【正文】 圖像的高頻成分，平滑了圖像信號(hào)，但也可能使圖像目標(biāo)區(qū)域的邊界變得模糊。如果一個(gè)像素落在邊界上，那么它的鄰域?qū)⒊蔀橐粋€(gè)灰度級(jí)變化的帶?；诨叶鹊膱D像分割方法也可以用簡(jiǎn)單的 MATLAB 代碼實(shí)現(xiàn)。 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 11 第三章 圖像二值化方法 課題研究對(duì)象 論文主要研究 BMP 格式的灰度圖像文件。 第二部分為位圖信息頭 BITMAPINFOHEADER，也是一個(gè)結(jié)構(gòu)，其定義如下： typedef struct tagBITMAPINFOHEADER { DWORD biSize； LONG biWidth； LONG biHeight。 第三部分為調(diào)色板 (Palette)，當(dāng)然，這里是對(duì)那些需要調(diào)色板的位圖文件而言的。對(duì)于用到調(diào)色板的位圖，圖像數(shù)據(jù)就是該像素顏色在調(diào)色板中的索引值，對(duì)于真彩色圖像，圖像數(shù)據(jù)就是實(shí)際的 R、 G、 B值。對(duì)于 128 色位圖，一個(gè)字節(jié)剛好可以表示 1 個(gè)像素。 DIB(Device Independent Bitmap)圖像格式是設(shè)備無關(guān)位圖文件，描述圖像能力基本與 BMP 相同，并且能夠運(yùn)行多種硬件平臺(tái)，只是文件格式較大。而二值化是預(yù)處理中非常重要的一步，也是最為關(guān)鍵的一步，它直接影響到 OCR 系統(tǒng)的性能。由于圖像二值化過程將會(huì)損失原圖像的許多有用信息，因此在進(jìn)行二值化預(yù)處理過程中，能否保留原圖的主要特征非常關(guān)鍵。該算法基于數(shù)學(xué)形態(tài)學(xué)理論，較好地保留了圖像二值化時(shí)原圖的邊緣特征。要使這些圖像適用于激光雕刻中，就需要對(duì)其進(jìn)行二值化處 理 ，研究者針對(duì)激光雕刻總結(jié)了適用于雕刻的二值化處理 方法 ，然而沒有一種方法適合于所有圖像雕刻的，因而實(shí)際中要選擇 一種合適的二值化 處理 方法，使得得到的二值圖像效果最好。目前 ,國內(nèi)外學(xué)者在這方面已經(jīng)做了大量的工作，常用的二值化方法有固定閾值法、自適應(yīng)閾值法、局部自適應(yīng)閾值法等。 結(jié)合 Canny 算子的圖像二值化方法 ， 對(duì)經(jīng)典的二值化方法 Otsu 算法和Bernsen 算法中存在的缺點(diǎn)進(jìn)行了分析 后 提出圖像二值化方法，該方法綜合考慮了邊緣信息和灰度信息，通過邊緣附近種子點(diǎn)在高閾值二值化圖像中的填充和低閾值圖像對(duì)它的修補(bǔ)而得到二值化結(jié)果圖像，較好地解決了經(jīng)典二值化方法中存在的抗噪能力差、邊緣粗糙、偽影現(xiàn)象等缺點(diǎn)，實(shí)驗(yàn)結(jié)果證明，該方法能夠較好地解決低對(duì)比度圖像和目標(biāo)像素灰度不均勻圖像的二值化問題。 基于灰度的車牌圖像二值化算法不均勻光照下的圖像二值化 是數(shù)字圖像處理中的一個(gè)難題，汽車牌照自動(dòng)識(shí)別系統(tǒng)工作在復(fù)雜的光照環(huán)境下，經(jīng)常會(huì)出現(xiàn)南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 16 車牌光照不均的現(xiàn)象，給圖像二值化帶來困難。并通過實(shí)驗(yàn)，表明利用分形維數(shù)所得到的閾值進(jìn)行二值化處理較傳統(tǒng)方法有較大改進(jìn)，且該方法解決了在自然光和不同光照背景下對(duì)車牌識(shí)別的干擾問題，也可以從復(fù)雜背景中提取出傾斜的車牌 ；偏白或泛白背景的車牌圖像二值化方法， 在車輛牌照識(shí)別系統(tǒng)中，由于攝像機(jī)畸變、動(dòng)態(tài)范圍太窄、車輛牌照被污染等原因，灰度化的車輛牌照?qǐng)D像背景變得模糊，接近于字體的灰度或者動(dòng)態(tài)范圍不高，使得前景字體跟背景難以分開。該方法既能有效地消除偽影，又能較好地分離字符和文字。提出了一種基于貝葉斯算法的全局閾值法和局部閾值法相結(jié)合的二值化方法。 圖像的帶參數(shù)的二值化方法。因此該方法除能用于任意灰度起點(diǎn)的一般意義上的二值化外．特別適宜于圖像的挖掘和隱藏。針對(duì)該問題，提出基于拉普拉斯高斯（ Laplacian of Gaussian， LOG）算子邊緣檢測(cè)的全局二值化方法對(duì)其進(jìn)行處理，該方法通過提取圖像邊緣部 分 的像素灰度獲得圖像二值化的閾值。 該方法通過對(duì)每個(gè)子群體的優(yōu)化計(jì)算和動(dòng)態(tài)改進(jìn)的適應(yīng)度函數(shù) ， 確定新的分割閾值 。在此基礎(chǔ)上，提出了一種新的圖像二值化算法。例如輸人灰度圖像函數(shù)為 ),( yxf ，輸出二值圖像函數(shù)為 ),( yxg ，則 ??? ??? T h r e s h o l dyxf T h r e s h o l dyxfyxg ) ,(A ),( 0) , ( (31) 閾值 (threshold )是把目標(biāo)和背景區(qū)分開的標(biāo)尺，選取適當(dāng)?shù)拈撝稻褪羌纫M可能保存圖像信息，又要盡可能減少背景和噪聲的干擾，這是選擇閾值的原則 。根據(jù)文本圖像的直方圖或灰度空間分布確定一個(gè)閾值，以此實(shí)現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn)化。全局閾值法算法簡(jiǎn)單，對(duì)于目標(biāo)和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對(duì)于由于光照不均勻、噪聲干擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差。其原理是把圖像直方圖用某一灰度值分割成兩類，分別計(jì)算這兩類的像素點(diǎn)數(shù)和灰度平均值，然后計(jì)算它們的類間方差。 (3) 邊緣算子法：采用 Laplace 算子、 Robert 算子、 Sober 算子等對(duì)像素點(diǎn)進(jìn)行灰度級(jí)增強(qiáng)或減弱的變換。 對(duì)于目標(biāo)和背景比較 清楚的圖像，全局閾值化方法可以取得較好結(jié)果。局部閾值選取一般將圖像劃分為若干子圖像，在每個(gè)子圖像區(qū)域上使用整體閾值法，從而可以構(gòu)成整幅圖像的局部閾值法 (根據(jù)每個(gè)子圖像確定相應(yīng)的閾值，具體的閾值確定方法同全局閾值的確定類似 )。 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 20 第四章 Otsu方法和 Bernsen方法 Otsu算法分析 Otsu 在 1979 年提出的最 大類間方差法 (有時(shí)也稱之為大津法 )，該方法的基本思想是：設(shè)閾值將圖像分割成兩組，一組灰度對(duì)應(yīng)目標(biāo)，另一組灰度對(duì)應(yīng)背景，則這兩組灰度值的類內(nèi)方差最小，兩組的類間方差最大。對(duì)大津法可作如下理解：該式實(shí)際上就是類間方差值 ， 閾值 t 分割出的 目標(biāo) 和背景兩部分構(gòu)成了整幅圖像，而 目標(biāo) 取值 0? ， 概率為 0? ， 背景取值 1? ， 概率為 1? ， 總均值為 ? ，根據(jù)方差的定義即得該式 。因 此方 差是灰度分布均勻性的一種度量，方差值越大，說明構(gòu)成圖像的兩部分差別越大，當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小，因此使類間方差最大的分割意味著錯(cuò)分概率最小，這便是大津法的真正含義。 圖 Otsu 方法流程圖 開 始 讀入灰度圖像 I 求 t 的范圍 記錄 t 對(duì)應(yīng)的 g 求 )max(g 時(shí) t 的取值 tjif ?),( 0),( ?jib 1),( ?jib 顯示二值圖像 N Y 結(jié) 束 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 23 Bernsen算法分析 局部閾值法把灰度閾值選取為隨像素位置變化而變化的函數(shù)，它是一種動(dòng)態(tài)選擇閾值的自適應(yīng)方法。由于 I 中的元素不是每個(gè)都是在 33? 窗口的中心，所以需要對(duì)灰度圖像 I 進(jìn)行擴(kuò)展。遍歷該矩陣B ，對(duì)當(dāng)前灰度值與 t 比較，如果大于賦予 1，判為目標(biāo)像素類，否則賦予 0，作為背景像素類。用 Otsu 方法和 Bernsen 方法對(duì)圖像進(jìn)行二值化處理， 以下為研究對(duì)象的幾張?jiān)紙D像如圖 所示。 peppers(128 128)、 peppers(512 512)原始圖像通過 Otsu方法二值化后的所得到的二值圖像如圖 所示。以圖 為例， lena512 512 的圖像時(shí)間為 ，閾值為 129； lena128 128 的時(shí)間為 ，閾值為 109。其結(jié)果如圖所示。 (a)二值 lena 圖像 (128128)； (b)二值 lena 圖像 (512512) 圖 Bernsen 方法二值化 lena 圖像 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 28 (a)二值 peppers 圖像 (128128) (b)二值 peppers 圖像 (512512) (a)二值 plane 圖像 (128128) (b)二值 plane 圖像 (512512) 圖 Bernsen 方法二值化 plane 圖像 實(shí)驗(yàn)結(jié)果分析如表 。 T 表示 Otsu 方法、 Bernsen 方法的運(yùn)行時(shí)間，單位為秒。一幅圖像越是有序，信息熵就越低；反之，一幅圖像越是混亂，信息熵就越高。 程序運(yùn)行時(shí)間 T： T(Bernsen)T(Otsu)，可見 Bernsen 算法要尋找局部極大、極小值，因此速度較慢； TOtsu(128 128) TOtsu(512 512) ， TBernsen(128128) TBernsen(512 512)，可見圖像越大，二值化程序運(yùn)行所需時(shí)間就越長。但在一些實(shí)際圖像中谷很平，很寬，并且受噪聲干擾嚴(yán)重，或是兩個(gè)峰的高度相差較大。 Bernsen 方法雖然能夠根據(jù)局部灰度特性來自適應(yīng)地選取閥值，有較大的靈活性，但是仍然存在缺點(diǎn)和問題： (1)實(shí)現(xiàn)速度慢。 (2)有偽影現(xiàn)象。 Bernsen 算法考察窗口內(nèi)均為目標(biāo)點(diǎn)時(shí)，局部閾值被拉升，于是部分目標(biāo)點(diǎn)被二值化為背景，致使信息丟失，從而出現(xiàn)筆畫斷裂現(xiàn)象。出現(xiàn)這種現(xiàn)象是因?yàn)?Bernsen 算法以局部窗口內(nèi)極大、極小值作為考察點(diǎn)的鄰域，當(dāng)考察窗口內(nèi) 無目標(biāo)點(diǎn)時(shí)，個(gè)別噪聲點(diǎn)將引起閾值的突變，背景灰度的非均勻性也將影響局部閾值的變化，從而使得本應(yīng)是背景的點(diǎn)被二值化為目標(biāo)點(diǎn)。如果每次比較運(yùn)算耗時(shí)一個(gè)單元時(shí)間，則處理 MN? 圖像耗時(shí)由 MN? )12()12( ??? ?? 決定。 Otsu 法就是針對(duì)這種情況提出的，并且它不需要其它的先驗(yàn)知識(shí)，至今仍是最常用的二值化方法之一。 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 30 結(jié)論 Otsu 是經(jīng)典的非參數(shù)、無監(jiān)督自適應(yīng)閾值方法，是一種直方圖技術(shù)。程序的運(yùn)行時(shí)間代表算法運(yùn)行效率，也是算法的一項(xiàng)性能指數(shù)。熵值的定義為： ? ?? ????Mixpi ixpxH1/12lo g)()( (14) 圖像的熵值反映了整幅圖像的效果。圖像越大用 Bernsen 算法對(duì)其進(jìn)行二值化處理的時(shí)間越長。 peppers(128128)、 peppers(512512)原始圖像通過Bernsen 方法二值化后的所得到的二值圖像如圖 所示。熵值是衡量圖像有序化程度的一個(gè)度量，熵值越低圖像越有序，圖 即 lena(512 512)在進(jìn)行比較的圖像中是最混亂的。 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 26 (a)二值 lena 圖像 (128128) (b)二值 lena 圖像 (512512) 圖 Otsu 方法二值化 lena 圖像 (a)二值 peppers 圖像 (128128) (b)二值 peppers 圖像 (512512) 圖 Otsu 方法二值化 peppers 圖像 (a) 二值 plane 圖像 (128128) (b)二值 plane 圖像 (512512） 圖 Otsu 方法二值化 plane 圖像 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 27 實(shí)驗(yàn)結(jié)果分析如表 。其結(jié)果如圖所示。 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 24 Bernsen 方法流程圖如圖 所示。遍歷從)2,2(extend 到 )1,1( ?? MNextend 的像素，并取以當(dāng)前像素為中心的 33? 窗口的最大像素 max 和最小像素 min，依據(jù)公式 m in)(m ???t 求出閾值 t 。 ??? ??? ),(),(1 ),(),(0),( jiTjif jiTjifjib (413) 用 I 存儲(chǔ)灰度圖像的值，設(shè) I 為 MN? ，把 I 邊界擴(kuò)展成 ? ? ? ?22 ??? MN extend 矩陣。 )(0t? 和 )(1t? ，可以分別代表目標(biāo)和背景的中心灰度， ? 則代表整幅圖像的中心灰度，要使目標(biāo)和背景得到最好的分割，當(dāng)然希望分割出的目標(biāo)盡量遠(yuǎn)離圖像中心，即 20 ))(( ?? ?t 或 |)(| 0 ?? ?t 盡量大，背景也盡量遠(yuǎn)離中心，即 21 ))(( ?? ?t或 |)(| 1 ?? ?t 盡量大，由于希望兩者都大，于是有： (1) 兩者之加權(quán)和最大： ]))(()())(()([ 21120xxmt0 ?????? ???? ?? ttttM axA r gg (410) 南京師范大學(xué)泰州學(xué)院本科生畢業(yè) (設(shè)計(jì) )論文 22 (2) 兩者之積最大： ]))(())(([ 21201mt0 ???? ??? ?? ttM axA r gg (411) 注意到有 )()()()(