灰度圖像二值化方法.ppt

灰度圖像二值化閾值選取常用方法 報告人 Jeremy研究方向 機(jī)器視覺 匯報內(nèi)容 一 研究背景二 二值化閾值選取常用方法三 總結(jié)與展望 一 研究背景 機(jī)器視覺就是用機(jī)器代替人眼來做測量和判斷 機(jī)器視覺系統(tǒng)是指通過機(jī)器視覺產(chǎn)品 即圖像攝取裝置 分CMOS和CCD兩種 將被攝取目標(biāo)轉(zhuǎn)換成圖像信號 傳送給專用的圖像處理系統(tǒng) 根據(jù)像素分布和亮度 顏色等信息 轉(zhuǎn)變成數(shù)字化信號 圖像系統(tǒng)對這些信號進(jìn)行各種運算來抽取目標(biāo)的特征 進(jìn)而根據(jù)判別的結(jié)果來控制現(xiàn)場的設(shè)備動作 一 研究背景 二值化及閾值 二值化的基本過程如下 對原始圖像作中低通濾波 進(jìn)行圖像的預(yù)處理 降低或去除噪聲 用算法確定最佳閾值T 凡是像素的灰度值大于這個閾值的設(shè)成255 小于這個閾值的設(shè)成0 這樣處理后的圖像就只有黑白兩色 從而將灰度范圍劃分成目標(biāo)和背景兩類 實現(xiàn)了圖像的二值化 圖像二值化是圖像處理的基本技術(shù) 也是圖像處理中一個非?；钴S的分支 其應(yīng)用領(lǐng)域非常廣泛 特別是在圖像信息壓縮 邊緣提取和形狀分析等方面起著重要作用 成為其處理過程中的一個基本手段 二值化的目的是將上步的圖像增強(qiáng)結(jié)果轉(zhuǎn)換成黑白二值圖像 從而能得到清晰的邊緣輪廓線 更好地為邊緣提取 圖像分割 目標(biāo)識別等后續(xù)處理服務(wù) 而選取合適的分割閾值可以說是圖像二值化的重要步驟 過高的閾值會導(dǎo)致一些真實邊緣的丟失 過低的閾值又會產(chǎn)生一些無謂的虛假邊緣 下面介紹幾種基本的閾值選取算法 二 二值化閾值選取常用方法 1 雙峰法2 P參數(shù)法3 大津法 Otsu法或最大類間方差法 4 最大熵閾值法5 迭代法 最佳閾值法 在一些簡單的圖像中 物體的灰度分布比較有規(guī)律 背景與各個目標(biāo)在圖像的直方圖各自形成一個波峰 即區(qū)域與波峰一一對應(yīng) 每兩個波峰之間形成一個波谷 那么 選擇雙峰之間的波谷所代表的灰度值T作為閾值 即可實現(xiàn)兩個區(qū)域的分割 如圖1所示 式中f x y 為灰度圖像的灰度值 T為閾值 g x y 為二值化后的灰度圖像 1 雙峰法 2 P參數(shù)法 則P參數(shù)法的具體步驟可以如下描述 當(dāng)不同區(qū)域 即目標(biāo) 之間的灰度分布有一定的重疊時 雙峰法的效果就很差 如果預(yù)先知道每個目標(biāo)占整個圖像的比例P 則可以采用P參數(shù)法進(jìn)行分割 P參數(shù)法的具體步驟可以如下描述 假設(shè)已知整個直方圖中目標(biāo)區(qū)域所占的比例為P1 1 計算圖像的直方圖分布P t 其中t 0 1 2 255 表示圖像的灰度值 2 從最低的灰度值開始 計算圖像的累積分布直方圖 t 0 1 2 255 3 計算閾值T 有 t 0 1 2 255 也就是說 閾值就是與P1最為接近的累積分布函數(shù)所對應(yīng)的灰度值t 需要預(yù)先知道目標(biāo)區(qū)域的P值 因此成為P參數(shù)法 3 大津法 Otsu法或最大類間方差法 最大類間方差法是由Otsu于1979年提出的 是基于整幅圖像的統(tǒng)計特性實現(xiàn)閾值的自動選取的 是全局二值化最杰出的代表 Otsu算法的基本思想是用某一假定的灰度值t將圖像的灰度分成兩組 當(dāng)兩組的類間方差最大時 此灰度值t就是圖像二值化的最佳閾值 設(shè)圖像有M個灰度值 取值范圍在0 M 1 在此范圍內(nèi)選取灰度值t 將圖像分成兩組G0和G1 G0包含的像素的灰度值在0 t G1的灰度值在t 1 M 1 用N表示圖像像素總數(shù) ni表示灰度值為i的像素的個數(shù) 已知 每一個灰度值i出現(xiàn)的概率為pi ni N 假設(shè)G0和G1兩組像素的個數(shù)在整體圖像中所占百分比為W0 W1 兩組平均灰度值為u0 u1 可得 概率 平均灰度值 3 最大類間方差法 大津法或Otsu法 圖像的總平均灰度為 間類方差為 最佳閾值為 T argmax g t 使得間類方差最大時所對應(yīng)的t值 大律法得到了廣泛的應(yīng)用 但是當(dāng)物體目標(biāo)與背景灰度差不明顯時 會出現(xiàn)無法忍受的大塊黑色區(qū)域 甚至?xí)G失整幅圖像的信息 算法可這樣理解 閾值T將整幅圖像分成前景和背景兩部分 當(dāng)兩類的類間方差最大時 此時前景和背景的差別最大 二值化效果最好 因為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)錯分為背景或部分背景錯分為目標(biāo)都會導(dǎo)致兩部分差別變小 因此使類間方差最大的分割閾值意味著錯分概率最小 4 最大熵閾值法 將信息論中的shannon熵概念用于圖像分割 其依據(jù)是使得圖像中目標(biāo)與背景分布的信息量最大 即通過測量圖像灰度直方圖的熵 找出最佳閾值 根據(jù)shannon熵的概念 對于灰度范圍為0 1 2 M 1的圖像 其直方圖的熵定義為 僅僅是定義 其中pi為灰度值為i的像素在整體圖像中的概率 設(shè)閾值t將圖像劃分為目標(biāo)O和背景B兩類 他們的概率分布分別為 O區(qū) i 0 1 t B區(qū) i t 1 t 2 M 1 其中 令 則目標(biāo)O和背景B的熵函數(shù)分別為 4 最大熵閾值法 圖像的總熵為 最佳閾值T為使得圖像的總熵取得最大值 T argmax H t 此方法不需要先驗知識 而且對于非理想雙峰直方圖的圖像也可以進(jìn)行較好的分割 缺點是運算速度較慢不適合實時處理 僅僅考慮了像素點的灰度信息 沒有考慮到像素點的空間信息 所以當(dāng)圖像的信噪比降低時分割效果不理想 迭代法是基于逼近的思想 迭代閾值的獲取步驟可以歸納如下 5 迭代法 最佳閾值法 1 選擇一個初始閾值T j 通?？梢赃x擇整體圖像的平均灰度值作為初始閾值 j為迭代次數(shù) 初始時j 0 2 用T j 分割圖像 將圖像分為2個區(qū)域和 3 計算兩區(qū)域的平均灰度值 其中 為第j次迭代時區(qū)域C1和C2的像素個數(shù) f x y 表示圖像中 x y 點的灰度值 4 再計算新的門限值 即 5 令j j 1 重復(fù)2 4 直到T j 1 與T j 的差小于規(guī)定值 圖像處理技術(shù)發(fā)展至今 雖然沒有達(dá)到非常完美的程度 但對于二值化這樣一個圖像分割中非常重要的分支 可以說已經(jīng)趨近成熟 上述提到的二值化算法都是很基礎(chǔ)但是非常實用的一些算法 還有很多高階的算法 都是從這些算法中延伸或者改進(jìn)而來 文中提出的算