灰度图像二值化阈值选取常用方法

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,灰度图像二值化阈值选取常用方法,报告人：,专业：机械设计及理论,1,汇报内容,一、研究背景,二、二值化阈值选取常用方法,三、总结与展望,2,一、研究背景,机器视觉,就是用机器代替人眼来做测量和判断。机器视觉系统是指通过机器视觉产品（即图像摄取装置，分,CMOS,和,CCD,两种）将被摄取目标转换成图像信号，传送给专用的,图像处理系统,，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来,控制现场的设备动作,。,3,一、研究背景,二值化及阈值,二值化的基本过程如下：,对原始图像作中低通滤波，进行图像的预处理，降低或去除噪声；,用算法确定最佳阈值,T,；,凡是像素的灰度值大于这个阈值的设成,255,，小于这个阈值的设成,0,。这样处理后的图像就只有黑白两色，从而将灰度范围划分成目标和背景两类，实现了图像的二值化。,图像二值化,是图像处理的基本技术，也是图像处理中一个非常活跃的分支， 其应用领域非常广泛，特别是在图像信息压缩、边缘提取和形状分析等方面起着重要作用，成为其处理过程中的一个基本手段。二值化的目的是将上步的图像增强结果转换成黑白二值图像，从而能得到清晰的边缘轮廓线，更好地为边缘提取、图像分割、目标识别等后续处理服务。,255 (,白,) f(x,y) T,0 (,黑,) f(x,y) T,g(x,y)=,4,而选取合适的分割阈值可以说是图像二值化的重要步骤，过高的阈值会导致一些真实边缘的丢失，过低的阈值又会产生一些无谓的虚假边缘。,下面介绍几种基本的阈值选取算法。,二、二值化阈值选取常用方法,1.,双峰法,2. P,参数法,3.,大津法（,Otsu,法或最大类间方差法）,4.,最大熵阈值法,5.,迭代法（最佳阈值法）,5,在一些简单的图像中，物体的灰度分布比较有规律，背景与各个目标在图像的直方图各自形成一个波峰，即区域与波峰一一对应，每两个波峰之间形成一个波谷。那么，选择双峰之间的波谷所代表的灰度值,T,作为阈值，即可实现两个区域的分割。如图,1,所示。,式中,f(x,y),为灰度图像的灰度值，,T,为阈值，,g(x,y),为二值化后的灰度图像。,255 (,白,) f(x,y) T,0 (,黑,) f(x,y) T,g(x,y)=,1.,双峰法,6,2.,P,参数法,，则,P,参数法的具体步骤可以如下描述：,当不同区域（即目标）之间的灰度分布有一定的重叠时，双峰法的效果就很差。如果预先知道每个目标占整个图像的比例,P,，则可以采用,P,参数法进行分割。,P,参数法的具体步骤可以如下描述，,假设已知整个直方图中目标区域所占的比例为,P1,：,1),计算图像的直方图分布,P(t).,其中,t=0,1,2,255,，表示图像的灰度值；,2),从最低的灰度值开始，计算图像的累积分布直方图。,t=0,1,2,255,，,3),计算阈值,T,有,t=0,1,2,255,，,也就是说，阈值就是与,P1,最为接近的累积分布函数所对应的灰度值,t,。,需要预先知道目标区域的,P,值，因此成为,P,参数法。,7,3.,大津法（,Otsu,法或最大类间方差法）,最大类间方差法是由,Otsu,于,1979,年提出的，是基于整幅图像的统计特性实现阈值的自动选取的，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,将图像的灰度分成两组，当两组的类间方差最大时，此灰度值,t,就是图像二值化的最佳阈值。,设图像有,M,个灰度值，取值范围在,0,M-1,，在此范围内选取灰度值,t,，将图像分成两组,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,表示图像像素总数，,ni,表示灰度值为,i,的像素的个数。,已知：每一个灰度值,i,出现的概率为,pi,ni /N,；假设,G0,和,G1,两组像素的个数在整体图像中所占百分比为,W0,W1,，两组平均灰度值为,u0,u1,，可得,概率：,平均灰度值：,8,3.,最大类间方差法（大津法或,Otsu,法）,图像的总平均灰度为：,间类方差为：,最佳阈值为：,T=argmax(g(t),使得间类方差最大时所对应的,t,值,大律法得到了广泛的应用，但是当物体目标与背景灰度差不明显时，会出现无法忍受的大块黑色区域，甚至会丢失整幅图像的信息。,算法可这样理解：阈值,T,将整幅图像分成前景和背景两部分，当两类的类间方差最大时，此时前景和背景的差别最大，二值化效果最好。因为方差是灰度分布均匀性的一种度量，方差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割阈值意味着错分概率最小。,9,4.,最大熵阈值法,将信息论中的,shannon,熵概念用于图像分割，其依据是使得图像中目标与背景分布的信息量最大，即通过测量图像,灰度直方图的熵,，找出最佳阈值。,根据,shannon,熵的概念，对于灰度范围为,0,1,2,M-1,的图像，其直方图的熵定义为（仅仅是定义）：,其中,pi,为灰度值为,i,的像素在整体图像中的概率。,设阈值,t,将图像划分为目标,O,和背景,B,两类，他们的概率分布分别为,O,区：,i=0,1,，,，,t,；,B,区：,i=t+1,t+2,，,，,M-1,；,其中,令,则目标,O,和背景,B,的熵函数分别为：,10,4.,最大熵阈值法,图像的总熵为,最佳阈值,T,为使得图像的总熵取得最大值：,T=argmax(H(t),此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割。缺点是运算速度较慢不适合实时处理。仅仅考虑了像素点的灰度信息，没有考虑到像素点的空间信息，所以当图像的信噪比降低时分割效果不理想。,11,迭代法是基于逼近的思想，迭代阈值的获取步骤可以归纳如下：,5.,迭代法（最佳阈值法）,1,）选择一个初始阈值,T(j),，通常可以选择整体图像的平均灰度值作为初 始阈值。,j,为迭代次数，初始时,j=0,。,2,）用,T(j),分割图像，将图像分为,2,个区域 和,3,）计算两区域的平均灰度值，其中 、 为第,j,次迭代时区域,C1,和,C2,的像素个数，,f(x,y),表示图像中（,x,y,）点的灰度值。,4,）再计算新的门限值，即,5,）令,j=j+1,，重复,2,）,4,）,直到,T(j+1),与,T(j),的差小于规定值。,12,图像处理技术发展至今， 虽然没有达到非常完美的程度。但对于二值化这样一个图像分割中非常重要的分支，可以说已经趋近成熟。,上述提到的二值化算法都是很基础但是非常实用的一些算法。还有很多高阶的算法，都是从这些算法中延伸或者改进而来。,文中提出的算法都是基于一维直方图的，还有基于二维直方图的模糊门限化方法，基于二维灰度阈值的图像二值化分割算法等一些基于二维直方图的分割方法。,相信随着图像处理技术的继续发展，对二值化图像的要求也会越来越高，相应的也会产生更多效率更高、效果更好的二值化方法。,三、总结与展望,13,14,