改进的OTSU局部递归算法.doc

改进的局部递归 OTSU 分割算法 . 1.引言 图像阈值自动选取方法的研究长期以来吸引着众多学者 ,寻找简单实用、 自适应强的阈值自动选取 方法是这些研究者们的共同目标。 N.Otsu 在 1979年提出的最大类间方差法 (有时也称之为大津方法 一直被认为是阈值自动选取方法的最优方法,该方法计算简单、 自适应强,并且在一定条件下不受图 像对比度与亮度变化的影响 ,因而在一些实时图像处理系统中得到了很广泛的应用。 本文通过对该方法 的分析提出了改进的局部递归 OTSU 分割方法 ,实验结果证明该方法具有较强的鲁棒性和较好的分割效 果。 2. OTSU 算法及其局限性 选取门限是基于这样一个假设 :能够被很好地分割的各类在灰度级上是可分的 。因此 ,最佳门限应 该是能最好地将两类分开的门限 ,OTSU 正是通过计算最大类间方差而得到分割门限的。 因为方差是灰度分 布均匀性的一种度量 ,方差值越大 ,说明构成图像的两部分差别越大 ,当部分目标错分为背景或部分背 景错分为目标都会导致两部分差别变小 ,因此使类间方差最大的分割意味着错分概率最小 ,这便是大津 方法的真正含义。 具体地说,它把图像像素按灰度级用阈值 t 划分为两类 0C 和 1C ,即 {}t C , , , 100=, {}1211-++=l t t C , , , , 其中 {110-l , , , }为图像的灰度级。 若用 222T B W σσσ、 、 分别表示类内、 类间和总体方差,那么通过使以下关于 t 的等价的判决准则函数达到最大来确定最佳阈值 0t : 22W B σσλ= 22T B σση= 22W T σσκ= 在这三个准则函数中, η最为简便,又因为 2T σ已知,与 t 值无关,故 {} ( (21002t t B l t B Max σ σ-≤≤= 这 里的 (([]t t t t t T B ωωμωμσ--=1 (22,式中, ∑-==10l i i T ip μ, (∑==t i i ip t 0 μ, (∑==t i i p t 0ω ,i p 表示图像中灰 度级 i 出现的概率。 这种方法计算简单,稳定有效,且很实用。然而,我们仔细地分析 OTSU 准则的门限获取过程后不难 发现 ,即使在较为理想的“双峰”条件下 ,对于某些情况 ,用 OTSU 准则得到的门限与理想门限也会存在 着较大的差异。例如 ,当图像中目标区域和背景区域的像素数量相差太大时 ,表现在直方图上就是一个 波峰要比另一个波峰大得多 。此时 ,若利用 OTSU 准则来求取门限 ,则由于原理的局限性 ,所得到的门 限不可避免地向较大的波峰方向“漂移”,导致目标区域分割的失败 [2]。实验结果如图 1,图 2,图 3所 示。 图 1 红外飞机全景图像 图 2 红外飞机全景图像直方图 图 3 简单 OTSU 算法分割结果图 3.改进的局部递归 OTSU 算法 如前所述, 采用简单的 OTSU 算法, 如果目标与背景所占的区域大小相差悬殊, 就不能有效的分割出 目标区域。要解决这个问题,必须对 OTSU 算法进行改进。在这里,我们提出了一种改进的局部递归 OTSU 分割的方法,较好地解决了这个问题 [3]、 [4] 。 在红外飞机图像中 [5], 飞机目标的灰度级比较高, 而且目标区域的面积往往要比背景区域的面积要小 一些,当两者面积相差悬殊的时候,门限不可避免地向背景波峰方向“漂移”,错误地将部分背景划分 到目标区域像,如图 3所示。我们可以这样考虑,简单的一次 OTSU 分割不能达到理想的效果,分割结果 图象可以分为两部分 : 背景区域和(含有部分背景的目标区域,由于我们只对目标区域感兴趣,把背 景区域去掉并不会丢失目标信息。那么,我们可以对结果图像的(含有部分背景的目标区域进行 OTSU 分割得到新的结果图像,同样,把新的结果图像中背景区域去掉,如果目标区域还包含有部分背景,那 么,我们再对(含有部分背景的目标区域进行 OTSU 分割,就这样依次不断递归下去,直到分割图像达 到理想的效果为止。 我们称这种方法为局部递归 OTSU 分割方法,具体算法如下:首先,将整幅图像的所有像素看成是点 集 S ,找到一个阈值 t 对 S 作 OTSU 分割,将其分为 1S 和 2S 两个点集,其中 1S 的灰度级较低, 2S 的灰度 级较高,此时的分割还不能达到提取飞机目标区域的目的;接着,考虑到飞机目标灰度级比较高,目标 区域的像素应该包含在 2S 点集里, 所以我们舍弃 1S 点集, 仅留下 2S 点集; 然后找到一个比 t 大的阈值 1t 对 2S 点集进行 OTSU 分割,将 2S 分割为 3S 和 4S 两个点集,再舍弃较低灰度级的 3S 点集,留下 4S 点