一种基于LoG算子边缘检测的全局二值化方法.pdfVIP

一种基于LoG 算子边缘检测的全局二值化方法 田自君 电子科技大学物理电子学院，成都（610054 ） 摘 要：在详细分析比较当前几种常用的二值化算法的基础上，针对目标和背景分离不明显， 直方图分布较复杂的灰度图像，提出了一种基于拉普拉斯高斯（Laplacian of Gaussian, LoG) 算子边缘检测的全局二值化方法。试验结果表明，与传统的几种方法相比，该方法能够选取 最佳二值化阈值，较好地区分目标和背景，同时还保持目标区域的连通性。 关键词：二值化；LoG 算子；边缘检测； 二值化是图像处理、图像分析及模式识别中的一个重要问题，是许多识别应用系统中不 可缺少的重要环节。二值化效果的好坏直接影响到系统的性能[1] 。对图像二值化处理的关键 是最佳阈值的选择和确定。该阈值将图像分割成两个区域，每个区域有着相似的灰度值，即 分别为目标和背景。目前有多种阈值选取方法。依阈值的应用范围可分为整体阈值法、局部 阈值法和动态阈值法等。整体阈值法是指在二值化过程中只使用一个阈值；局部阈值法则是 由像素的灰度值和像素周围局部灰度特性来确定二值化的阈值；动态阈值法的阈值确定不仅 取决于该像素的灰度值及其周围像素的灰度值，而且与像素位置信息有关。一般来说，整体 阈值法对质量较好的图像较为有效。而局部阈值法则适应于较复杂的图像[2][3] 。各种图像上 目标物性质的变化及灰度变化的多样性，使得传统的二值化方法难以凑效，处理效果不很理 想，影响了对各种图像的后续处理。二值化阈值设置过小易把部分背景错误识别为目标；阈 值设置过大则会把部分目标当做背景。本文在详细分析图像二值化处理原理及当前常用二值 化算法的基础上，针对目标和背景分离不明显，直方图分布较复杂的灰度图像，提出了一种 基于LoG （Laplacian of Gaussian ）算子边缘检测的图像二值化方法。试验结果表明，该方法 能够选取最佳二值化阈值，较好地区分目标和背景，同时还保持目标区域的连通性。 1. 几种常用的二值化方法 目前，常用的图像二值化方法中选取阈值的方法主要有： 1.1 全局迭代算法[4] 全局迭代算法，是一种全局阈值二值化方法。该方法认为图像由目标和背景组成，在灰 度直方图上，目标和背景都形成高峰，在双峰之间的最低谷处就是图像二值化的阈值所在。 其算法原理是，首先选取一初始阈值，其值取为图像的最大灰度值与最小灰度值的均值，根 据该阈值将图像二值化为目标与背景，然后以目标和背景的平均期望值作为新的阈值，对图 像重新二值化，如此不断迭代。当阈值不再变化时，停止迭代。一般迭代几次后即可达到稳 定状态。迭代算法具体过程如下： 首先计算初始阈值g =(g +g ) /2 ，其中，g 、g 分别是图像的灰度最大值和灰度 0 max min max min 最小值。根据g0 把图像中的像素点分成大于g0 和小于g0 的两部分，分别求它们的期望值， 取g 为它们期望的平均值。如此反复迭代，当⏐g -g ⏐足够小时，取T=g ，T 即为全局二值 1 n n-1 n 化的阈值。 m (g ) +m (g ) T lim f n b n (1) n→∞ 2 其中 -1- T gmax n