基于阈值的图像分割方法
2016-06-03 17:01
603 查看
1. 直方图双峰法(mode 法)
Prewitt 等人于六十年代中期提出的直方图双峰法(也称 mode 法) 是典型的全局单阈值分割方法。该方法的基本思想是:假设图像中有明显的目标和背景,则其灰度直方图呈双峰分布,当灰度级直方图具有双峰特性时,选取两峰之间的谷对应的灰度级作为阈值。如果背景的灰度值在整个图像中可以合理地看作为恒定,而且所有物体与背景都具有几乎相同的对比度,那么,选择一个正确的、固定的全局阈值会有较好的效果。例如图4.1所示:图4.1原始灰度图像
图4.2灰度直方图
选定阈值M为100
算法实现:找到第一个峰值和第二个峰值, 再找到第一和第二个峰值之间的谷值,谷值就是那个阀值了。
2. 固定阈值分割
就是设定一个固定的值, 像素灰度大于就该像素编程0或者255或者其他的,小于的又等于什么的。for (int i = 0; i < nWidth; ++i) { for (int j = 0; j < nHigh; ++j) { if (Image[i][j] >= 阈值) { Image[i][j] = 255; } else { Image[i][j] = 0; } } }
这个阈值选什么值呢, 1中的双峰法就是一个阈值产生的方法。
3. 半阈值分割
for (j = 0; j < height; j++) { for (i = 0; i < wide; i++) { lpSrc = p_data + wide*j + i; lpDst = temp + wide*j + i; if ((*lpSrc - 阈值) < 30) *lpDst = *lpSrc; else *lpDst = 255; } }
不知道为什么这么做, 为什么这样就叫做半阈值?
4. 迭代阈值图像分割
http://topic.csdn.net/u/20080402/10/d3cb6789-fa60-4758-b232-7a89926f07b9.html迭代法是基于逼近的思想,其步骤如下:
1. 求出图象的最大灰度值和最小灰度值,分别记为ZMAX和ZMIN,令初始阈值T0=(ZMAX+ZMIN)/2;
2. 根据阈值TK将图象分割为前景和背景,分别求出两者的平均灰度值ZO和ZB
3. 求出新阈值TK+1=(ZO+ZB)/2;
4. 若TK==TK+1,则所得即为阈值;否则转2,迭代计算。
我想问下,ZO和ZB怎么求??
1. 统计图像灰度直方图
2. 找到最大灰度值ZMAX和最小灰度值ZMIN,并计算T0 =(ZMAX+ZMIN)/2
3. 计算小于T0的所有灰度的均值ZO和大于T0的所有灰度的均值ZB(用直方图求就可以)。
例如,你的直方图从10到250有值,则T0 = 260/2 = 130.
ZO = Sum(nHist[i] * i) / Sum(nHist[i]); 10 <= i <= 130 BO = Sum(nHist[i] * i) / Sum(nHist[i]); 131 <= i <= 250
/////////////////////////////////////////////////////////////////////////////////////////////////////////////////
ZO = .0, ZB = .0; int nB = 0, nO = 0; BYTE bytVal = 0; while (还有图像数据没读完) { bytVal = ReadNextPixel(); if (bytVal > T0) { ZB += bytVal; ++nB; } else { ZO += bytVal; ++nO; } } ZO /= nO; ZB /= nB;
//////////////////////////////////////////////////////////////////////////////////////////////////////////
伪代码1
A. 找到灰度图中最大灰度nZmax和最小灰度nZmin(代码略)
B. 求T0。
T0 = (nZmax + nZmin) / 2;
C. 迭代了求出阈值
int i; while (true) { // 计算下一个迭代阀值 for (i = 0; i < T0 + 1; i++) { Temp0 += tongji[i] * i; Temp1 += tongji[i]; } for (i = T0 + 1; i < 256; i++) { Temp2 += tongji[i] * i; Temp3 += tongji[i]; } // (大于T0的灰度均值 + 小于T0的灰度均值) / 2 T2 = (Temp0 / Temp1 + Temp2 / Temp3) / 2; // 看迭代结果是否已收敛 if (T0 == T2) break; else T0 = T2; }
D. 根据上一步求到的T2阈值进行图像分割
// 对各像素进行灰度转换 // 对各像素进行灰度转换 for (j = 0; j < height; j ++) { for (i = 0; i < wide; i ++) { // 读取像素 unsigned char temp = *((unsigned char *)p_data + wide * j + i); // 判断像素灰度值是否超出范围 if (temp < T0) temp = 0; else temp = 255; // 回写处理完的像素 *((unsigned char *)p_data + wide * j + i) = temp; } }
//////////////////////////////////////////////////////////////////////////////////////////////////////////
伪代码2
C. 找到灰度图中最大灰度iMaxGrayValue和最小灰度iMinGrayValue (代码略)
D.求iNewThreshold。
iNewThreshold = (iMaxGrayValue + iMinGrayValue) / 2;
C. 迭代了求出阈值
//迭代求最佳阈值 iNewThreshold = (iMinGrayValue + iMaxGrayValue)/2; iThreshold = 0; for(iIterationTimes = 0; iThreshold != iNewThreshold && iIterationTimes < 100;iIterationTimes ++) { iThreshold = iNewThreshold; lP1 =0; lP2 =0; lS1 = 0; lS2 = 0; //求两个区域的灰度平均值 for (i = iMinGrayValue;i < iThreshold;i++) { lP1 += lHistogram[i]*i; lS1 += lHistogram[i]; } iMean1GrayValue = (unsigned char)(lP1 / lS1); for (i = iThreshold+1;i < iMaxGrayValue;i++) { lP2 += lHistogram[i]*i; lS2 += lHistogram[i]; } iMean2GrayValue = (unsigned char)(lP2 / lS2); iNewThreshold = (iMean1GrayValue + iMean2GrayValue)/2; }
// 这里限制的迭代次数不大于100,考虑到效率吧。
D. 根据上一步求到的iNewThreshold阈值进行图像分割
//根据阈值将图像二值化 for (i = 0;i < lHeight ;i++) { for(j = 0;j < lWidth ;j++) { // 指向源图像倒数第j行,第i个象素的指针 lpSrc = (char *)lpDIBBits + lLineBytes *i + j; // 指向目标图像倒数第j行,第i个象素的指针 lpDst = (char *)lpNewDIBBits + lLineBytes *i + j; pixel = (unsigned char)*lpSrc; if(pixel <= iThreshold) { *lpDst = (unsigned char)0; } else { *lpDst = (unsigned char)255; } } }
5. 自适应阈值图像分割
在许多情况下,物体和背景的对比度在图象中不是各处一样的,这时很难用统一的一个阈值将物体与背景分开。这时可以根据图象的局部特征分别采用不同的阈值进行分割。实际处理时,需要按照具体问题将图象分成若干子区域分别选择阈值,或者动态地根据一定的邻域范围选择每点处的阈值,进行图象分割。1). 大津法(OTSU)
最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津
法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差
越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部
分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
对于图像I(x,y),前景(即目标)和背景的分割阈值记作T, 属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。
假设图像的背景较暗,并且图像的大小为M×N,
图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0 = N0/ M×N (1) ω1 = N1/ M×N (2) N0 + N1 = M×N (3) ω0 + ω1 = 1 (4) μ= ω0 * μ0 + ω1 * μ1 (5) g = ω0 (μ0 -μ) ^ 2 + ω1 (μ1 - μ)^2 (6)
将式(5)代入式(6),得到等价公式:
g = ω0 ω1 (μ0 - μ1) ^ 2 (7)
采用遍历的方法得到使类间方差最大的阈值T,即为所求。
Otus算法使用的是聚类的思想,即把图像的灰度数按灰度级分成2个部分,使2个部分的之间的灰度值差异最大,每个部分之内的灰度差异最小的,找到这样的一个灰度级t划分。通过方差的计算实现,即方差最小的值对应的t即是理想的划分。
http://hi.baidu.com/cwynamespace/blog/item/896ed529955c61f998250a47.html
伪代码1)
FLOAT result; int cnt0; int cnt1; FLOAT max=0.0; for (thre = 1; thre < 255; thre++) { cnt0=0; cnt1=0; pixeltotalC0=0.0; pixeltotalC1=0.0; // 计算背景与目标的像素数各是多少 // 计算背景与目标的像素值总和各是多少 for (i=0; i<lHeight; i++) { for (j=0; j<lWidth; j++) { if (ImageSrc[i][j] <= thre) { cnt0++; pixeltotalC0 += ImageSrc[i][j]; } else { cnt1++; pixeltotalC1 += ImageSrc[i][j]; } } } cnt0=cnt0; cnt1=cnt1; rateC0 = 1.0 * cnt0 / (lHeight * lWidth); // 计算背景的面积比例 rateC1 = 1 - rateC0; // 计算目标的面积比例 // 计算背景平均灰度 if (cnt0 != 0) { pixelaverC0 = pixeltotalC0 / cnt0; } else { pixelaverC0 = 0; } // 计算目标平均灰度 if (cnt1 !=0) { pixelaverC1 = pixeltotalC1 / cnt1; } else { pixelaverC1 = 0; } // 计算类间方差 result = rateC0 * rateC1 * (pixelaverC0 - pixelaverC1) * (pixelaverC0 - pixelaverC1); // 找到最大的类间方差, 就找到最佳的阈值了 if(result > max) { max = result; threbest = thre; } } // 进行二值化 for (i=0; i<lHeight; i++) { for (j=0; j<lWidth; j++) { if (ImageSrc[i][j] >= threbest) { ImageDst[i][j] = (unsigned char)255; } else { ImageDst[i][j] = (unsigned char)0; } } }
明显这段代码的效率会低一点,它是怎对每一个灰度值在图像中的所有点进行计算。
看下面代码,效率会高一点。
伪代码2)
http://fcwhx007.bokewu.com/blog173376.htm
/* OTSU 算法可以说是自适应计算单阈值(用来转换灰度图像为二值图像)的简单高效方法。下面的代码最早由 Ryan Dibble提供,此后经过多人Joerg.Schulenburg, R.Z.Liu 等修改,补正。 算法对输入的灰度图像的直方图进行分析,将直方图分成两个部分,使得两部分之间的距离最大。划分点就是求得的阈值。 parameter: *image --- buffer for image rows, cols --- size of image x0, y0, dx, dy --- region of vector used for computing threshold vvv --- debug option, is 0, no debug information outputed */ /*======================================================================*/ /* OTSU global thresholding routine */ /* takes a 2D unsigned char array pointer, number of rows, and */ /* number of cols in the array. returns the value of the threshold */ /*======================================================================*/ // 这段代码可以针对图像的区域 int otsu (unsigned char *image, int rows, int cols, int x0, int y0, int dx, int dy) { unsigned char *np; // 图像指针 int thresholdValue=1; // 阈值 int ihist[256]; // 图像直方图,个点 int i, j, k; // various counters int n, n1, n2, gmin, gmax; double m1, m2, sum, csum, fmax, sb; // 对直方图置零... memset(ihist, 0, sizeof(ihist)); gmin=255; gmax=0; // 生成直方图 // 求出最大像素值和最小像素值 // 求出图像中各个灰度值的个数存于数组ihist中 for (i = y0 + 1; i < y0 + dy - 1; i++) { np = &image[i*cols+x0+1]; for (j = x0 + 1; j < x0 + dx - 1; j++) { ihist[*np]++; if(*np > gmax) gmax=*np; if(*np < gmin) gmin=*np; np++; /* next pixel */ } } // set up everything sum = csum = 0.0; n = 0; // 不知道这个有什么用? for (k = 0; k <= 255; k++) { // 图像的总灰度值 sum += (double) k * (double) ihist[k]; /* x*f(x) 质量矩*/ // 总像素点数? 不就是等于宽*高吗 n += ihist[k]; /* f(x) 质量*/ } if (!n) { // if n has no value, there is problems... fprintf (stderr, "NOT NORMAL thresholdValue = 160/n"; return (160); } // do the otsu global thresholding method fmax = -1.0; n1 = 0; for (k = 0; k < 255; k++) { n1 += ihist[k]; if (!n1) { continue; } n2 = n - n1; if (n2 == 0) { break; } csum += (double) k *ihist[k]; m1 = csum / n1; m2 = (sum - csum) / n2; sb = (double) n1 *(double) n2 *(m1 - m2) * (m1 - m2); /* bbg: note: can be optimized. */ if (sb > fmax) { fmax = sb; thresholdValue = k; } } // at this point we have our thresholding value return(thresholdValue); }
http://hi.baidu.com/flyingmooding/blog/item/a434e134e3139bd7a2cc2b63.html
2). 均值法
思想很简单,就是把图像分成m*n块子图,求取每一块子图的灰度均值(就是所有像素灰度值之和除以像素点的数量),这个均值就是阈值了。
这种方法明显不比大津法好,因为均值法和大津法都是从图像整体来考虑阈值的,但是大津法找了一个类间方差最大值来求出最佳阈值的;这两种方法子图越多应该分割效果会好一点,但效率可能会变慢。
6. 最佳阈值
阈值的选择需要根据具体问题来确定,一般通过实验来确定。对于给定的图象,可以通过分析直方图的方法确定最佳的阈值,例如当直方图明显呈现双峰情况时,可以选择两个峰值的中点作为最佳阈值。所谓最佳阈值就是根据一定的方法(例如双峰法),找出图像中目标与背景的分割最佳阈值就是了。方法多种多样,对不同的图片可以有不同的方法(因为不同的图片有不同的特点)。方法是多种多样的,答案是丰富多彩的。
转自:http://blog.csdn.net/bagboy_taobao_com/article/details/5645425
附:OpenCv中实现了三种跟图像分割相关的算法(http://www.cnblogs.com/xrwang/archive/2010/02/28/ImageSegmentation.html)
相关文章推荐
- widows下jieba分词的安装
- URLRewrite地址重定向的实现
- makefile之变量高级用法
- 更改linux文件系统为只读的方法
- UDP广播(可用于本机进程间通信)
- git add 错误,git add不了文件
- 更新CocoaPods 最新出现的问题以及解决方法
- 全新安装Xubuntu15.04
- SQL Server调优系列玩转篇(如何利用查询提示(Hint)引导语句运行)
- java-script简单语法练习Ajax程序-第五天
- jQuery $.post()返回类型为json时不进入回调函数的原因及解决方法
- AndroidStudio-Live Templates
- Echarts 动态数据图表使用
- 喝汽水问题
- eclipse git插件的使用
- Python数据类型之间的转换
- rtmp NetConnection 状态
- 溢出文字处理CSS属性——text-overflow、word-break、word-wrap和white-space
- 奋斗吧,程序员——第五十一章 黑云压城城欲摧,甲光向日金鳞开
- [Ruby笔记]19.Ruby 2.0+ prepend 与 include