OTSU阈值分割的实现要点.docVIP

摘要 1原理与实现 1 1.1图像分割 1 1.2阈值分割 1 1.3 OTSU 算法 2 2设计实现程序 4 3程序运行结果与分析 7 3.1程序运行结果 7 3.2 结果分析 9 4心得体会 11 参考文献 12摘要 图像分割是图像识别和图像理解的基本前提步骤。图像分割算法一般是基于 灰度的两个性质之一：不连续性和相似性。图像的阈值分割是基于图像的相似性 根据事先制定的准则将图像分割为相似的区域。图像分割的作用是把反映物体真 实情况的、占据不同区域的、具有不同特性的目标区分开来，以便计算各个目标 的数字特征。图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成 败，因此，图像分割的作用至关重要。本设计主要是使用阈值分割法中的最大类 间方差法（OTSU的原理来将图像进行不使用库函数和使用库函数的阈值分割， 并将两种方法的阈值显示出来进行比较，同时显示不同阈值情况下的图像结果。 关键词：图像分割 阈值分割最大类间方差法1原理与实现 1.1图像分割 数字图像处理的目的之一是图像识别 ，而图像分割是图像识别工作的基 础。图像分割是将一幅图像分解成若干互不交叠的、有意义的、具有相同性质 的区域。这些区域互不交叠，每一个区域内部的某种特性或特征相同或接近 ， 而不同区域间的图像特征则有明显差别 ，即同一区域内部特性变化平缓，相 对一致，而区域边界处则特性变化比较剧烈。区域内是一个所有像素都有相邻 或相接触像素的集合，是像素的连通集。在一个连通集中任意两个像素之间 ， 都存在一条完全由这个集合的元素构成的连通路径。图像分割的基础是像素间 的相似性和不连续性。所谓“相似性”是指在某个区域内像素具有某种相似的 特性，如灰度一样，纹理相同；所谓“不连续性”是指特性不连续，如灰度值 突变等。 图像分割的方法有多种，依据工作对象来分，可分为点相关分割和区域相 关分割；按算法分类，可分为阈值法、界限检测法、匹配法、跟踪法等。然而大 多数分割方法都不能将图像完美的分割，具体处理时总是在各种约束条件之间找 一种合理的平衡。 1.2阈值分割 阈值处理是一种区域分割技术，它适用于物体与背景有较强对比的景物分 害叽 它主要是利用图像中要提取的目标物体和背景在灰度上的差异 ，选择一 个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的 要求来确定图像中该像素点应该属于目标区还是应该属于背景区域 ，从而产 生二值图像。它计算简单，而且总能用封闭而且连通的边界定义不交叠的区 域。 在使用阈值法进行分割技术时，阈值的选取成为能否正确分割的关键，若 将所有灰度值大于或等于某阈值的像素都被判属于物体 ，则将所有灰度值小 于该阈值的像素被排除在物体之外，如果阈值选取得过高，则过多的目标区 域将被划分为背景，相反如果阈值选取得过低，则过多的背景将被划分到目 标区。因此，边界就由这样一些内部点的集合组成，这些点都至少有一个邻点 不属于该物体。 由于物体和背景以及不同物体之间的灰度级有明显的差别，因此，在图像 的灰度级直方图中会呈现明显的峰值。当图像灰度直方图峰型分布明显时 ，常 以谷底作为门限候选值。所以只要适当地选择阈值 ，即可对图像进行分割，因 而成为一种简单而广泛应用的方法。 1.3 OTSU 算法 OTSU算法，又称最大类间方差阈值选择法，是一种自适应的阈值确定的方 法。它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间 的类间方差越大，说明构成图像的两部分的差别越大，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。 方法一：不使用库函数的算法 设X是一幅具有L级灰度级的图像，其中第i级像素为Ni个，其中i的值 在0~L-1之间，图像的总像素点个数为： L4 N =為 Ni (1) i £ 第i级出现的概率为： N r ⑵ 在OTSI算法中，以阈值k将所有的像素分为目标Co和背景G两类。其中， Co类的像素灰度级为0~k-1, G类的像素灰度级为k~L-1。 图像的总平均灰度级为： L 4 丄八iR ( 3) i =0 Co类像素所占的总面积的比例为： k A 「0 八 P (4) i -0 G类像素所占的总面积的比例为： 4 = 1 -「0 (5) Co类像素的平均灰度级为： % = Jo(k)A-o ( 6) G类像素的平均灰度级为： 叫 ii(k)/「 ( 7) 其中， k J %(k)八 iR (8) i=0 L-1 叫(k)八 iR =1 — %(k) (9) 最大类间方差的公式为： 、2(k)八0(二-二0)2「1(二- T)2 ( 10) 令k从0~L-1变化，计算在不同k值下的类间方差：2(k)，使得2(k)最大 值时的那个k值就是所要求的最优阈值