[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN107945200B - 图像二值化分割方法 - Google Patents

图像二值化分割方法 Download PDF

Info

Publication number
CN107945200B
CN107945200B CN201711339682.9A CN201711339682A CN107945200B CN 107945200 B CN107945200 B CN 107945200B CN 201711339682 A CN201711339682 A CN 201711339682A CN 107945200 B CN107945200 B CN 107945200B
Authority
CN
China
Prior art keywords
image
target image
num
sub
marked
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711339682.9A
Other languages
English (en)
Other versions
CN107945200A (zh
Inventor
李艳鸽
韩征
王卫东
黄健陵
陈光齐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201711339682.9A priority Critical patent/CN107945200B/zh
Publication of CN107945200A publication Critical patent/CN107945200A/zh
Application granted granted Critical
Publication of CN107945200B publication Critical patent/CN107945200B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像二值化分割方法，包括获取目标图像；将目标图像分割为若干张子图像；计算各子图像的均值、方差和灰度值；计算二值化分割的最佳阈值；各子图像的灰度值最佳阈值比较从而将子图像中的像素点标记为目标图像或背景图像；重复上述步骤并计算目标图像中各个像素点被标记为目标图像获背景图像的概率；将各个像素点被标记为目标图像或背景图像的概率与门限值进行对比，从而将目标图像中的各个像素点标记为目标图像或背景图像，完成目标图像的二值化分割。本发明方法在大区域、不均匀光照条件下影像识别效果较好，而且方法客观，科学，简单，方便。

Description

图像二值化分割方法
技术领域
本发明具体涉及一种图像二值化分割方法。
背景技术
随着国家经济技术的发展和人们生活水平的提高，图像处理技术已经广泛应用于人们的生产和生活之中，给人们的生产和生活带来了无尽的便利。
图像分割方法是图像处理的重要手段。图像分割是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程，它是由图像处理到图像分析的关键步骤，其分割结果的正确性直接影响着目标检测和识别的智能化程度。图像分割方法经历数十年的发展，出现了大量不同类型的算法。目前图像分割法大致可分为：基于阈值的方法、基于区域的方法、基于边缘的方法、区域与边缘相结合的方法以及多尺度分割法等几大类。除此之外，神经网络、模糊数学、数学形态学等理论近年来也广泛应用于图像分割领域，涌现出众多新算法。这些算法原理虽各不相同，但基本都利用了图像覆盖的各类信息，如光谱信息、纹理信息、不同时相和不同传感器的信息等。在诸多分割方法中，二值化方法是一种特殊的图像分割技术，目的是将图像中的目标和背景部分用两种对立的颜色加以标识，以对图像中的目标进行初步判别，为后续的目标特征提取、场景分析等步骤提供基础。其中，应用最广泛的二值化方法是阈值分割法，该类算法给定一个灰度阈值，以此为门限对所有像素实施类别划分。
阈值分割法通常分为两类：全局法和局部法。全局法确定整张影像的单一阈值，并将其与影像各像素灰度值比较，以此分离目标和背景，该法简单且容易实现。局部法将整张影像分成若干具有一定尺寸的子图像，通过确定不同子图像的阈值将单个子图像逐一分类，最终再将子图像分割结果进行拼接，该法可以解决光照不均影响二值化分割结果的问题。总体而言，全局法和局部法存在以下问题：
(1)全局阈值法(如Otsu法)只适合于图像的灰度直方图具有理想的双峰形状，当图像的灰度直方图呈现单峰或者多峰时则效果不甚理想，其分割结果依赖于均匀的光照条件；
(2)局部阈值法(如Niblack法)中的子图像尺寸选择主要采用经验法与试错法，即人为经验性地选取多组子图像尺寸对遥感影像进行二值化分割，最后选择分割结果较为理想的一组。该方法没有考虑影像的整体特征，且实施起来效率很低，主观性很大；
(3)局部阈值法通过将整张影像分解为许多子图像，并采用局部阈值对每张子图像单独进行二值化处理，最后将各子图像分割结果进行拼接。拼接过程中，各子图像在边缘连接处往往会产生分割结果差距较大的现象，导致明显的边界效应存在。
由于以上存在的问题，现有图像二值化方法给影像自动解译带来很大的难度，极易导致目标被误判、漏判。因此，传统的图像阈值分割方法在应用于光谱信息丰富，观测范围大的影像目标识别时必须被改进。
发明内容
本发明的目的在于提供一种在大区域、不均匀光照条件下影像识别效果较好，而且方法客观科学的图像二值化分割方法。
本发明提供的这种图像二值化分割方法，包括如下步骤：
S1.获取目标图像；
S2.将目标图像分割为若干张子图像；
S3.计算步骤S2得到的各子图像的均值、方差和灰度值；
S4.根据步骤S3得到的各子图像的均值和方差计算各子图像二值化分割的最佳阈值；
S5.将步骤S3得到的各子图像的灰度值与步骤S4得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像；
S6.重复步骤S2～S5共(MCS-1)次，计算目标图像中各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率；
S7.将步骤S6得到的各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率与事先设定的门限值进行对比，从而将目标图像中的各个像素点标记为目标图像或背景图像，从而完成目标图像的二值化分割。
步骤S2所述的将目标图像分割为若干张子图像，具体为采用如下步骤进行分割：
A.对于大小为M×N的目标图像，设定初始的窗口尺寸为num1；
B.以num1×num1作为正方形窗口，将M×N的目标图像划分为若干子图像；
C.将步骤B中未划入num1×num1正方形窗口的像素点划入若干矩形窗口的子图像，从而将M×N的目标图像中的所有像素点均划分至各子图像中。
步骤C所述的矩形窗口，具体包括如下三种矩形窗口：
第一矩形窗口：num1×num1'；
第二矩形窗口：num1×num1”；
第三矩形窗口：num1'×num1”；
其中
Figure BDA0001508104700000041
且
Figure BDA0001508104700000042
为向下取整符号。
步骤S4所述的计算二值化分割的最佳阈值，具体为采用Otsu算法计算最佳阈值。
步骤S6所述的重复步骤S2～S5，具体为采用如下步骤进行重复：
(1)对于第i次重复，重新设置窗口尺寸为numi，numi为小于M且小于N的自然数，且numi与之前的num1，num2，...，numi-1均不相等，并计算窗口尺寸numi'和numi”；i为大于1的自然数；
(2)根据步骤(1)设置的窗口尺寸，将大小为M×N的目标图像划分为若干子图像；
(3)计算步骤(2)得到的各子图像的均值、方差和灰度值；
(4)根据步骤(3)得到的各子图像的均值和方差计算各子图像的二值化分割的最佳阈值；
(5)将步骤(3)得到的各子图像的灰度值与步骤(4)得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像。
步骤S6所述的计算目标图像中各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率，具体为采用如下算式进行概率计算：
Figure BDA0001508104700000043
式中Pi为第i个像素点被标记为目标图像的概率或被标记为背景图像的概率；MCS为重复的次数；Ppi为第i个像素点在MCS次重复的过程中被标记为目标图像的次数或在MCS次重复的过程中被标记为背景图像的次数。
步骤S7所述的将目标图像中的各个像素点标记为目标图像或背景图像，具体为采用如下规则进行标记：若第i个像素点被标记为目标图像的概率大于事先设定的门限阈值，则将该像素点标记为目标图像，否则将该像素点标记为背景图像。
本发明提供的这种图像二值化分割方法，自动地对区域性复杂图像进行最优二值化分割，算法简单方便，不仅克服了应用全局阈值图像分割方法不能处理不均匀光照条件问题，也解决了已有局部阈值分割方法中人为确定分割尺度的主观性及在子图像合并时出现的锯齿效应问题，通过标记子图象的二值化分割结果，最终还原为原始图像的目标和背景的分类图，能够克服传统图像分割算法在应用于大区域不均匀光照条件下的缺陷问题。
附图说明
图1为本发明方法的方法流程图。
图2为第i次将目标图像分割为子图像时的分割示意图。
图3为本发明方法与传统方法在某具体图像二值化分割时的结果示意图。
具体实施方式
如图1所示为本发明方法的方法流程图：本发明提供的这种图像二值化分割方法，包括如下步骤：
S1.获取目标图像；
S2.采用如下步骤将目标图像分割为若干张子图像；
A.对于大小为M×N的目标图像，设定初始的窗口尺寸为num1；
B.以num1×num1作为正方形窗口，将M×N的目标图像划分为若干子图像；
C.将步骤B中未划入num1×num1正方形窗口的像素点划入若干矩形窗口的子图像，从而将M×N的目标图像中的所有像素点均划分至各子图像中；
在具体实施时，矩形窗口可以采用如下三种矩形窗口：
第一矩形窗口：num1×num1'；
第二矩形窗口：num1×num1”；
第三矩形窗口：num1'×num1”；
其中
Figure BDA0001508104700000061
且
Figure BDA0001508104700000062
为向下取整符号；
S3.计算步骤S2得到的各子图像的均值、方差和灰度值；
S4.根据步骤S3得到的各子图像的均值和方差，采用Otsu算法计算二值化分割的最佳阈值；
S5.将步骤S3得到的各子图像的灰度值与步骤S4得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像；
S6.重复步骤S2～S5共(MCS-1)次，计算目标图像中各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率；
在具体重复步骤S2～S5时，具体为采用如下步骤进行重复：
(1)对于第i次重复，重新设置窗口尺寸为numi，numi为小于M且小于N的自然数，且numi与之前的num1，num2，...，numi-1均不相等，并计算窗口尺寸numi'和numi”；i为大于1的自然数；
(2)根据步骤(1)设置的窗口尺寸，将大小为M×N的目标图像划分为若干子图像(如图2所示)；
(3)计算步骤(2)得到的各子图像的均值、方差和灰度值；
(4)根据步骤(3)得到的各子图像的均值和方差计算二值化分割的最佳阈值；
(5)将步骤(3)得到的各子图像的灰度值与步骤(4)得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像；
同时，采用如下算式计算目标图像中各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率：
Figure BDA0001508104700000071
式中Pi为第i个像素点被标记为目标图像的概率或被标记为背景图像的概率；MCS为重复的次数；Ppi为第i个像素点在MCS次重复的过程中被标记为目标图像的次数或在MCS次重复的过程中被标记为背景图像的次数；
S7.将步骤S6得到的各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率与事先设定的门限值进行对比，按照如下规则将目标图像中的各个像素点标记为目标图像或背景图像：
若第i个像素点被标记为目标图像的概率大于事先设定的门限阈值，则将该像素点标记为目标图像，否则将该像素点标记为背景图像；
在各个像素点均被标记完成后，目标图像的二值化分割完成。
如图3所示为本发明方法与传统方法在某具体图像的二值化分割时的结果示意图：图3(a)为图像识别领域中经典的车牌识别图像的目标图像(原始图像)，因其尾灯开启导致整副图像的光谱差异很大，造成很多传统方法应用于该影像识别时出现误差。如图3(b)为直接用Otsu方法对该目标图像进行二值化分割的结果，图3(c)为Niblack法将窗口尺寸设置为15时对该目标图像进行二值化分割的结果，图3(d)为Niblack法将窗口尺寸设置为50时对该目标图像进行二值化分割的结果，图3(e)为应用本发明方法对该目标图像进行二值化分割所得到的概率图，图3(f)为本发明方法对该目标图像进行二值化分割的最终结果。由此看出，直接应用Otsu方法对车牌识别的结果非常不理想；应用Niblack方法进行图像分割，其分割结果对窗口尺寸的设置非常敏感，在具体应用时该方法难度较大；本发明提出的方法只需设置一个初始的窗口尺寸，即可得到满意的二值化结果。

Claims (2)

1.一种图像二值化分割方法，包括如下步骤：
S1.获取目标图像；
S2.将目标图像分割为若干张子图像；具体为采用如下步骤进行分割：
A.对于大小为M×N的目标图像，设定初始的窗口尺寸为num1；
B.以num1×num1作为正方形窗口，将M×N的目标图像划分为若干子图像；
C.将步骤B中未划入num1×num1正方形窗口的像素点划入若干矩形窗口的子图像，从而将M×N的目标图像中的所有像素点均划分至各子图像中；具体包括如下三种矩形窗口：
第一矩形窗口：num1×num1'；
第二矩形窗口：num1×num1”；
第三矩形窗口：num1'×num1”；
其中
Figure FDA0003004966810000011
且
Figure FDA0003004966810000012
为向下取整符号；
S3.计算步骤S2得到的各子图像的均值、方差和灰度值；
S4.根据步骤S3得到的各子图像的均值和方差计算二值化分割的最佳阈值；具体为采用Otsu算法计算最佳阈值；
S5.将步骤S3得到的各子图像的灰度值与步骤S4得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像；
S6.重复步骤S2～S5共(MCS-1)次，计算目标图像中各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率；具体为采用如下步骤进行重复：
(1)对于第i次重复，重新设置窗口尺寸为numi，numi为小于M且小于N的自然数，且numi与之前的num1，num2，...，numi-1均不相等，并计算窗口尺寸numi'和numi”；i为大于1的自然数；
(2)根据步骤(1)设置的窗口尺寸，将大小为M×N的目标图像划分为若干子图像；
(3)计算步骤(2)得到的各子图像的均值、方差和灰度值；
(4)根据步骤(3)得到的各子图像的均值和方差计算二值化分割的最佳阈值；
(5)将步骤(3)得到的各子图像的灰度值与步骤(4)得到的最佳阈值进行比较：将灰度值大于或等于最佳阈值的子图像中的所有像素点均标记为目标图像，同时将灰度值小于最佳阈值的子图像中的所有像素点均标记为背景图像；
采用如下算式进行概率计算：
Figure FDA0003004966810000021
式中Pk为第k个像素点被标记为目标图像的概率或被标记为背景图像的概率；MCS为重复的次数；Ppk为第k个像素点在MCS次重复的过程中被标记为目标图像的次数或在MCS次重复的过程中被标记为背景图像的次数；
S7.将步骤S6得到的各个像素点被标记为目标图像的概率或各个像素点被标记为背景图像的概率与事先设定的门限值进行对比，从而将目标图像中的各个像素点标记为目标图像或背景图像，从而完成目标图像的二值化分割。
2.根据权利要求1所述的图像二值化分割方法，其特征在于步骤S7所述的将目标图像中的各个像素点标记为目标图像或背景图像，具体为采用如下规则进行标记：若第k个像素点被标记为目标图像的概率大于事先设定的门限阈值，则将该像素点标记为目标图像，否则将该像素点标记为背景图像。
CN201711339682.9A 2017-12-14 2017-12-14 图像二值化分割方法 Active CN107945200B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711339682.9A CN107945200B (zh) 2017-12-14 2017-12-14 图像二值化分割方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711339682.9A CN107945200B (zh) 2017-12-14 2017-12-14 图像二值化分割方法

Publications (2)

Publication Number Publication Date
CN107945200A CN107945200A (zh) 2018-04-20
CN107945200B true CN107945200B (zh) 2021-08-03

Family

ID=61944120

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711339682.9A Active CN107945200B (zh) 2017-12-14 2017-12-14 图像二值化分割方法

Country Status (1)

Country Link
CN (1) CN107945200B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109741334A (zh) * 2018-11-28 2019-05-10 恒银金融科技股份有限公司 一种通过分块阈值进行图像分割的方法
CN109978889A (zh) * 2019-02-20 2019-07-05 广州视源电子科技股份有限公司 一种图像处理方法、系统、装置、存储介质及黑板装置
CN109859218B (zh) * 2019-02-25 2020-12-04 北京邮电大学 病理图关键区域确定方法、装置、电子设备及存储介质
WO2020238819A1 (en) * 2019-05-24 2020-12-03 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image processing
CN110570445B (zh) * 2019-09-09 2022-03-25 上海联影医疗科技股份有限公司 一种图像分割方法、装置、终端及可读介质
CN110348452B (zh) * 2019-06-12 2021-08-20 江苏富山软件科技有限公司 一种图像二值化处理方法及其系统
CN110428440A (zh) * 2019-07-23 2019-11-08 浙江树人学院（浙江树人大学） 一种基于灰度方差的阴影检测方法
CN110781901B (zh) * 2019-10-29 2023-04-28 湖北工业大学 基于bp神经网络预测阈值的仪表重影字符识别方法
CN110992387B (zh) * 2019-11-08 2022-06-10 浪潮电子信息产业股份有限公司 一种图像处理方法、装置及电子设备和存储介质
CN111223115B (zh) * 2020-04-22 2020-07-14 杭州涂鸦信息技术有限公司 一种图像分割方法、装置、设备及介质
CN111753839A (zh) * 2020-05-18 2020-10-09 北京捷通华声科技股份有限公司 一种文本检测方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042735A (zh) * 2006-03-23 2007-09-26 株式会社理光 图像二值化方法和装置
CN101170641A (zh) * 2007-12-05 2008-04-30 北京航空航天大学 一种基于阈值分割的图像边缘检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4713107B2 (ja) * 2004-08-20 2011-06-29 日立オムロンターミナルソリューションズ株式会社 景観中文字列認識方式および装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101042735A (zh) * 2006-03-23 2007-09-26 株式会社理光 图像二值化方法和装置
CN101170641A (zh) * 2007-12-05 2008-04-30 北京航空航天大学 一种基于阈值分割的图像边缘检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A new efficient binarization method: application to degraded historical document images;Hadjadj, Z 等;《SIViP 11》;20170224;第1155–1162页 *
图像二值化技术的研究;江明 等;《软件导刊》;20090430;第175-177页 *

Also Published As

Publication number Publication date
CN107945200A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107945200B (zh) 图像二值化分割方法
CN107545239B (zh) 一种基于车牌识别与车辆特征匹配的套牌检测方法
CN115239735B (zh) 基于计算机视觉的通信柜表面缺陷检测方法
CN109271991B (zh) 一种基于深度学习的车牌检测方法
CN101334836B (zh) 一种融合色彩、尺寸和纹理特征的车牌定位方法
US8655070B1 (en) Tree detection form aerial imagery
CN114419025A (zh) 一种基于图像处理的纤维板质量评估方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN105809121A (zh) 多特征协同的交通标志检测与识别方法
CN116092013B (zh) 一种用于智慧监控的危险路况识别方法
CN107038416B (zh) 一种基于二值图像改进型hog特征的行人检测方法
CN110032946B (zh) 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法
CN109687382B (zh) 一种基于颜色模版匹配的继电保护压板投退状态识别方法
CN103914708A (zh) 基于机器视觉的食品品种检测方法及系统
CN114708325A (zh) 一种基于橡胶喷霜缺陷的橡胶生产问题快速定位方法
CN105023027A (zh) 基于多次反馈机制的现场鞋底痕迹花纹图像检索方法
CN109886168B (zh) 一种基于层阶的地面交通标志识别方法
CN114511770A (zh) 道路标识标牌识别方法
CN117036341A (zh) 一种基于图像处理的路面裂缝检测方法
CN110210316A (zh) 基于灰度图像的交通信号灯数字识别方法
CN107292898B (zh) 一种基于hsv的车牌阴影检测和去除方法
CN111060455B (zh) 面向东北冷凉区的遥感图像作物标记方法和装置
CN111401364A (zh) 一种基于颜色特征和模板匹配相结合的车牌定位算法
CN104573743A (zh) 一种人脸图像检测过滤方法
TWI498830B (zh) 不均勻光線下的車牌辨識方法及系統

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant