【文章內容簡介】 像處理技術的預處理過程。在顆粒分析、模式識別技術、光學字符識別(OCR)、醫(yī)學數(shù)據(jù)可視化中的切片配準等應用中，圖像二值化是它們進行數(shù)據(jù)預處理的重要技術。由于圖像二值化過程將會損失原圖像的許多有用信息，因此在進行二值化預處理過程中，能否保留原圖的主要特征非常關鍵。在不同的應用中，圖像二值化時閾值的選擇是不同的。因此，自適應圖像閾值的選取方法非常值得研究。研究者對圖像二值化方法進行了討論，在此基礎上提出了一個新的圖像二值化算法。該算法基于數(shù)學形態(tài)學理論，較好地保留了圖像二值化時原圖的邊緣特征。激光雕刻中圖像處理的二值化處理激光雕刻是近十幾年隨著激光技術的發(fā)展而產(chǎn)生的一種新的雕刻技術，它與計算機圖形學、圖像處理等學科的結合，應用在各種材料上進行文字、圖案加工。如何能得到光滑且能真實反映原圖像的雕刻圖像是其中的主要問題，但是激光器的開關只有兩種狀態(tài)，因此，圖像的二值化處理就成為了關鍵性技術，其中閾值的選取是決定二值化圖像好壞的因素?，F(xiàn)實世界中黑白二值圖像很少用，大多數(shù)圖像都是灰度圖像或是彩色圖像。要使這些圖像適用于激光雕刻中，就需要對其進行二值化處理，研究者針對激光雕刻總結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。在信息社會中人的身份識別得到廣泛關注。指紋識別技術除了在傳統(tǒng)的法律公安上得到應用之外，還有更廣闊的應用前景，如計算機用戶的確認、訪問網(wǎng)絡資源的口令、銀行ATM 機和信用卡的使用、各類智能IC 卡的雙重確認，以及雇員證明、海關身份鑒定、家用電子門鎖等一個完整的自動指紋識別系統(tǒng)(AFIS) 包括指紋采集、指紋圖像預處理、指紋特征提取和比對等幾個模塊。在自動指紋識別系統(tǒng)中,指紋圖像的預處理是正確進行特征提取、比對等操作的基礎,而二值化是指紋圖像預處理中必不可少的一步。目前,國內外學者在這方面已經(jīng)做了大量的工作，常用的二值化方法有固定閾值法、自適應閾值法、局部自適應閾值法等。由于指紋圖像是一種方向性很強的圖像，這些方法僅僅利用了指紋圖像的灰度信息，而忽略了指紋圖像的方向信息，因此這些方法對指紋圖像的二值化效果并不十分理想。爾后提出了一種改進的二值化方法：利用梯度法求取塊方向圖，將其量化成8個標準方向，以塊方向代替點方向并利用灰度信息對指紋圖像進行二值化。最后將該方法和局部自適應閾值二值化方法及改進前的方法進行比較，可以發(fā)現(xiàn)：采用該方法二值化效果有了明顯提高，對于不同質量的指紋圖像有著令人滿意的處理效果。結合Canny 算子的圖像二值化方法，對經(jīng)典的二值化方法Otsu 算法和Bernsen 算法中存在的缺點進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在高閾值二值化圖像中的填充和低閾值圖像對它的修補而得到二值化結果圖像，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，實驗結果證明，該方法能夠較好地解決低對比度圖像和目標像素灰度不均勻圖像的二值化問題。采用信號匹配的支票圖像二值化提出了一種基于信號匹配的低信噪比圖像的信號提取方法，解決類似支票日期域的這種既有復雜背景，又有印章噪聲干擾的圖像二值化問題。這種二值化方法完全不同于傳統(tǒng)的方法，它從信號處理的角度出發(fā)，利用了部分先驗知識和理想狀態(tài)下的投影輪廓信號，再通過用不同閾值分割的投影信號與之匹配，匹配度最大時的閾值即為圖像分割的最佳閾值。 本方法比其他的傳統(tǒng)的二值化方法更具有自適應性和魯棒性，通過大量的實驗數(shù)據(jù)，以及與常用的其他算法進行的比較得到了驗證。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難題，汽車牌照自動識別系統(tǒng)工作在復雜的光照環(huán)境下，經(jīng)常會出現(xiàn)車牌光照不均的現(xiàn)象，給圖像二值化帶來困難。為此，研究者提出一種解決辦法，首先使用同態(tài)濾波去掉車牌圖像的不均勻光照的影響，然后使用改進的Bernsen 算法對車牌圖像進行二值化。實驗表明，使用該算法能有效地克服不均勻光照的影響，二值化效果良好，車牌識別率得到顯著的提高；針對常用車牌識別二值化算法存在的問題，提出了基于分形維數(shù)的二值化的方法。根據(jù)分形維數(shù)反映圖像復雜程度的定義，通過計算兩次突變的分維數(shù)，來確定圖像的灰度值范圍，并利用該灰度值范圍確定閾值。并通過實驗，表明利用分形維數(shù)所得到的閾值進行二值化處理較傳統(tǒng)方法有較大改進，且該方法解決了在自然光和不同光照背景下對車牌識別的干擾問題，也可以從復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，在車輛牌照識別系統(tǒng)中，由于攝像機畸變、動態(tài)范圍太窄、車輛牌照被污染等原因，灰度化的車輛牌照圖像背景變得模糊，接近于字體的灰度或者動態(tài)范圍不高，使得前景字體跟背景難以分開。該文采用高帽與低帽形態(tài)濾波增強車牌圖像中的字體，去除背景對圖像的影響，使用基于迭代的圖像分塊二值化算法進行二值化。實驗表明，該算法可有效克服偏暗或泛白背景的影響，二值化效果良好?；谧越M織特征映射(SOFM)神經(jīng)網(wǎng)絡的圖像融合二值化方法介紹了SOFM 神經(jīng)網(wǎng)絡的特點及學習算法，根據(jù)SOFM 的聚類確定圖像第一閾值作為循環(huán)迭代的初始值，對整幅圖像進行循環(huán)迭代得到第二閾值，使用第二閾值對原始圖像進行二值化，得到第一幅待融合圖像；通過改進的Bernsen方法對原始圖像進行二值化，得到第二幅待融合圖像；最后根據(jù)圖像灰度值選小的原則作為圖像融合方法，得到最終的二值化圖像。該方法既能有效地消除偽影，又能較好地分離字符和文字。模擬實驗結果表明，該方法的二值化效果明顯優(yōu)于Bernsen方法和Otsu方法，且具有良好的適應性?；谪惾~斯算法的二值化算法。針對在圖像二值化過程中動態(tài)選取閾值難的問題，在分析了全局閾值法和局部閾值法各自優(yōu)缺點的基礎上。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合的二值化方法。經(jīng)實驗證明，該方法既能夠有效地消除光照不均勻對圖像的影響，較好地保留目標圖像的細節(jié)，又能夠有效地消除偽影，提高處理速度。在模式識別中，二值化效果的好壞直接影響著識別效果，首先通過改進的Bernsen方法對原始圖像進行二值化，得到第一幅源圖像；然后根據(jù)自組織神經(jīng)網(wǎng)絡計算閾值，對圖像進行二值化，得到第二幅源圖像；再根據(jù)灰度值最小的原則作為圖像融合方法，得到最終的二值化圖像，最后給出模擬實驗，實驗結果表明該方法是有效的。提出了一種新的圖像二值化方法。圖像的帶參數(shù)的二值化方法。該方法不僅在實現(xiàn)傳統(tǒng)的黑白二值化方面。有強于Windows的繪圖軟件的黑白二值化功能。而且可以實現(xiàn)任意灰度間隔的二值化。因此該方法除能用于任意灰度起點的一般意義上的二值化外．特別適宜于圖像的挖掘和隱藏。圖像處理中閾值法計算簡單，具有較高的運算效率，是圖像分割中廣泛采用的方法，主要分為全局閾值法和局部閾值法。針對顆粒圖像，提出了一種基于形態(tài)學的最大類間方差Otsu二值化算法，實驗證明，該算法這一算法能較好地保留原圖像中的特征，二值化后的圖像效果不錯。數(shù)碼管圖像的目標和背景分離不明顯，直方圖分布較復雜。針對該問題，提出基于拉普拉斯高斯（Laplacian of Gaussian，LOG）算子邊緣檢測的全局二值化方法對其進行處理，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。處理結果表明，與傳統(tǒng)的幾種方法相比，該方法能夠快速選取良好的二值化閾值，較好地區(qū)分目標和背景，在相當大模板寬度內圖像二值化的結果都令人滿意。遺傳算法是當前許多科學實驗領域廣泛應用的一種非線性并行算法。一種基于遺傳算法的灰度圖二值化方法研究了遺傳算法在數(shù)字圖像的灰度圖二值化中的應用，提出了一種新的灰度圖二值化方法。該方法通過對每個子群體的優(yōu)化計算和動態(tài)改進的適應度函數(shù)，確定新的分割閾值。實驗驗證該方法對于噪聲干擾的一般質量圖像有著良好的效果?；谶吘壧卣鞯亩祷撝颠x取方法，閾值選取是圖象處理與分析的基礎。針對幾種常用的圖像二值化自動選取閾值方法，通過計算機仿真對實驗結果進行了比較研究。在此基礎上，提出了一種新的圖像二值化算法。該算法著重于在圖像二值化時保留圖像的邊緣特征。實驗結果表明，這個基于邊緣特征檢測算子的算法能很好地保留原圖的邊緣特征，并能處理低質量的圖像。圖像二值化是指用灰度變換來研究灰度圖像的一種常用方法，即設定某一閾值將灰度圖像的像素分成大于閾值的像素群和小于閾值的像素群兩部分。例如輸人灰度圖像函數(shù)為，輸出二值圖像函數(shù)為，則 (31)閾值(threshold )是把目標和背景區(qū)分開的標尺，選取適當?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?；叶葓D像的二值化處理有很多種方法，主要分為全局閾值法和局部閾值法。 全局閾值法全局閾值法是指在二值化過程中只使用一個全局閾值的方法。它將圖像的每個像素的灰度值與進行比較，若大于，則取為前景色（白色）；否則，取為背景色。根據(jù)文本圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度文本圖像到二值圖像的轉化。其中全局閾值法又可分為基于點的閾值法和基于區(qū)域的閾值法。閾值分割法的結果很大程度上依賴于對閾值的選擇，因此該方法的關鍵是如何選擇合適的閾值。典型的全局閾值方法包括Otsu方法、最大熵方法等。全局閾值法算法簡單，對于目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對于由于光照不均勻、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。為了滿足圖像處理應用系統(tǒng)自動化及實時性要求，圖像二值化的閾值的選擇最好由計算機自動來完成。下面列舉幾個閾值的自動選擇算法：(1) 平均灰度值法：以圖像中所有像素灰度值的平均值為閾值。(2) 大津法：又稱最大類間差法，是基于整幅圖像的統(tǒng)計特性，實現(xiàn)閾值的自動選取。其原理是把圖像直方圖用某一灰度值分割成兩類，分別計算這兩類的像素點數(shù)和灰度平均值，然后計算它們的類間方差。當被分割成的兩類類間方差最大時，此灰度值就作為圖像二值化處理的閾值。大津法的使用范圍比較廣，不論圖像的直方圖有無明顯的雙峰，都能得到較滿意的結果，在很多領域得到了應用和發(fā)展。但此方法依然存在一些不足，主要表現(xiàn)在：若目標與背景之間灰度差不明顯，可能出現(xiàn)大塊黑色區(qū)域，甚至丟失整幅圖像的信息；僅利用一維灰度直方圖分布，沒有結合圖像的空間相關信息，處理效果不好；當圖像中有斷裂現(xiàn)象或者背景有一定噪聲時，無法得到預期效果。 (3) 邊緣算子法：采用Laplace算子、Robert算子、Sober算子等對像素點進行灰度級增強或減弱的變換。對于灰度均勻分布的區(qū)域內的像素點，這些算子對其進行灰度減弱；對于在邊緣附近的像素點，這些算子對其進行灰度增強。 局部閾值法由當前像素灰度值與該像素周圍點局部灰度特征來確定像素的閾值。例如可以將原圖像劃分為一些不相交的小塊，將各塊圖像的灰度均值作為該部塊圖像的閾值，在局部上采用上面的整體閾值法。對于目標和背景比較清楚的圖像，全局閾值化方法可以取得較好結果。但是如果圖像的背景不均勻，或目標灰度變化率比較大，全局方法便不再適用。局部閾值法是用像素灰度值和此像素鄰域的局部灰度特性來確定該像素的閾值的。當照明不均勻、有突發(fā)噪聲，或者背景灰度變化較大時，局部閾值確定技術必須根據(jù)像素的坐標位置關系自動確定不同閾值，實施動態(tài)的自適應二值化處理。局部閾值選取一般將圖像劃分為若干子圖像，在每個子圖像區(qū)域上使用整體閾值法，從而可以構成整幅圖像的局部閾值法(根據(jù)每個子圖像確定相應的閾值，具體的閾值確定方法同全局閾值的確定類似)。用這種方法分割后的圖像在不同子圖像的邊界處有灰度的不連續(xù)分布，因此必須采用平滑技術來消除灰度的不連續(xù)性。 局部閾值法一般用于識別干擾比較嚴重、品質較差的圖像，相對整體閾值方法有更廣泛的應用，但也存在缺點和問題，如實現(xiàn)速度慢、不能保證字符筆畫連通性以及容易出現(xiàn)偽影現(xiàn)象(即在背景域受到噪音干擾得到筆畫結果)等。比較典型的局部二值化算法有Bernsen方法、多閾值的梯度強度法、基于紋理圖像的方法、最大方差法等。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(有時也稱之為大津法)，該方法的基本思想是：設閾值將圖像分割成兩組，一組灰度對應目標，另一組灰度對應背景，則這兩組灰度值的類內方差最小，兩組的類間方差最大。對圖像Image，記為目標與背景的分割閾值，目標像素數(shù)占圖像比例為，平均灰度為；背景像素數(shù)占圖像比例為，平均灰度為。圖像的總平均灰度為：。從最小灰度值到最大灰度值遍歷，當使得值 最大時即為分割的最佳閾值。對大津法可作如下理解：該式實際上就是類間方差值，閾值分割出的目標和背景兩部分構成了整幅圖像，而目標取值，概率為 ，背景取值，概率為，總均值為，根據(jù)方差的定義即得該式。因方差是灰度分布均勻性的一種度量，方差值越大說明構成圖像的兩部分差別越大，當部分目標點錯分為背景或部分背景點錯分為目標點都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。記為圖像點處的灰度值，灰度級為，不妨假設取值。記為灰度值為k的頻率，則有： (41)假設用灰度值t為閾值分割出的目標與背景分別為：和，于是目標部分比例：， (42)目標部分點數(shù)： (43)背景部分比例： (44)背景部分點數(shù)： (45)目標均值： (46)背景均值： (47)總均值： (48)大津法指出求圖像最佳閾值g的公式為： (49)該式右邊括號內實際上就是類間方差值，閾值g分割出的目標和背景兩部分構成了整幅圖像，而目標值，概率為，背景取值，概率為，總均值為，根據(jù)方差的定義即得該式。因此方差是