[发明专利]一种大尺度灰度图像自适应阈值提取方法

说明书

本发明实施例公开了一种大尺度灰度图像自适应阈值提取方法，先矩阵化读入系列大尺度灰度图像，对符合要求的图像依次进行维纳滤波和高斯滤波处理，得到图像样品；然后统计图像样品的灰度值信息，得到图像样品的灰度直方分布图，读取系列图像的灰度图进行直方图的累加；再根据累加的直方分布进行求其梯度，得到图像样品不同的梯度分布数据；接着根据图像样品的灰度直方分布图及其梯度分布数据结果，进行灰度分布特征值求解，并由经验公式计算得到分割阈值；最后计算分割阈值的可调节范围，提供进行手动调节的范围限制。本发明的方法具有良好的自适应能力，全过程自动化进行，极大地提高了识别提取工作效率和识别准确度。

技术领域

本发明实施例涉及数字图像处理技术领域，具体涉及一种具有显著四组分特征的大尺度灰度图像自适应阈值提取方法。

背景技术

图像阈值分割技术指的是根据不同阈值，将图像中不同组分进行区分的技术，传统的阈值分割主要有两类，一类为手动调节方法，通过目测识别，对图像进行不同分割阈值的试验性调节，得到最优分割阈值；另一类是以大津法为代表的自动阈值分割方法，基于最大类间差思想，进行图像的二组分分割。

手动调节方法有时候能够得到相对可信的阈值，但是需要反复分割试验的过程，这一过程存在太多的主观判断，也就带来了不准确性；另一方面，分割试验往往耗费较长时间，不具有经济性和操作性；同时，手动调节方法对于小尺度单张图像具有操作性，对于大尺度、具有系列图片的处理对象，根本无法执行准确调节。

基于最大类间差判断的大津法，具有相对较好的稳定性和可操作性，是进行二组分识别的重要方法，但是很难用其进行大尺度、四组分(抽象地指在图像中，具有四类可肉眼分类的显著成份的特征)的分析，主要原因是，随着矩阵增大，带来的计算量是非线性增长的，同时用二组分方法计算四组分特征的阈值，将带来反复迭代的过程，进一步增大的计算量，同时带来一定的不准确性。阈值分割仅仅是进行图像识别与提取的第一步，目前方法带来的计算量，甚至会超过识别提取本身。因此需要针对四组分图像，设计快速分割方法。

大尺度图像可以有两种形式，一种是单张图像，但是像素矩阵较大；另一种是单张图像像素矩阵很小，但是具有数目较多的系列图像。本方法对以上两种形式的处理，均能达到快速效果。

发明内容

为此，本发明实施例提供一种具有显著四组分特征的大尺度灰度图像自适应阈值提取方法，以解决现有技术中的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：一种大尺度灰度图像自适应阈值计算方法，包括如下步骤：

步骤100、图像前处理：矩阵化读入系列大尺度图像，并裁剪去除不符合要求的图像，然后对符合要求的图像依次进行维纳滤波和高斯滤波处理，得到图像样品；

步骤200、图像灰度直方分布提取：统计图像样品的灰度值信息，得到图像样品的灰度直方分布数据，再批量读取系列图像样品，并计算灰度直方分布数据的累加结果；

步骤300、根据累加的直方分布数据，通过求数据梯度的方法，得到图像样品对应的一阶梯度分布、二阶梯度分布和三阶梯度分布数据；

步骤400、特征点提取：根据图像样品的灰度直方分布数据及其一阶梯度分布、二阶梯度分布和三阶梯度分布数据，并进行特征值求解；

步骤500、分割阈值预测：根据求解的特征值，由经验公式计算得到分割阈值；

步骤600、计算分割阈值的可调节范围，提供进行手动调节的范围限制。

作为本发明一种优选的方案，所述图像样品为页岩样品，所述特征值包括页岩样品的有机质、无机质和黄铁矿的峰值对应灰度值，及其各自左侧、右侧的一阶极值、二阶极值和三阶极值，加上有机质、无机质之间的谷值，一共22个特征点。

作为本发明一种优选的方案，所述维纳滤波的方法包括：