基于鹰栖息算法优化的二维otsu图像分割

智能算法研学社（Jack旭）

于 2024-08-26 06:35:11 发布

阅读量717

点赞数 10

分类专栏：智能优化算法应用图像分割文章标签：算法计算机视觉图像处理

本文链接：https://blog.csdn.net/u011835903/article/details/141539320

版权

智能优化算法应用同时被 2 个专栏收录

4141 篇文章 380 订阅

订阅专栏

图像分割

1206 篇文章 12 订阅

订阅专栏

智能优化算法应用：基于鹰栖息算法的二维Otsu图像阈值分割

文章目录

智能优化算法应用：基于鹰栖息算法的二维Otsu图像阈值分割

摘要：1维Otsu法根据1维直方图来确定分割阈值，由于未考虑像素点邻域平均灰度值导致确定的分割阈值不准确，造成图像分割不正确，因研究人员提出了一种2维Otsu分割法。结合鹰栖息寻优能够得到较好的分割结果。

1.二维Otsu算法原理

2维Otsu法是在1维Otsu法的基础上引入像素点的邻域均值，原理如下：假设原图像 $f (x, y)$ 和经过均值滤波（滤波窗口为 3× 3 ）后的图像
$g (x, y)$ 的灰度级总数都为 $L$ ，所有像素点的像素和为 $N$ ，那么可以用二元数组 $(i, j)$ 来描述图像中的任意像素点，其中i和j分别是像素灰度值和邻域平均灰度值。假设在图像中像素点 $(i, j)$ 存在的个数为 $N_{ij}$ ，则该像素点出现的概率为:
$P_{ij}=N_{ij}/N,\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}p_{ij}=1\tag{1}$
随机给定一个分割阈值数组 $(s, t)$ ，可将图像分为如图1所示的4个部分。图1中a、b、c、d依次表示图像中的边界、背景、目标和噪声。设该分割阈值将图像划分出的背景类 $C_0$ 和目标类 $C_1$ 出现的概率分别为 $w_0$ 和 $w_1$ ，即:
$w_0=\sum_{i=0}^{s-1}\sum_{j=0}^{t-1}p_{ij}\tag{2}$

$w_1=\sum_{i=s}^{s-1}\sum_{j=t}^{t-1}p_{ij}\tag{3}$

在这里插入图片描述

图1 2维Otsu分割的图像分区

则背景 $C_0$ 和目标 $C_1$ 区域对应的均值矢量为：
$u_0=(u_{0i},u_{oj})^T=[\sum_{i=0}^{s-1}\sum_{j=0}^{t-1}ip_{ij},\sum_{i=0}^{s-1}\sum_{j=0}^{t-1}jp_{ij}]^T\tag{4}$

$u_1=(u_{1i},u_{1j})^T=[\sum_{i=s}^{L-1}\sum_{j=t}^{L-1}ip_{ij},\sum_{i=0}^{s-1}\sum_{j=0}^{t-1}jp_{ij}]^T\tag{5}$

则总的均值矢量为:
$u=(u_{1i},u_{j})^T=[\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}ip_{ij},\sum_{i=0}^{L-1}\sum_{j=0}^{L-1}jp_{ij}]^T\tag{6}$
其类间离散矩阵定义如下:
$Q(s,t)=w_0(u_0-u)^2+w_1(u_1-u)^2\tag{7}$
将离散矩阵的迹作为 $C_0$ 区域和 $C_1$ 区域的类间离散度测度，即:
$R_{trace}(Q(s,t))=(w_0+w_1)*[(u_{0i}-u_i)^2+(u_{oj}-u_j)^2]\tag{8}$
当 $R_{trace}(Q(s,t))$ 取最大值时，此时确定的分割阈值 $s_0,t_0)$ 是最优的，则目标可以较好地被分割出来，即:
$R_{trace}(Q(s_0,t_0)) = max(R_{trace}(Q(s,t))),0\leq s\leq L-1,0\leq t \leq L-1 \tag{9}$

2.基于鹰栖息优化的二维otsu阈值分割

由上述二维Otsu阈值分割法的原理可知，要得到最终的阈值，需要去寻找阈值（s,t），使得离散度测度最大。于是可以利用智能优化算法进行阈值的寻优，使得获得最佳阈值。

于是优化的适应度函数就是：
$fun\{T_1^*,T_2^*,...,T_{n-1}^*\} =max(R_{trace}(Q(s,t))),0\leq s\leq L-1,0\leq t \leq L-1$
设置阈值分割的个数，寻优边界为0到255（因为直方图的灰度级范围为0-255）,设置相应的鹰栖息算法参数
鹰栖息算法原理请参考：https://blog.csdn.net/u011835903/article/details/123363341