基于阈值的图像分割方法

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。

 1 for (int i = 0; i < nWidth; ++i)
 2 {
 3     for (int j = 0; j < nHigh; ++j)
 4     {
 5         if (Image[i][j] >= 阈值)
 6         {
 7             Image[i][j] = 255;
 8         }
 9         else
10         {
11             Image[i][j] = 0;
12         }
13     }
14 }

 

  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

 1 for (j = 0; j < height; j++)
 2 {
 3     for (i = 0; i < wide; i++)
 4     {
 5         lpSrc = p_data + wide*j + i;
 6         lpDst = temp + wide*j + i;
 7 
 8         if ((*lpSrc - 阈值) < 30)
 9             *lpDst = *lpSrc;
10         else
11             *lpDst = 255;
12     }
13 }

  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.

1 ZO = Sum(nHist[i] * i) / Sum(nHist[i]); 10 <= i <= 130
2 BO = Sum(nHist[i] * i) / Sum(nHist[i]); 131 <= i <= 250

  /////////////////////////////////////////////////////////////////////////////////////////////////////////////////

 1 ZO = .0, ZB = .0;
 2 int nB = 0, nO = 0;
 3 BYTE bytVal = 0;
 4 
 5 while (还有图像数据没读完)
 6 {
 7     bytVal = ReadNextPixel();
 8     if (bytVal > T0)
 9     {
10         ZB += bytVal;
11         ++nB;
12     }
13     else
14     {
15         ZO += bytVal;
16         ++nO;
17     }
18 }
19 ZO /= nO;
20 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。

1 T0 = (nZmax + nZmin) / 2;

C. 迭代了求出阈值

 1 int i;
 2 while (true)
 3 {
 4     // 计算下一个迭代阀值
 5     for (i = 0; i < T0 + 1; i++)
 6     {
 7         Temp0 += tongji[i] * i;
 8         Temp1 += tongji[i];
 9     }
10     for (i = T0 + 1; i < 256; i++)
11     {
12         Temp2 += tongji[i] * i;
13         Temp3 += tongji[i];
14     }
15     // (大于T0的灰度均值 + 小于T0的灰度均值) / 2
16     T2 = (Temp0 / Temp1 + Temp2 / Temp3) / 2;
17     // 看迭代结果是否已收敛
18     if (T0 == T2)
19         break;
20     else
21         T0 = T2;
22 }

D. 根据上一步求到的T2阈值进行图像分割

 1 // 对各像素进行灰度转换
 2            // 对各像素进行灰度转换
 3        for (j = 0; j < height; j ++)
 4        {
 5               for (i = 0; i < wide; i ++)
 6               {
 7                      // 读取像素
 8                      unsigned char temp = *((unsigned char *)p_data + wide * j + i);
 9                      // 判断像素灰度值是否超出范围
10                      if (temp < T0)
11                             temp = 0;
12                      else
13                             temp = 255;
14                      // 回写处理完的像素
15                      *((unsigned char *)p_data + wide * j + i) = temp;
16               }
17        }

 

//////////////////////////////////////////////////////////////////////////////////////////////////////////

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

 1 //迭代求最佳阈值
 2        iNewThreshold = (iMinGrayValue + iMaxGrayValue)/2;
 3        iThreshold = 0;
 4        for(iIterationTimes = 0; iThreshold != iNewThreshold && iIterationTimes < 100;iIterationTimes ++)
 5        {
 6               iThreshold = iNewThreshold;
 7               lP1 =0;
 8               lP2 =0;
 9               lS1 = 0;
10               lS2 = 0;
11               //求两个区域的灰度平均值
12               for (i = iMinGrayValue;i < iThreshold;i++)
13               {
14                      lP1 += lHistogram[i]*i;
15                      lS1 += lHistogram[i];
16               }
17               iMean1GrayValue = (unsigned char)(lP1 / lS1);
18               for (i = iThreshold+1;i < iMaxGrayValue;i++)
19               {
20                      lP2 += lHistogram[i]*i;
21                      lS2 += lHistogram[i];
22               }
23               iMean2GrayValue = (unsigned char)(lP2 / lS2);
24               iNewThreshold =  (iMean1GrayValue + iMean2GrayValue)/2;
25        }

// 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

 1 //根据阈值将图像二值化
 2        for (i = 0;i < lHeight ;i++)
 3        {
 4                      for(j = 0;j < lWidth ;j++)
 5                      {
 6                             // 指向源图像倒数第j行,第i个象素的指针               
 7                             lpSrc = (char *)lpDIBBits + lLineBytes *i + j;
 8              
 9                             // 指向目标图像倒数第j行,第i个象素的指针                   
10                             lpDst = (char *)lpNewDIBBits + lLineBytes *i + j;
11  
12                             pixel = (unsigned char)*lpSrc;
13                            
14                             if(pixel <= iThreshold)
15                             {
16                                    *lpDst = (unsigned char)0;
17                             }
18                             else
19                             {
20                                    *lpDst = (unsigned char)255;
21                             }
22                      }
23        }

 

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:

1 ω0 = N0/ M×N        (1)
2 ω1 = N1/ M×N        (2)
3 N0 + N1 = M×N       (3)
4 ω0 + ω1 = 1          (4)
5 μ= ω0 * μ0 + ω1 * μ1   (5)
6 g = ω0 (μ0 -μ) ^ 2 + ω1 (μ1 - μ)^2    (6)

将式(5)代入式(6),得到等价公式:

1 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)

 1 FLOAT result;
 2     
 3      int cnt0;
 4      int cnt1;
 5      FLOAT max=0.0;
 6      for (thre = 1; thre < 255; thre++)
 7      {
 8          cnt0=0;
 9          cnt1=0;
10          pixeltotalC0=0.0;
11          pixeltotalC1=0.0;
12          // 计算背景与目标的像素数各是多少
13          // 计算背景与目标的像素值总和各是多少
14          for (i=0; i<lHeight; i++)
15          {
16               for (j=0; j<lWidth; j++)
17               {
18                    if (ImageSrc[i][j] <= thre)
19                    {
20                        cnt0++;
21                        pixeltotalC0 += ImageSrc[i][j];
22                    }
23                    else
24                    {
25                        cnt1++;
26                        pixeltotalC1 += ImageSrc[i][j];
27                    }
28               }
29          }
30          cnt0=cnt0;
31          cnt1=cnt1;
32  
33          rateC0 = 1.0 * cnt0 / (lHeight * lWidth); // 计算背景的面积比例
34          rateC1 = 1 - rateC0;                           // 计算目标的面积比例
35  
36          // 计算背景平均灰度
37          if (cnt0 != 0)
38          {
39               pixelaverC0 = pixeltotalC0 / cnt0;       
40          }
41          else
42          {
43               pixelaverC0 = 0;
44          }
45  
46          // 计算目标平均灰度
47          if (cnt1 !=0)
48          {
49               pixelaverC1 = pixeltotalC1 / cnt1;
50          }
51          else
52          {
53               pixelaverC1 = 0;
54          }
55  
56          // 计算类间方差
57          result = rateC0 * rateC1 * (pixelaverC0 - pixelaverC1) * (pixelaverC0 - pixelaverC1);
58  
59          // 找到最大的类间方差, 就找到最佳的阈值了
60          if(result > max)
61          {
62               max = result;
63               threbest = thre;
64          }
65      }
66     
67      // 进行二值化
68      for (i=0; i<lHeight; i++)
69      {
70          for (j=0; j<lWidth; j++)
71          {
72               if (ImageSrc[i][j] >= threbest)
73               {
74                    ImageDst[i][j] = (unsigned char)255;
75               }
76               else
77               {
78                    ImageDst[i][j] = (unsigned char)0;
79               }
80          }
81       }

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

 1 /*
 2 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。
 3 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。
 4 parameter: *image --- buffer for image
 5 rows, cols --- size of image
 6 x0, y0, dx, dy --- region of vector used for computing threshold
 7 vvv --- debug option, is 0, no debug information outputed
 8 */
 9 /*======================================================================*/
10 /* OTSU global thresholding routine */
11 /* takes a 2D unsigned char array pointer, number of rows, and */
12 /* number of cols in the array. returns the value of the threshold */
13 /*======================================================================*/
14 // 这段代码可以针对图像的区域
15 int otsu (unsigned char *image, int rows, int cols, int x0, int y0, int dx, int dy)
16 {
17      unsigned char *np; // 图像指针
18      int thresholdValue=1; // 阈值
19      int ihist[256]; // 图像直方图,个点
20  
21      int i, j, k; // various counters
22      int n, n1, n2, gmin, gmax;
23      double m1, m2, sum, csum, fmax, sb;
24  
25      // 对直方图置零...
26      memset(ihist, 0, sizeof(ihist));
27  
28      gmin=255; gmax=0;
29      // 生成直方图
30      // 求出最大像素值和最小像素值
31      // 求出图像中各个灰度值的个数存于数组ihist中
32      for (i = y0 + 1; i < y0 + dy - 1; i++)
33      {
34          np = &image[i*cols+x0+1];
35          for (j = x0 + 1; j < x0 + dx - 1; j++)
36           {
37               ihist[*np]++;
38               if(*np > gmax) gmax=*np;
39               if(*np < gmin) gmin=*np;
40               np++; /* next pixel */
41          }
42      }
43  
44      // set up everything
45      sum = csum = 0.0;
46      n = 0;
47  
48      // 不知道这个有什么用?
49      for (k = 0; k <= 255; k++)
50      {
51          // 图像的总灰度值
52          sum += (double) k * (double) ihist[k]; /* x*f(x) 质量矩*/
53          // 总像素点数? 不就是等于宽*高吗
54          n += ihist[k]; /* f(x) 质量*/
55      }
56  
57      if (!n)
58      {
59          // if n has no value, there is problems...
60          fprintf (stderr, "NOT NORMAL thresholdValue = 160/n";
61          return (160);
62      }
63  
64      // do the otsu global thresholding method
65      fmax = -1.0;
66      n1 = 0;
67      for (k = 0; k < 255; k++)
68      {
69          n1 += ihist[k];
70          if (!n1)
71          {
72               continue;
73          }
74          n2 = n - n1;
75          if (n2 == 0)
76          {
77               break;
78          }
79          csum += (double) k *ihist[k];
80          m1 = csum / n1;
81          m2 = (sum - csum) / n2;
82          sb = (double) n1 *(double) n2 *(m1 - m2) * (m1 - m2);
83          /* bbg: note: can be optimized. */
84          if (sb > fmax)
85          {
86               fmax = sb;
87               thresholdValue = k;
88          }
89      }
90      // at this point we have our thresholding value
91      return(thresholdValue);
92 }

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)

posted @ 2016-06-03 17:01  wangduo  阅读(...)  评论(...编辑  收藏