1.一种混合高斯分布和二项分布的两阶段甲骨文字分割方法，其特征在于按照如下步骤进行：步骤1.输入待分割的甲骨卜辞拓片图像I，令其高度为hI像素，宽度为wI像素；

步骤2.将I的颜色空间从RGB转换到HSV，并提取其亮度分量IV；

步骤3.统计IV中所有像素值的归一化直方图hV；

步骤4.利用混合高斯分布模型和相对熵测度对IV进行粗分割；

步骤4.1根据公式(1)和公式(2)，建立混合高斯分布模型f(xi|Π，Θ)；

所述xi表示IV的第i个像素且i∈{1，2，3，…，hI×wI}，C表示混合高斯分布模型中的成分分布数量，j∈{1，2，…，C}，πij表示像素xi属于混合高斯分布模型中第j个高斯分布的先验概率，0≤πij≤1且 Pj(xi|Θj)表示混合高斯分布模型中第j个高斯分布的概率密度函数， 表示第j个高斯分布的概率密度函数的参数集，μj和 分别表示第j个高斯分布的数学期望和方差，Π＝{πij}，Θ＝{Θ1，Θ2，…，ΘC}；

步骤4.2将IV的全部hI×wI个像素值作为观测值，采用K‑均值算法进行聚类，令C等于聚类过程所得到的聚类数量，并令Cj表示第j个聚类中心且j∈{1，2，…，C}；

步骤4.3利用C个聚类中心对μj进行初始化，令μj＝Cj；

步骤4.4根据公式(3)，对 进行初始化；

步骤4.5根据公式(4)，计算像素xi属于第j个聚类的权重θ(xi，j)；

所述Ni表示以像素xi为中心、大小为5×5的邻域，xm表示邻域Ni中的任意像素；

步骤4.6根据公式(5)，计算像素xi属于各个聚类的权重之和Γi；

步骤4.7根据公式(6)，对πij进行初始化；

步骤4.8利用期望最大化算法求解混合高斯分布模型f(xi|Π，Θ)，得到其最优参数集Π和Θ；

* B

步骤4.9令t←1， D←+∞，TZ←1，所述t是一个循环计数器，P表示O

反映背景区域像素值分布的高斯概率密度函数集合，P表示反映甲骨文字区域像素值分布*的高斯概率密度函数集合，D表示最佳的相对熵测度，TZ表示最佳的粗分割阈值；

步骤4.10根据公式(7)和公式(8)，建立背景区域的累积直方图pB(t)和甲骨文字区域的累积直方图pO(t)；

所述hV(v)表示在直方图hV中亮度值等于v的像素出现的归一化频率；

步骤4.11对于任意的j∈{1，2，…，C}，若f(xi|Π，Θ)中第j个高斯分布的概率密度函数B B O OPj(xi|Θj)的数学期望μj小于t，则令P←P∪Pj(xi|Θj)，否则，令P←P∪Pj(xi|Θj)，从而B利用t将f(xi|Π，Θ)中的C个成分分布划分为两个集合，并设P集合包含NB个高斯概率密度O函数，P集合包含NO个高斯概率密度函数；

步骤4.12根据公式(9)，建立反映背景区域像素值分布的混合高斯概率密度函数B所述x表示像素值且x∈{0，1，2，…，255}， 表示P集合的第n个高斯概率密度函数， 表示 在f(xi|Π，Θ)中对应的最优的先验概率， 表示 在f(xi|Π，Θ)中对应的最优的参数集且 μBn表示 的数学期望， 表示的方差；

步骤4.13根据公式(10)，建立反映甲骨文字区域像素值分布的混合高斯概率密度函数O所述 表示P 集合的第n个高斯概率密度函数， 表示 在f(xi|Π，Θ)中对应的最优的先验概率， 表示 在f(xi|Π，Θ)中对应的最优的参数集且μOn表示 的数学期望， 表示 的方差；

步骤4.14根据公式(11)，计算由多个高斯概率密度函数拟合的归一化先验概率分布pV(v)；

所述v表示像素值且v∈{0，1，2，…，255}， 表示当x＝v时混合高斯概率密度函数的值， 表示当x＝v时混合高斯概率密度函数 的值；

步骤4.15根据公式(12)，计算pV(v)与hV(v)之间的相对熵测度D(hV|pV)；

* * *

步骤4.16若D(hV|pV)＜D，则令TZ←t，D←D(hV|pV)，否则，保持D和TZ不变；

步骤4.17令t←t+1，若t≥255，则转入步骤4.18，否则，令 返回步骤

4.10；

步骤4.18将IV中像素值不小于TZ的像素判定为甲骨文字区域，将像素值小于TZ的像素判定为背景区域，从而获得粗分割结果I′V，所述I′V是一幅二值图像；

步骤5.采用半径为r个像素的圆盘型结构元素，对I′V进行形态学顶帽运算，从而去除I′V中与甲骨文字相互粘连的、较大面积的片状斑纹、盾纹和齿缝，得到二值图像I″V，所述r是一个预设常量；

步骤6.对I″V中的每个8‑连通区域进行标记，并将连通面积小于Aconn的8‑连通区域填充为背景，从而去除I″V中残留的离散分布的小面积片状斑纹，得到二值图像I″′V，所述Aconn是一个预设常量；

步骤7.利用基于最大类间方差和二项分布的填充方法对二值图像I″′V进行处理，得到填充后的二值图像步骤7.1对I″′V中的每个8‑连通区域进行标记，令8‑连通区域的总数为Ncon；

步骤7.2计算I″′V中每个8‑连通区域的面积和外接矩形，并令Aα表示第α个8‑连通区域的面积，令Amax表示I″′V中所有8‑连通区域的最大面积，所述1≤α≤Ncon；

步骤7.3统计I″′V中所有8‑连通区域的面积直方图，并令 表示面积为p的8‑连通区域出现的频率，所述p为正整数且1≤p≤Amax；

步骤7.4根据公式(13)‑公式(17)，计算出一个自适应的面积阈值AT；

+

mean(p)＝Average{Aα|Aα≥p，1≤α≤Ncon}    (14)‑

mean(p)＝Average{Aα|Aα

所述count (p)表示面积不小于p的8‑连通区域出现的频率之和，count (p)表示面积小+于p的8‑连通区域出现的频率之和，mean (p)表示面积不小于p的8‑连通区域的平均面积，‑mean (p)表示面积小于p的8‑连通区域的平均面积，Average{·}表示求平均值的函数，表示面积为a的8‑连通区域出现的频率；

步骤7.5遍历I″′V中的每个8‑连通区域，根据公式(18)计算出面积小于AT的所有8‑连通区域的平均面积Aavg；

Aavg＝Average{Aα|Aα

步骤7.6.2若当前遍历的8‑连通区域的面积小于AT并且大于Aavg，则将该8‑连通区域判定为甲骨卜辞文字并保持不变；

步骤7.6.3若当前遍历的8‑连通区域的面积小于AT并且小于Aavg，则进一步计算其外接矩形的高宽比Rw_h，若Rw_h≤RT，则将该8‑连通区域判定为甲骨卜辞文字的孤立笔划并保持不变，否则将其判定为残留的兆纹和刻痕，将其填充为背景，所述RT是一个预设常量；

步骤8.输出二值图像