基於邊緣特徵的二值化閾值選取方法–ywp125

基於邊緣特徵的二值化閾值選取方法

摘要  閾值選取是圖象處理與分析的基礎。針對幾種常用的圖象二值化自動選取閾值方法，通過電腦模擬對實驗結果進行了比較研究。在此基礎上，提出了一種新的圖象二值化演算法。該演算法著重於在圖象二值化時保留圖象的邊緣特徵。實驗結果表明，這個基於邊緣特徵檢測運算元的演算法能很好地保留原圖的邊緣特徵，並能處理低品質的圖象。關鍵詞  圖象分割  圖象處理  二值化 圖象分割是圖象分子合處理的重要手段，其目的是從圖象中把目的地區域和背景地區分開。圖象分割有很多方法，其中最為簡單和有效是閾值處理。通過選擇一個或幾個合適的灰階閾值，原圖中的目標和背景就很容易被分開。如何選取閾值能達到有效分割效果，是閾值處理的關鍵。1 幾種典型演算法1.1平均灰階值法該方法以圖象中的所有象素的灰階值的平均值為閾值。閾值可由下面的公式計算得到：其中，N為象素總數，L為最大灰階級，f(i,j)為點處的灰階值。該方法計算簡單，對哪些對比強的圖象非常有效，但對哪些對比較低的圖象則效果較差。1.2類別方差法對一幅圖象，根據一個門限可將其劃分為前景和背景兩類，選取不同的門限可以得到不同的類別分離效能，類別方差反映了類別劃分的效能。類別方差自動門限法就是利用類別方差作為判斷依據，選取使得 類間方差最大和類內方差最小的門限作為最佳閾值。設圖象中的灰階範圍是G={0,1,2,…,L-1}，選擇門限t將其劃分為兩類： 1.3最大熵法因為熵屬於一種均勻度量，均勻性用熵來度量3時，則可以匯出最大熵閾值法：設t為閾值，目標灰階分布為p0/Pt，p1/Pt，…，pt/Pt，其中， 。同樣，背景灰階分布為pt+1/(1-Pt)，…，pL-1/(1-Pt)，目標部分熵為  背景部分熵為 ，長條圖的熵為E(t)=E1(t)+E2(t)E(t)最大即意味著目的地區域和背景地區內各自的灰階分布具有最大的同一性，同時t代表分割兩地區的閾值。該方法由於涉及對數運算，運算速度較慢，但對不同目標大小和信噪比的圖象能產生較好的分割效果。以上幾種演算法都沒有考慮在二值化過程中保留原有圖象的特徵。2 基於邊緣特徵的二值化方法邊緣特徵在文字識別、指紋識別等應用中是非常重要的特徵，是識別成功與否的關鍵。因此，在這些應用中的二值化預先處理過程中，我們希望能較好地保留原有圖象的邊緣特徵，並不增加新的邊緣特徵。演算法思想的關鍵：首先，用微分運算元檢測圖象的邊緣；然後，在這些邊緣象素點上進行二值化閾值的自動選取；最後，對於其他非邊緣象素點則採取常規方法進行二值化處理。該演算法描述如下：//f為去噪後的輸入圖象，g為二值化後的圖象①對f進行抽取邊緣特徵，得到邊緣圖象e；②對e進行常規二值化處理，得到二值圖象b；③用整體閾值法確定一個f的整體閾值；④確定f的每個象素對應的閾值；⑤根據求出的閾值輸出二值圖象g。原圖中可能含有雜訊，在處理前要進行去噪，可採用均值濾波器或中值濾波器，或者選擇更為複雜一些的如自適應濾波方法。在第①步採用Sobel運算元進行邊緣提取：|f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)-[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]|+          |f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)-[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)]|第②步是對邊緣特徵圖象進行常規二值化，以確定哪些象素點是邊緣象素點。這是可採用平均灰階值或最大熵法等方法。第④步是演算法的關鍵，根據第②步的結果進行二值化閾值的自動選擇，在邊緣象素點進行局部閾值計算。演算法具體實現如下：for(i=1;i<M-1;i++) //f為M×N{for(j=1;j<N-1;j++)if b(i,j)=1 //若是邊緣象素點。A＝與求e(i,j)相關的象素點的平均灰階值{ A=(f(i-1,j-1)+f(i,j-1)+f(i+1,j-1)+f(i-1,j)+f(i,j)+f(i+1,j)+f(i-1,j+1)+f(i,j+1)+f(i+1,j+1))/9; //將每個與求e(I,j)相關的象素f(u,v)的熵值賦給ATh(i-1,j-1)=A;Th(i,j-1)=A;Th(I+1,j-1)=A;Th(i-1,j)=A;Th(i,j)=A;Th(I+1,j)=A;Th(i-1,j+1)=A;Th(i,j+1)=A;Th(I+1,j+1)=A;}Else //非邊緣點的閾值為Th0Th(i,j)=Th0;}第⑤步根據計算處的閾值對f進行二值化處理，即刻得到輸出圖象g。3 實驗結果比較上節提出了把圖象邊緣特徵與其他閾值選取結合起來的演算法。圖1～4是用該演算法和其他幾種自動選取閾值二值化方法對同一幅圖形進行處理比較的結果。         圖1  原圖                      圖2  基於邊緣資訊的二值化         圖3 以平均灰階值為閾值的二值化   圖4以最大方差為閾值的二值化從以上幾幅圖可以看出，用類別方差為閾值的二值化比平均灰階值為閾值的效果要好，但用本文的方法得到的結果的二值化效果最好。它較好地保留了原圖的細節資訊。參考文獻：1  付忠良. 圖象閾值選取方法的構造. 中國圖象圖形學報, 2000，5（6）：466－4692  王坤明. 自動選取閾值方法比較研究 .撫順石油學院學報, 2002，6（22）：70－72