一种基于高斯平滑滤波的图像分割方法

摘要

一种基于高斯平滑滤波的图像分割方法，包括以下步骤根据RGB三个分量的重要性及其它指标，将三个分量以不同的权值进行加权平均运算；采取直方图均衡化首选先进行直方图修正，把原图像的直方图利用灰度变换函数修正为均匀分布，然后再进行直方图均衡化；对图像高斯平滑滤波，在二值化过程中只使用一个全局阈值T的方法，它将图像的每个像素的灰度值与T进行比较，若大于T，则取为前景色；否则，取为背景色；将L个灰度级范围内对应像素个数最多中心点P作为初始类均值。在第i次迭代时，考察每个像素，计算它与每个灰度级的均值之间的间距，将每个像素赋均值距其最近的类，对于j＝1,2,…l,计算新的聚类中心，更新类均值，将所有像素逐个考察。

主权项

一种基于高斯平滑滤波的图像分割方法，其特征在于：包括以下步骤步骤1、根据RGB三个分量的重要性及其它指标，将三个分量以不同的权值进行加权平均运算；步骤2、采取直方图均衡化首选先进行直方图修正，把原图像的直方图利用灰度变换函数修正为均匀分布，然后再进行直方图均衡化；步骤3、对图像进行高斯平滑滤波，使用imread()读入图像,输入高斯滤波器的均值和方差,利用高斯滤波生成高斯序列,用生成的高斯序列进行滤波,输出图像；步骤4、采取是全局阈值法，在二值化过程中只使用一个全局阈值T的方法，它将图像的每个像素的灰度值与T进行比较，若大于T，则取为前景色；否则，取为背景色；步骤5、将L个灰度级范围内对应像素个数最多中心点P作为初始类均值μ₁⁽¹⁾,μ₂⁽²⁾,…,μ_l^(l)；步骤6、在第i次迭代时，考察每个像素，计算它与每个灰度级的均值之间的间距，即它与聚类中心的距离D，将每个像素赋均值距其最近的类，即D|x_p‑μ_l⁽ⁱ⁾|＝min{D|x_p‑μ_j⁽ⁱ⁾|,(j＝1,2,…l)}D为两个像素灰度值差小于定间距；x_p(p＝0,1,…,255)为像素的灰度值；则为第i次迭代后赋给类j的像素集合；步骤7、对于j＝1,2,…l,计算新的聚类中心，更新类均值:${{\mu }_j}^{(i+1)}=1/N_j\underset{x\in Q_j^{\left(i\right)}}{\Sigma }{x}_p,$式中，N_j是中的像素个数；步骤8、将所有像素逐个考察，如果j＝1,2,…K，有则算法收敛，结束；否则返回步骤6继续下一次迭代；步骤9、以上聚类过程结束后，分割结果的各像素以聚类中心灰度值作为该类最终灰度。