实验3 二值化和细化.pdf

实验三 图像的二值化和细化 P王伟 实验原理： 图像二值化的目的是将图像一分为二，即将图像划分为物体和背景两个部分，利用图像 的灰度直方图以确定相应的分割阈值是实现图像二值化的一个方法。该方法是基于如下的假 设，即图像中的每一个区域都是由许多灰度级相似的像素所组成的，而物体和背景以及不同 物体之间其灰度级则存在明显的差别。此时，图像的灰度直方图中将出现明显的峰值。这样， 只要能根据直方图的形状适当选取灰度阈值，即可实现对图像的分割。 一般而言，图像的二值化的阈值处理方式如下： f (i, j)=1, f (i, j)=t; f (i, j)=0,f (i, j)=t 通常，用f(i,j) =1 的部分表示图像，用f(i,j) =0的部分表示背景，确定t的方法称为阈值选 择。常用的最佳阈值判定方法有： 1.类判别分析法： 1) 计算输入图像的灰度级直方图（用灰度级的概率函数Phs(i)来表示）。 2) 计算灰度均值(Ave) 255 Ave= ∑(i−1)Phs(i) i=0 3) 计算灰度类均值(Aver(k))和类直方图和(W(k)) K Aver(k) = ∑(i+1)Phs(i) 0 K W(k) = ∑Phs(i) i=1 4) 计算类分离指标 Q(k) = {[Ave*W(k) − Aver(k)]^2}/[W(k)*(1−W(k))] 5) 求使Q最大的k,最佳阈值：T=k-1。 2.S.Watanabe方法 设 ： X(i, j)为输入图像中点(i, j)的灰度级；Y(i+k1, j+ k2)为点(i, j)的8邻域象 素的灰度级； 同 的关系如下图所示： X(i, j) Y(i+k1, j+ k2) Y(i−1, j−1) Y(i−1, j) Y(i−1, j+1) Y(i, j−1) X(i, j) Y(i, j+1) Y(i+1, j−1) Y(i, j+1) Y(i+1, j+1) 则灰度级X的差定义为： 1 1 S(i, j,X) = ∑ ∑(D(i+ k1, j+ k2)) k1=−1 k2=−1 其中： 当 - 0时， = - ， X(i, j) Y(i+k1, j+ k2) D(i+k1, j+k2) X(i, j) Y(i+k1, j+ k2) 当X(i, j)-Y(i+k1, j+ k2)0时，D(i+k1, j+k2)=0。 将图像中的每个灰度级的所有S(i, j)分别叠加，可得到灰度差的直方图。即： C(x) = ∑s(i, j,x) ∑ 表示所有灰度为X的像素的S取和。 对应于最大的C(x)的灰度级即为输出的阈值Y。 图像细化方法： Deutsch法：对值为1和0的二值图像进行细化处理。其中1为待细化的图像，0为 背景。算法如下： f（4） f(3) f(2) f(5) f(0) f(1) f(6) f(7) f(8) 如上图所示，设f(0)为输入图像的任意像素，f(k)为f(0)的8邻域像素灰度值，位置