全局阈值分割（精选7篇）
全局阈值分割 篇1
摘要：图像分割是将其中的重要信息部分从图像中分割出来, 是图像处理、图像分析和模式识别的前提与基础, 其图像分割的质量和分割所需计算时间对后续处理有直接影响。本文提出了采用遗传算法和全局阈值结合起来对图像进行分割的一种新的图像阈值分割方法。实验表明, 该算法可以正确分割图像, 能够大幅度提高分割效率, 有效提高图像分割的鲁棒性和精度, 对具有不同目标大小和信噪比的图像也能得到较好的分割效果。
关键词：遗传算法,图像分割,全局阈值
图像分割技术[1]是实现计算机图像处理, 自动图像分析和模式识别的前提问题, 是图像处理领域中经典难题之一。图像分割的效果好坏、定位的精度影响着图像重要信息区域的抽象描述和准确分析。其重要的分割方法即图像阈值分割, 它主要利用图像中要提取的目标物体与背景在灰度上的差异, 把图像分为具有不同灰度级的目标区域和背景区域的组合。使用阈值对图像进行分割, 关键问题是选择适合的阈值, 利用阈值将图像重点信息部分和背景区分开来[2]。当图像重点信息部分与背景灰度相差较大时, 选择一个全局阈值对图像进行分割, 即可得到理想的图像分割结果。
1、图像分割技术
图像处理是指计算机对图像进行数字化处理, 在对图像的研究与应用中, 主要针对图的重点信息部分, 它们被称为目标或前景, 其他部分称为背景, 其对应图像中像素的灰度值、物体轮廓曲线、颜色、纹理等的特定的、特性质的区域。具体图像处理过程, 如图1所示。
图像分割是从图像预处理到图像识别和分割理解的关键步骤, 在图像处理中占据重要的位置。一方面是目标表达的基础, 对特征测量有重要的影响。另一方面是以分割的目标表达、特征提取和参数测量等将原始图像转化为更为抽象更为紧凑的形式, 使得更高层的图像识别、分析和理解成为可能。
2、遗传算法
遗传算法 (GA-Genetic Algorithms) 是模拟达尔文的遗传选择和自然淘汰的生物进化[4]过程的计算模型, 基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。其分割复杂的图像时, 采用多参量进行信息融合, 在多参量参与的最优值的求取过程中, 把自然进化的特征应用到计算机算法中, 解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径, 它不仅可以得到全局最优解, 而且大量缩短了计算时间。
3、全局阈值图像分割
全局阈值对整幅图像仅设置一个分割阈值, 阈值仅与各个图像像素的本身性质有关。当图像背景比较单一, 图像灰度直方图明显呈双峰分布时, 利用全局阈值进行图像分割可得到比较满意的结果。全局阈值图像分割的方法有多种, 如直方图阈值图像分割、最大类间差阈值图像分割、最大熵阈值图像分割等[3]。最大类间方差阈值, 也叫最大方差阈值, 又叫大津阈值, 它是判别与最小二乘法原理的基础上推导出来的, 最大类间差阈值图像分割的基本原理。
设阈值为T, 将图像灰度值分为两类:
则0C, 1C类出现的概率和均值可由下式给出:
对任何均值, 有全部采样的灰度值为: (28) W00 (10) W110C, 1C类的方差可以由下式给出,
两组间的方差用以下式求出:
从1~M改变T, 求上式为最大值时的T, 即求max2 (T) 时的T (9) 值, 此时, T (9) 便是阈值。2 (T) 叫做阈值选择函数。此方法不管图像的直方图有无明显的双峰, 都能得到较满意的结果, 因此, 这种方法是阈值自动选择的最有方法。
4、遗传算法的全局阈值的图像分割
遗传算法其包括:初始种群的生成、选择、编码、交叉、变异等部分[5], 进行图像分割的基本思想是:把图像中的像素按灰度值用阈值M分成两类图像, 一类为目标函数, 另一类为背景图像。目标函数由灰度值在0~T之间的像素组成, 背景图像由灰度值在T+1~M (M为图像的灰度级数) 之间的像素组成, 其算法的操作流程如图2。
4.1 初始种群的生成
初始种群规模种群的大小初定值。初始种群的生成采用均匀采样法, 可以达到均匀覆盖, 交叉具有很高的覆盖率, 有效的避免了遗传算法的过早熟的产生。
4.2 适应度函数
采用如下的准则进行目标函数进行变化得到适应度函数:
其中f (x) i, w分别表示目标函数, 初始种群规模。
4.3 采用轮精英保留进行选择
在种群内进行选择, 达到了好的物种的直接保留, 避免交叉而对优秀的基因进行破坏。
4.4 交叉与编译码
交叉时, 只对前两位之后的数字进行交叉;采用自然二进制进行编译码。
4.5 变异
在交叉操作之后, 变异操作是先随机生成发生变异的可能概率值, 再与初始确定的变异概率进行比较。
4.6 遗传终止
遗传终止采用两种方法结合, 规定最多遗传50代或在遗传的50代内出现连续10代中所得的最优解不再变化时, 即确认已经达到整体最优解, 便进行遗传终止。
在全局阈值分割中采取两种方法:半阈值与二值法。在局部阈值时, 仅仅采用二值法。局部阈值分割的基础是全局阈值, 进行局部阈值分割时, 先将整幅图按照坐标进行分割成多个子图, 再在每个子图中进行全局阈值分割即可。分割时采用了全局阈值与局部阈值两种方法进行对比。
实验一 (如图3-6) :
实验二 (如图7-10) :
通过上述实验, 采用遗传算法分割图像, 影响分割效果不仅分割的原理选取有关, 而且还与采用的是全局阈值还是局部阈值有关。当对图像进行全局分割时, 能够得到清晰的分割效果;而当分割的区域变小, 数目变大的时候, 出现明显的马赛克, 图像的分割效果越来越差。
5、结语
综上所述, 采用遗传算法的图象分割, 分割区域越多, 会对细节信息的提取越有益。但在宏观上会造成马赛克效应, 严重的影响分割后的效果, 而且它的应用多数处于理论性仿真阶段, 实际系统中的应用还比较少。同时, 广泛的数学方法和强大的计算机模拟工具的出现, 必将使遗传算法研究取得长足的进展, 使遗传算法在图像处理中的作用更趋完善。
参考文献
[1]韩思奇, 王蕾.图像分割的阈值法综述[J].系统工程与电子技术, 2002, 6:91～94.
[2]Yi Kim Eun, Jung Keechul.Genetic algorithms for videosegmentation[J].PatternRecognition, 2005, 38 (1) :59～73.
[3]涂其远, 吴建华, 万国金.动态阈值结合全局阈值对图像进行分割[J].南昌大学学报 (工科版) , 2002.3, 37-40.
[4]田莹, 苑玮琦.遗传算法在图像处理中的应用[J].中国图象图形学报, 2007, 2, V12 (3) :389-395.
[5]卢丽敏, 周海银.一种基于遗传算法的图像增强方法[J].数学理论与应用, 2003, 23 (1) :82～88.
全局阈值分割 篇2
在嘈杂环境下(汽车内、机场、展馆及公共场所等),语音信道被噪声污染,而视觉信道不受噪声的干扰,能够提供非常好的信息补充,从而提高噪声环境下的语音识别率。或者对于有听力障碍的人,语音的作用不明显,视觉信息成为他们辨别说话者内容的主要信息来源,鉴于以上原因,唇读技术越来越成为被关注的研究对象,成为人工智能研究的一个新方向。而一个完整的唇读系统由口唇提取,口唇运动特征提取和口型训练,识别三部分组成。口唇定位是唇读系统的首个环节,它的定位准确与否对唇动特征提取,口型识别的影响很大,故提出一个准确提取唇部的方法很重要。
2 算法理论基础
2.1 相关算法介绍
先前的唇部提取方法有很多,主要的有排红法【1】(Red Exclusion)和基于Lab空间a分量的唇部提取方法[2]等。排红法是一种有效的唇部提取方法,由于肤色和唇色都包含大量的红色分量,故该方法使用RGB空间中的G和B分量来反映唇色和肤色的差异,但这种方法仅对白种人效果较好。因此,针对黄色人种的唇部提取方法被提出,如文献[3]基于色度的方法通过分析唇部和肤色的色度分布和色度特征提取唇部区域,但只对某一种肤色,如白色或黄色。而基于Lab空间a分量的唇部提取方法是通过分析唇色和肤色在色度空间的聚类性,得知在Lab空间的a分量中唇色具有较好的聚类性且和肤色有较好的分离性,然而该方法中阈值提取采用了整个唇部区域的均值和协方差之和,考虑到系统的普遍性,采集的每幅图像中的唇部区域中肤色和唇色比例不同,使用全局的阈值分割法会使得效果变差。基于以上原因,该文提出了一种改进的全局阈值的唇部提取方法。
2.2 嘴唇区域定位
首先采用基于haar-like特征的adaboost分类器检测出人脸区域,由于唇读过程中唇形会发生各种各样的变化,所以不宜直接采用分类器检测嘴唇区域,根据五官在人脸区域中的分布确定嘴唇区域,文献【4】中提出利用眼睛的位置定位嘴唇的位置,由于受眼镜等的影响可能会导致利用眼睛的位置进行定位不准确,故本文中采用鼻子位置来定位嘴唇,根据鼻子、嘴在人脸中的分布确定出嘴唇区域,如图1所示,在该嘴唇区域中仅有唇色和肤色,便于以下进行准确的口唇提取。
2.3 口唇提取
由于在上述提取出的嘴唇区域中,每幅图像的唇色和肤色所占面积不同,若像文献【2】中所述利用均值作为阈值进行分割,针对嘴唇区域占面积较小的区域,采用的阈值会偏大,导致提取的唇部不完整;相反,针对嘴唇区域相对面积较大的区域,采用的阈值会偏小,或许会提取到部分肤色区域。因此本文采用一种改进的全局阈值分割法。
阈值分割法分为全局阈值分割法和局部阈值分割法,局部阈值分割是阈值分割法的方法之一,即原图像划分为几个子图像,并对每个子图像选取相应的阈值,全局阈值分割方法在图像处理中应用比较多,它在整幅图像内采用固定的阈值分割图像。该文的基本思想即将上述定位的嘴唇区域划分为16个子区域,求取每一个子区域的灰度值均值,之后对每一个子窗口加权求值得到整幅图像的分割阈值。
具体步骤如下:
1)将嘴唇区域划分为16个子区域,区域越多,获得的分割阈值更准确,但是区域越多,定位嘴唇的时间也越长,所以选取的区域为16个;求取每个子区域的均值,由于一些子区域中仅有肤色或唇色,另一些中可能唇色和肤色混合,故每个子区域的权值不同。
2)求每个权值;文献【2】得知,唇色与肤色在Lab色度空间中的a分量上具有良好的可分离性,故本文从确定嘴唇区域的二分之一宽处的一条直线上从上往下查找第一个灰度值变化较大的点,将该点作为唇色灰度值,为保险起见,该文选用该点以下的第五个像素值作为唇色灰度值。将(1)得到的每个均值与该灰度值求绝对值差,差值越大,则代表该区域包含的唇色面积相对较小,故对全局分割阈值的贡献越小,则得到较小的权值。为了实现以绝对值差作为进行权值大小的衡量,将求得的绝对值差求倒数,再将16个子区域的绝对值差的倒数求和,则权值为每个子区域绝对值的倒数除以16个子区域绝对值的倒数和。
3)利用上述每个子区域的阈值加权和作为分割阈值提取出口唇区域。
3实验结果
实验中分别采用了排红法图2、基于Lab空间的a分量的唇部提取法图3和本文方法图4,从实验结果可以很好得看出本文方法还是具有一定的可取性的。
摘要：通过唇读获得的视觉信息可提高语音识别的识别率,而一个完整的唇读系统由口唇定位,口唇运动特征提取和口型训练,识别三部分组成。口唇定位是唇读系统的首个环节,它的定位准确与否对口唇运动特征提取、口型识别的影响很大,该文采用了一种改进的全局阈值分割法能够准确地提取唇部。
关键词：改进的全局阈值,口唇提取
参考文献
[1]Lewis T W,David M W.Lip Feature Extraction Using Red Exclusion[C]2000.
[2]梁亚玲,杜明辉.基于Lab色度空间a分量的唇部提取方法[J].计算机工程,2011(3).
[3]张志文,沈海斌.基于色度分布差异性的唇部检测算法[J].浙江大学学报(工学版),2008,42(8):1355-1359.
基于阈值的图像分割方法 篇3
关键词：阈值,直方图门限选择,迭代阈值图像分割
1. 阈值分割的背景介绍
由于物体和背景以及不同物体之间的灰度级有明显的差别, 因此, 在图像的灰度级直方图中会呈现明显的峰值。当图像回度直方图峰型分布明显时, 常以谷底作为门限后选值。所以只要适当地选择阈值, 即可以对图像进行分割, 因此成为一种简单而且广泛用的方法。
2. 直方图门限选择
2.1 理论基础
阈值T可以通过分析边缘检测输出的直方图[1]来确定。假设, 一幅图像只有物体和背景两部分组成, 其灰度级直方图呈明显的双峰值。如图:
在此情况下, 选取双峰间的谷底处的灰度值T作为阈值, 即可以将物体和背景很好地分割开, 阈值分割法可以用数学表达式来描述。设图像为f (x, y) , 其灰度范围为[z1, z2], 设T为阈值, 是z1和z2在任一值, 可以得到一幅二值图像, 其数学表达式为:
以上是比较理想的情况, 实际中很难找到这样的图像。一幅通常有多个物体和背景所组成, 假如, 其灰度级直方图能呈现出多个明显的峰值, 则仍可以选峰值间峰谷处的灰度值作为阈值, 此时有多个阈值将图像进行分割, 这样就是多峰值阈值选择。比如有3个峰值, 可以去两个峰谷处的灰度值T1, T2作为阈值。同样, 可以将阈值化后的图像变成二值图像, 其数学表达式为:
2.2 算法描述
直方图门限选择方法, 可以很容易通过程序实现其分割结果。其计算方法[2]是这样的:
实现步骤:
1.取得原图得数据区指针;
2.开辟一个和原图相同大小得图像内存空间, 并且初始化为255;
3.进行图像灰度统计, 显示灰度直方图;
4.通过对话框选取一个峰谷作为阈值;
5.像素灰度值与阈值之差小于30, 将像素置为0, 否则置为255;
6.将结果复制到原图数据区。
3. 迭代阈值图像分割
3.1 理论基础
迭代的方法产生阈值, 可以通过程序自动计算出比较合适的分割阈值。其计算方法是这样的:
1.选择阈值T, 通常可以选择图像的平均灰度值来作为初始值;
2.通过初始阈值T, 把图像的平均灰度值分成两组R1和R2;
3.计算两组平均灰度值μ1和μ2;
4.重新选择阈值T, 新的T的定义为:T= (μ1+μ2) /2;
循环做第二步到第四步, 一直到两组的平均灰度值μ1和μ2不再发生改变, 那么我们就获得了所需要的阈值。
3.2 算法描述
1.取得原图得数据区指针以及图像的高和宽;
2.进行直方图统计;
3.设定初始阈值T=127;
4.分别计算图像中小于T和大于T的两组平均灰度值;
5. 迭代计算阈值, 直至两个阈值相等;
6. 根据计算出的阈值, 对图像进行二值化处理。
4. 实验结果
(见图2, 图3)
5. 总结与展望
本文通过分析直方图阈值分割方法理论基础, 实现了其在图像边缘检测上的应用, 但是直方图阈值分割方法在阈值选取上, 基本是人为选取的, 因此阈值选取直接关系到分割的质量, 往往会产生或多或少的误差, 因此我们选用了迭代阈值图像分割, 我们会在以后的工作中通过实验, 寻找更为理想的算法, 逐渐完善阈值分割方法。
参考文献
[1]焦玉斌;徐艳蕾;陈喜龙;图像分割研究综述[M];光学技术;科技创新导报, 2009年13期
局部动态阈值图像分割算法研究 篇4
将图像分割成各具特性的几块区域, 将感兴趣目标提取出来的技术过程被称为图像分割。图像分割有多种算法, 主要可以分为区域提取法、边缘检测法以及阈值分割法等。其中阈值分割方法最常用, 此项算法关键是进行阈值的选取。许多学者针对这一问题进行了研究, 且提出了多种选取阈值的方法, 其中广泛应用的一种算法为N.Otsu提出的Otsu算法, 此种算法具有较强的自适应性, 且计算量小, 算法简单, 不过对于一些背景灰度变化较大、光照不均匀、有噪声干扰的复杂背景图像, 应用Otsu算法只能获得单一的阈值, 并不能对图像的各个区域实际情况进行兼顾, 所以无法实现图像的有效分割。而且这些传统的局部阈值分割算法在分割图像时, 各局部区域阈值之间难以形成较强的联系, 进行分割之后极易产生块状现象。本文针对这些背景复杂的图像提出了一种以局部动态阈值进行图像分割的算法, 将传统局部阈值分割图像出现的块状现象进行有效消除, 实现了复杂背景图像的有效分割[1]。
1 动态阈值及算法
动态阈值相对于常规固定阈值而言, 就是在全局最优准则基础上, 先确定一个阈值, 确保该阈值拥有一定的抗噪能力, 然后将该阈值作为基础, 通过分布在分割点周围像点的灰度分布特性实施调整, 这样获得的阈值就是动态阈值, 如式 (1) 所示。假设一幅图像全局最优时分割阈值为Ua, 我们可以选用矩不变方法阈值来确保阈值的抗噪声能力不受影响, 以待分割像点 (x, y) , 基于M×N区域范围内的点集灰度即为Upxy, 适应的分割阈值为:
Uxy= (1-α) Uα+αUpxy (1)
式 (1) 中的调整率为:0<α<1。当α=0, 说明未进行调整, 意思是图像分割依然采用的是全局灰度特性实施标准;当α=1, 说明图像分割完全依照局部特性实施分割, 与经典模板算子相同。由此可以看出, 动态阈值取法是将经典模板算子、统计域分割算法的优点进行了有机结合, 应该可以实现兼顾整体最优、不会将局部感兴趣细节丢失的功能。一般情况下通过实验确定具体算法中α的选取。动态阈值的基础即为全局最优阈值, 所以需具备较强的抗噪声能力。还需注意M×N区域选择应合适, 不能过大或过小, 通常情况下选取7×7～11×11范围内的大小值即可。M×N区域像点灰度特征量还可以选择区域模糊率在最小的状态下的分割阈值作为M×N区域像点灰度特征量[2]。
2 局部动态阈值分割算法
局部阈值分割算法的基本思想是:将图像分割成若干个子图像, 选取各子图像对应分隔值实现图像分割。通常有以下步骤:①先将图像分为若干大小不相等的m块;②分别计算每块子图像的分割阈值;③各子图像分别进行阈值分割, 然后将其合并在一起, 使其完成整幅图像的分割。传统局部阈值分割算法虽然考虑了图像分割时各局部实际情况, 不过因应用该算法进行分割后获得的子图像阈值之间无较强的联系性, 所以存在相邻子图像阈值突变的可能性, 极易造成分割图像块状效应, 进而对分割质量造成一定影响。
2.1 图像划分
若是对背景复杂的图像进行局部阈值分割, 基于提升局部阈值可靠性的理念, 可对对象进行合理划分来实现这一目的。进行图像划分时, 如果子图像太大, 会造成不同区域内目标、背景存在较大程度灰度差异, 降低分割有效性;如果子图像太小, 目标被分于不同子块, 会产生严重块状效应。因此, 可采用自适应图像划分方法来提升图像划分合理性。图1所示为流程框图。
步骤:①对原图像进行首次划分, 获得n个子图像:o1, o2, o3, …, on;②分析各子图像的直方图, 分别计算出最大、最小灰度值g1、g2以及灰度均值1。如果目标与背景存在较大的比例悬殊, 图像平均灰度与最大、最小灰度较接近情况下, 也就是|μ1-g1|或|μ1-g2|比某一设定阈值小时, Otsu算法无效, 不能满足分割条件。其它则为满足分割条件;③如子图像与分割条件相符合, 停止划分, 依次将其标记为p1, p2, p3, …, pr, 1≤r≤n;④如子图像与分割条件不符合, 则继续二次划分, 划分为4个子图像 (大小相等) , 依次将其标记为q1, q2, q3, …, qk, 1≤k≤4n。
2.2 选取局部阈值
先分析两组子图像集合{p1, p2, p3, …, pr}与{q1, q2, q3, …, qk}, 分别采用合适的方式得到两组子图像的分割阈值, 将分割阈值存入阈值矩阵。具体步骤:①先采用全局Otsu算法将{p1, p2, p3, …, pr}子图像集合里的各子图像分割阈值T依次计算出来, 复制 (4份) , 分别存入相应的阈值矩阵位置;②对{q1, q2, q3, …, qk}子图像集合里的各子图像直方图进行分析, 分别求出它们的最大、最小灰度值g3、g4以及灰度均值μ2。利用上述图像划分步骤②判定分割条件是否满足;③满足时采用全局Otsu算法求出分割阈值并保存在阈值矩阵内;如不能满足时, 对g3、g4和μ2之间的关系进行判断, 决定子图像分割阈值。μ2与g3较接近的情况下, 指定的小阈值需与g3较接近;μ2与g3较接近, 则指定大阈值与g4较接近;④获得阈值矩阵M1 (M×N) , 分割终止, 元素个数:4n。流程如图2所示。
2.3 消除块状效应
采用传统局部阈值算法分割图像, 分割过图像之后通常会出现不同程度的块状效应, 不同子图像中目标物体与其相邻子图像交界之处会出现突变的像素灰度现象, 是块状效应的主要表现[3], 而且位于不同子图像目标物体的灰度也可能不尽相同。可利用以下方式将块状效应进行消除:先采用平滑处理的方式对阈值矩阵进行预先处理, 确保各个子图像阈值可以相互融合, 尽可能降低邻近阈值元素突变现象。然后对阈值矩阵进行双线性插值, 保证子图像相邻时, 阈值能平滑均匀过渡, 完成阈值矩阵。此时各元素均一一对应原图像中的相应位置像素点。
2.4 图像的二值化
采用上述块状效应消除方式获得阈值矩阵实现原图像二值化处理。在进行处理时, 将原图像中每一个像素与阈值矩阵的各个元素进行依次比较, 获得背景二值化图像与目标。
3 实例试验证明
自来水厂通常采用明矾来实现沉淀池杂质物、泥沙的滤除, 明矾和沉积物会因化学反应呈现出乳白色花絮状物体, 简称“矾花”。将拍摄的图片传入计算机, 我们对图像进行预处理, 使其仅含水、物体两种像素, 便于后面的操作。
3.1 阈值分割
处理矾花图像需要先把图像进行分割, 从水中提取出矾花。图像分割的意义就是将目标物特征提取出来。采用局部动态阙值分割法如下:
(1) 先分别求出最小、最大灰度值nMinGray和nMaxGray, 使阈值初值:
undefined (2)
(2) 依据阈值Tk分割图像成为目标、背景两部分, 并求出它们的平均灰度值nAver Water, nAver Alum。
nAverundefined (3)
nAverundefined (4)
式中的f (i, j) 表示图像位于坐标 (i, j) 位置的灰度值;N (i, j) 表示点 (i, j) 的权重系数, 且N (i, j) =1。
(3) 计算出新阈值:
undefined (5)
当Tk=Tk+1时, 结束;如不相等, 则K←K+1, 转入步骤 (2) 。
(4) 选取Tk作为最佳阈值, 然后实施二值化分割。背景灰度级:0;目标灰度级:255。
3.2 局部动态阈值
(1) 局部阈值。
实验时先把图像分割成一定窗口大小的小区域, 并对边界像素进行处理。分割之后有可能会出现完整的窗口, 如上边、右边、右上角剩下的窗口, 可采用以下方式进行处理:
设定图像宽度:m-nWidth, 高度:m-nHeight, 则窗口的大小为:n WWindow×nHWindow, 对其进行分割之后的区域块宽度:m-nWPart, 高度:m-nHPart。它们均是int类型, 代码为:
区域块个数:m-nWPart×m-nHPart×。设用窗口 (64×64) 将图像分为5×5区域块。如表1所示。
实施二值化分割之后获得的图像中存在一些裂痕, 是因为只考虑了该块小区域, 并未将相邻区域块像素考虑进去, 需继续改进。
(2) 局部动态阈值。
从式 (1) 中可以发现, 上述为各小区域块阈值平均值, 如表1所示, B0-B24是区域块编号。采用一个模块的8邻域块阈值平均值做其阈值。比如:B0采用B5、B6、B0、B1的平均;B1采用B0、B5、B6、B7、B2、B1的平均;B8采用B12、B13、B14、B7、B8、B9、B2、B3、B4的平均, 等等。获得局部动态阈值分割算法: (1) 采用一定窗口将进行过预处理的图像分为几个小区域, 调用迭代阈值区域分割函数获得局部阈值, 存放; (2) 实施二次扫描, 采用邻近区域块阈值平均方法获得局部阈值, 实现各区域块阈值分割。经以上方式初步从水中将矾花分割出来, 基本和矾花图像分割要求满足, 从而实现了矾花图像的二值化分割。
4结语
本文分析了一种局部动态阈值分割算法, 并依据一项实例试验证明了研究算法的可行性, 结果证明:研究的局部动态阈值分割算法适用于颗粒状图像及较复杂背景图像的分割。
参考文献
[1]黄河, 李庆武, 范习健.采用局部动态阈值的图像分割算法[J].光电子技术, 2011 (1) .
[2]付小宁, 殷世民, 吴志鹏.红外图像的动态阈值分割[J].光电工程, 2002 (6) .
一种新的局部阈值分割算法 篇5
关键词：局部阈值,积分图像,图像分割
0 引言
图像二值化是将含多个灰度级的图像转换为只有两个灰度级(0和1)的图像，以便于后续的数据压缩、特征提取以及模式识别等处理[1,2]。非均匀光照图像不能够有效地分割为二值图像，仍然是当前研究的热点和难点问题[3,4]。
现有图像的二值化方法可以分为两大类:全局阈值方法[5]和局部阈值方法[6]。全局阈值方法中典型算法是Otsu算法[7]，该算法对整个文本采用统一的阈值，然后对比每个像素的灰度值，将其分为背景或对象。全局阈值方法对典型的扫描图像处理速度快，效果非常好。但是不适用于光照不均的图像。为了克服全局阈值的这种缺点，Niblack[8]提出根据背景和对象的局部均值和局部标准差有一定的差异，提出了一种基于邻域均值和标准差计算阈值的算法，可以克服全局阈值的缺陷。然而，Niblack方法含有标准差，更加注重图像中的细节，导致一些图像不需要的部分未被分离开;对灰度变化较大的地方较为敏感，轮廓线条出现加粗的现象。Sauvola和Pietikainen[9]改进了Niblack方法，提升了对退化文本和不均匀光照图像的处理效果。但是，仍然是采用均值和标准差来计算阈值，导致计算的时间较长。T.Romen Singh[10]等采用积分图像计算局部均值和标准偏差从而计算局部阈值。该方法较Niblack方法和Sauvola方法在分割时间上面有大大的提升，但是仍受源图像中的噪声影响较大。
本文针对非均匀光照提出了一种新的局部阈值图像分割方法。该方法先采用积分和对原图像进行预处理得到积分图像[10,11];再通过积分图像计算出局部均值;采用局部均值以及原图像像素点的灰度值来计算局部阈值。通过实验证明，该方法针对非均匀光照图像能够获得很好的抗噪效果，并且大大加快了处理图像的速度，对需要快速二值化处理的场合有着非常重要的意义。
1 积分图像
积分图像的概念是由Viola和Jones在基于图形预处理的计算机视觉提出来的[10,11]。一个图像i(x,y)的积分图像ii(x,y)被定义为是指从图像的原点到像素点构成的矩形区域内所有的点的灰度值之和。其计算公式为:
其中i(i,j)为原始图像，ii(x,y)为积分图像。在实际的计算过程中采用式(2)、式(3)迭代计算实现。
其中s(x,y)为一列的积分，且s(x,-1)=0,ii(-1,y)=0。因此求积分图像只需要遍历一次原图像计算开销很小。
而点(x,y)为中心，大小为w×w的一个局部窗口的和iiw(x,y)，可以用式(4)实现。
其中，d=w/2,w为奇数。进而求得局部均值可以为:
从局部均值的定义可知，使用积分图像不依赖于局部窗口的大小，时间复杂度基本不变，从而缩短了计算的时间。
2 局部自适应阈值
在局部自适应技术中，阈值是根据每个像素的邻域的一些统计特性[12,13,14]，如排列、方差等来计算的。
2.1 Niblack算法
在这个算法中，点(x,y)在窗口大小w×w的局部阈值T(x,y)是由下面公式计算得:
其中，m(x,y)和δ(x,y)是像素邻域的均值以及标准差，k是一个给定偏差。Niblack算法的效果受w值和k值的影响。当w过大时，Niblack算法失去了局部的意义，而且影响算法的速度。当w过小时，算法则容易受到周边噪声的影响。k值也影响着算法的分割效果，当K值减小时，容易滤除细小目标。当k值增大时，抗干扰能力下降，背景噪声也逐渐显露。所以要根据图像的不同情况和实际分割来不断调整w值和k值。
2.2 Sauvola算法
在Sauvola算法中，阈值T(x,y)是由w×w窗口的局部均值以及标准差来计算得:
其中，m(x,y)和δ(x,y)是像素邻域的均值以及标准差，R是标准差的动态范围，k是一个给定偏差，一般取正值，这样就可以自适应地放大标准差对阈值的影响。当图像的某些区域中存在高对比度时，δ(x,y)近似等于R，此时，T(x,y)近似等于m(x,y)，在Niblack算法中有同样的结果。但是，当局部邻域的对比度是非常小的时候，两种算法的差别就出来了。在这种情况下，T(x,y)比m(x,y)要小，从而成功地消除了背景中较暗的区域，该算法对光照不均图像有不错的效果。然而，该算法在计算局部均值和标准差的时候，需要花费大量的时间，而且对参数比较敏感，需要大量的人工干预才能取得良好的分割效果。
2.3 T.Romen Singh算法
在Niblack算法和Sauvola算法中，局部均值m(x,y)和标准偏差δ(x,y)都需要确定每个像素的阈值。而T.Romen Singh[11]运用式(5)来计算局部均值。其标准偏差采用以下公式来计算:
从而得到阈值的计算公式:
3 本文算法
3.1 本文算法的提出
由Niblack算法、Sauvola算法和T.Romen Singh算法的阈值计算式(6)、式(7)、式(9)可知，这三种算法的阈值是通过背景和对象之间的局部均值、局部标准差的不同来设计的。即:
通过实验发现，对于某一点的像素值i(x,y)和局部均值m(x,y)的差值在背景和对象之间也是有一定的差异的。所以本文算法是通过这个变化差异来设计阈值。即:
阈值公式为:
其中，k为一个给定参数。要根据不同的图像和分割效果来不断调整。该算法相对于Niblack算法和Sauvola算法最大的改进就是去除了局部标准差因式，不需要对每个像素点的邻域进行求标准差的计算，缩短了求标准差的时间;并且在局部均值的计算采用积分和，使得求阈值的时间进一步减少，体现出本文算法的一大特点。
另外，该算法相对于T.Romen Singh算法的最大改进是引入了的设计，在不损害时间复杂度的基础上，使得算法对噪声有很好的抑制效果。
3.2 本文算法的设计思想
利用积分图像进行阈值分割的算法流程如图1所示。
本文算法的设计思想是:当输入一幅原图像时，先利用式(2)、式(3)、式(4)、式(5)、式(12)计算局部阈值T(x,y)，然后通过比较i(x,y)与T(x,y)的大小来进行二值分割，接着遍历整个图像。
而积分图像作为局部均值的核心部分，其代码如下:
首先，新建两个与原图像同样大小的二维数组ii[WIDTH][HEIGHT]和s[WIDTH][HEIGHT]，用来存储积分图像和列积分图像，并作为函数fii的参数，然后再根据式(2)、式(3)进行迭代，最后得到的积分图像保存在ii[WIDTH][HEIGHT]中。
3.3 本文算法的应用结果分析
为了验证本文算法的特点和优势，针对药品检测中的图像阈值分割，将本文算法与Niblack算法、Sauvola算法和T.Romen Singh算法在分割视觉效果及分割时间进行对比实验。
1)几种算法视觉效果
原图像是在泡罩包装检测系统中通过basler相机拍摄得到，如图2所示，图(a1)为正确板图像，图(a2)为错误板图像(第一行第一列为缺粒，第二行第二列为多粒，第二行第三列为缺损)。由于铝膜反光的影响导致不能够直接采用全局阈值分割，所以采用上述几种算法进行阈值分割。
实验环境为Intel Pentium Dual CPU T2370 1.73GHz,2 G内存，开发环境为VC 6.0。各算法的分割效果如图b-e。
从图2(b)可以看出Niblack算法抗噪声能力差，在目标被分离出来的同时，背景区域出现大量的伪影。Niblack的阈值采用标准差，更加注重细节上的变化，导致背景噪声较多。导致在缺粒的泡眼里还有伪影，而且在处理的时间相当长(处理时间在12 s左右)，对于泡罩包装机要求达到每分钟100次(0.6 s/次)的生产远没有达到。
而Sauvola算法对于两副图像都能够消除大量的噪声，效果较好，只有在药片与旁边反光较强的部分有一些圆的噪声，而且在背景上几乎看不到像Niblack的噪声。这是由于Sauvola算法中对标准差除以了R来降低标准差对阈值的影响。处理时间相对于泡罩包装检测系统的速度还是跟不上，一般处理时间在6 s左右。对于像素更高的处理时间更加长。
对比图2中(b)、(c)和(d)、(e)，两种算法的处理效果明显要比Niblack算法和Sauvola算法要好，噪声基本上消除。这是因为T.romen Singh算法和本文算法没有使用标准差，减少了细节的影响，而本文算法的噪声点更加少。这是由于算法中对局部均值和像素值的差值进行了开方运算对噪声点进行了抑制，从而使得分割效果更佳。对于缺粒，多片以及缺损情况能够很有效地分割，保存了完好的图像信息。
2)几种算法的时间比较
对于一个n×n尺寸大小的图像，采用w×w的模板进行二值化处理。每个像素的局部均值时间复杂度为O(w2)，标准差的时间复杂度为O(w2)，于是遍历整个图像n×n次后的时间复杂度为O(n2w2)。由于Niblack算法和Sauvola算法都是采用均值和标准差来二值化时间都与模板大小w有关都为O(n2w2)，而T.Romen Singh算法以及本文提出的算法的时间和模板大小w没有关系，其时间复杂度为O(n2)。算法在时间复杂度上降低了一个等级。几种算法的时间比较结果如表1所示。
(单位:秒)
从表1可以看出本文算法在时间上比Niblack算法、Sauvola算法有较大的缩减，并且不依赖于窗口模板w的大小，处理的时间基本没变化。对比图2(a1)和图2(a2)的处理时间，像素较高的图片处理的时间较像素低的图片处理时间长。结合算法的分割效果和分割时间，泡罩包装检测系统采用本算法能够很好地分割药片和铝膜，为后续的药片的识别提供高效可靠地图像信息。
4 结语
基于灰度图像的阈值分割改进方法 篇6
图像分割就是将图像按照人们的意愿分成许多个区域，使这些区域具有不重叠的特性或者该区域具有实际意义或是几个区域的图像特征相差不大。图像分割使得人们分离出目标区域，同时人们可以对图像的特征进行提取或者是对目标的一些参数进行一些简单的测量，为人们进行更深入的图像研究提供了基础。图像分割是图像处理的一个重要步骤，在人们进行图像处理研究的初期就已经受到人们的高度重视。
经过几十年的发展，到目前为止，人们已经提出了很多种分割方法。尽管图像分割的方法和种类有很多，却没有唯一的标准的分割方法。有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。
图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。
图像分割的主要方法有基于区域的分割方法、基于边缘的分割方法、基于聚类分析的图像分割方法、基于小波变换的分割方法、基于神经网络的分割方法、基于模糊集理论的分割方法、基于灰度图像的阈值分割方法。本文主要运用的是基于灰度图像的阈值分割方法，其它方法不再赘述。
2 基于灰度图像的阈值分割方法
阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点属于目标区还是应该属于背景区域，从而产生二值图像。（图1设计流程图）
3 实验步骤
3.1 双峰法图像分割
选取双峰间的谷底处的灰度值T作为阈值，即可将物体和背景很好地分割开。利用双峰法分割图像，需要知道图像直方图的分布情况，首先读入一幅数字图像并查看其直方图，执行如下程序代码：
3.2 迭代法
迭代的方法产生阈值，可以通过程序自动计算出比较合适的分割阈值。程序代码如下：
3.3 最大类间方差法图像分割
最大类间方差法基本思想是通过图像的灰度直方图来寻找一个阈值, 使得这个阈值将图像分为目标和背景两部分, 同时使得这两部分的类间方差最大。程序代码如下：
4 基于图像增强的分割改进算法
梯度图像能够更好地适应图像边缘的变化快慢，边缘检测也常用各种微分算子来提取图像的边界。图像边界信息更多地是高频信号，这与梯度有更大的关系，因此对保存有完整图像边界信息的图像进行梯度锐化后分割更加合理。
4.1 双峰法分割
实验中我们发现，由于增强后图像的灰度直方图没有呈现明显的双峰状，由前面介绍的双峰法的原理我们知道，增强后的图像不能使用双峰法来分割。
4.2 迭代法分割
说明：执行的程序和上面迭代法使用的程序的几乎相同，只是由于增强后得到的图像需要重新储存，只是将I=imread ('E:lunwenb1jpg') ，改为I=imread ('E:lunwenb22.bmp') 即可。使用迭代法分割得到的图像如图7所示。
4.3 最大类间方差法分割
执行的程序也是和上面最大类间方差法分割的几乎相同，也只是将I=imread ('E:lunwenb1.jpg') ，改为I=imread ('E:lunwenb22.bmp'即可。这样得到的图形如图8所示。
4.4 重复实验步骤
当k=3时，我们重复上面的实验步骤得到的图像如下：
(1）迭代法得到的分割图像如图9;
(2）最大类间方差法得到的分割图像如图10。
前面我们已经证实，由于增强后图像的灰度直方图没有呈现双峰状，所以对于双峰法在这里我们就不予考虑。
5 结论
双峰法、迭代法和最大类间方差法是基于阈值的图像分割方法，由分割得到的结果我们发现这三种方法的优点在于实现简单，但是这只是针对少数不同类别物体彼此灰度相差很大时，才能进行有效的分割。当图像中不存在明显灰度差异或灰度值范围有较大重叠，难以得到准确的分割结果。其次，仅考虑灰度信息而不考虑图像空间信息，因此对噪声的灰度不均匀性敏感。最后，分割后得到的图像不能很好的显示图像的细节。三种分割方法得到的图像都不能很好的显示物体的表面细节，并且未能将图像边界完整分割开来。所以，在实际的运用中，总是将其与其它方法结合起来使用。
使用梯度增强算法后，随着k值的增加，图像的锐化程度的提高，分割后物体表面上的图像等细节都被完整的分割出来。对比直接分割处理的效果，增强后在处理的图像效果有了明显改善。
采用局部动态阈值的图像分割算法 篇7
图像分割是指把图像分成各具特性的区域,并提取出感兴趣目标的技术和过程。图像分割的算法种类繁多,可分为阈值分割法、边缘检测法、区域提取法等等[1]。
阈值分割方法[2]是最常用的分割方法之一,其关键在于阈值的选取。针对这一问题大量学者做过研究,并提出过许多阈值选取的方法。其中由日本学者N. Otsu提出的Otsu算法[3],以算法简单、计算量小、自适应性强等优点一直被广泛应用。然而,对于存在噪声干扰、光照不均匀、背景灰度变化较大等情况的复杂背景图像,使用Otsu算法获得的全局单一阈值往往不能兼顾图像各个区域的实际情况,难以进行有效的图像分割。与此同时,使用传统的局部阈值分割算法对这类图像分割时,由于其算法本身的自适应能力弱,各局部区域阈值间的联系性不强,分割后易出现块状现象,分割质量较之全局Otsu算法提高不多。
针对这类具有复杂背景的图像,本文提出了一种采用采用局部动态阈值的图像分割算法。首先对图像进行划分和基于Otsu算法的子图像局部阈值的求取,然后对得到的阈值矩阵进行平滑和插值处理,最终完成分割。算法克服了对复杂背景图像全局阈值难以有效分割的困难,并消除了传统局部阈值分割出现的块状现象,提高了复杂背景图像分割的有效性。
1 算法的理论基础
1.1 Otsu分割算法
Otsu算法又称为最大类间方差法,是在判决分析最小二乘法原理的基础上推导得出的,其基本思想是:设置阈值T将图像分为两类,一类对应于背景而另一类对应于目标,并通过最大化目标类和背景类的类间方差,即最小化两类的错分概率来确定图像的最佳分割阈值。
Otsu算法可自动获得统计意义上的全局最优分割阈值,是一种较为通用的阈值选取方法[4,5,6,7,8]。然而该算法并不是对所有类型的图像均能取得较好分割效果,对于目标背景两类像素数目差别较大的图像,Otsu 阈值将偏向像素多的那一类[8]。因此当图像中目标或背景任意一个所占的比例过大,均会导致Otsu分割方法失效,难以达到满意的分割效果。
1.2 局部阈值分割算法
局部阈值分割算法是阈值分割算法中的一大类。传统局部阈值分割算法的基本思想是将图像划分为若干子图像,并对每个子图像选取相应的分割阈值以完成图像的分割,其具体步骤为:
1)将图像分为m块,其中各块子图像的大小可以不相等;
2)对每块子图像分别计算其分割阈值;
3)对每块子图像分别进行阈值分割,并最终将各块合并到一起完成整幅图像的分割。
虽然传统局部阈值分割算法在进行图像分割时对图像各局部的实际情况有所考虑,但由该算法分割所得的各子图像阈值间联系性不强,各相邻子图像的阈值间可能存在突变,使得分割后的图像易出现块状效应,影响了图像的分割质量。
2 局部动态阈值分割算法
2.1 图像划分
对具有复杂背景的图像进行局部阈值分割时,对图像进行合理划分是提高局部阈值可靠性的有效手段。在图像划分的过程中,若子图像过大,则子图像中处于不同区域内的目标和背景仍有较大程度的灰度差异,分割的有效性低[9];若子图像过小,当目标被分在不同的子块时,则会出现比较严重的块状效应。为提高图像划分的合理性,本文采用了一种自适应图像划分方法,其流程框图如图1所示。
具体步骤为:
1)读入原图像,对其进行首次划分,得到大小相等的n个子图像o1,o2,…,on;
2)对每个子图像进行直方图分析,计算子图像的灰度均值μ1、最大灰度值g1和最小灰度值g2。当图像中目标和背景比例过于悬殊,图像的平均灰度接近于最高灰度或者最低灰度时,即当|μ1-g1|或|μ1-g2|小于某一设定的阈值时,将Otsu算法视为失效。此时分割条件被判断为不满足,而其他情况则均视为满足分割条件;
3)若子图像满足分割条件,则停止继续划分,并将这些子图像依次记为p1,p2,…,pr,1≤r≤n;
4)若子图像不满足分割条件,则进行二次划分,将其划分为大小相等的四个子图像。并将划分得到的子图像依次记为q1,q2,…,qk,1≤k≤4n。
2.2 局部阈值选取
首先对划分所得的两组子图像集合{p1,p2,…,pr}和{q1,q2,…,qk}进行分析,然后对这两组子图像分别采用适当的方式来获取分割阈值并存入阈值矩阵,其具体步骤如下:
1)对于子图像集合{p1,p2,…,pr}中的各子图像,使用全局Otsu算法依次计算分割阈值T,并复制四份存入阈值矩阵相应位置;
2)分析子图像集合{q1,q2,…,qk}中的各子图像的直方图,并计算各子图像的灰度均值μ2、最大灰度值g3和最小灰度值g4。同时使用2.1节步骤2中所提出的方法进行分割条件满足与否的判断;
3)若子图像满足分割条件,则使用全局Otsu算法计算该子图像的分割阈值并存入阈值矩阵;
4)若子图像不满足分割条件,则通过判断μ2与g3、g4的关系来确定子图像分割阈值。若μ2接近g3,则指定一个接近g3的小阈值;若μ2接近g4,则指定一个接近g4的大阈值;
5)分割终止,得到N×N的阈值矩阵M1,其元素个数为4n。
局部阈值选取的具体流程如图2所示。
2.3 块状效应的消除
在使用传统局部阈值算法分割图像时,分割后的图像常常会伴随不同程度的块状效应。其表现为对于处在不同子图像中的目标物体在相邻子图像的交界处将产生像素灰度的突变,且不同子图像中的目标物体也可能被赋予截然不同的灰度。
本文算法通过以下方法来消除块状效应:首先对阈值矩阵进行平滑处理,使每个子图像的阈值融合其周围子图像的阈值信息,减少邻近阈值元素间的突变;完成后再对此阈值矩阵进行双线性插值,使相邻子图像的阈值能均匀平滑地过渡;最终得到用于图像分割的阈值矩阵。其具体步骤如下:
1)对矩阵M1进行平滑处理。即将M1中每个阈值元素和其周围8邻域中存在的各个阈值元素相加,求取其均值,并用此均值来代替原来的阈值。平滑工作完成后得到N×N的平滑矩阵M2;
2)对矩阵M2进行插值处理。考虑到处理效果和时间复杂度的最优搭配,本算法采用了双线性插值作为阈值矩阵的插值方法。插值工作完成后,将得到一个和原图像像素数目相等的新的阈值矩阵M3,其中每个元素和原图像中相应位置的像素点形成一一对应的关系。
2.4 图像的二值化
利用上述步骤获得的阈值矩阵M3对原图像进行二值化处理。处理过程中,逐个像素地将原图像中所有的像素依次和阈值矩阵中每个元素进行比较。得到目标和背景的二值化图像。
3 实验结果与分析
为验证本算法的有效性,选取了两幅比较具有代表性的灰度图像进行全局Otsu算法、传统局部阈值分割算法以及本文算法的分割效果对比。
图3(a)为经过中值滤波后的大米图像,大小为256×256×8 bit,其分割目标为大米颗粒。图3(b)为全局Otsu算法分割的结果,图3(c)为传统局部阈值分割算法分割的结果,图3 (d)为本文算法分割的结果。
通过图3的分割效果对比可知,(c)与(d)的分割质量要好于(b)。(b)中处于图像底部较暗区域内的目标大米颗粒不能得到有效的分割,部分大米颗粒被误判为背景;而(c)和(d)中处在较低灰度区域内的大米颗粒能被完整地分割出来。由于图3(a)中不同部位的光照强度虽有所变化,但变化缓慢平稳。在使用传统局部阈值法对其进行分割时,相邻子图像间的分割阈值无较大程度的突变,块状现象不明显,故使得图3中(c)、(d)两图的分割效果差别不大。
但在实际的工程检测当中,由于噪声、光照不均、阴影等现象的大量存在,使图像中含有复杂背景的情况非常多。这时使用全局阈值法和传统的局部阈值法都将难以取得令人满意的分割效果。
图4为轮船图像的分割效果比较。图4(a)为一幅在江阴长江大桥附近拍摄的轮船图像,大小为707×478×8 bit,图中长条阴影为江阴长江大桥在江面上的投影。该图的分割目标为长江江面上的轮船。由于存在水面波浪反光、大桥阴影等复杂背景,背景和目标的灰度差别也不大,一般方法对这类图像分割将比较困难。
从分割效果来看,本文算法的分割结果图4(d)要明显好于另外两种方法的分割结果图4(b)和(c)。图4(b)中水面大桥的阴影以及灰度和船体相近的部份水体均被错误地划归为目标,图4(c)中则存在大量的块状效应。图4(d)中水面阴影以及灰度变化较大的水体波纹等复杂背景对目标分割造成的影响均被降至最低,目标船体和背景能完全地分割开且细节明晰,同时图像中的块状效应也得到了消除。
通过上述两组对比分割试验可以看出,本文算法有较强的分割有效性。对于具有复杂背景的图像,本文算法的分割效果明显好于全局Otsu法和传统的局部阈值分割算法。
4 结 论
本文针对使用全局Otsu算法和传统局部阈值分割算法难以对背景复杂图像进行有效分割的问题,提出了一种采用局部动态阈值的图像分割算法。该算法克服了全局Otsu算法的不足,改进了传统局部阈值分割算法,消除了块状效应,提高了分割的有效性和自适应性,为后续进一步的图像处理工作打下了基础。
参考文献
[1]章毓晋.图像分割[M].北京:科学出版社,2001.
[2]Sezgin M,Sankur B.Survey over image thresholding tech-niques and quantitative performance evaluation[J].Journal ofElectronic Imaging,2004,13(1):146-168.
[3]Otsu N.A threshold selection method from graylevel his-tograms[J].IEEE Transactions on System Man and Cyber-netic,1979,9(1):62-66.
[4]陈琪,熊博莅,陆军,等.改进的二维Otsu图像分割方法及其快速实现[J].电子与信息学报.2010,32(5):1100-1104.
[5]Huifuang N G.Automatic thresholding for defect detection[J].Pattern Recognition Letters,2006,27(14):1644-1649.
[6]胡敏,李梅,汪荣贵.改进的Otsu算法在图像分割中的应用[J].电子测量与仪器学报.2010,24(5):443-449.
[7]郎咸朋,朱枫,郝颖明,等.基于积分图像的快速二维Otsu算法[J].仪器仪表学报,2009,30(1):39-43.
[8]Zhou H,Hu Q,Nowinski W L.On minimum variance thresh-olding[J].Pattern Recognition Letters,2006,27(14):1732-1743.
[9]樊冬进,孙冰,封举富.基于方差及方差梯度的指纹图像自适应分割算法[J].计算机辅助设计与图形学报.2008,20(6):742-747.