【導讀】指導下進行的研究工作及取得的成果。盡我所知，除文中特別加以標注和。包含我為獲得及其它教育機構的學位或學歷而使用過的材料。說明并表示了謝意。以贏利為目的前提下，學?？梢怨颊撐牡牟糠只蛉績热荨Ｔ谌祟惈@取的信息中，視覺信息約占60%，聽覺約占20%，其它約占20%。論文介紹了圖像及數(shù)字圖像處理技術的一些概念和相關知識；對軟。課題重點實現(xiàn)了圖像分割技術中灰度圖像二。值化方法，如Otsu算法、Bernsen算法，并對這些算法運行的實驗結果進行分析與比較。

　　

【正文】 值化方法研究 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)，它是一種動態(tài)選擇閾值的自適應方法。 設圖像在像素點 ),( ji 處的灰度值為 ),( jif ，考慮以像素點 ),( ji 為中心的)12()12( ??? ?? 窗口， （ 12?? 表示窗口的邊長），則 Bernsen 算法可以描述如下： 計算圖像中各個像素點 ),( ji 的閾值 ),( jiT )),(m i n),(m a x(),( njmifnjmifjiT nmnm ??????? ??? ?????? ??? ?? ???? ?? (12) 對圖像中各像素點 ),( ji 用 ),( jib 值逐點進行二值化。 ??? ??? ),(),(1 ),(),(0),( jiTjif jiTjifjib (13) 用 I 存儲灰度圖像的值，設 I 為 MN? ，把 I 邊界擴展成 ? ? ? ?22 ??? MN extend 矩陣。 Bernsen方法 流程圖 首先讀取原圖像 I 的大小為 MN? 。由于 I 中的元素不是每個都 是在 33? 窗口的中心，所以需要對灰度圖像 I 進行擴展。首先創(chuàng)建一個 )2()2( ??? MN 的矩陣 extend，把矩陣 I 中的像素 ),()1,1( jiIjie x t e nd ??? ，而第一行和最后一行，第一列和最后一列的填 充 依 據(jù) 是 以 它 靠 近 的 行 或 列 為 對 稱 軸 進 行 填 充 。 遍 歷 從 )2,2(extend 到)1,1( ?? MNextend 的像素， 并取以當前像素為中心的 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 。把灰度圖像矩陣 I 賦值于另一矩陣B ，以免改變當前得到的灰度圖像矩陣。遍歷該矩陣 B ，對當前灰度值與 t 比較，如果大于賦予 1， 判 為目標像素類，否則賦予 0，作為背景像素類。顯示得到的二值圖像 B 。 Bernsen 方法流程圖如圖 所示。 灰度圖像二值化方法研究 24 讀入灰度圖像 I 以 I 的邊界為對稱軸擴展為 N+2， M+2 的 extend 矩陣 N+2， M+2的 extend矩陣 求出以 ),( jiextend 為中心的 3? 3 窗口的 max 和 min 依公式 t=? (max + min)求出當前窗口的閾值 t 開 始 tjiextend ?),( 1)1,1( ?jib 顯示二值圖像 結 束 0)1,1( ?jib N Y 圖 Bernsen 方法流程圖 灰度圖像二值化方法研究 25 第 五 章 Otsu方法和 Bernsen方法實驗 比較 本設計只是對于 bmp 格式灰度圖像進行研究。 用 Otsu 方法和 Bernsen 方法 對圖像進行二值化處理， 以下為研究對象的幾張原始圖像 如圖 所示。 (a) (b) (c) (d) (e) (f) 圖 原圖 (a) lenna原始圖像 (256256) ； (b)barbara原始圖像 (256256) ； (c)peppers原始圖像 (256256) ； (d) lenna原始圖像 (512512) ； (e)barbara原始圖像 (512512) ； (f)peppers原始圖像 (512512) Otsu方法 實驗結果 分析 對 圖 這六幅圖 像 都采用 Otsu 算法進行圖像二值化處理 。 其結果如圖 所示 。lenna(256 256)、 lenna(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。 barbara(256 256)、 barbara(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。 peppers(256 256)、 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。 灰度圖像二值化方法研究 26 (a) (b) 圖 Otsu方法 二值化 lenna圖像 (a)二 值 lenna圖像 (256256) ； (b)二值 lenna圖像 (512512) (a) (b) 圖 Otsu方法 二值化 barbara 圖像 (a)二值 barbara 圖像 (256256) ； (b)二值 barbara 圖像 (512512) (a) (b) 圖 Otsu方法 二值化 barbara 圖像 (a) 二值 peppers 圖像 (256256) ； (b)二值 peppers 圖像 (512512) 實驗結果分析如表 。 灰度圖像二值化方法研究 27 表 Otsu 方法處理不同像素的不同圖像 性能指標 圖 圖 圖 圖 圖 圖 閾值 (T) 109 129 114 118 96 106 時間 (S)/s 熵值 (H) 圖 (a)為 256 256 的圖像，圖 (b)為 512 512 的圖像。 以圖 為例， lenna512 512的圖像時間為 ， 閾值為 129； lenna256 256 的時間為 ， 閾值為 109。可知 ，512 512 圖像的執(zhí)行時間要比 256 256 圖像的時間要長，說明 圖像 越大， 用 Otsu 方法對其進行 二值化處理所需時間越長 ；大圖像的閾值也比小圖像要大。熵值是衡量圖像有序化程度的一個度量，熵值越低圖像越有序，圖 即 lenna(512 512)在進行比較的圖像中是最混亂的。 Bernsen方法 結果分析 對圖 這六幅圖像都采用 Bernsen 算法進行圖像二值化處理。其結果如圖所示。lenna(256256)、 lenna(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。 barbara(256256)、 barbara(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。 peppers(256256)、 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。 (a) (b) 圖 Bernsen 方法 二值化 lenna圖像 (a)二值 lenna圖像 (256256) ； (b)二值 lenna圖像 (512512) 灰度圖像二值化方法研究 28 (a) (b) 圖 Bernsen 方法 二值化 barbara圖像 (a)二值 barbara 圖像 (256256) ； (b)二值 barbara 圖像 (512512) (a) (b) 圖 Bernsen 方法 二值化 peppers圖像 (a)二值 peppers 圖像 (256256) ； (b)二值 peppers 圖像 (512512) 實驗結果分析如表 。 表 Bernsen 方法處理不同像素的不同圖像 性能指標 圖 圖 圖 圖 圖 圖 閾值 (T) 時間 (S)/s 熵值 (H) 因為 Bernsen 方法不存在預取閾值，得到的都是局部閾值，隨像素的變化而變化，所以沒有固定的閾值。圖像越大用 Bernsen 算法對其進行二值化處理的時間越長。 0tsu方法 和 Bernsen方法 實驗結果比較 灰度圖像二值化方法研究 29 在表中用一些變量保存了有用的實驗數(shù)據(jù)。 T 表示 Otsu 方法、 Bernsen 方法的運行時間，單位為秒。 H 表示由 Otsu 方法、 Bernsen 方法處理得到的二值圖像的熵值，單位為比特 /符號。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。信息熵是信息論中用于度量信息量的一個概念。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。所以，信息熵也可以說是衡量圖像有序化 程度的一個度量。程序的運行時間代表算法運行效率，也是算法的一項 性能指數(shù)。 表 兩種方法性能比較 二值化方法 Otsu 方法 Bernsen 方法 性能指標 閾值 (T) 時間 (S)/s 熵值 (H) 時間 (S)/s 熵值 (H) lenna 256256 109 512512 129 barbara 256256 114 512512 118 peppers 256256 96 512512 106 Bernsen 方法由于不存在預取閾值，得到的都是局部閾值，隨像素的變化而變化，沒有固定的閾值。 程序運行時間 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(256 256) TOtsu(512 512) ， TBernsen(256 256) TBernsen(512 512)， 可見 圖像越大，二值化程序運行所需時間就越長。 二值圖像的熵值：H(Otsu)H(Bernsen)， 可以見 Otsu 方法對于光照不均、噪聲干擾大的圖像， 其二值化效果較差，其反映了整個圖像的整體灰度分布情況。 結論 Otsu 是經(jīng)典的非參數(shù)、無監(jiān)督自適應閾值方法，是一種直方圖技術。理想情況下，灰度圖像二值化方法研究 30 在直方圖上代表物體和背景的兩個峰之間有一個明顯的谷，谷底就是最優(yōu)閾值。但在一些實際圖像中谷很平，很寬，并且受噪聲干擾嚴重，或是兩個峰的高度相差較大。這時尋找最佳閾值很困難。 Otsu 法就是針對這種情況提出的，并且它不需要其它的先驗知識，至今仍是最常用的二值化方法之一。 Otsu 方法實現(xiàn)簡單 ， 對于具有明顯雙峰直方圖的圖像效果明顯 ， 但對于低對比度和光照不均勻的圖像效果 不佳，抗噪 聲 能力差，因而應用范圍受到極大限制。 Bernsen 方法雖然能夠根據(jù)局部灰度特性來自適應地選取閥值，有較大的靈活性，但是仍然存在缺點和問題 ： (1)實現(xiàn)速度慢。由于 Bernsen 算法要尋找局部極大、極小值，因此速度較慢。如果每次比較運算耗時一個單元時間，則處理 MN? 圖像耗時由 MN? )12()12( ??? ?? 決定。當局部窗口增大時，對時間消耗的影響與窗口尺寸成平方關系。 (2)有偽影現(xiàn)象。采用 Bernsen 算法時，常常在背景區(qū)域出現(xiàn)偽筆畫，這叫做偽影現(xiàn)象。出現(xiàn)這種現(xiàn)象是因為 Bernsen 算法以局部窗口內極大、極小值作為考察點的鄰域，當考察窗口內無目標點時，個別噪聲點將引起閾值的突變，背景灰度的非均勻性也將影響局部閾值的變化，從而使得本應是背景的點被二值化為目標點。 (3)有筆畫斷裂現(xiàn)象。 Bernsen 算法考察窗口內均為目標點時，局部閾值被拉升，于是部分目標點被二值化為背景，致使信息丟失，從而出現(xiàn)筆畫斷裂現(xiàn)象。 灰度圖像二值化方法研究 31 結束語 在兩個多月的畢業(yè)設計中，通過廣泛查閱與課題有關的內容，我掌握了許多與計算機有關的 東西，更重要的是使我對 軟件功能應用和圖像處理知識 有了一定的了解。為此，我對 用 進行圖像處理的 步驟、方法及思路有了一個全新的認識。這加深了我對計算機軟件 ，同時也了解到數(shù)字圖像處理如在模式識別，醫(yī)學，軍事等方面都有廣泛運用，我受益非淺。 通過這次的畢業(yè)設計，我不僅拓寬了自己的知識面，還在實踐過程中鞏固和加深了自己所學的理論知識，使自己的技術素質和實踐能力有了進一步的提高 。 在圖像處理方面也累積了不少經(jīng)驗，特別是在對 軟件開發(fā)工具和圖像處理不很熟悉的情況下，通過自己的學 習 和導師的指導完成了設計任務。并在設計過程中，自己分析問題和解決問題的能力都得到了鍛煉和提高，完善了自己的知識結構，加深了對知識的理解。 這次畢業(yè)設計完成后，體會頗多，在學與做的過程中，取長補短，不斷學 習新的知識，吸取經(jīng)驗，達到進步的目的。在學與做的