一种基于图像特征的整体阈值二值化方法.docxVIP

一种基于图像特征的整体阈值二值化方法 1 阈值选取原则 图像的二值化是研究灰度图像的一般方法。也就是说，设置一个阈值threal。将灰色图像数据分为两部分：大阈值成像组和小阈值成像组。例如输入灰度图像函数为f (x, y) , 输出二值图像函数为g (x, y) , 则 通过求解阈值Threshold, 从而把灰度图像f (x, y) 分成特征物和背景两个区域。阈值是把图像和背景区分开的标尺, 选取适当的阈值就是既要尽可能保存图像信息, 又要尽可能减少背景和噪声的干扰, 这是选择阈值的原则。按照这样一种思想, 可以将现有的二值化方法大致分成3大类。 1.1 图像整体阈值的确定 整体阈值法是指根据经验或灰度图像的直方图分布为整幅图像确定一个阈值。阈值的确定一般分为两种: (1) 人工设定阈值:这种方案中, 先根据经验或实验设置一个固定的阈值。然后对每个像素按上述式子进行二值化处理。 (2) 由灰度直方图确定整体阈值:利用原始图像灰度分布的直方图能给出图像灰度值的概貌描述。设灰度值f取值是0～255之间的整数, f=0为黑色, f=255为白色。p (f 通常称以p (f 整体阈值方法一般只考虑到整体像素的平均灰度值, 并未顾及到每个像素的不同之处, 所以其二值化在总体执行速度上较快, 且算法简单, 易于理解, 但因为其对输入图像量化噪音或不均匀光照等情况抵抗能力差, 在一些有干扰的像素上会发生错误判断, 使整幅图像的二值化效果达不到后续作业的要求, 所以在应用上受到极大限制。 比较典型的整体二值化算法有梯度均值法、微分直方图法等。 1.2 局部阈值二值化方法 对于目标和背景比较清楚的图像, 全局阈值化方法可以取得较好结果。但是如果图像的背景不均匀, 或是目标灰度变化率比较大, 全局方法一般就不再适用了。由像素 (x, y) 的灰度值f (x, y) 和周围点局部灰度特性来确定像素 (x, y) 的阈值叫局部阈值二值化。局部阈值选取一般将图像划分为若干子图像, 根据每个子图像确定相应的阈值, 具体的阈值确定方法同全局阈值的确定类似。 局部阈值一般用于识别干扰比较严重、品质较差的图像, 较整体阈值方法有更广泛的应用, 但也存在缺点和问题, 如实现速度慢、不能保证字符笔画连通性以及容易出现伪影现象 (即在背景域受噪音干扰得到笔画结果) 等。 比较典型的局部二值化算法有多阈值的梯度强度法、基于纹理图像的方法、最大方差法等。 1.3 动态阈值选择 应用局部阈值法后, 从图像局部看来, 目标特征物与背景是可分的, 但是无法得到一个适用于整幅图像的全局阈值。因此提出了动态的局部阈值化算法, 也称自适应阈值化算法。动态阈值选择不仅取决于像素阈值以及其领域像素的灰度值, 并且与该像素坐标位置有关。动态是指根据每个像素及其邻域像素的灰度值情况动态地计算分割所需的阈值。 动态阈值二值化能够处理品质较差的图像, 甚至单峰直方图, 但因为动态阈值化方法常常需要对图像中每个像素点都计算阈值, 即对整幅图像求出一个阈值面 (通常是曲面) , 计算量很大, 运算速度一般比较慢, 由于具有比较费时和某些失真的缺点, 这在一定程度上阻碍其发展。比较典型的动态阈值二值化方法有迭代法等。 表1对以上算法比较了其优缺点和适用情况。 2 图像的滤波去噪 在上面分析的基础上, 我们以身份证为例对多阈值动态二值化算法做了一下改进。对同一幅图像采用3种不同的阈值进行处理以及修正处理, 即通过3步二值化处理和1步二值化修正, 步骤如下: (1) 第1个阈值的运算将目标区域与背景区域进行大致的分离, 使图像中只呈现出两种不同的颜色, 即黑和白。 (2) 用第2个阈值对已经分离出来的目标区域进行再处理, 由于第一个阈值在对图像处理的过程中, 会将部分背景区域误认为是目标区域, 导致分割的不准确。因此, 第二个阈值的目的是将已知的目标区域中的背景区域分割出来, 使目标区域进一步被分割。 (3) 在第 (2) 步的基础上使用第3个阈值对已经经过再处理的目标区域进行第3次分割。 (4) 使用二值化修正算法对得到的图像进行修正, 使其此时达到身份证二值化所要求的水平。 基于灰度的数学期望的二值化方法是一种十分有价值的方法, 在其基础上进行进一步的处理是非常有效和便利的。因此取整幅图像的灰度期望值, 即 作为第一步处理所需的阈值, 对图像整体上进行全局性的分割, 图像中考察点 (x, y) 的灰度值f (x, y) μθ时, 置f (x, y) =255, 其他的点则要进一步处理。 由于身份证的背景噪声很大, 经第一个阈值处理后仍难以满足要求, 需要滤波方法滤除噪声。考虑到身份证上的网格线绝大部分是倾斜的, 很少是水平或垂直的, 即使网格线上的点很暗, 该点垂直方向和水平方向的领