【正文】 ，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。這種二值化方法完全不同于傳統(tǒng)的方法，它從信號(hào)處理的角度出發(fā)，利用了部分先驗(yàn)知識(shí)和理想狀態(tài)下的投影輪廓信號(hào)，再通過用不同閾值分割的投影信號(hào)與之匹配，匹配度最大時(shí)的閾值即為圖像分割的最佳閾值?；诨叶鹊能嚺茍D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)車牌光照不均的現(xiàn)象，給圖像二值化帶來困難。實(shí)驗(yàn)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(shí)別率得到顯著的提高；針對(duì)常用車牌識(shí)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。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。實(shí)驗(yàn)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。該方法既能有效地消除偽影，又能較好地分離字符和文字?；谪惾~斯算法的二值化算法。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。在模式識(shí)別中，二值化效果的好壞直接影響著識(shí)別效果，首先通過改進(jìn)的Bernsen方法對(duì)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(duì)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。圖像的帶參數(shù)的二值化方法。有強(qiáng)于Windows的繪圖軟件的黑白二值化功能。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)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)。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。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。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?；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(chǔ)。在此基礎(chǔ)上，提出了一種新的圖像二值化算法。實(shí)驗(yàn)結(jié)果表明，這個(gè)基于邊緣特征檢測(cè)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。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(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。 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)全局閾值的方法。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。閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。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。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。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。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。 (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。 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。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。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)。 局部閾值法一般用于識(shí)別干擾比較嚴(yán)重、品質(zhì)較差的圖像，相對(duì)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。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。圖像的總平均灰度為：。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，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。記為圖像點(diǎn)處的灰度值，灰度級(jí)為，不妨假設(shè)取值。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。和，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，即或盡量大，背景也盡量遠(yuǎn)離中心，即或盡量大，由于希望兩者都大，于是有：(1) 兩者之加權(quán)和最大： (410)(2) 兩者之積最大： (411) 注意到有，且，因此有：，可見二者等價(jià)。 Otsu方法流程圖開 始讀入灰度圖像I求的范圍記錄對(duì)應(yīng)的求時(shí)的取值顯示二值圖像NY結(jié) 束 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。 (413)用存儲(chǔ)灰度圖像的值，設(shè)為，把邊界擴(kuò)展成 extend矩陣。由于中的元素不是每個(gè)都是在窗口的中心，所以需要對(duì)灰度圖像進(jìn)行擴(kuò)展。遍歷從到的像素，并取以當(dāng)前像素為中心的窗口的最大像素max和最小像素min，依據(jù)公式求出閾值。遍歷該矩陣，對(duì)當(dāng)前灰度值與比較，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。其結(jié)果如圖所示。peppers(128128)、peppers(512512)。(a) 二值lena圖像(128128)　 (b)二值lena圖像(512512) Otsu方法二值化lena圖像 (a)二值peppers圖像(128128) (b)二值peppers圖像(512512) Otsu方法二值化peppers圖像　(a) 二值plane圖像(128128) (b)二值plane圖像(512512） Otsu方法二值化plane圖像。lena512，閾值為129；lena128，閾值為109。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，(512512)在進(jìn)行比較的圖像中是最混亂的。其結(jié)果如圖所示。peppers(128128)、peppers(512512)。(a) 二值lena圖像(128128)； 　(b)二值lena圖像(512512) Bernsen方法二值化lena圖像 (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) Bernsen方法二值化plane圖像。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(zhǎng)。T表示Otsu方法、Bernsen方法的運(yùn)行時(shí)間，單位為秒。熵值的定義為： (14)圖像的熵值反映了整幅圖像的效果。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)。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(128128) TOtsu(512512) ，TBernsen(128128) TBernsen(512512)，可見圖像越大，二值化程序運(yùn)行所需時(shí)間就越長(zhǎng)。 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)。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。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。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。如果每次比較運(yùn)算耗時(shí)一個(gè)單元時(shí)間，則處理圖像耗時(shí)由決定。(2) 有偽影現(xiàn)象。出現(xiàn)這種現(xiàn)象是因?yàn)锽ernsen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)。 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。在我撰寫論文的過程中，焦老師傾注了大量的心血和汗水，無論是在論文的選題、構(gòu)思和資料的收集方面，還是在論文的研究方法以及成文定稿方面，我都得到了焦老師悉心細(xì)致的教誨和無私的幫助，特別是他廣博的學(xué)識(shí)、深厚的學(xué)術(shù)素養(yǎng)、嚴(yán)謹(jǐn)?shù)闹螌W(xué)精神和一絲不茍的工作作風(fēng)使我終生受益，在此表示真誠地感謝和深深的謝意。感謝所有關(guān)心、支持、幫助過我的良師益