基于清晰度评价的自适应阈值图像分割法

doi:10.12068/j.issn.1005-3026.2020.09.003

东北大学学报:自然科学版 ›› 2020, Vol. 41 ›› Issue (9): 1231-1238.DOI: 10.12068/j.issn.1005-3026.2020.09.003

基于清晰度评价的自适应阈值图像分割法

张田，田勇，王子，王昭东

(东北大学轧制技术及连轧自动化国家重点实验室，辽宁沈阳110819)

收稿日期:2019-12-10 修回日期:2019-12-10 出版日期:2020-09-15 发布日期:2020-09-15
通讯作者: 张田
作者简介:张田(1989-)，男，安徽马鞍山人，东北大学博士后研究人员; 王昭东(1968-)，男，安徽安庆人，东北大学教授，博士生导师.
基金资助:
国家重点研发计划项目(2018YFB1701600); 中央高校基本科研业务费专项资金资助项目(N170703010).

Adaptive Threshold Image Segmentation Based on Definition Evaluation

ZHANG Tian， TIAN Yong， WANG Zi， WANG Zhao-dong

State Key Laboratory of Rolling and Automation，Northeastern University，Shenyang 110819， China.

Received:2019-12-10 Revised:2019-12-10 Online:2020-09-15 Published:2020-09-15
Contact: ZHANG Tian
About author:-
Supported by:
-

摘要/Abstract

摘要： 阈值法是一种被广泛使用的图像分割方法.本文从图像中信息的变化情况出发，提出一种基于图像清晰度评价的新颖的自适应阈值分割方法.该方法采用清晰度评价函数作为阈值化后图像内灰度相似性变化的度量方法，通过反复迭代并结合皮尔逊相关性直至找到最佳的分割阈值.通过多组图像数据尤其低对比度图像，包括钢板表面轻微缺陷等图像进行了测试对比.结果表明:相比传统阈值分割方法及其改进算法，在低对比度图像的处理上，本文方法能够自适应地准确找到合理阈值，具有优异的图像分割性能.

关键词: 计算机视觉, 图像分割, 自适应阈值, 清晰度评价, 低对比度图像

Abstract: Threshold is a widely used method for image segmentation. With the variance of the information in the image， this paper proposed a novel adaptive threshold segmentation method based on image definition evaluation. This method uses the definition evaluation function as a measure of the gray similarity change in the image after thresholding. Repeated iteration and Pearson correlation were combined until the optimal segmentation threshold was found. Test comparisons were performed using multiple sets of image data， especially low-contrast images， such as slight defects on the steel surface. The results showed that compared with the traditional threshold segmentation method and its improved algorithm， in the processing of low-contrast images， the proposed method can adaptively and accurately find a reasonable threshold value， and has an excellent performance of image segmentation.

Key words: computer vision, image segmentation, adaptive threshold, definition evaluation, low-contrast image

中图分类号:

TP391.4

张田，田勇，王子，王昭东. 基于清晰度评价的自适应阈值图像分割法[J]. 东北大学学报:自然科学版, 2020, 41(9): 1231-1238.

ZHANG Tian， TIAN Yong， WANG Zi， WANG Zhao-dong. Adaptive Threshold Image Segmentation Based on Definition Evaluation[J]. Journal of Northeastern University Natural Science, 2020, 41(9): 1231-1238.

参考文献

[1]Sezgin M，Sankur B.Survey over image thresholding techniques and quantitative performance evaluation［J］.Journal of Electronic Imaging，2004，13(1):146-166.
[2]Han J，Yang C，Zhou X，et al.A new multi-threshold image segmentation approach using state transition algorithm［J］.Applied Mathematical Modelling，2017，44:588-601.
[3]Yan H.Unified formulation of a class of image thresholding techniques［J］.Pattern Recognition，1996，29(12):2025-2032.
[4]Otsu N.A threshold selection method from gray-level histograms［J］.IEEE Transactions on Systems，Man，and Cybernetics， 1979，9(1):62-66.
[5]Yu F J，Sun W，Li J，et al.An improved Otsu method for oil spill detection from SAR images［J］.Oceanologia， 2017，59(3):311-317.
[6]Li Z，Liu C，Liu G，et al.A novel statistical image thresholding method［J］.AEU-International Journal of Electronics and Communications， 2010，64(12):1137-1147.
[7]Zou Y B，Dong F，Lei B，et al.Maximum similarity thresholding［J］.Digital Signal Processing，2014，28:120-135.
[8]Kapur J N，Sahoo P K，Wong A K C.A new method for gray-level picture thresholding using the entropy of the histogram［J］.Computer Vision，Graphics，and Image Processing， 1985，29(3):273-285.
[9]Sahoo P，Wilkins C，Yeager J.Threshold selection using Renyi's entropy［J］.Pattern Recognition， 1997，30(1):71-84.
[10]de Albuquerque M P，Esquef I A，Mello A R G.Image thresholding using Tsallis entropy［J］.Pattern Recognition Letters，2004，25(9):1059-1065.
[11]Nie F Y，Zhang P，Li J，et al.A novel generalized entropy and its application in image thresholding［J］.Signal Processing， 2017，134:23-34.
[12]Lin Q，Ou C.Tsallis entropy and the long-range correlation in image thresholding［J］.Signal Processing， 2012，92(12):2931-2939.
[13]Liu Z，Song Y.An adapted spatial information kernel-based fuzzy C-Means clustering method［C］//IEEE 7th International Congress on Image and Signal Processing.Dalian， 2014:370-374.
[14]Hassen R，Wang Z，Salama M.No-reference image sharpness assessment based on local phase coherence measurement［C］//IEEE International Conference on Acoustics，Speech and Signal Processing.Dallas，TX，2010:2434-2437.
[15]Xu G L，Liu X X，Tian Y P，et al.Image clarity-evaluation-function method［J］.Infrared and Laser Engineering， 2009，38(1):180-184.
[15]关守平，房少纯.一种新型的区间-粒子群优化算法［J］.东北大学学报(自然科学版)，2012，33(10):1381-1384.(Guan Shou-ping，Fang Shao-chun.A new interval particle swarm optimization algorithm［J］.Journal of Northeastern University(Natural Science)，2012，33(10):1381-1384.)

基于清晰度评价的自适应阈值图像分割法

Adaptive Threshold Image Segmentation Based on Definition Evaluation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	魏颖，林子涵，齐林，李伯群. 基于空间自注意力机制和深度特征重建的脑MR图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(2): 177-185.
[2]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[3]	佘黎煌，郭一蓉，张石. 基于方向分数和Frangi滤波器的视网膜血管分割算法[J]. 东北大学学报:自然科学版, 2020, 41(2): 182-187.
[4]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[5]	马树军，方锐. 数字全息显微中的相位像差自动补偿算法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1591-1595.
[6]	卢绍文，李鹏琦，郑秀萍，郭章. 动态火焰图像分割及在电熔镁炉视频监控中的应用[J]. 东北大学学报:自然科学版, 2019, 40(2): 153-158.
[7]	王生生，王萌，王光耀. 基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 东北大学学报:自然科学版, 2019, 40(2): 174-179.
[8]	陈红，于晓升，吴成东，孙鹏. 参数化水平集活动轮廓模型的快速图像分割算法[J]. 东北大学学报:自然科学版, 2019, 40(1): 6-10.
[9]	程浩，袁月，王恩德，付建飞. 基于小波变换的自适应阈值微震信号去噪研究[J]. 东北大学学报:自然科学版, 2018, 39(9): 1332-1336.
[10]	李宏，孙航，刘圣楠，潘诗农. 基于3D-CT图像的髋脱位定量智能诊断方法[J]. 东北大学学报:自然科学版, 2018, 39(2): 190-194.
[11]	魏颖，张开，韩枫. 改进的基于ASFCM婴幼儿脑部MRI分割算法[J]. 东北大学学报:自然科学版, 2017, 38(8): 1079-1084.
[12]	朴春赫，曹鹏，赵海，朱宏博. 基于CV模型与改进ME模型的肺癌检测算法[J]. 东北大学学报:自然科学版, 2017, 38(5): 639-644.
[13]	于晓升，胡楠. 基于局部灰度聚类的高斯分布拟合模型[J]. 东北大学学报:自然科学版, 2017, 38(2): 185-189.
[14]	徐礼胜，郭增智，覃文军，王璐. 心脏核磁共振图像左心室底层组织分割方法[J]. 东北大学学报:自然科学版, 2017, 38(10): 1383-1387.
[15]	徐久强，江萍萍，朱宏博，左伟. 面向运动目标检测的ViBe算法改进[J]. 东北大学学报:自然科学版, 2015, 36(9): 1227-1231.