的對(duì)稱(chēng)共生矩陣閾值法40-60
• 3.1 引言40
• 3.2 基于均值的平方距離灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法40-43
• 3.2.1 灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣的構(gòu)造40-41
• 3.2.2 基于均值的平方距離灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法41-43
• 3.3 基于中值的平方距離灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法43-51
• 3.3.1 基于中值的平方距離灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣43-45
• 3.3.2 實(shí)驗(yàn)結(jié)果分析45-51
• 3.4 基于相對(duì)均勻性的平方距離閾值法51-52
• 3.5 基于相對(duì)熵的灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法52-59
• 3.5.1 基于相對(duì)熵的灰度轉(zhuǎn)移對(duì)稱(chēng)共生矩陣閾值法原理52-55
• 3.5.2 閾值結(jié)果分析55-57
• 3.5.3 性能評(píng)估57-59
• 3.6 小結(jié)59-60
• 第四章 基于均值信息的非對(duì)稱(chēng)共生矩陣閾值法60-90
• 4.1 引言60
• 4.2 “灰度-均值”非對(duì)稱(chēng)共生矩陣閾值法60-76
• 4.2.1 基于最大熵的閾值化快速算法60-66
• 4.2.2 基于Arimoto熵的閾值法66-76
• 4.3 “灰度-最小方差均值”非對(duì)稱(chēng)共生矩陣閾值法76-87
• 4.3.1 “灰度-最小方差均值”非對(duì)稱(chēng)共生矩陣76-77
• 4.3.2 基于“灰度-最小方差均值”的二維最大熵閾值法77-80
• 4.3.3 基于“灰度-最小方差均值”的相對(duì)熵閾值法80-86
• 4.3.4 基于“灰度-最小方差均值”的二維直線型Arimoto閾值法86-87
• 4.4 小結(jié)87-90
• 第五章 基于梯度信息的非對(duì)稱(chēng)共生矩陣閾值法90-108
• 5.1 引言90
• 5.2 圖像梯度值的計(jì)算方法90-93
• 5.2.1 采用線性濾波方法求梯度91-92
• 5.2.2 形態(tài)學(xué)方法求梯度92
• 5.2.3 梯度方法比較92-93
• 5.3 “灰度-梯度”非對(duì)稱(chēng)共生矩陣閾值法93-96
• 5.3.1 “灰度-梯度”非對(duì)稱(chēng)共生矩陣93-94
• 5.3.2 “灰度-梯度”最大條件熵閾值法94-96
• 5.4 加權(quán)調(diào)節(jié)的“灰度-梯度”非對(duì)稱(chēng)共生矩陣閾值法96-100
• 5.4.1 基于目標(biāo)完整性的加權(quán)條件熵法96-97
• 5.4.2 基于邊緣和紋理保留的加權(quán)條件熵法97
• 5.4.3 實(shí)驗(yàn)結(jié)果對(duì)比分析97-100
• 5.5 基于圖像梯度信息的集中于目標(biāo)的Otsu閾值法100-102
• 5.6 基于“灰度-均值-梯度”三維共生矩陣的閾值法102-106
• 5.6.1 “灰度-均值-梯度”非對(duì)稱(chēng)共生矩陣102-105
• 5.6.2 實(shí)驗(yàn)結(jié)果分析105-106
• 5.7 小結(jié)106-108
• 第六章 總結(jié)與展望108-112
• 6.1 總結(jié)108-111
• 6.2 存在問(wèn)題及展望111-112
• 參考文獻(xiàn)112-120
• 致謝120-122
• 作者簡(jiǎn)介122-124
• 1.基本情況122
• 2.教育背景122
• 3.攻讀博士期間的研究成果122-124

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前2條

1 唐英干;劉冬;關(guān)新平;;基于粒子群和二維Otsu方法的快速圖像分割[J];控制與決策;2007年02期

2 龍建武;申鉉京;陳海鵬;;自適應(yīng)最小誤差閾值分割算法[J];自動(dòng)化學(xué)報(bào);2012年07期

，

本文編號(hào)：710995