Computer Science ›› 2013, Vol. 40 ›› Issue (6): 303-307.
Previous Articles Next Articles
ZOU Xiao-lin and FENG Guo-can
| [4] 刘建庄,栗文青．灰度图像的二维Otsu自动阈值分割法[J]．自动化学报,1993,9(1):101-105 [5] Sahoo P,Arora G．A thresholding method based on two-dimensional Renyi’s entropy[J]．Pattern Recognition,2004,37(6):1149-1161 [6] Sahoo P,Arora G．Image thresholding using two-dimensionalTsallis-Havrada-Charvat entropy[J]．Pattern Recognition,Letters,2006,27(6):520-528 [7] 算法的2．6倍；约是文献 [8] 和本文方法对图3(b)的分割效果比其它3种算法要好；而文献[8]对图3(c)的分割效果比其它4种算法要差。定量比较如表1－表3所列。 从表1中可以看出,本文算法的运行速度远远快于文献[7,8,11,5]算法的运行速度,约是文献[11]算法的48．0倍；约是文献[15]算法的52．8倍；约是文献[7]算法的2．6倍；约是文献[8]算法的3．6倍。算法的阈值见表2。 表1 分割图3中图像的时间和平均时间图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．96151．04790．05170．07220．0199 图3(b)0．85610．96910．05210．07160．0200 图3(c)1．06361．15220．05080．07030．0201 时间均值0．96041．05640．05150．07140．0200表2 分割图3中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)83101(52,4)(152,2)(96,5) 图3(b)5244(130,9)(114,8)(91,0) 图3(c)6830(27,7)(144,3)(55,7) 从表3中可以看出,本文算法的分类误差(ME)均值都低于文献[7,8,11,5]的分类误差(ME)均值,约是文献[11]的67．85%；约是文献[15]的57．75%；约是文献[7]的57．16%；约是文献[8]的42．73%。这说明本文方法的分割效果好于文献算法的效果。 表3 分割图3中图像的分类误差(ME)值和ME均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．02700．03620．04930．12940．0325 图3(b)0．18840．20620．19270．04280．1083 图3(c)0．02990．04590．04940．21740．0256 ME均值0．08180．09610．09710．12990．0555 实验1的分割结果和定量分析表明:本文算法的分割图像的平均时间比相应文献的低,且分类误差(ME)均值比4种文献方法的低,说明所提算法分割效果更好。 图4 复杂图像的分割结果 实验2 如图4所示,从视觉上看分割结果,这5种算法对图4(c)都能比较好地分割出图中的目标。文献[11]对图4(a)的分割效果最差。文献[11,5]对图4(b)的分割效果较差。分割结果的定量比较如图4、表5所示。 从表5的均匀性均值来看,本文算法的均匀性值U的均值是0．9709,高于文献[7,8,11,5]算法的均匀性值U的均值。因此本文算法的分割图像的效果更好。 表4 分割图4中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)97110(195,128)(143,155)(151,153) 图3(b)198195(137,1)(142,145)(178,178) 图3(c)102120(100,160)(126,128)(132,132)表5 分割图4中图像的均匀性值(U)和U均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图4(a)0．79660．90600．91880．95630．9578 图4(b)0．99630．99580．95650．95830．9863 图4(c)0．94850．96470．94650．96470．9687 U均值0．91380．95550．94060．95980．9709结束语传统的二维阈值分割方法将整个二维灰度级区域作为分割阈值向量的搜索空间,而没有考虑人类视觉感知的特性。等周割方法作为一种具有代表性的基于图论的图像分割方法,因为存在没有直接考虑图像的灰度信息和难以确定迭代终止条件的问题,所以对灰度图像分割的效果不甚理想。为此,本文提出一种融合视觉感知和等周割的二维阈值分割方法。该方法首先采用人类视觉感知的特性确定一个候选阈值向量区域；再将等周割作为选择分割阈值向量的准则,选取最小等周常数所对应的候选阈值向量作为最佳阈值向量来分割图像。实验结果表明,相对于现有的几种经典阈值分割方法,本文方法的分割效果更好。图像分割质量评定指标的评测结果也证实了本文方法的有效性。 Abutaleb A．Automatic thresholding of gray-level pictures using two-Dimensional entropy[J]．Computer Vision,Graphics,and Image Processing,1989,47(1):22-32[4]刘建庄,栗文青．灰度图像的二维Otsu自动阈值分割法[J]．自动化学报,1993,9(1):101-105[5]Sahoo P,Arora G．A thresholding method based on two-dimensional Renyi’s entropy[J]．Pattern Recognition,2004,37(6):1149-1161[6]Sahoo P,Arora G．Image thresholding using two-dimensionalTsallis-Havrada-Charvat entropy[J]．Pattern Recognition,Letters,2006,27(6):520-528[7]汪海洋,潘德炉,夏德深．二维Otsu自适应阈值选取法的快速实现[J]．自动化学报,2007,3(9):968-971[8]Gong J,Li L Y,Chen W N．Fast recursive algorithm for two-dimensional thresholding[J]．Pattern Recognition,1998,31(3):295-300 [9] 郝颖明,朱枫．2维Otsu自适应阈值的快速算法[J]．中国图象图形学报,2005,10(4):484-488 [10] 龚坚,李立源,陈维南．二维熵阈值分割的快速算法[J]．东南大学学报,1996,26(4):31-36 [11] 算法的48．0倍；约是文献[15]算法的52．8倍；约是文献[7]算法的2．6倍；约是文献[8]算法的3．6倍。算法的阈值见表2。 表1 分割图3中图像的时间和平均时间图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．96151．04790．05170．07220．0199 图3(b)0．85610．96910．05210．07160．0200 图3(c)1．06361．15220．05080．07030．0201 时间均值0．96041．05640．05150．07140．0200表2 分割图3中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)83101(52,4)(152,2)(96,5) 图3(b)5244(130,9)(114,8)(91,0) 图3(c)6830(27,7)(144,3)(55,7) 从表3中可以看出,本文算法的分类误差(ME)均值都低于文献[7,8,11,5]的分类误差(ME)均值,约是文献[11]的67．85%；约是文献[15]的57．75%；约是文献[7]的57．16%；约是文献[8]的42．73%。这说明本文方法的分割效果好于文献算法的效果。 表3 分割图3中图像的分类误差(ME)值和ME均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．02700．03620．04930．12940．0325 图3(b)0．18840．20620．19270．04280．1083 图3(c)0．02990．04590．04940．21740．0256 ME均值0．08180．09610．09710．12990．0555 实验1的分割结果和定量分析表明:本文算法的分割图像的平均时间比相应文献的低,且分类误差(ME)均值比4种文献方法的低,说明所提算法分割效果更好。 图4 复杂图像的分割结果 实验2 如图4所示,从视觉上看分割结果,这5种算法对图4(c)都能比较好地分割出图中的目标。文献[11]对图4(a)的分割效果最差。文献[11,5]对图4(b)的分割效果较差。分割结果的定量比较如图4、表5所示。 从表5的均匀性均值来看,本文算法的均匀性值U的均值是0．9709,高于文献[7,8,11,5]算法的均匀性值U的均值。因此本文算法的分割图像的效果更好。 表4 分割图4中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)97110(195,128)(143,155)(151,153) 图3(b)198195(137,1)(142,145)(178,178) 图3(c)102120(100,160)(126,128)(132,132)表5 分割图4中图像的均匀性值(U)和U均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图4(a)0．79660．90600．91880．95630．9578 图4(b)0．99630．99580．95650．95830．9863 图4(c)0．94850．96470．94650．96470．9687 U均值0．91380．95550．94060．95980．9709结束语传统的二维阈值分割方法将整个二维灰度级区域作为分割阈值向量的搜索空间,而没有考虑人类视觉感知的特性。等周割方法作为一种具有代表性的基于图论的图像分割方法,因为存在没有直接考虑图像的灰度信息和难以确定迭代终止条件的问题,所以对灰度图像分割的效果不甚理想。为此,本文提出一种融合视觉感知和等周割的二维阈值分割方法。该方法首先采用人类视觉感知的特性确定一个候选阈值向量区域；再将等周割作为选择分割阈值向量的准则,选取最小等周常数所对应的候选阈值向量作为最佳阈值向量来分割图像。实验结果表明,相对于现有的几种经典阈值分割方法,本文方法的分割效果更好。图像分割质量评定指标的评测结果也证实了本文方法的有效性。 Abutaleb A．Automatic thresholding of gray-level pictures using two-Dimensional entropy[J]．Computer Vision,Graphics,and Image Processing,1989,47(1):22-32[4]刘建庄,栗文青．灰度图像的二维Otsu自动阈值分割法[J]．自动化学报,1993,9(1):101-105[5]Sahoo P,Arora G．A thresholding method based on two-dimensional Renyi’s entropy[J]．Pattern Recognition,2004,37(6):1149-1161[6]Sahoo P,Arora G．Image thresholding using two-dimensionalTsallis-Havrada-Charvat entropy[J]．Pattern Recognition,Letters,2006,27(6):520-528[7]汪海洋,潘德炉,夏德深．二维Otsu自适应阈值选取法的快速实现[J]．自动化学报,2007,3(9):968-971[8]Gong J,Li L Y,Chen W N．Fast recursive algorithm for two-dimensional thresholding[J]．Pattern Recognition,1998,31(3):295-300[9]郝颖明,朱枫．2维Otsu自适应阈值的快速算法[J]．中国图象图形学报,2005,10(4):484-488[10]龚坚,李立源,陈维南．二维熵阈值分割的快速算法[J]．东南大学学报,1996,26(4):31-36[11]Tao W,Jin H,Zhang Y．Image Thresholding Using Graph Cuts [J]．IEEE Transactions on Systems,Man,and Cybernetics-Part A,2008,38(5):1181-1195 [12] 陶文兵,金海．一种新的基于图谱理论的图像阈值分割方法[J]．计算机学报,2007,30(1):110-119 [13] Shi J,Malik J．Normalized Cuts and Image Segmentation[J]．IEEE Transactions on Pattern Analysis Machine Intelligence,2000,22(8):888-905 [14] Grady L,Schwartz E L．Isoperimetric graph partitioning for ima-ge segmentation[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(3):469-475 [15] 算法的52．8倍；约是文献[7]算法的2．6倍；约是文献[8]算法的3．6倍。算法的阈值见表2。 表1 分割图3中图像的时间和平均时间图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．96151．04790．05170．07220．0199 图3(b)0．85610．96910．05210．07160．0200 图3(c)1．06361．15220．05080．07030．0201 时间均值0．96041．05640．05150．07140．0200表2 分割图3中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)83101(52,4)(152,2)(96,5) 图3(b)5244(130,9)(114,8)(91,0) 图3(c)6830(27,7)(144,3)(55,7) 从表3中可以看出,本文算法的分类误差(ME)均值都低于文献[7,8,11,5]的分类误差(ME)均值,约是文献[11]的67．85%；约是文献[15]的57．75%；约是文献[7]的57．16%；约是文献[8]的42．73%。这说明本文方法的分割效果好于文献算法的效果。 表3 分割图3中图像的分类误差(ME)值和ME均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)0．02700．03620．04930．12940．0325 图3(b)0．18840．20620．19270．04280．1083 图3(c)0．02990．04590．04940．21740．0256 ME均值0．08180．09610．09710．12990．0555 实验1的分割结果和定量分析表明:本文算法的分割图像的平均时间比相应文献的低,且分类误差(ME)均值比4种文献方法的低,说明所提算法分割效果更好。 图4 复杂图像的分割结果 实验2 如图4所示,从视觉上看分割结果,这5种算法对图4(c)都能比较好地分割出图中的目标。文献[11]对图4(a)的分割效果最差。文献[11,5]对图4(b)的分割效果较差。分割结果的定量比较如图4、表5所示。 从表5的均匀性均值来看,本文算法的均匀性值U的均值是0．9709,高于文献[7,8,11,5]算法的均匀性值U的均值。因此本文算法的分割图像的效果更好。 表4 分割图4中图像的阈值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图3(a)97110(195,128)(143,155)(151,153) 图3(b)198195(137,1)(142,145)(178,178) 图3(c)102120(100,160)(126,128)(132,132)表5 分割图4中图像的均匀性值(U)和U均值 图像文献[11]文献[15]文献[7]文献[8]本文方法 图4(a)0．79660．90600．91880．95630．9578 图4(b)0．99630．99580．95650．95830．9863 图4(c)0．94850．96470．94650．96470．9687 U均值0．91380．95550．94060．95980．9709结束语传统的二维阈值分割方法将整个二维灰度级区域作为分割阈值向量的搜索空间,而没有考虑人类视觉感知的特性。等周割方法作为一种具有代表性的基于图论的图像分割方法,因为存在没有直接考虑图像的灰度信息和难以确定迭代终止条件的问题,所以对灰度图像分割的效果不甚理想。为此,本文提出一种融合视觉感知和等周割的二维阈值分割方法。该方法首先采用人类视觉感知的特性确定一个候选阈值向量区域；再将等周割作为选择分割阈值向量的准则,选取最小等周常数所对应的候选阈值向量作为最佳阈值向量来分割图像。实验结果表明,相对于现有的几种经典阈值分割方法,本文方法的分割效果更好。图像分割质量评定指标的评测结果也证实了本文方法的有效性。 Abutaleb A．Automatic thresholding of gray-level pictures using two-Dimensional entropy[J]．Computer Vision,Graphics,and Image Processing,1989,47(1):22-32[4]刘建庄,栗文青．灰度图像的二维Otsu自动阈值分割法[J]．自动化学报,1993,9(1):101-105[5]Sahoo P,Arora G．A thresholding method based on two-dimensional Renyi’s entropy[J]．Pattern Recognition,2004,37(6):1149-1161[6]Sahoo P,Arora G．Image thresholding using two-dimensionalTsallis-Havrada-Charvat entropy[J]．Pattern Recognition,Letters,2006,27(6):520-528[7]汪海洋,潘德炉,夏德深．二维Otsu自适应阈值选取法的快速实现[J]．自动化学报,2007,3(9):968-971[8]Gong J,Li L Y,Chen W N．Fast recursive algorithm for two-dimensional thresholding[J]．Pattern Recognition,1998,31(3):295-300[9]郝颖明,朱枫．2维Otsu自适应阈值的快速算法[J]．中国图象图形学报,2005,10(4):484-488[10]龚坚,李立源,陈维南．二维熵阈值分割的快速算法[J]．东南大学学报,1996,26(4):31-36[11]Tao W,Jin H,Zhang Y．Image Thresholding Using Graph Cuts [J]．IEEE Transactions on Systems,Man,and Cybernetics-Part A,2008,38(5):1181-1195[12]陶文兵,金海．一种新的基于图谱理论的图像阈值分割方法[J]．计算机学报,2007,30(1):110-119[13]Shi J,Malik J．Normalized Cuts and Image Segmentation[J]．IEEE Transactions on Pattern Analysis Machine Intelligence,2000,22(8):888-905[14]Grady L,Schwartz E L．Isoperimetric graph partitioning for ima-ge segmentation[J]．IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(3):469-475[15]吴锐,黄剑华,唐降龙,等．基于灰度直方图和谱聚类的文本图像二值化方法[J]．电子与信息学报,2009,31(10):2460-2464 [16] Arora S,Acharya J,Verma A,et al．Multilevel thresholding for image segmentation through a fast statistical recursive algorithm[J]．Pattern Recognition Letters,2008,29(2):119-125 [17] 。该组实验用到的参考图像是通过手动分割方式来获得的。实验2是对3幅比较复杂的图像进行2类分割,将本文方法与文献[7,8,11,5]在分割复杂图像时作对比实验。该组实验采用均匀性(U) |
| No related articles found! |
|
||
Home