医学图像处理课件-2灰度直方图和二值化操作.pptVIP

图像处理技术讲座（2）Digital Image Processing (2)  灰度直方图和二值化操作Gray-level Histogram and Threshold 2006.3.3 直方图和二值化操作Histogram and Threshold 直方图 定义:直方图是基于每个灰度的像素分布函数。 直方图的x轴代表了灰度值，y轴表示每个灰度值下的像素个数. Gray level Pixel numbers 直方图特点 一个图像被压缩成直方图后，所有空间信息都被丢弃。 展示了每个灰度级别的像素数； 没有这些像素的位置信息； 在图像中移动对象，对该图的直方图没有影响。 图像的直方图 VS. 图像的面积 直方图的应用 直方图可以帮助我们建立数字化参数 直方图可以帮助寻找到最优二值化阈值 直方图具有双峰性 双峰之间存在叠加 对应于两个峰值之间的最小灰度值，是最优二值化阈值。 二值化操作 二值化是具有简单性、前后无关联性、有效性的操作手段。 Threshold在本课中仅代表灰度的二值化阈值 将像素分成两个部分 最终生成二值化图像 二值化的形式：固定二值化（fixed threshold value）；自适应二值化（adaptive threshold value） 设置二值化阈值的方法有很多，但是仍然没有一个是具有很强的鲁棒性的。 二值化与灰度直方图的关系 通过分析图像的灰度直方图，选择二值化阈值，从而实现对图像的二值化操作。 不同的图像特征在直方图中反应出不同的特点（双峰性） 一般来说，直方图中对应于两个特征的峰值会出现重叠 二值化处理中，常选择图像的平均灰度值作为阈值的初始值进行二值化处理。 固定二值化 Fixed or Global threshold: 二值化阈值在整个图像中保持不变 固定二值化的表达式: (T is the threshold) Reverse Threshold Normal Threshold 使用两个阈值来确定图像的像素值: 固定二值化 二值化的成功主要取决于选择一个合适的阈值。 例子: 单一的二值化阈值(Example) 两个二值化阈值(Example) Isodata 算法 该方法最早由Ridler 和 Calvard提出。 算法步骤: 选择初始二值化阈值 T0 (e.g. 灰度值的均值) 由初始二值化阈值T0将图像分为两部分 (R1 和 R2) 分别计算R1 和 R2这两部分内的灰度值均值?1和?2. 选择新的二值化阈值: Ti = (?1 + ?2 )/2 重复步骤2-4 ，直到: Ti = Ti-1 习题 参考Isodata算法。假设给定的图像直方图是双模式的，且两个模式如 A1exp[-(z-m1)2/2?12] 和A2exp[-(z-m2)2/2?22] 的高斯曲线，m1m2，且初始的T在图像的最大灰度值和最小灰度值之间。当算法收敛时，给出以下陈述为真的条件（用去下你的参数表示） 阈值等于(m1+m2)/2 阈值在m2左边 阈值位于区间(m1+m2)/2 T m1内 最优二值化阈值的选取 直方图对最优二值化选取很有帮助，但是当直方图的双峰性不明显的时候，此依据并不可靠。 最优二值化选取:设计函数，使得此函数可以为分离灰度区间提供一定的度量。 该评价函数是根据图像的每个灰度值来计算的，选取使得该函数拥有最大值或者最小值的灰度值作为最优二值化阈值。 OTSU （大松）算法 OTSU算法的思想：在直方图中寻找两峰之间的相关性，进而求取评价函数的最优化值，获得双峰之间的最低点。 概率和均值: 概率: N: total pixel number 均值(平均灰度): ni: number of pixels in level i 方差分析 (variance=standard deviation2) 总方差: OTSU （大松）算法 两个集合之间的方差 (?b2 ): 每个集合的灰度均值与整体灰度均值之间的方差表示为： ?b2 = ?0 (?0 - ?t ) 2 + ?1(?1 - ?t ) 2, 将 ?t = ?0 ?0 + ?1?1带入上式 , 得到: ?b2 = ?0?1(?1 - ?0 )2 ?0, ?1, ?0, ?1 分别代表了两个集合的频率和灰度均值。 OTSU （大松）算法 对两个集合间的方差进行归一化操作得到: ? = ?b2 / ?t2 将所有可能的灰度值带入评价函数进行计算，其中使得?值最大的灰度值作为最优化二值化阈值。 OTSU （大松）算法 对于一幅图像，OTSU的步骤如下： 1)计算图像的灰度方