图像处理之常见二值化方法汇总

图像处理之常见二值化方法汇总

图像二值化是图像分析与处理中最常见最重要的处理手段，二值处理方法也非常多。越

精准的方法计算量也越大。本文主要介绍四种常见的二值处理方法，通常情况下可以满

足大多数图像处理的需要。主要本文讨论的方法仅针对RGB色彩空间。

 

方法一：

该方法非常简单，对RGB彩色图像灰度化以后，扫描图像的每个像素值，值小于127的

将像素值设为0(黑色)，值大于等于127的像素值设为255(白色)。该方法的好处是计算

量少速度快。缺点更多首先阈值为127没有任何理由可以解释，其次完全不考虑图像的

像素分布情况与像素值特征。可以说该方法是史最弱智的二值处理方法一点也不为过。

 

方法二：

最常见的二值处理方法是计算像素的平均值K，扫描图像的每个像素值如像素值大于K

像素值设为255(白色)，值小于等于K像素值设为0(黑色)。该方法相比方法一，阈值的

选取稍微有点智商，可以解释。但是使用平均值作为二值化阈值同样有个致命的缺点，

可能导致部分对象像素或者背景像素丢失。二值化结果不能真实反映源图像信息。

 

方法三：

使用直方图方法来寻找二值化阈值，直方图是图像的重要特质，直方图方法选择二值

化阈值主要是发现图像的两个最高的峰，然后在阈值取值在两个峰之间的峰谷最低处。

该方法相对前面两种方法而言稍微精准一点点。结果也更让人可以接受。

 

方法四：http://en.wikipedia.org/wiki/Thresholding_(image_processing)

使用近似一维Means方法寻找二值化阈值，该方法的大致步骤如下：

1.      一个初始化阈值T，可以自己设置或者根据随机方法生成。

2.      根据阈值图每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2。(n为

行，m为列)

3.      G1的平均值是m1, G2的平均值是m2

4.      一个新的阈值T’ = (m1 + m2)/2

5.      回到第二步，用新的阈值继续分像素数据为对象与北京像素数据，继续2～4步，

直到计算出来的新阈值等于上一次阈值。

前面三种在以前的博文中都有涉及，最后一种二值化方法的代码如下：

[java] view
plaincopy

package com.gloomyfish.filter.study;  

  

import java.awt.image.BufferedImage;  

import java.util.ArrayList;  

import java.util.List;  

  

public class ThresholdBinaryFilter extends GrayFilter {  

  

    @Override  

    public BufferedImage filter(BufferedImage src, BufferedImage dest) {  

        int width = src.getWidth();  

        int height = src.getHeight();  

  

        if ( dest == null )  

            dest = createCompatibleDestImage( src, null );  

  

        int[] inPixels = new int[width*height];  

        int[] outPixels = new int[width*height];  

        src = super.filter(src, null); // we need to create new one  

        getRGB( src, 0, 0, width, height, inPixels );  

        int index = 0;  

        int means = getThreshold(inPixels, height, width);  

        for(int row=0; row<height; row++) {  

            int ta = 0, tr = 0, tg = 0, tb = 0;  

            for(int col=0; col<width; col++) {  

                index = row * width + col;  

                ta = (inPixels[index] >> 24) & 0xff;  

                tr = (inPixels[index] >> 16) & 0xff;  

                tg = (inPixels[index] >> 8) & 0xff;  

                tb = inPixels[index] & 0xff;  

                if(tr > means) {  

                    tr = tg = tb = 255; //white  

                } else {  

                    tr = tg = tb = 0; // black  

                }  

                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;  

            }  

        }  

        setRGB( dest, 0, 0, width, height, outPixels );  

        return dest;  

    }  

  

    private int getThreshold(int[] inPixels, int height, int width) {  

        // maybe this value can reduce the calculation consume;   

        int inithreshold = 127;  

        int finalthreshold = 0;  

        int temp[] = new int[inPixels.length];  

        for(int index=0; index<inPixels.length; index++) {  

            temp[index] = (inPixels[index] >> 16) & 0xff;  

        }  

        List<Integer> sub1 = new ArrayList<Integer>();  

        List<Integer> sub2 = new ArrayList<Integer>();  

        int means1 = 0, means2 = 0;  

        while(finalthreshold != inithreshold) {  

            finalthreshold = inithreshold;  

            for(int i=0; i<temp.length; i++) {  

                if(temp[i] <= inithreshold) {  

                    sub1.add(temp[i]);  

                } else {  

                    sub2.add(temp[i]);  

                }  

            }  

            means1 = getMeans(sub1);  

            means2 = getMeans(sub2);  

            sub1.clear();  

            sub2.clear();  

            inithreshold = (means1 + means2) / 2;  

        }  

        long start = System.currentTimeMillis();  

        System.out.println("Final threshold  = " + finalthreshold);  

        long endTime = System.currentTimeMillis() - start;  

        System.out.println("Time consumes : " + endTime);  

        return finalthreshold;  

    }  

  

    private static int getMeans(List<Integer> data) {  

        int result = 0;  

        int size = data.size();  

        for(Integer i : data) {  

            result += i;  

        }  

        return (result/size);  

    }  

  

}  

效果如下：