【正文】 這次畢業(yè)設(shè)計(jì)完成后，體會(huì)頗多，在學(xué)與做的過程中，取長補(bǔ)短，不斷學(xué) 習(xí)新的知識，吸取經(jīng)驗(yàn)，達(dá)到進(jìn)步的目的。 在圖像處理方面也累積了不少經(jīng)驗(yàn)，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(xué) 習(xí) 和導(dǎo)師的指導(dǎo)完成了設(shè)計(jì)任務(wù)。這加深了我對計(jì)算機(jī)軟件 ，同時(shí)也了解到數(shù)字圖像處理如在模式識別，醫(yī)學(xué)，軍事等方面都有廣泛運(yùn)用，我受益非淺。 灰度圖像二值化方法研究 31 結(jié)束語 在兩個(gè)多月的畢業(yè)設(shè)計(jì)中，通過廣泛查閱與課題有關(guān)的內(nèi)容，我掌握了許多與計(jì)算機(jī)有關(guān)的 東西，更重要的是使我對 軟件功能應(yīng)用和圖像處理知識 有了一定的了解。 (3)有筆畫斷裂現(xiàn)象。采用 Bernsen 算法時(shí)，常常在背景區(qū)域出現(xiàn)偽筆畫，這叫做偽影現(xiàn)象。當(dāng)局部窗口增大時(shí)，對時(shí)間消耗的影響與窗口尺寸成平方關(guān)系。由于 Bernsen 算法要尋找局部極大、極小值，因此速度較慢。 Otsu 方法實(shí)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(yīng)用范圍受到極大限制。這時(shí)尋找最佳閾值很困難。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(gè)峰之間有一個(gè)明顯的谷，谷底就是最優(yōu)閾值。 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(gè)圖像的整體灰度分布情況。 表 兩種方法性能比較 二值化方法 Otsu 方法 Bernsen 方法 性能指標(biāo) 閾值 (T) 時(shí)間 (S)/s 熵值 (H) 時(shí)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(yù)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。所以，信息熵也可以說是衡量圖像有序化 程度的一個(gè)度量。信息熵是信息論中用于度量信息量的一個(gè)概念。 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。 0tsu方法 和 Bernsen方法 實(shí)驗(yàn)結(jié)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(shí)驗(yàn)數(shù)據(jù)。 表 Bernsen 方法處理不同像素的不同圖像 性能指標(biāo) 圖 圖 圖 圖 圖 圖 閾值 (T) 時(shí)間 (S)/s 熵值 (H) 因?yàn)?Bernsen 方法不存在預(yù)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。 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。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。 Bernsen方法 結(jié)果分析 對圖 這六幅圖像都采用 Bernsen 算法進(jìn)行圖像二值化處理?？芍?，512 512 圖像的執(zhí)行時(shí)間要比 256 256 圖像的時(shí)間要長，說明 圖像 越大， 用 Otsu 方法對其進(jìn)行 二值化處理所需時(shí)間越長 ；大圖像的閾值也比小圖像要大。 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(biāo) 圖 圖 圖 圖 圖 圖 閾值 (T) 109 129 114 118 96 106 時(shí)間 (S)/s 熵值 (H) 圖 (a)為 256 256 的圖像，圖 (b)為 512 512 的圖像。 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。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。 (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(shí)驗(yàn)結(jié)果 分析 對 圖 這六幅圖 像 都采用 Otsu 算法進(jìn)行圖像二值化處理 。 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(kuò)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(dāng)前窗口的閾值 t 開 始 tjiextend ?),( 1)1,1( ?jib 顯示二值圖像 結(jié) 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(shí)驗(yàn) 比較 本設(shè)計(jì)只是對于 bmp 格式灰度圖像進(jìn)行研究。顯示得到的二值圖像 B 。把灰度圖像矩陣 I 賦值于另一矩陣B ，以免改變當(dāng)前得到的灰度圖像矩陣。首先創(chuàng)建一個(gè) )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(jìn) 行 填 充 。 Bernsen方法 流程圖 首先讀取原圖像 I 的大小為 MN? 。 設(shè)圖像在像素點(diǎn) ),( ji 處的灰度值為 ),( jif ，考慮以像素點(diǎn) ),( 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(jì)算圖像中各個(gè)像素點(diǎn) ),( ji 的閾值 ),( jiT )),(m i n),(m a x(),( njmifnjmifjiT nmnm ??????? ??? ?????? ??? ?? ???? ?? (12) 對圖像中各像素點(diǎn) ),( ji 用 ),( jib 值逐點(diǎn)進(jìn)行二值化。 Otsu方法 流程圖 Otsu 方法流程圖如圖 所示。 )(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： ]))(()())(()([ 2112020mt0 ?????? ???? ?? ttttM axA r gg (2) 兩者之積最大： 灰度圖像二值化方法研究 22 ]))(())(([ 21201mt0 ???? ??? ?? ttM axA r gg (11) 注 意 到 有 )()()()( 1100 tttt ????? ?? ，且 )(( 10 tt ??? ?? ，因此有：2120211200 ))(())(())(()())(()( ?????????? ?????? tttttt 。因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。 記 ),( jif 為 MN? 圖像 ),(ji 點(diǎn)處的灰度值，灰度級為 ? ，不妨假設(shè) ),( jif 取值]1,0[ ?m 。對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 。 圖像的總平均灰度為： )()()()( 1100 tttt ????? ?? 。 灰度圖像二值化方法研究 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，一組灰度對應(yīng)目標(biāo)，另一組灰度對應(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。 局部閾值法一般用于識別干擾比較嚴(yán)重、品質(zhì)較差的圖像，相對 整體閾值方法有更廣泛的應(yīng)用，但也存在缺點(diǎn)和問題，如實(shí)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(jié)果 )等。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 )。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。 對于目標(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。 局部閾值法 由當(dāng)前像素灰度值與該像素周圍點(diǎn)局部灰度特征來確定像素的閾值 。 (3) 邊緣算子法 ： 采用 Laplace 算子、 Robert 算子、 Sober 算子等對像素點(diǎn)進(jìn)行灰度級增強(qiáng)或減弱的變換。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(jié)果，在很多領(lǐng)域得到了應(yīng)用和發(fā)展。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。下面列舉幾個(gè) 閾 值的自動(dòng)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。全局閾值法算法簡單，對于目標(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。閾值分割法的結(jié)果很大程度上依賴于對閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。 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。 灰度圖像二值化方法研究 18 全局閾值法 全局閾值法 是指在二值化過程中只使用一個(gè)全局閾值 T 的方法。 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) , ( (1) 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)?閾 值就是既要盡可能保存圖像信息，又 要盡可能減少背景和噪聲的干擾，這是選擇 閾 值的原則。實(shí)驗(yàn)結(jié)果表明，這個(gè)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(zhì)量的圖像。在此基礎(chǔ)上，提出了一種新的圖像二值化算法。 基于邊緣特征的二值化閾值選取方法，閾值選取是圖象處理與 分析 的基礎(chǔ)。 該方法通過對每個(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 。 遺傳算法是當(dāng)前許多科學(xué)實(shí)驗(yàn)領(lǐng)域廣泛應(yīng)用的一種非線性并行算法 。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(jìn)行處理，該方法通過提取圖像邊緣部份的像素灰度獲得圖像二值化的閾值。針對顆粒圖像，提出了一種基于形態(tài)學(xué)的最大類間方差 Otsu 二值化算 法 ，實(shí)驗(yàn)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(cuò)。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。有強(qiáng)于灰度圖像二值化方法研究 17 Windows 的繪圖軟件的黑白二值化功能。 圖像的帶參數(shù)的二值化方法。 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(jìn)的 Bernsen方法對原始圖像進(jìn)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(luò)計(jì)算閾值，對圖像進(jìn)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(shí)驗(yàn) ， 實(shí)驗(yàn)結(jié)果表明該方法是有效的 。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。 基于貝葉斯算法的二值化算法。該方法既能有效地消除偽影， 又能較好地