使用HTML5技术实现Otsu算法(大津法)

本文主题

      情人节在网上看到国外JS牛人利用HTML5技术实现的一朵玫瑰花，深切的感受到HTML5技术的强大。本着学习的态度看了一下那朵玫瑰花的源代码，其中用到的HTML5技术是canvas标签，于是灵光一现，想试一下能不能进行图像处理，结果成功了，再次介绍一下经验。

      本文的思路是获取一张带有验证码的图片，然后对其进行灰度化操作，完成后对其使用Otsu算法进行二值化操作，最后输出二值化的图片，其效果图如下：

            图1

最后友情提醒一下，HTML5技术在IE浏览器下面不支持或者是没有全面支持，因此如要进行HTML5开发请使用火狐或者是谷歌等支持的浏览器。

显示图像

在页面中引入canvas标签，并设置其id属性，在脚本中使用getElementById()来获取标签的句柄。

function drawImage(){

//获取标签的句柄

var canvas = document.getElementById('myCanvasElt');

//获取绘图的上下文

var ctx = canvas.getContext('2d');

//新建一个image，目的是为了读取图片

var img=new Image()

img.src="image/VerifyCode.jpg"

//将image中的图片绘制到canvas中

ctx.drawImage(img,0,0);

}

以上代码实现了图1中原图像的显示。

灰值化图像

对图像进行灰值化的过程就是将一幅图像的RGB三个属性设为一致的过程，即去掉图像的颜色信息，使用灰度信息表达图像的内容。彩色转灰度图像有几种算法：

1.加权平均法。Gray = R*0.299 + G*0.587 + B*0.114

2.平均值法。Gray = ( R + G + B ）/3

3.最大值法。Gray  = Max(R,G,B)

其中R,G,B表示图像三个分量的值，上述三种算法的好坏对比在这里不做解释，详细资料请参阅彩色图像灰度化。本文采用第一种方法。

//彩色图像灰度化

function ProcessToGrayImage(){

	var canvas = document.getElementById('myCanvasElt');

	var ctx = canvas.getContext('2d');	

	//取得图像数据

        var canvasData = ctx.getImageData(0, 0, canvas.width, canvas.height);

	//这个循环是取得图像的每一个点，在计算灰度后将灰度设置给原图像

        for (var x = 0; x < canvasData.width; x++) {

	    for (var y = 0; y < canvasData.height; y++) {

	        // Index of the pixel in the array

	        var idx = (x + y * canvas.width) * 4;

	        // The RGB values

	        var r = canvasData.data[idx + 0];

	        var g = canvasData.data[idx + 1];

	        var b = canvasData.data[idx + 2];

	        //更新图像数据

	        var gray = CalculateGrayValue(r , g , b);

	        canvasData.data[idx + 0] = gray;

	        canvasData.data[idx + 1] = gray;

	        canvasData.data[idx + 2] = gray;

	    }

	}

	ctx.putImageData(canvasData, 0, 0);

}

//计算图像的灰度值,公式为：Gray = R*0.299 + G*0.587 + B*0.114

 function CalculateGrayValue(rValue,gValue,bValue){

 	   return parseInt(rValue * 0.299 + gValue * 0.587 + bValue * 0.114);

 	}	

Otsu算法

关于Otsu算法的具体理论在这里不再讲解。这是一种二值化速度很快的图像分割算法。后面会把该算法的理论详细说明。使用javascript算法实现的过程如下：

//一维OTSU图像处理算法

 function OTSUAlgorithm(){

   var m_pFstdHistogram = new Array();//表示灰度值的分布点概率

   var m_pFGrayAccu = new Array();//其中每一个值等于m_pFstdHistogram中从0到当前下标值的和

   var m_pFGrayAve = new Array();//其中每一值等于m_pFstdHistogram中从0到当前指定下标值*对应的下标之和

   var m_pAverage=0;//值为m_pFstdHistogram【256】中每一点的分布概率*当前下标之和

   var m_pHistogram = new Array();//灰度直方图

   var i,j;

   var temp=0,fMax=0;//定义一个临时变量和一个最大类间方差的值

   var nThresh = 0;//最优阀值

   //获取灰度图像的信息

   var imageInfo = GetGrayImageInfo();

   if(imageInfo == null){

     window.alert("图像还没有转化为灰度图像！");

     return;

   }

   //初始化各项参数

   for(i=0; i<256; i++){

     m_pFstdHistogram[i] = 0;

     m_pFGrayAccu[i] = 0;

     m_pFGrayAve[i] = 0;

     m_pHistogram[i] = 0;

   }

   //获取图像信息

   var canvasData = imageInfo[0];

   //获取图像的像素

   var pixels = canvasData.data;

   //下面统计图像的灰度分布信息

   for(i=0; i<pixels.length; i+=4){

      //获取r的像素值，因为灰度图像，r=g=b，所以取第一个即可

      var r = pixels[i];

      m_pHistogram[r]++;

   }

   //下面计算每一个灰度点在图像中出现的概率

   var size = canvasData.width * canvasData.height;

   for(i=0; i<256; i++){

      m_pFstdHistogram[i] = m_pHistogram[i] / size;

   }

   //下面开始计算m_pFGrayAccu和m_pFGrayAve和m_pAverage的值

   for(i=0; i<256; i++){

      for(j=0; j<=i; j++){

        //计算m_pFGaryAccu[256]

		m_pFGrayAccu[i] += m_pFstdHistogram[j];

		//计算m_pFGrayAve[256]

		m_pFGrayAve[i] += j * m_pFstdHistogram[j];

      }

      //计算平均值

	  m_pAverage += i * m_pFstdHistogram[i];

   }

   //下面开始就算OSTU的值，从0-255个值中分别计算ostu并寻找出最大值作为分割阀值

   for (i = 0 ; i < 256 ; i++){

		temp = (m_pAverage * m_pFGrayAccu[i] - m_pFGrayAve[i]) 

		     * (m_pAverage * m_pFGrayAccu[i] - m_pFGrayAve[i]) 

		     / (m_pFGrayAccu[i] * (1 - m_pFGrayAccu[i]));

		if (temp > fMax)

		{

			fMax = temp;

			nThresh = i;

		}

	}

   //下面执行二值化过程 

   for(i=0; i<canvasData.width; i++){

      for(j=0; j<canvasData.height; j++){

         //取得每一点的位置

         var ids = (i + j*canvasData.width)*4;

         //取得像素的R分量的值

         var r = canvasData.data[ids];

         //与阀值进行比较，如果小于阀值，那么将改点置为0，否则置为255

         var gray = r>nThresh?255:0;

         canvasData.data[ids+0] = gray;

         canvasData.data[ids+1] = gray;

         canvasData.data[ids+2] = gray;

      }

   }

   //显示二值化图像

   var newImage = document.getElementById('myCanvasThreshold').getContext('2d');

   newImage.putImageData(canvasData,0,0);

 }	

 //获取图像的灰度图像的信息

 function GetGrayImageInfo(){

    var canvas = document.getElementById('myCanvasElt');

	var ctx = canvas.getContext('2d');

	var canvasData = ctx.getImageData(0, 0, canvas.width, canvas.height);

	if(canvasData.data.length==0){

	  return null;

	}

	return [canvasData,ctx];

 }

 //下面对灰度图像进行处理，将目标信息分割出来

 function DividedTarget(){

   //读取二值化图像信息

   var imageInfo = document.getElementById('myCanvasThreshold');

   if(imageInfo == null){

     window.alert("没有发现二值化图像信息！");

     return;

   }

   //取得上下文

   var ctx = imageInfo.getContext('2d');

   //获取图像数据

   var canvasData = imageInfo.getImageData(0, 0, ctx.width, ctx.height);

   var newVanvasData = canvasData;

   //取得图像的宽和高

   var width = canvasData.width;

   var height = canvasData.height;

   //算法开始

   var cursor = 2;

   for(var x=0; x<width; x++){

      for(var y=0; y<height; y++){

         //取得每一点的位置

         var ids = (x + y*canvasData.width)*4;

         //取得像素的R分量的值

         var r = canvasData.data[ids];

         //如果是目标点

         if(r==0){

         }

      }

   }

 }

      算法的实现中给出了详细的注释，如果有不清楚的地方可以留言或者发邮件咨询，值得注意的是，由于js不允许跨域访问的特性，要想成功运行上面的代码，必须将它运行在一个服务器中，比如说Apache。

代码详单

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">

<html>

  <head>

    <title>gray.html</title>

    <meta http-equiv="keywords" content="keyword1,keyword2,keyword3">

    <meta http-equiv="description" content="this is my page">

    <meta http-equiv="content-type" content="text/html; charset=UTF-8">

    <!--<link rel="stylesheet" type="text/css" href="./styles.css">-->

<script type="text/javascript">

function ProcessToGrayImage(){

	var canvas = document.getElementById('myCanvasElt');

	var ctx = canvas.getContext('2d');

	var img=new Image()

	img.src="image/VerifyCode.jpg"

	ctx.drawImage(img,0,0);

	var canvasData = ctx.getImageData(0, 0, canvas.width, canvas.height);

	for (var x = 0; x < canvasData.width; x++) {

	    for (var y = 0; y < canvasData.height; y++) {

	        // Index of the pixel in the array

	        var idx = (x + y * canvas.width) * 4;

	        // The RGB values

	        var r = canvasData.data[idx + 0];

	        var g = canvasData.data[idx + 1];

	        var b = canvasData.data[idx + 2];

	        // Update the values of the pixel;

	        var gray = CalculateGrayValue(r , g , b);

	        canvasData.data[idx + 0] = gray;

	        canvasData.data[idx + 1] = gray;

	        canvasData.data[idx + 2] = gray;

	    }

	}

	ctx.putImageData(canvasData, 0, 0);

}

//计算图像的灰度值,公式为：Gray = R*0.299 + G*0.587 + B*0.114

 function CalculateGrayValue(rValue,gValue,bValue){

 	   return parseInt(rValue * 0.299 + gValue * 0.587 + bValue * 0.114);

 	}	

 //一维OTSU图像处理算法

 function OTSUAlgorithm(){

   var m_pFstdHistogram = new Array();//表示灰度值的分布点概率

   var m_pFGrayAccu = new Array();//其中每一个值等于m_pFstdHistogram中从0到当前下标值的和

   var m_pFGrayAve = new Array();//其中每一值等于m_pFstdHistogram中从0到当前指定下标值*对应的下标之和

   var m_pAverage=0;//值为m_pFstdHistogram【256】中每一点的分布概率*当前下标之和

   var m_pHistogram = new Array();//灰度直方图

   var i,j;

   var temp=0,fMax=0;//定义一个临时变量和一个最大类间方差的值

   var nThresh = 0;//最优阀值

   //获取灰度图像的信息

   var imageInfo = GetGrayImageInfo();

   if(imageInfo == null){

     window.alert("图像还没有转化为灰度图像！");

     return;

   }

   //初始化各项参数

   for(i=0; i<256; i++){

     m_pFstdHistogram[i] = 0;

     m_pFGrayAccu[i] = 0;

     m_pFGrayAve[i] = 0;

     m_pHistogram[i] = 0;

   }

   //获取图像信息

   var canvasData = imageInfo[0];

   //获取图像的像素

   var pixels = canvasData.data;

   //下面统计图像的灰度分布信息

   for(i=0; i<pixels.length; i+=4){

      //获取r的像素值，因为灰度图像，r=g=b，所以取第一个即可

      var r = pixels[i];

      m_pHistogram[r]++;

   }

   //下面计算每一个灰度点在图像中出现的概率

   var size = canvasData.width * canvasData.height;

   for(i=0; i<256; i++){

      m_pFstdHistogram[i] = m_pHistogram[i] / size;

   }

   //下面开始计算m_pFGrayAccu和m_pFGrayAve和m_pAverage的值

   for(i=0; i<256; i++){

      for(j=0; j<=i; j++){

        //计算m_pFGaryAccu[256]

		m_pFGrayAccu[i] += m_pFstdHistogram[j];

		//计算m_pFGrayAve[256]

		m_pFGrayAve[i] += j * m_pFstdHistogram[j];

      }

      //计算平均值

	  m_pAverage += i * m_pFstdHistogram[i];

   }

   //下面开始就算OSTU的值，从0-255个值中分别计算ostu并寻找出最大值作为分割阀值

   for (i = 0 ; i < 256 ; i++){

		temp = (m_pAverage * m_pFGrayAccu[i] - m_pFGrayAve[i]) 

		     * (m_pAverage * m_pFGrayAccu[i] - m_pFGrayAve[i]) 

		     / (m_pFGrayAccu[i] * (1 - m_pFGrayAccu[i]));

		if (temp > fMax)

		{

			fMax = temp;

			nThresh = i;

		}

	}

   //下面执行二值化过程 

   for(i=0; i<canvasData.width; i++){

      for(j=0; j<canvasData.height; j++){

         //取得每一点的位置

         var ids = (i + j*canvasData.width)*4;

         //取得像素的R分量的值

         var r = canvasData.data[ids];

         //与阀值进行比较，如果小于阀值，那么将改点置为0，否则置为255

         var gray = r>nThresh?255:0;

         canvasData.data[ids+0] = gray;

         canvasData.data[ids+1] = gray;

         canvasData.data[ids+2] = gray;

      }

   }

   //显示二值化图像

   var newImage = document.getElementById('myCanvasThreshold').getContext('2d');

   newImage.putImageData(canvasData,0,0);

 }	

 //获取图像的灰度图像的信息

 function GetGrayImageInfo(){

    var canvas = document.getElementById('myCanvasElt');

	var ctx = canvas.getContext('2d');

	var canvasData = ctx.getImageData(0, 0, canvas.width, canvas.height);

	if(canvasData.data.length==0){

	  return null;

	}

	return [canvasData,ctx];

 }

 //下面对灰度图像进行处理，将目标信息分割出来

 function DividedTarget(){

   //读取二值化图像信息

   var imageInfo = document.getElementById('myCanvasThreshold');

   if(imageInfo == null){

     window.alert("没有发现二值化图像信息！");

     return;

   }

   //取得上下文

   var ctx = imageInfo.getContext('2d');

   //获取图像数据

   var canvasData = imageInfo.getImageData(0, 0, ctx.width, ctx.height);

   var newVanvasData = canvasData;

   //取得图像的宽和高

   var width = canvasData.width;

   var height = canvasData.height;

   //算法开始

   var cursor = 2;

   for(var x=0; x<width; x++){

      for(var y=0; y<height; y++){

         //取得每一点的位置

         var ids = (x + y*canvasData.width)*4;

         //取得像素的R分量的值

         var r = canvasData.data[ids];

         //如果是目标点

         if(r==0){

         }

      }

   }

 }

</script>

  </head>

  <body>

  原图像：<br/>

  <img src="image/VerifyCode.jpg" /><br/>

  灰度图像：<input type="button" value="处理" onclick="javascript:ProcessToGrayImage();" /><br/>

  <canvas id="myCanvasElt" width="200" height="100"></canvas><br/>

  二值化图像：<input type="button" value="二值化" onclick="javascript:OTSUAlgorithm();" /><br/>

  <canvas id="myCanvasThreshold" width="200" height="100"></canvas><br/>

  </body>

</html>

总结说明

      HTML5的新特性，为前端开发人员提供了更加广阔的施展空间，js对图像处理方面的支持使得算法的实现更加方便、快捷。

      由于时间的不足，本来是想实现验证码的分割识别的。现在剩下的就只有目标提取方面了，在识别方面，我已经做好了大小写字母和数字的16x16的二进制模板，如果哪位有兴趣的话可以给我留言或发电子邮件，索取这个信息。

by Rush

2012年2月24日 10:26:19