一種可有效分割小目標(biāo)圖像的閾值選取方法

吳一全，吳加明，占必超

(1.南京航空航天大學(xué)電子信息工程學(xué)院，江蘇南京210016;2.南京大學(xué) 計算機(jī)軟件新技術(shù)國家重點實驗室，江蘇 南京210093)

閾值分割是使用普遍、處理有效且實現(xiàn)簡單的圖像分割技術(shù)。其關(guān)鍵是快速選取合適的閾值以實現(xiàn)準(zhǔn)確分割。國內(nèi)外學(xué)者對此進(jìn)行了大量研究［1-2］，提出了基于最大類間方差(Otsu 法)［3］、最大熵［4］、Fisher 準(zhǔn)則［5］等多種類型閾值選取方法。最初都通過圖像的一維灰度直方圖選取閾值，雖然處理速度快，但圖像受到噪聲干擾時難以獲得滿意的分割效果。因此，最大熵法、Otsu 法和Fisher 準(zhǔn)則法分別被Abutaleb［6］和Brink［7］、劉健莊［8］、龔堅［9］等相繼推廣到灰度級—鄰域平均灰度級二維直方圖，效果明顯改善，但同時運(yùn)算量按指數(shù)增加。故人們又提出了基于二維直方圖的閾值選取快速算法［10-12］，不同程度地提高了運(yùn)行速度。但上述二維方法都將二維直方圖分成4 個矩形區(qū)域(稱之為區(qū)域直分)，而這樣會在計算中引入近似，導(dǎo)致分割結(jié)果不夠準(zhǔn)確。因此，文獻(xiàn)［13 -15］提出了基于二維直方圖區(qū)域斜分的閾值分割方法，進(jìn)一步減小了誤差，大大縮短了運(yùn)行時間，且抗噪性更穩(wěn)健。

圖像閾值分割是紅外目標(biāo)檢測中的關(guān)鍵步驟之一。在紅外目標(biāo)探測成像平面內(nèi)，目標(biāo)與背景的大小之比通常很小，如低于1%.這就要解決目標(biāo)與背景大小之比很小的小目標(biāo)圖像閾值分割問題。對于這一問題，現(xiàn)有的閾值選取方法幾乎都失效，得不到理想結(jié)果。當(dāng)目標(biāo)與背景比例相差較大時，將背景的一部分劃分為目標(biāo)反而可能具有更小的類內(nèi)方差或更大的類間方差。因此，Otsu 法和Fisher 準(zhǔn)則法不能準(zhǔn)確地分割小目標(biāo)圖像; 最大熵方法對小目標(biāo)圖像也不能有效分割。

鑒于以上原因，本文提出了一種基于背景與目標(biāo)面積差和類內(nèi)方差的小目標(biāo)圖像分割閾值選取方法。考慮到準(zhǔn)確分割時，目標(biāo)內(nèi)部和背景內(nèi)部的灰度均勻，類內(nèi)方差很小，再利用小目標(biāo)圖像中目標(biāo)與背景的面積相差很大的特點，構(gòu)造準(zhǔn)則函數(shù);在此基礎(chǔ)上，分別給出了基于一維直方圖和二維直方圖區(qū)域直分的閾值選取公式; 然后導(dǎo)出了二維直方圖區(qū)域斜分閾值選取公式及其快速遞推算法; 最后在實驗結(jié)果中，給出了本文方法的閾值分割結(jié)果和運(yùn)行時間，并與基于二維斜分的Otsu、最大熵及Fisher 閾值選取快速方法進(jìn)行了比較。

1 基于一維直方圖和二維直方圖區(qū)域直分的閾值選取

1.1 基于一維直方圖的閾值選取

Otsu 法根據(jù)最大類間方差或最小類內(nèi)方差選取閾值，實質(zhì)上是基于誤差平方和最小準(zhǔn)則導(dǎo)出的。該準(zhǔn)則有一個潛在的問題，即當(dāng)不同聚類所包含的樣本個數(shù)相差較大時，將一個大的類別分割開反而可能具有更小的誤差平方和。對于小目標(biāo)圖像，目標(biāo)與背景所占比例相差較大，將背景的一部分劃分為目標(biāo)反而可能具有更小的類內(nèi)方差或更大的類間方差，因此Otsu 法將不能準(zhǔn)確分割。

考慮到準(zhǔn)確分割時，目標(biāo)內(nèi)部和背景內(nèi)部的灰度均勻，數(shù)據(jù)點緊密，類內(nèi)方差很小; 如果再利用小目標(biāo)圖像的目標(biāo)與背景的面積比例很小也即目標(biāo)與背景的面積相差很大的特點，將其考慮為閾值選取準(zhǔn)則函數(shù)的一部分，可望提高閾值分割的準(zhǔn)確性。綜合上述2 個特點，本文構(gòu)造了基于背景與目標(biāo)的面積差和類內(nèi)方差的閾值選取準(zhǔn)則函數(shù)，從而可有效地分割小目標(biāo)圖像。

設(shè)圖像的尺寸為M×N，灰度級取0，1，…，L -1，p(i)為灰度級i 出現(xiàn)的概率。現(xiàn)用閾值t 劃分為背景類和目標(biāo)類，假設(shè)圖像的亮(暗)像素屬于目標(biāo)(背景)。背景和目標(biāo)的概率分別為ω0(t)、ω1(t)，灰度級均值分別為μ0(t)/ω0(t)、μ1(t)/ω1(t)，方差分別為σ20(t)、σ21(t).該準(zhǔn)則函數(shù)的一維形式為

使準(zhǔn)則函數(shù)Φ(t)達(dá)到最大求得最佳閾值:

1.2 基于二維直方圖區(qū)域直分的閾值選取

設(shè)M×N 圖像的灰度級取0，1，…，L -1，定義像素點(m，n)的鄰域平均灰度級g(m，n)=，其中D 一般取像素點(m，n)的3 ×3鄰域，W 為D 中的像素點數(shù)。若用r(i，j)表示(灰度級f，鄰域平均灰度級g)對出現(xiàn)的頻數(shù)(0 ≤r(i，j)≤M×N)，定義:

則p(i，j)即為圖像的二維直方圖。圖1(a)為原始圖像，圖1(b)為其二維直方圖，閾值向量(t，s)將二維直方圖直分為圖1(c)所示的4 個區(qū)域。

圖1 圖像二維直方圖及其區(qū)域直分Fig.1 2-D histogram and vertical segmentation

設(shè)背景和目標(biāo)的概率分別為ω0(t，s)、ω1(t，s)，灰度級均值分別為μ0i(t，s)/ω0(t，s)、μ0j(t，s)/ω0(t，s)、μ1i(t，s)/ω1(t，s)、μ1j(t，s)/ω1(t，s)，方差分別為σ20i(t，s)、σ20j(t，s)、σ21i(t，s)、σ21j(t，s)，則由一維形式推廣，得到基于背景與目標(biāo)面積差和類內(nèi)方差的二維直分閾值選取準(zhǔn)則函數(shù)

使準(zhǔn)則函數(shù)Φ(t，s)達(dá)到最大求得最佳閾值:

此時，分割后的圖像類內(nèi)均勻，目標(biāo)與背景分離度最佳。

2 二維直方圖區(qū)域斜分的閾值選取公式及其快速遞推算法

2.1 二維直方圖區(qū)域斜分的閾值選取公式

分析圖1(b)所示的二維直方圖可見，像素點基本都分布在主對角線附近，故在圖2中，通過位于主對角線兩側(cè)且與其平行的4 條平行斜線L1、L2、L3、L4，將直方圖區(qū)域分成1 個內(nèi)點區(qū)、2 個邊界點區(qū)和2 個噪聲點區(qū):L1 和L2 之間的區(qū)域由于像素灰度級和鄰域平均灰度級相近，認(rèn)為是目標(biāo)和背景內(nèi)點區(qū);L1 和L3 之間及L2 和L4 之間的2 個區(qū)域因像素灰度級和鄰域平均灰度級有一定差別，視為目標(biāo)和背景之間過渡的邊界點區(qū); L3 以外和L4 以外的2 個區(qū)域由于像素灰度級和鄰域平均灰度級相差很大，定為噪聲點區(qū)［14-15］。

圖2 二維直方圖區(qū)域斜分Fig.2 2-D histogram oblique segmentation

斜分是采用與主對角線垂直(即與灰度級軸成135°角)的一條斜線段g=-f +2T(T 為閾值，0≤T≤L-1)，按灰度級與鄰域平均灰度級的平均值進(jìn)行閾值分割，即分割后的二值圖像b(m，n)為

其中，0＜T≤L-1.

若背景與目標(biāo)的概率分別為ω0(T)、ω1(T)，灰度均值分別為μ0i(t，s)/ω0(t，s)、μ0j(t，s)/ω0(t，s)、μ1i(t，s)/ω1(t，s)、μ1j(t，s)/ω1(t，s)，方差分別為σ2oi(T)、σ2oj(T)、σ21i(T)、σ21j(T)，則基于背景與目標(biāo)面積差和類內(nèi)方差的二維斜分閾值選取準(zhǔn)則函數(shù)為

若設(shè)總體灰度級均值為μti和μtj，總體方差σ2為σ2ti和σ2tj，由于斜分情況下總體方差為類內(nèi)方差與類間方差之和，所以(5)式的準(zhǔn)則函數(shù)可改寫為

使準(zhǔn)則函數(shù)Φ(T)達(dá)到最大求得最佳閾值:

2.2 快速遞推算法

從上述算法公式可以看出，計算Φ(T)需要計算ω0(T)和ω1(T)、μ0i(T)和μ0j(T)、μti和μtj、σ2ti和對于同一幅圖像，μti和μtj、σ2ti和σ2tj是固定的。對于每一個閾值T，如果每次計算Φ(T)都重新從i=0，j=0 開始累加計算ω0(T)、μ0i(T)、μ0j(T)，勢必造成大量的重復(fù)計算，而且計算復(fù)雜性都為o(L2)，而共有L-1 個閾值T，從而使總的計算復(fù)雜性達(dá)到o(L3).

0＜T≤L/2 -1 時，遞推公式推導(dǎo)如下:

同理可以得到L/2≤T≤L-1 時的遞推公式。

根據(jù)上述遞推公式，每計算一次Φ(T)都勿需重新計算ω0(2T)、μ0i(2T)、μ0j(2T)，只要分別利用前面得到的ω0(2T -1)、μ0i(2T -1)、μ0j(2T -1)，再加上直線段g=-f +2T 上各點相應(yīng)的值即可。這樣就只要分別在T =0，1，…，L -1 范圍內(nèi)搜索。計算μ0i、μ0j需要次乘法，而對于每一個T，計算準(zhǔn)則函數(shù)需要8 次乘法，所以總的計算復(fù)雜性為2L2+16L～o(L2).而發(fā)現(xiàn)對于ω0(2T)、μ0i(2T)、μ0j(2T)及ω0(2T-1)、μ0i(2T-1)、μ0j(2T -1)可以只用3 個存儲單元來存儲，而不用把對應(yīng)每個T 的值都存起來，只要在累加時往上加即可，大大減少了存儲空間。

上述算法流程圖如圖3所示。

圖3 算法流程圖Fig.3 Flowchart of the algorithm

3 實驗結(jié)果和分析

3.1 基于一維直方圖、二維直方圖區(qū)域直分以及斜分的本文方法比較

本文進(jìn)行了大量實驗，現(xiàn)舉一例說明。圖4分別給出了基于一維直方圖、二維直方圖區(qū)域直分以及斜分的本文方法對同一幅艦船圖像進(jìn)行閾值分割的結(jié)果。其中圖4(a)為原始艦船圖像，大小為155 像素×154 像素，圖4(b)為基于一維直方圖的分割結(jié)果，圖4(c)為基于二維直方圖區(qū)域直分的分割結(jié)果，圖4(d)為基于二維直方圖區(qū)域斜分的分割結(jié)果。可以看出，本文方法不僅能夠準(zhǔn)確地提取目標(biāo)，而且二維方法的抗噪性較好，特別是基于二維直方圖斜分方法的抗噪性更為穩(wěn)健。

圖4 本文方法的分割結(jié)果Fig.4 Segmentation results of different methods

表1 4 種方法的分割結(jié)果Tab.1 Segmentation results of four methods

3.2 與其它方法的比較

針對200 多幅各類較小目標(biāo)圖像進(jìn)行了實驗。現(xiàn)選取其中5 幅圖像加以說明。其中目標(biāo)都是飛行器，但其與紅外成像平面的遠(yuǎn)近距離不同。下面分別給出本文方法與基于二維直方圖區(qū)域斜分的Otsu法、最大熵方法、Fisher 準(zhǔn)則法的分割結(jié)果。如表1所示，從上到下分別為圖像1～圖像5，每一行從左到右依次為原始圖像、一維直方圖及Otsu 方法、最大熵方法、Fisher 方法、本文方法的分割結(jié)果。圖像1的大小為322 像素×221 像素，目標(biāo)與背景大小比例為6.8%，雖然4 種方法都能將目標(biāo)分割出來，但本文方法去噪性更好;圖像2、圖像3 的大小分別為323 像素×217 像素和256 像素×256 像素，目標(biāo)與背景大小比例分別為4.2% 和3.9%，Otsu 法和Fisher 方法此時已不能有效分割，最大熵方法雖然能分割出來，但仍存在噪聲;圖像4 的大小為104 像素×90 像素，目標(biāo)與背景大小比例為0.43%，此時Otsu 法和Fisher 方法已基本失效，最大熵方法分割結(jié)果的噪聲變大，失去準(zhǔn)確性，而唯有本文方法能較準(zhǔn)確地將小目標(biāo)分割出來，相對其它分割方法，其噪聲已達(dá)最小，且分割結(jié)果滿足要求; 圖像5 的大小為106 像素×94 像素，目標(biāo)與背景大小比例為0.18%，分割效果與圖像4 類似，進(jìn)一步體現(xiàn)了本文方法分割小目標(biāo)圖像的優(yōu)越性。

實驗是在Intel Pentium 4 CPU 2.80 GHz/512 MB 內(nèi)存/Matlab 7.1 的計算機(jī)環(huán)境中進(jìn)行的。表1中4 種方法的分割閾值及運(yùn)行時間如表2所示，表2中的百分比表示目標(biāo)與背景大小比例。

表2 4 種方法的閾值及運(yùn)行時間Tab.2 Threshold and running time of four methods

從表2中可以看出，對于每幅圖像，Otsu 方法的運(yùn)行時間最短，但其在小目標(biāo)圖像分割中，效果最差;最大熵方法分割效果優(yōu)于Otsu 方法，但因涉及對數(shù)運(yùn)算其運(yùn)行時間最長; Fisher 方法分割效果略好于Otsu 方法，但仍然較差，而且運(yùn)行時間也比Otsu方法長;本文方法分割效果最佳，能準(zhǔn)確地分割出小目標(biāo)，運(yùn)行時間僅比Otsu 方法稍長，少于Fisher方法和最大熵方法。

4 結(jié)論

本文提出的基于背景與目標(biāo)面積差和類內(nèi)方差的圖像分割閾值選取方法，可有效地分割目標(biāo)與背景大小之比很小的小目標(biāo)圖像。大量實驗結(jié)果表明:該方法能使分割后圖像中的目標(biāo)和背景區(qū)域內(nèi)部均勻，邊界形狀準(zhǔn)確;基于二維斜分方法的抗噪性優(yōu)于一維和二維直分方法; 所用的二維直方圖區(qū)域斜分快速遞推算法，降低了二維空間搜索的代價，大大提高了運(yùn)行速度; 與目前性能較優(yōu)越的基于二維斜分的Otsu、最大熵及Fisher 準(zhǔn)則圖像分割閾值選取快速方法相比，本文方法在小目標(biāo)圖像分割效果上具有極為明顯的優(yōu)勢。

References)

［1］吳一全，朱兆達(dá).圖像處理中閾值選取方法30年(1962—1992)的進(jìn)展(一)［J］.數(shù)據(jù)采集與處理，1993，8(3): 193 -201.WU Yi-quan，ZHU Zhao-da.30 years (1962—1992)of the developments in the threshold selection methods in image processing(Ⅰ)［J］.Journal of Data Acquisition ＆ Processing，1993，8(3):193 -201.(in Chinese)

［2］吳一全，朱兆達(dá).圖像處理中閾值選取方法30年(1962—1992)的進(jìn)展(二)［J］.數(shù)據(jù)采集與處理，1993，8(4): 268 -282.WU Yi-Quan，ZHU Zhao-da.30 years(1962—1992)of the developments in the threshold selection methods in image processing(Ⅱ)［J］.Journal of Data Acquisition ＆ Processing，1993，8(4):268 -282.(in Chinese)

［3］Otsu N.A threshold selection method from gray-level histogram［J］.IEEE Transactions System Man and Cybernetics，1979，9(1):62 -66.

［4］Kapur J N，Sahoo P K，Wong A K C.A new method for grey-level picture thresholding using the entropy of the histogram［J］.Computer Vision，Graphics and Image Processing，1985，29(1): 273-285.

［5］陳果.圖像閾值分割的Fisher 準(zhǔn)則函數(shù)法［J］.儀器儀表學(xué)報，2003，24(6):564 -567.CHEN Guo.The Fisher criterion function method of image thresholding［J］.Chinese Journal of Scientific Instrument，2003，24(6):564 -567.(in Chinese)

［6］Abutaleb A S.Automatic thresholding of gray-level picture using two-dimensional entropies［J］.Pattern Recognition，1989，47(1):22 -32.

［7］Brink A D.Thresholding of digital image using two-dimensional entropies［J］.Pattern Recognition，1992，25(8):803 -808.

［8］劉健莊，栗文青.灰度圖像的二維Otsu 自動閾值分割法［J］.自動化學(xué)報，1993，19(1):101 -105.LIU Jian-zhuang，LI Wen-qing.Automatic thresholding using the Otsu algorithm based on the two-dimensional gray image［J］.Acta Automatica Sinica，1993，19(1):101 - 105.(in Chinese)

［9］龔堅，李立源，陳維南.基于二維灰度直方圖Fisher 線性分割的圖像分割方法［J］.模式識別與人工智能，1997，10(1):1 -8.GONG Jian，LI Li-yuan，CHEN Wei-nan.The gray-level thresholding method based on Fisher linear discriminant of two-dimensional histogram［J］.Pattern Recognition and Artificial Intelligence，1997，10(1):1 -8.(in Chinese)

［10］Gong J，Li L Y，Chen W N.Fast recursive algorithms for two-dimensional thresholding［J］.Pattern Recognition，1998，31(3):295 -300.

［11］景曉軍，蔡安妮，孫景鰲.一種基于二維最大類間方差的圖像分割算法［J］.通信學(xué)報，2001，22(4):71 -76.JING Xiao-jun，CAI An-ni，SUN Jing-ao.Image segmentation based on 2D maximum between-cluster variance［J］.Journal of China Institute of Communications，2001，22(4):71 -76.(in Chinese)

［12］汪海洋，潘德爐，夏德深.二維Otsu 自適應(yīng)閾值選取算法的快速實現(xiàn)［J］.自動化學(xué)報，2007，33(9):968 -971.WANG Hai-yang，PAN De-lu，XIA De-shen.A fast algorithm for two-dimensional Otsu adaptive threshold algorithm［J］.Acta Automatica Sinica，2007，33(9):968 -971.(in Chinese)

［13］范九倫，趙鳳.灰度圖像的二維Otsu 曲線閾值分割法［J］.電子學(xué)報，2007，35(4):751 -755.FAN Jiu-lun，ZHAO Feng.Two-dimensional Otsu curve thresholding segmentation method for gray-level images［J］.Acta Automatica Sinica，2007，35(4):751 -755.(in Chinese)

［14］吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分閾值分割及快速遞推算法［J］.通信學(xué)報，2008，29(4):77 -83.WU Yi-quan，PAN Zhe，WU Wen-yi.Image thresholding based on two-dimensional histogram oblique segmentation and its fast recurring algorithm［J］.Journal of China Institute of Communications，2008，29(4):77 -83.(in Chinese)

［15］吳一全，潘喆，吳文怡.二維直方圖區(qū)域斜分的最大熵閾值分割算法［J］.模式識別與人工智能，2009，22(1): 162 -168.WU Yi-quan，PAN Zhe，WU Wen-yi.Maximum entropy thresholding algorithm based on two-dimensional histogram oblique segmentation［J］.Pattern Recognition and Artificial Intelligence，2009，22(1):162 -168.(in Chinese)