一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

doi:10.3969/j.issn.0255-8297.2022.02.005

应用科学学报 ›› 2022, Vol. 40 ›› Issue (2): 224-232.doi: 10.3969/j.issn.0255-8297.2022.02.005

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

马飞虎, 曾聪, 金依辰, 孙翠羽, 陈华鹏

华东交通大学土木建筑学院, 江西南昌 330013

收稿日期:2020-07-05 出版日期:2022-03-31 发布日期:2022-04-01
通信作者: 马飞虎，副教授，研究方向为3S技术集成、智能交通、工程测量等。E-mail：mfh3@163.com E-mail:mfh3@163.com
基金资助:
国家重点研发计划项目（No.2021YFE0105600）；国家自然科学基金面上项目（No.51978263）；江西省自然科学基金重点项目（No.20192ACBL20008）资助

An OTSU Image Segmentation Method Based on Attribute Weighted Naive Bayesian Algorithm

MA Feihu, ZENG Cong, JIN Yichen, SUN Cuiyu, CHEN Huapeng

School of Civil Engineering and Architecture, East China Jiaotong University, Nanchang 330013, Jiangxi, China

Received:2020-07-05 Online:2022-03-31 Published:2022-04-01

摘要/Abstract

摘要： 为了增强图像分割技术的准确性并优化图像分割技术的细节分割效果，提出了一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法。将OTSU算法中依据图像灰度特征选取的图像中的前景和背景通过属性加权朴素贝叶斯算法进行分类处理，计算图像中前景和背景的概率，训练该模型以获得最佳阈值进行图像分割处理，优化图像分割的效果。利用无人机航拍采集的图像数据进行实验，结果显示基于属性加权朴素贝叶斯算法的OTSU图像分割方法优化了图像的分割效果，较完整地展示了分割后的图像细节，具有较好的应用价值。

关键词: OTSU图像分割方法, 属性加权朴素贝叶斯, 最佳阈值, 改进的OTSU图像分割方法

Abstract: In order to enhance the accuracy of image segmentation and optimize the detail segmentation effect of image segmentation, an improved OTSU image segmentation method based on attribute weighted naive Bayesian algorithm is proposed. The foreground and background of an image are selected according to the grayscale characteristics of the image as using OTSU algorithm, and then classified by using the attribute Weighted Naive Bayesian algorithm. Thus, the probability of the foreground and background of the image is calculated. By training this model to obtain the optimal threshold for the image segmentation process, the optimized effect of image segmentation can be obtained. Experiment with image data collected by drone aerial photography is conducted, and results show that the image segmentation of OTSU based on the attribute weighted naive Bayesian algorithm optimizes the image segmentation effect and shows much finer details of the image after segmentation, promising a prospective application value.

Key words: OTSU image segmentation method, attribute weighted naive Bayesian, optimal threshold, improved OTSU image segmentation method

中图分类号:

TP391

马飞虎, 曾聪, 金依辰, 孙翠羽, 陈华鹏. 一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法[J]. 应用科学学报, 2022, 40(2): 224-232.

MA Feihu, ZENG Cong, JIN Yichen, SUN Cuiyu, CHEN Huapeng. An OTSU Image Segmentation Method Based on Attribute Weighted Naive Bayesian Algorithm[J]. Journal of Applied Sciences, 2022, 40(2): 224-232.

参考文献

[1] 李林国.基于群智优化的多阈值图像分割算法研究[D].南京:南京邮电大学, 2017.
[2] Min T H, Park R H. Eyelid and eyelash detection method in the normalized iris image using the parabolic Hough model and Otsu's thresholding method[J]. Pattern Recognition Letters, 2009, 30(12):1138-1143.
[3] 曹爽.基于OTSU算法的图像阈值分割技术[D].太原:太原理工大学, 2018.
[4] 易三莉,张桂芳,贺建峰,等.基于最大类间方差的最大熵图像分割[J].计算机工程与科学, 2018, 40(20):1874-1881. Yi S L, Zhang G F, He J F, et al. Maximum entropy image segmentation based on maximum interclass variance[J]. Computer Engineering&Science, 2018, 40(10):1874-1881.(in Chinese)
[5] 张群会,李贵敏,蔺宝华,等.基于最大熵-方差模型的图像分割方法[J].计算机技术与发展, 2011, 21(6):43-46. Zhang Q H, Li G M, Lin B H, et al. Threshold image segmentation based on maximum entropy-variance model[J]. Computer Technology and Development, 2011, 21(6):43-46.(in Chinese)
[6] 魏晶茹,马瑜,夏瑞,等.基于分数阶粒子群的OTSU图像分割算法[J].计算机工程与设计, 2017, 38(12):3284-3290. Wei J R, Ma Y, Xia R, et al. Image segmentation algorithm based on OTSU optimized by fractional-order particle swarm optimization[J]. Computer Engineering and Design, 2017, 38(12):3284-3290.(in Chinese)
[7] 罗钧,刘建强,庞亚男.基于邻域搜索JADE的二维OTSU多阈值图像分割[J].系统工程与电子技术, 2020, 42(10):2164-2171. Luo J, Liu J Q, Pang Y N. Multi-threshold image segmentation of 2D OTSU based on neighborhood search JADE[J]. Systems Engineering and Electronics, 2020, 42(10):2164-2171.(in Chinese)
[8] 保玉俊,周莉莉,段鹏.一种基于遗传算法的加权朴素贝叶斯分类算法[J].云南民族大学学报(自然科学版), 2018, 27(6):525-529. Bao Y J, Zhou L L, Duan P. A weighted naive Bayes classification algorithm based on a genetic algorithm[J]. Journal of Yunnan Minzu University (Natural Sciences Edition), 2018, 27(6):525-529.(in Chinese)
[9] 郭勋诚.朴素贝叶斯分类算法应用研究[J].通讯世界, 2019, 26(1):241-242. Guo X C. Application research of naive Bayesian classification algorithm[J]. Telecom World, 2019, 26(1):241-242.(in Chinese)
[10] 张弘,高威.基于局部空间信息的阈值分割算法[J].计算机与数字工程, 2018, 46(2):251-255, 325. Zhang H, Gao W. Thresholding segmentation algorithm based on local spatial information[J]. Computer&Digital Engineering, 2018, 46(2):251-255, 325.(in Chinese)
[11] 饶丽丽,刘雄辉,张东站.基于特征相关的改进加权朴素贝叶斯分类算法[J].厦门大学学报(自然科学版), 2012, 51(4):682-685. Rao L L, Liu X H, Zhang D Z. An improved weighted naive Bayes classification algorithm using feature correlation[J]. Journal of Xiamen University (Natural Science), 2012, 51(4):682-685.(in Chinese)
[12] 邹晓辉.朴素贝叶斯算法在文本分类中的应用[J].数字技术与应用, 2017(12):132-133. Zou X H. Application of naive Bayesian algorithm in text classification[J]. Digital Technology and Application, 2017(12):132-133.(in Chinese)
[13] 徐全飞.海洋遥感图像亚像素配准算法关键技术研究[D].北京:中国科学院大学(中国科学院上海技术物理研究所), 2017.
[14] 代大攀.基于后验概率和流形正则化的半监督分类方法研究[D].武汉:华中科技大学, 2012.
[15] 孙秀亮.基于属性加权的选择性朴素贝叶斯分类研究[D].哈尔滨:哈尔滨工程大学, 2013.
[16] Fan H D, Xie F Y, Li Y, et al. Automatic segmentation of dermoscopy images using saliency combined with OTSU threshold[J]. Computers in Biology and Medicine, 2017, 85:75-85.
[17] Yang P, Song W, Zhao X B, et al. An improved OTSU threshold segmentation algorithm[J]. International Journal of Computational Science and Engineering, 2020, 22(1):146.
[18] 孙博,訾红梅.贝叶斯估计的图像分割技术[J].价值工程, 2012, 31(17):151-152. Sun B, Zi H M. The research of image segmentation based on Bayesian estimation[J]. Value Engineering, 2012, 31(17):151-152.(in Chinese)

一种基于属性加权朴素贝叶斯算法的OTSU图像分割方法

An OTSU Image Segmentation Method Based on Attribute Weighted Naive Bayesian Algorithm

PDF

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]	李永桢, 马涪元, 马世旋, 王钰涵, 王英. 基于结构增强和深度聚类的网络群体识别[J]. 应用科学学报, 2026, 44(1): 1-20.
[2]	李银香, 杜文元, 许哲, 彭晨, 颜建强. 基于自适应池增强注意力机制的交通模式实时识别算法[J]. 应用科学学报, 2026, 44(1): 21-33.
[3]	张钰婷, 滕飞, 叶晓庆. 基于高斯度量学习的不确定性知识图谱推理模型[J]. 应用科学学报, 2026, 44(1): 50-66.
[4]	向尕, 胡演, 张仰森, 孙露, 齐睿, 谭自程. 面向威胁情报分析的恶意软件知识图谱构建[J]. 应用科学学报, 2026, 44(1): 67-82.
[5]	伊华伟, 宋仕玺, 王艳飞, 白思怡. 融合图神经网络和深度图聚类的联邦推荐算法[J]. 应用科学学报, 2026, 44(1): 83-96.
[6]	吴文强, 陈爱斌, 李潇瑶. 基于特征融合注意力和对比学习的森林图像去雾[J]. 应用科学学报, 2026, 44(1): 97-109.
[7]	张晓明, 冯泽嘉, 王会勇, 张晓静. 基于动态注意力强化学习的可解释学习路径推荐[J]. 应用科学学报, 2026, 44(1): 110-133.
[8]	金正洋, 阎少宏, 张艳博, 姚旭龙, 陶志刚, 陈志远. 融合空间纹理特征的三维模糊聚类算法[J]. 应用科学学报, 2026, 44(1): 134-148.
[9]	徐凯, 池明得, 王崎, 李建州, 张辉. 融合BERT编码层的多粒度语义方面级情感分析模型[J]. 应用科学学报, 2026, 44(1): 149-165.
[10]	刘永畅, 杜怡颖, 吴翠莹, 刘亚文. 航空影像引导的LiDAR点云语义分割[J]. 应用科学学报, 2025, 43(6): 922-934.
[11]	王金伟, 黄琬云, 张家伟, 罗向阳, 马宾. 基于可恢复对抗水印的主动防御方法[J]. 应用科学学报, 2025, 43(6): 935-947.
[12]	郭彦纯, 熊邦书, 黎文超, 温书远. 基于零参考网络的直升机桨叶低光图像增强[J]. 应用科学学报, 2025, 43(6): 990-1002.
[13]	闫振国, 陈杨, 刘如飞, 王金博, 张佳琦. 基于空间临近的森林样地树木点云分割方法[J]. 应用科学学报, 2025, 43(6): 1003-1014.
[14]	高剑奇, 黄典, 骆祥峰. 基于句法语义增强的实体事件关系对联合抽取[J]. 应用科学学报, 2025, 43(6): 1024-1036.
[15]	韩佳洁, 苑清扬, 张博, 赵鑫, 兰天, 李郁. 基于少测点噪声数据重构问题的改进Gappy POD算法[J]. 应用科学学报, 2025, 43(5): 740-756.