) (10)
[0085] y j'2(s，t) = jiwid，t)-]i j_"(s, t) (11)
[008引 y j'3(s, t) = y j_"(s, M) -y j_"(s, t)(。）
[0087]其中，戈
時應的積分圖所構成的數據矩形區域；i為化SC直方圖 X軸的坐標，j為化SC直方圖Y軸的坐標；Pu為像素點為（i，j)位置的概率。
[008引實施例2 ;如圖1-7所示，一種基于灰度空間相關的最大類間方差圖像分割算法， 首先在Matlab中輸入一幅待分割的圖像，再使用各像素的灰度值與其鄰域內相似像素的 數目來構建灰度空間相關化SC直方圖；然后用化SC直方圖計算該圖像的最大類間方差，得 到圖像的最大類間方差函數，其中應用積分圖的思想降低計算復雜度；再用窮舉法計算當 最大類間方差函數取最大值時的解；最后根據所得的解，將圖像的像素重新分配，重建圖像 即得到分割結果。
[0089] 所述構建該圖像的灰度空間相關化SC直方圖的具體步驟如下：
[0090]Stepl. 1、在Matl油中輸入一幅待分割的圖像，再計算待分割圖像像素點 的灰度值；再計算位于某一像素點其相鄰WNXN為窗口的相似像素的個數g(x，y);
[0091]其中，圖像的窗口大小為QXR，即F= (f(x，y)|xG(l，2，...，Q}，yG(1，2，... ，時};其位于（x，y)處的灰度值為f(x，y)，g(x，y)為處在（x，y)處的像素相鄰NXN相似像 素的個數，其中N取奇數： 表示歸類為相似像素的幅度值；
[0092]St巧1. 2、運用圖像灰度值f(X,y)和St巧1. 1所得的g(x,y)來創建化SC直方圖， 其計算公式為
[0093] 其中，kG{0，l，...，255}，mG{l，2，...，NXN}，f化，m)表示統計整幅圖像中，W 像素灰度值k為中屯、的NXN鄰域內，與其像素值相似數目為m的像素個數，SXR表示整幅 圖像的像素總數。
[0094] 所述用化SC直方圖計算該圖像的最大類間方差，得到圖像的最大類間方差函數 的具體步驟如下；
[009引 St巧2. 1、設創建了化SC直方圖的圖像中的劃分點為（s，t)，則將所獲得的灰度 空間相關直方圖劃分成(：。、（：1、〔2、〔3四類；其中0。為（1，3)和（1，*)所構成的區域、（：1為 (s+l，L)和（t+l，M)所構成的區域、C2為（s+l，L)和（l，t)所構成的區域和C3為（l，s)和 (t+1，M)所構成的區域，L為255,M為NXN;
[0096] St巧2. 2、由St巧2. 1所分成的C〇、Ci、C2和C3四類相關直方圖，計算其不同的概率 密度函數分布，分別為《〇、《1、和W3;
[0097] 其中，《。、《1、"2和W3分別為C。、Cl、C2和C3的四類相關直方圖概率；
[0098] St巧2. 3、根據St巧2. 2所得的"。、《1、"2和W3計算C〇、Ci、〔2和〔3四類相關直 方圖的平均灰度值矢量為y。、Ui、^2和y3;
[0099] y〇= (yOi, y〇j)T= (yw(s, t)/?〇(s, t), yj〇(s, t)/?〇(s, t))T (l)
[0100] y1= (y …yu)T= (yu(s, t)/?i(s, t), y"(s，t)/?i(s, t))T 似
[OW] ]i2= 〇 2。]i2j)T= (yn(s, t)/?2(S，t), yJ2(S，t)/?2(S，t))T 做
[010引]i3= 〇 3。]i3j)T=(yn(s,t)/?3(S,t),yJ'3(S，t)/?3(S,t))T(4)
[010引其中，為所劃分的C。類X軸方向的平均灰度值，yw為所劃分的C。類Y軸方向 的平均灰度值，為所劃分的Cl類X軸方向的平均灰度值，yU為所劃分的Cl類Y軸方向 的平均灰度值，y21為所劃分的C2類X軸方向的平均灰度值，y為所劃分的C2類Y軸方向 的平均灰度值，y31為所劃分的C3類X軸方向的平均灰度值，y為所劃分的C3類Y軸方向
;其中，i為化SC直方圖X軸的坐標，j為化SC直方圖Y軸的坐標；Pu為像素點為（i，j)位置的概率；
[0104]St巧2. 4、計算整個化SC直方圖總的平均灰度值矢量得Ut;
其中，為化SC直方圖X軸方向的平均灰度值， yU為化SC直方圖Y軸方向的平均灰度值，i為化SC直方圖X軸的坐標，j為化SC直方圖Y軸的坐標；Pu為像素點為（i，j)位置的概率；
[0105] St巧2. 5、計算C。、Cl、C2和C3四類相關直方圖的類間離散矩陣sB;
[0106]
[0107] St巧2.6、再計算C。、Cl、C2和C3四類相關直方圖的類間離散矩陣Se的跡trSe;類 間離散矩陣的跡即為原始圖像的類間方差；
[010 引
[0109]Step2. 7、計算原始圖像的最大類間方差函數；將原始圖像的類間方差trSe與加權 函數Wei曲t(m，N)相乘得到最大類間方差函數<Ht) ;<Ht) =trSB*Wei曲t(m，N);其中，
Wei曲t(m，N)為有關m和N的非線性函數，m表示在相同像素值 中，其鄰域的相似像素個數；N表示窗口的大小。
[0110] 所述《。、《1、"2和W3計算公式如下；W。=W-ii(s，t) ; "1= ? _u(L，M)-w_u( 1^，1：)-?_"(3，]/[) + ?_"(3,1：);?2="-11化'*)-?_"(3,1：);?3="-11(3，1\0-?_"(3,1：);其 中，為生成的化SC直方圖對應的積分圖所構成的數據矩形區域；
[01川則所述yi(i(s，t)、yU(S,t)、y。(3,t)、yn(s,t)應用積分圖的思想降低計算復 雜度后的計算公式為：
[0112] yi〇(s,t) =yt) (5)
[0113]iiu(s，t) = y…江，M)-y …江，t)-y…（s，M) +y …（s，t)化）
[0114] y。(s, t) = y …(X，t) - y …(s, t) (7)
[0115] yu(s,t) = y…（s,M) -y …（s, t) (8)
[0116]其中，yHi為
對應的積分圖所構成的數據矩形區域；i為化sc直方圖 X軸的坐標，j為化sc直方圖Y軸的坐標；Pu為像素點為（i，j)位置的概率；
[0117]則所述yw(s，t)、y(S,t)、yj2(s，t)和yj3(s，t)應用積分圖的思想降低計算 復雜度后的計算公式為：
[011 引]ij〇(s，t) = ]ij_u(s，t) (9)
[0119] y"(s, t) = ywi(X，M)-yj'-ud,t)-ywi(s，M) +ywi(s, t) (10)
[0120] yj'2(s，t) = t)-]ij_"(s,t) (11)
[0121] yj3(s, t) = yj_" (s,M) -yj_" (s,t) (12)
[012引其中，y為
巧應的積分圖所構成的數據矩形區域；i為化SC直方圖 X軸的坐標，j為化SC直方圖Y軸的坐標；Pu為像素點為（i，j)位置的概率。
[0123] 所述步驟St巧1.1中相鄰像素窗口大小N= 17,歸類為相似像素的幅度值C= 3 ；
[0124] 所述步驟St巧1. 1到St巧1. 2所構建的化SC直方圖如圖3所示（W圖2為例）； [012引所述步驟St巧2. 1獲得的灰度空間相關直方圖劃分成C。、。、C2和C3四類，如圖4 所示；
[0126] 所述步驟St巧2. 7中Wei曲t(m，N)函數中N= 17,其函數曲線圖如圖5所示；
[0127] 所述步驟Step2. 7中所提到的積分圖，其原理如圖6所示；圖中ii(x，y)為左上角 陰影部分的像素之和；具體的定義為：
其中ii(x，y)表示積分圖， i(X'，y'）表示原圖；
[0128] 圖7展示了本發明算法、1D-化SU和2D-〇tsu方法分別分割細菌圖，方塊圖、照相 師圖和面具圖所得的結果，圖7從上到下分別為細菌圖，方塊圖、照相師圖和面具圖；從左 到右分別為原圖、標準分割圖、1D-化SU分割、2D-化SU分割和本發明算法分割結果；由圖7 中細菌圖，細菌和背景的邊界相對比較模糊。本發明算法能夠將所有的細菌都分割出來，然 而ID-Otsu和2D-〇tsu方法只能分割出部分細菌。圖7中的方塊圖，圖中有4個方塊，其中 有S個方塊的邊界與背景相對模糊，本發明算法能夠將四個方塊都分割出來，然而ID-Otsu 和2D-〇tsu方法只能完整的分割出一個方塊。圖7中的照相師圖，攝像機和人與背景分界 線相對明確，本發明算法、1D-化SU和2D-〇tsu方法都能很好地想攝像機和人分割出來。圖 7中面具圖，面具和背景的邊界比較模糊，1D-化SU和2D-〇tsu方法分割出來的面具邊界處 有較大的失真。然而，本發明算法分割出來的面具邊界的輪廓比較清晰，本發明算法分割出 來的效果圖更接近標準分割圖。
[0129] 為了更能直觀清楚的表示本發明的效果，下面應