閾值分割之Niblack方法的實(shí)現(xiàn)畢業(yè)論文

1、 本科畢業(yè)設(shè)計(jì)（論文）_閾值分割之niblack方法的實(shí)現(xiàn)_ 系 別 電子信息工程系 專業(yè)班級(jí) 自動(dòng)化（1）班 學(xué)生姓名 指導(dǎo)教師 提交日期 2010年 6月 9 日 畢 業(yè) 設(shè) 計(jì) （論文） 任 務(wù) 書 1.畢業(yè)設(shè)計(jì)（論文）題目： 閾值分割之niblack方法的實(shí)現(xiàn) 2.應(yīng)完成的項(xiàng)目： （1） 了解數(shù)字圖像的基本概念 （2） 理解圖像分割的基本原理和掌握一至兩種具體方法 （3） 理解并掌握niblack方法，并編程實(shí)現(xiàn) （4） 利用其他方法獲得分割閾值，并與niblack方法獲得的閾值，用不同的閾值去分給圖像后進(jìn)行對(duì)比分析。 3.參考資料以及說明： （1） 數(shù)字圖像處理學(xué)岡薩雷斯 著，電子工

2、業(yè)出版社，2002年 （2） 數(shù)字圖像處理 阮秋琦 著 ，電子工業(yè)出版社，2004年 （3） （4） （5） （6） （7） 4.本畢業(yè)設(shè)計(jì)（論文）任務(wù)書于2010 年3月3日發(fā)出，應(yīng)于2010年6月3 日前完成，然后提交畢業(yè)考試委員會(huì)進(jìn)行答辯。 專業(yè)教研組（系）、研究所負(fù)責(zé)人 審核 年 月 日 指導(dǎo)教師 簽發(fā) 年 月 日 摘 要 在人類獲取的信息中，視覺信息約占60%，聽覺約占20%，其它約占20%。由此可見，視覺信息對(duì)人類非常重要。同時(shí)，圖像是人類獲取視覺信息的主要途徑，圖像閾值分割是圖像處理中的一項(xiàng)重要技術(shù)。在圖像閾值分割中關(guān)鍵的是閾值的選取問題，另外還有計(jì)算機(jī)速度的問題等。針對(duì)這些問題

3、，本文采用了niblack算法對(duì)圖像進(jìn)行閾值分割。在圖像閾值分割中，在一張圖像采用固定的閾值進(jìn)行分割時(shí)，圖像細(xì)節(jié)在圖像中存在較多的陰影或者圖像灰度變化比較復(fù)雜時(shí)往往很難得到理想的效果。niblack算法是一種比較常用的簡(jiǎn)單有效的局部動(dòng)態(tài)閾值算法，該算法根據(jù)局部平均值和局部標(biāo)準(zhǔn)差在圖像中變動(dòng)閾值以達(dá)到閾值分割的效果。niblack方法可以克服固定閾值分割的缺陷，重現(xiàn)圖像中的細(xì)節(jié)部分。本文先對(duì)niblack算法、平均灰度閾值法、bernsen算法、otsu算法、迭代法進(jìn)行簡(jiǎn)介并展示出相應(yīng)的算法代碼。根據(jù)幾種不同方法對(duì)不同性質(zhì)的圖片進(jìn)行閾值化比較，得出niblack算法各種的優(yōu)缺點(diǎn)。仿真結(jié)果表明，n

4、iblack算法能夠很好地還原圖像細(xì)節(jié)，然而卻過分夸大了圖像的細(xì)節(jié)，沒有注意到圖像的整體效果。關(guān)鍵詞：niblack，閾值分割，二值化 abstract there is many information obtained in humans, the visual information about 60%, 20% of hearing about the other about 20%. thus, visual information is very important to mankind. meanwhile, the image is to obtain visual infor

5、mation of human primary means of image segmentation is an important image processing techniques. in the image segmentation, the key is threshold selection, in addition to computer speed problems. to solve these problems, this paper, the niblacks method is use for image segmentation.in image segmenta

6、tion, an image using a fixed threshold segmentation, the image detail in the image there are more gray shadow or relatively complex, often difficult to obtain the desired results. niblacks method is a commonly used simple and effective local dynamic threshold algorithm, which according to the local

7、mean and local standard deviation of threshold changes in the image thresholding to achieve results. niblack method can overcome the fixed threshold segmentation of the defects, to reproduce the image in the details section.article focuses on the niblacks method, the average gray level threshold met

8、hod, bernsens method, otsus method, iterative method to profile and demonstrate the algorithm code. several different methods according to the nature of the pictures of different threshold, and obtains all the advantages and disadvantages of niblacks method.simulation results show that, niblacks met

9、hod can restore the image details, but it has exaggerated the details of the image, did not notice the overall effect of the image.keyword: niblack, image segmentation, binarization目錄摘 要ivabstractv第一章 緒論11.1 數(shù)字圖像簡(jiǎn)介11.2 灰度圖像原理21.3 圖像分割及發(fā)展現(xiàn)狀21.4 niblack圖像分割應(yīng)用3第二章 圖像二值化研究42.1 灰度圖像轉(zhuǎn)換方法42.2 全局閾值法62.3 局部閾

10、值法7第三章 圖像二值化方法83.1 niblack方法83.2 平均灰度閾值法103.3 bernsen方法123.4 otsu方法143.5 迭代法17第四章 圖像二值化方法實(shí)驗(yàn)比較204.1 niblack方法結(jié)果分析204.2 平均灰度閾值法結(jié)果分析214.3 bernsen方法結(jié)果分析224.4 otsu法結(jié)果分析224.5 迭代法結(jié)果分析234.6 總結(jié)24第五章 一種改良型的niblack算法265.1 niblack算法基礎(chǔ)分析研究265.2 程序相關(guān)算法285.3改良后的niblack方法結(jié)果分析31參考文獻(xiàn)33致謝34第一章 緒論1.1 數(shù)字圖像簡(jiǎn)介圖像就是用各種觀測(cè)系統(tǒng)觀

11、測(cè)客觀世界獲得的且可以直接或間接作用與人眼而產(chǎn)生視覺的實(shí)體。視覺是人類從大自然中獲取信息的最主要的手段。拒統(tǒng)計(jì)，在人類獲取的信息中，視覺信息約占60%，聽覺信息約占20%，其他方式加起來才約占20%。由此可見，視覺信息對(duì)人類非常重要。同時(shí)，圖像又是人類獲取視覺信息的主要途徑，是人類能體驗(yàn)的最重要、最豐富、信息量最大的信息源。所以，毫無疑問圖像在人類感知中扮演著最重要的角色。然而，人類感知只限于電磁波譜的視覺波段，成像機(jī)器則可覆蓋幾乎全部電磁波譜，從伽馬射線到無線電波。它們可以對(duì)于人類習(xí)慣的那些圖像源進(jìn)行加工，這些圖像源包括超聲波、電子顯微鏡及計(jì)算機(jī)產(chǎn)生的圖像。因此，數(shù)字圖像處理設(shè)計(jì)各種各樣的應(yīng)

12、用領(lǐng)域。2圖像分割是輸入為圖像而輸出為從這些圖像中提取出來的屬性的處理方法的過程。分割將圖像細(xì)分為構(gòu)成它的子區(qū)域或?qū)ο?。分割的程度取決于要解決的問題。就是說，在應(yīng)用中，當(dāng)感興趣的對(duì)象已經(jīng)被分離出來時(shí)，就停止分割。例如，在電子元件的自動(dòng)檢測(cè)方面，我們關(guān)注的是分析產(chǎn)品的圖像，客觀地檢測(cè)是否存在特定的異常狀態(tài)。比如，缺失的元件或斷裂的連接線路。超過識(shí)別這些元件所需的分割是沒有意義的。圖像分割算法一般是基于亮度值的兩個(gè)基本特性之一：不連續(xù)性和相似性。第一類性質(zhì)的應(yīng)用途徑是基于亮度的不連續(xù)變化分割圖像。比如圖像的邊緣。第二類的主要應(yīng)用途徑是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域。門限處理、區(qū)域生長(zhǎng)、區(qū)

13、域分離和聚合都是這類方法的實(shí)例。1.2 灰度圖像原理灰度圖像是指只含亮度信息，不含色彩信息的圖像。將彩色圖像轉(zhuǎn)化成為灰度圖像的過程稱為圖像的灰度化處理。彩色圖像中的每個(gè)像素的顏色有r、g、b三個(gè)分量決定，而每個(gè)分量有255種值可取，這樣一個(gè)像素點(diǎn)可以有1600多萬的顏色的變化范圍。而灰度圖像是r、g、b三個(gè)分量相同的一種特殊的彩色圖像，一個(gè)像素點(diǎn)的變化范圍為255種，所以在數(shù)字圖像處理中一般先將各種格式的圖像轉(zhuǎn)變成灰度圖像以使后續(xù)的圖像的計(jì)算量變得少一些。灰度圖像的描述與彩色圖像一樣仍然反映了整幅圖像的整體和局部的色度和亮度等級(jí)的分布和特征。圖像的灰度化處理可先求出每個(gè)像素點(diǎn)的r、g、b三個(gè)分

14、量的平均值，然后將這個(gè)平均值賦予給這個(gè)像素的三個(gè)分量。101.3 圖像分割及發(fā)展現(xiàn)狀在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)各幅圖像中的某些部分感興趣。這些部分常稱為目標(biāo)或前景（其他部分稱為背景），它們一般對(duì)應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識(shí)和分析目標(biāo)，需要將這些有關(guān)區(qū)域分離提取出來，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)一步利用，如進(jìn)行特征提取和測(cè)量。圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。這里特性可以是灰度、顏色、紋理等，目標(biāo)可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域。圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺技術(shù)。還是因?yàn)閳D像的分割、目標(biāo)的分離

15、、特征的提取和參數(shù)的測(cè)量將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能。圖像分割多年來一直得到人們的高度重視。至今已提出了上千種各種類型的分割算法，而且近年來每年都有上百篇研究報(bào)道發(fā)表。我們知道對(duì)灰度圖像的分割?？苫谙袼鼗叶戎档膬蓚€(gè)性質(zhì)：不連續(xù)性和相似性。區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域之間的邊界上一般具有灰度不連續(xù)性。所以分割算法可據(jù)此分為利用區(qū)域間灰度不連續(xù)性的基于邊界的算法和利用區(qū)域內(nèi)灰度相似性的基于區(qū)域的算法。另外根據(jù)分割過程中處理策略的不同，分割算法又可分為并行算法和串行算法。在并行算法中，所有判斷和決定都可獨(dú)立地和同時(shí)地做出。而在串行算法中，早期處理

16、的結(jié)果可被其后的處理過程所改變。一般串行算法所需計(jì)算時(shí)間常比并行算法要長(zhǎng)，但抗噪聲能力也常較強(qiáng)，上述 2個(gè)準(zhǔn)則互不重合 ，所以分割算法可根據(jù)這2個(gè)準(zhǔn)則分成4類：1）pb：并行邊界類；2）sb：串行邊界類；3）pr：并行 ；4）sr：串行區(qū)域類。近年來，人們還提出了一些綜合利用以上4類方法基本思想的混合算法，但一般只是將分屬4類的算法用不同的形式組合起來。盡管人們?cè)趫D像分割方面做了許多研究工作，由于尚無通用的分割理論，現(xiàn)已提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合于所有圖像的通用方法。另一方面，給定一個(gè)實(shí)際圖像分析問題要選擇合用的分割算法也還沒有標(biāo)準(zhǔn)的方法。為此需要對(duì)圖像分割的評(píng)價(jià)進(jìn)行研

17、究。事實(shí)上對(duì)算法的性能刻畫近年來得到了廣泛的重視，而分割評(píng)價(jià)是改進(jìn)和提高算法的性能，改善分割質(zhì)量和指導(dǎo)新算法研究的重要手段。31.4 niblack圖像分割應(yīng)用niblack算法是一種比較常用的局部二值化算法，這種算法的基本思想是根據(jù)局部平均值和局部標(biāo)準(zhǔn)差在圖像中變動(dòng)閾值，主要用于文檔圖像的閾值分割。全局閾值法在圖像和背景灰度相差較明顯時(shí)效果比較突出，但是這種方法往往容易忽略細(xì)節(jié)，當(dāng)圖像中存在較多的陰影或者圖像灰度變化比較復(fù)雜時(shí)往往很難得到理想的效果。而niblack算法則很好地克服了這種缺陷。1第二章 圖像二值化研究2.1 灰度圖像轉(zhuǎn)換方法灰度圖（gay scale image 或是 gra

18、y scale image）又稱灰階圖。把白色與黑色之間按對(duì)數(shù)關(guān)系分為若干等級(jí)，稱為灰度?；叶确譃?56階。用灰度表示的圖像稱作灰度圖。除了常見的衛(wèi)星圖像、航空照片外，許多地球物理觀測(cè)數(shù)據(jù)也以灰度表示。以位場(chǎng)圖像為例，把位場(chǎng)表示為灰度圖，需要將位場(chǎng)觀測(cè)值灰度量化，即將場(chǎng)的變化范圍轉(zhuǎn)換成256階的灰度范圍。由于位場(chǎng)的動(dòng)態(tài)變化范圍非常大，磁場(chǎng)可達(dá)數(shù)萬個(gè)納特，重力場(chǎng)也可能在數(shù)百個(gè)重力單位內(nèi)變化，所以在顯示為圖像前通常需要對(duì)位場(chǎng)觀測(cè)值進(jìn)行拉伸或壓縮。彩色照片變成黑白照片，其實(shí)就是圖片中的彩色信息變?yōu)榛叶刃畔ⅲ前衙恳环N不同深淺的顏色分別用同等亮度的灰度值來替代。根據(jù)國際照明委員會(huì)(cie)的規(guī)定，rg

19、b混合成白色時(shí)的比例是1:1:1。因此，純灰色(中性灰)的rgb混合比例也是1:1:1，也就是說灰色是rgb值相等的顏色。一種顏色深淺度由他的rgb值決定，rgb值越大，顏色越亮，反之則越暗。例如rgb(80,80,80)，r=g=b=80，這時(shí)這種顏色的灰度值為gray=80，是一種較暗的灰色。如果rgb值不相等時(shí)怎么辦呢？這時(shí)我們需要根據(jù)rgb的值來計(jì)算灰度gray的值。10國際電信聯(lián)盟(international telecommunication union，itu)定義了幾個(gè)推薦(recommendation)灰度轉(zhuǎn)換標(biāo)準(zhǔn)，最流行的是itu標(biāo)準(zhǔn)(itu/ebu&#

20、160;3213 standard)。它對(duì)舊標(biāo)準(zhǔn)中rgb顏色空間中綠色坐標(biāo)作了變動(dòng)，但標(biāo)準(zhǔn)白光仍然是d65，坐標(biāo)為(0.312713,0.329016)，這種標(biāo)準(zhǔn)的灰度(y)值算法公式為：精確到小數(shù)點(diǎn)后面3位：本文范例中采取itu/ebu 3213 standard標(biāo)準(zhǔn)進(jìn)行灰度圖轉(zhuǎn)換，以下為c#實(shí)現(xiàn)灰度圖轉(zhuǎn)換的代碼：public image huidutu_zhuanhuan(image a) bitmap currentbitmap = new bitmap(a); graphics g = graphics.fromimage(currentbitmap); imageattri

21、butes ia = new imageattributes(); float colormatrix = new float 0.222f, 0.222f, 0.222f, 0, 0, new float 0.707f, 0.707f, 0.707f, 0, 0, new float 0.071f, 0.071f, 0.071f, 0, 0, new float 0, 0, 0, 1, 0, new float 0, 0, 0, 0, 1; colormatrix cm = new colormatrix(colormatrix); ia.setcolormatrix(cm, colorma

22、trixflag.default, coloradjusttype.bitmap); g.drawimage(currentbitmap, new rectangle(0, 0, currentbitmap.width, currentbitmap.height), 0, 0, currentbitmap.width, currentbitmap.height, graphicsunit.pixel, ia); return currentbitmap; 圖片一圖片二圖片三彩色圖灰度圖2.2 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。它將圖像的每個(gè)像素的灰度值與進(jìn)行比較，

23、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(gè)閾值，以此實(shí)現(xiàn)灰度文本圖像到二值圖像的轉(zhuǎn)化。其中全局閾值法又可分為基于點(diǎn)的閾值法和基于區(qū)域的閾值法。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。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(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。為了滿足圖像處理應(yīng)用系統(tǒng)自動(dòng)化及實(shí)時(shí)性要求，圖像二值化的閾值的選擇最好由計(jì)算機(jī)自動(dòng)來完成。下面列舉幾個(gè)閾值的自動(dòng)

24、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) otsu法：又稱最大類間差法，是基于整幅圖像的統(tǒng)計(jì)特性，實(shí)現(xiàn)閾值的自動(dòng)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(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。當(dāng)被分割成的兩類類間方差最大時(shí)，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(jié)果，在很多領(lǐng)域得到了應(yīng)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(biāo)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(jié)合圖像的空間相關(guān)信息

25、，處理效果不好；當(dāng)圖像中有斷裂現(xiàn)象或者背景有一定噪聲時(shí)，無法得到預(yù)期效果。 (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。對(duì)于灰度均勻分布的區(qū)域內(nèi)的像素點(diǎn)，這些算子對(duì)其進(jìn)行灰度減弱；對(duì)于在邊緣附近的像素點(diǎn)，這些算子對(duì)其進(jìn)行灰度增強(qiáng)。112.3 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。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(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。但是如果圖像的背景不均勻，或目標(biāo)灰度變化率比

26、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(dāng)照明不均勻、有突發(fā)噪聲，或者背景灰度變化較大時(shí)，局部閾值確定技術(shù)必須根據(jù)像素的坐標(biāo)位置關(guān)系自動(dòng)確定不同閾值，實(shí)施動(dòng)態(tài)的自適應(yīng)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(gè)子圖像區(qū)域上使用整體閾值法，從而可以構(gòu)成子圖像的局部閾值法(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)。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(shù)來消除灰度的不連續(xù)性。 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)

27、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。比較典型的局部二值化算法有bernsen方法、多閾值的梯度強(qiáng)度法、基于紋理圖像的方法、最大方差法等。11第三章 圖像二值化方法3.1 niblack方法niblack二值化算法由charl coetzee提出，主要針對(duì)全局閾值法在圖像和背景灰度相差明顯時(shí)容易忽略細(xì)節(jié)的問題進(jìn)行優(yōu)化，是一種常用的比較有效的局部閾值算法。這種算法的基本思想是對(duì)圖像中的每一個(gè)點(diǎn)，在它的r×r鄰域內(nèi)，計(jì)算鄰域里的像素點(diǎn)的均值和方差1，然后用下式計(jì)算閾值進(jìn)行二值化：其中對(duì)于像素點(diǎn)坐標(biāo)，為該點(diǎn)

28、的閾值，為該點(diǎn)的鄰域內(nèi)像素點(diǎn)的像素均值，為該點(diǎn)鄰域內(nèi)的像素標(biāo)準(zhǔn)方差，為修正系數(shù)（通常取-0.1）。以下為c#實(shí)現(xiàn)niblack方法的相關(guān)代碼：public image niblack(image a, int b, double c, form1 f) double average=0, threshold, variance=0,n=0; form1 frm = f; bitmap currentbitmap = new bitmap(a); graphics g = graphics.fromimage(currentbitmap); for (int i = 0; i < a.wi

29、dth; i+) for (int j = 0; j < a.height; j+) for (int k = i - (b/2); k <= i + (b/2); k+) if (k > 0 && k < a.width) for (int l = j - (b/2); l <= j + (b/2); l+) if (l > 0 && l < a.height) average += currentbitmap.getpixel(k, l).r; n+; average /= n; n = 0; for (int k

30、= i - (b/2); k <= i + (b/2); k+) if (k > 0 && k < a.width) for (int l = j - (b/2); l <= j + (b/2); l+) if (l > 0 && l < a.height) variance+= (currentbitmap.getpixel(k, l).r - average) * (currentbitmap.getpixel(k, l).r - average); n+; variance /= n; variance =math.sq

31、rt(variance); threshold = average + c * variance; n = 0; variance = 0; average = 0; frm.text = threshold.tostring(); if (currentbitmap.getpixel(i, j).r > threshold) currentbitmap.setpixel(i, j, color.white); else currentbitmap.setpixel(i, j, color.black); gressbar1.value+; frm.button(true);

32、return currentbitmap; 3.2 平均灰度閾值法平均灰度閾值法是圖像閾值化方法當(dāng)中最為簡(jiǎn)單、運(yùn)算速度最快的一種方法。該方法是全局閾值法的其中一種，它的思路是計(jì)算整張圖像的平均灰度，直接把平均灰度作為閾值來對(duì)圖像進(jìn)行二值化1，相關(guān)公式如下：其中為圖像的閾值，為圖像中所有像素的灰度和，為圖像的長(zhǎng)度（以像素為單位），為圖像的寬度（以像素為單位），即為圖像中的像素?cái)?shù)。以下為c#實(shí)現(xiàn)平均灰度閾值法的相關(guān)代碼：public image yuzhihua(image a,form1 frm) bitmap currentbitmap = new bitmap(a); graphics g

33、= graphics.fromimage(currentbitmap); int threshold=0; for (int i = 0; i < a.width; i+) for (int j = 0; j < a.height; j+) threshold += currentbitmap.getpixel(i, j).r; gressbar1.value+; threshold /= a.height * a.width; imageattributes ia = new imageattributes(); ia.setthreshold(threshold)

34、; g.drawimage(currentbitmap, new rectangle(0, 0, currentbitmap.width, currentbitmap.height), 0, 0, currentbitmap.width, currentbitmap.height, graphicsunit.pixel, ia); return currentbitmap; 3.3 bernsen方法bernsen是一種十分經(jīng)典的局部閾值算法，該算法簡(jiǎn)單快速，由像素灰度值和像素周圍點(diǎn)局部灰度特性來確定二值化閾值，從而克服了非均勻光照條件等情況影響。bernsen方法思路獲取某點(diǎn)鄰域內(nèi)灰度最大值

35、和最小值，將其平均值作為該點(diǎn)的閾值進(jìn)行閾值化。7相關(guān)公式如下：其中為該點(diǎn)的閾值，為該點(diǎn)鄰域灰度值的最大值，為該點(diǎn)鄰域灰度值的最小值。以下為c#實(shí)現(xiàn)bernsen法的相關(guān)代碼：public image bernsen(image a, int b,form1 f) int max = 0, min = 255, threshold; form1 frm=f; bitmap currentbitmap = new bitmap(a); graphics g = graphics.fromimage(currentbitmap); for (int i = 0; i < a.width; i+

36、) for (int j = 0; j < a.height; j+) gressbar1.value+; for (int k = i - b; k < i+ b; k+) if (k > 0 && k < a.width) for (int l = j - b; l < j + b; l+) if (l > 0 && l < a.height) if (currentbitmap.getpixel(k, l).r > max) max = currentbitmap.getpixel(k, l).

37、r; if (currentbitmap.getpixel(k, l).r < min) min = currentbitmap.getpixel(k, l).r; threshold = (max + min) / 2; if (currentbitmap.getpixel(i, j).r > threshold) currentbitmap.setpixel(i, j, color.white); else currentbitmap.setpixel(i, j, color.black); frm.button(true); return currentbitmap; 3.4

38、 otsu方法大津法是日本的大津展之在1980年提出的。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。5相關(guān)公式如下：我們將遍歷最小灰度值到最大灰度值t作為圖像的閾值，如果目標(biāo)點(diǎn)的灰度值小于閾值則歸為背景，大于閾值則歸為前景。 w0為使用t作為閾值時(shí)前景點(diǎn)數(shù)比例， u0為使用t作為閾值時(shí)前景平均灰度； w1為使用t作為閾值時(shí)背景點(diǎn)數(shù)比例， u1為使用t作為閾值時(shí)背景平均灰度。而式中的u則遵從以下公式：以下為c#實(shí)現(xiàn)otsu法的相關(guān)代碼：public image otsu(image a, form1 f) f

39、orm1 frm = f; bitmap currentbitmap = new bitmap(a); graphics g = graphics.fromimage(currentbitmap); gressbar1.maximum = 256; gressbar1.value = 0; int mbpjhd = 0, bjpjhd = 0, n = 0, threshold=0; float txbl=0,u,gt,maxgt=0; for (int i = 0; i <= 255; i+) for (int j = 0; j < a.width; j+) for (int k = 0; k < a.height; k+) if (currentbitmap.getpixel(j, k).r > i) mbpjhd += currentbitmap.getpixel(j, k).r; n+; else bjpjhd += currentbitmap.getpixel(j, k).r; if (n != 0) mbpjhd /= n; else mbpjhd = 0; if (a.height * a.width - n = 0) bjpjhd = 0