基于峰值信噪比的牌照识别系统的自适应图像分割
基于峰值信噪比的牌照识别系统的自适应图像分割
摘要——本文提出了一种基于峰值信噪比（PSNR）的自适应阈值法。目前，峰值信噪比已被广泛用作多级图像分割阈值法的停止准则。此外，我们运用PSNR作为准则寻求最佳阈值。我们通过车牌识别的运用来评价此方法。与此同时，与以多级和多阈值为基准的算法作比较。通过本文提到的方法，在高或低对比度的环境下，可以随着环境的改变做出相应的改变。
关键词——自适应阈值，图像分割，车牌识别，阈值图像分割，PSNR
Ⅰ引言
模式识别是一个关键学科，它的技术广泛运用于光学字符识别（OCR），生物识别，诊断系统和军事应用。OCR包括手写：邮政编码字母排序，PDA输入设备；专为盲人服务的读出设备的打印文本以及数字化的文本文档和车牌识别。生物识别方面的运用涉及到面部识别，验证，检索；指纹识别和语音识别。诸如X 射线和心电图分析，诊断系统另一个重要的运用是机器诊断和水质检测。军事方面，一个最重要的运用是自动目标识别（ATR）和图像分割及分析（从卫星或空中对照片进行识别）。
OCR系统可以转换字符图像（打印或手写）成机器编码文本。之后，进行一些诸如机上的运用翻译，文本到语言，文本挖掘等相关邻域。当前，车牌识别（LPR），在OCR的运用方面得到重视。LPR系统用于车辆识别。它还有很多其他运用，如执法，国土防卫，车辆防盗，自动售货，交通阻塞和车速监控，准入点，安全和停泊控制。在LPR中，阈值被认为是与图像自适应和处理的预处理相关的最重要的阶段。
本研究拟提出一个车牌识别方法。阈值是图像处理最重要的处理部分之一。阈值是区分前景和背景的一种方法。LPR系统中最重要的一步是：图像的获取，处理，分割，特征识别，模式类别。在一个自动车牌识别系统中，第一步是确定车牌在所获取图像中的位置。而车牌字符和数字将在LPR的阶段正确识别。有必要强调各种变量，这些变量影响作为其他条件影响典型的LPR系统，车辆类型，车牌颜色或其他一些可能的和可疑的因素以及作为特定字符的字体。
图一图像示例
Ⅱ实现方法
A．单级阈值
阈值过程在图像分割阶段是非常关键的一步。同时也是图像处理和模式识别的重要组成部分。因此，如果估计的阈值的知识可以实现的则分割精度还可以提高。
我们可以简化：
人们使用很多方法确定自适应阈值。经常使用的是运用灰度级共生矩阵，随着整体的设置来确定合适的阈值，例如：局部熵，Illingworth和Kittler的最小熵阈值（MET）[1]和电位差[2]。
B. 多级阈值[3]
有时，单级阈值不适用于全局分割。因此，开发了一些多级阈值法[4-6]。Arora[3]提出了一种多级阈值法。它确定了基于灰度分布的多级阈值的数值。运用统计递归的方法确定灰度分布第一级和后续级的均值与标准差。此多极算法在算法[1]中有所介绍。
算法[1]: 多级阈值算法
1：当递增的PSNR（峰值信噪比） > 0.1 执行；
2：r=[a，b]（初始值a=0，b=255）；
3：求出在图像r的范围内所有像素值的均值与标准差；
4: t1=均值-k1*标准差（其中K1为随机数）；
5: t2=均值+k2*标准差（其中k2为随机数）；
6：[a，t1]范围内的均值设定为特定范围内的阈值；
7：[a，t2范围内的均值设定为特定范围内的阈值；
8：a=t1+1；
9：b=t2-1；
10：当…结束；
11：t1=均值；
12：t2=均值+1；
13：重复步骤6；
14：获得多级阈值的新图像。
C．多阈值法[7]
多阈值法是求取多阈值数值的另一种方法。该方法中使用了一系列值得阈值来计算所期望的斑点/图像中目标物。然后，通过组成图像所有斑点与邻近与之相比获取峰值阈值。Heuristic算法在算法2中有所介绍。
算法2：多阈值算法[7]
输入：车牌图像
输出：阈值的值
1：开始；
2: 获取图像的直方图分布；
3：基于三个层次计算总灰度级像素；
4：在（0 5：当源图像以t作为阈值时获取目标物的所有信息； 6：在…结束； 7：在1至25之间搜索并选取峰值； 8：选择选定的阈值值； 9：执行字符分隔模块。 Ⅲ提出的方法 本文所提出的算法同样适用于峰值信噪比（PSNR）的情况。从先前的研究[3]可知阈值的允许范围可以是10,20,30，…240，250。对于每一个阈值，PSNR 都有相应的标识。PSNR的最大值设定为选定值，并以此确定合适的阈值的数值。通过与原始图像比较，PSNR可以用来衡量图像质量。PSNR值的定义如下： 方程2中，当m和n分别对应于一幅图像的长和宽时，MAX是图像中的最大值（例如，灰度级图像的最大值是255）。I（i，j）是图像的初始值，K（i，j）是改变后的值。提出的阈值算法为： 算法3 提出的阈值算法.[3] 输入：车牌图像，img； 输出：获得所选的阈值，t； 1：计算img的均值并得出img的类型，是深色、中等异或明亮图像； 2：当（0 3：找寻图像img的PSNR值 4：如果（PSNR(t)>PSNR(t-10)），则差值=| PSNR(t)>PSNR(t-10)|； 5：如果（PSNR(t)>α）且（差值>β）则阈值=t； 6：当…结束； 1数字图像处理 数字图像处理是利用计算机（或数字技术）对图像信息进行加工处理，以改善图像质量、压缩图像数据或从图像数据中获取更多信息。数字图像处理的主要方法可分为两大类：空域法和变换域法。 a. 空域法 把图像看作是平面中各个象素组成的集合，然后直接对这个二维函数进行相应的处理。 b. 频域法（变换域法） 首先对图像进行正交变换，得到变换域系数阵列，然后再实行各种处理，处理后再反变换到空间域，得到处理结果。这类处理包括：滤波、数据压缩和特征提取等。 1.图像压缩编码基础 图像压缩即去除多余数据。以数学的观点来看，图像压缩过程实际上就是将二维像素阵列变换为一个在统计上无关联的数据集合。因此，图像压缩是指以较少的比特有损或无损地表示原来的像素矩阵的技术,也称图像编码。 图像压缩编码的必要性和可能性： 图像压缩编码的目的是以尽量少的比特数表征图像，同时保持复原图像的质量，使它符合预定应用场合的要求。压缩数据量、提高有效性是图像压缩编码的首要目的。图像编码是一种信源编码，其信源是各种类型的图像信息。 图像数据可以进行压缩有以下几方面的原因。首先，原始图像数据是高度相关的，存在很大的冗余度。如图像内相邻象素之间的空间冗余度。序列图像前后帧之间的时间冗余度。多光谱遥感图像各谱间的频率域冗余度。数据冗余造成比特数浪费，消除这些冗余就可以节约码字，也就达到了数据压缩的目的。其次，基用相同码长表示不同出现概率的符号也会造成符号冗余度。如果采用可变长编码技术，对出现概率高的符号用短码字、对出现概率低的符号用长码字表示，就可消除符号冗余度，从而节约码字。允许图像编码有一定的失真也是图像可以压缩的一个重要原因。 otsu算法选择使类间方差最大的灰度值为阈值，具有很好的效果 算法具体描述见otsu论文，或冈萨雷斯著名的数字图像处理那本书 这里给出程序流程： 1、计算直方图并归一化histogram 2、计算图像灰度均值avgValue. 3、计算直方图的零阶w[i]和一级矩u[i] 4、计算并找到最大的类间方差（between-class variance） variance[i]=(avgValue*w[i]-u[i])*(avgValue*w[i]-u[i])/(w[i]*(1-w[i])) 对应此最大方差的灰度值即为要找的阈值 5、用找到的阈值二值化图像 我在代码中做了一些优化，所以算法描述的某些地方跟程序并不一致 otsu代码，先找阈值，继而二值化 // implementation of otsu algorithm // author: onezeros(@https://www.360docs.net/doc/f815672072.html,) // reference: Rafael C. Gonzalez. Digital Image Processing Using MATLAB void cvThresholdOtsu(IplImage* src, IplImage* dst) { int height=src->height; int width=src->width; //histogram float histogram[256]= {0}; for(int i=0; i %用matlab实现自适应图像阈值分割最大类方差法代码clear; warning off; SE = strel('diamond',4); BW1 = imread('cameraman.tif'); BW2 = imerode(BW1,SE); BW3 = imdilate(BW2,SE); BW4 = BW1-BW3; %rgb转灰度 if isrgb(BW4)==1 I_gray=rgb2gray(BW4); else I_gray=BW4; end figure,imshow(I_gray); I_double=double(I_gray);%转化为双精度 [wid,len]=size(I_gray); colorlevel=256; %灰度级 hist=zeros(colorlevel,1);%直方图 %threshold=128; %初始阈值 %计算直方图 for i=1:wid for j=1:len m=I_gray(i,j)+1; hist(m)=hist(m)+1; end end hist=hist/(wid*len);%直方图归一化 miuT=0; for m=1:colorlevel miuT=miuT+(m-1)*hist(m); end xigmaB2=0; for mindex=1:colorlevel threshold=mindex-1; omega1=0; omega2=0; for m=1:threshold-1 omega1=omega1+hist(m); end omega2=1-omega1; miu1=0; miu2=0; for m=1:colorlevel if m 关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的 中北大学 毕业设计（论文）任务书 学院、系： 专业： 学生姓名：车永健学号： 设计(论文)题目：基于灰度直方图的图像分割阈值自适应选取方法 起迄日期: 2015年3月9日~2015年6月20日设计(论文)地点: 指导教师:郭晨霞 系主任: 发任务书日期:2015年 2 月25 日 任务书填写要求 1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在系的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生； 2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴； 3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，应当经过所在专业及系主管领导审批后方可重新填写； 4．任务书内有关“学院、系”、“专业”等名称的填写，应写中文全称，不能写数字代码。学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”。 毕业设计（论文）任务书 毕业设计（论文）任务书 3．对毕业设计（论文）课题成果的要求〔包括毕业设计(论文)、图纸、实物样品等)： 1、论文一份； 2、程序代码及图像结果； 3、英文翻译一份。 4．毕业设计（论文）课题工作进度计划： 起迄日期工作内容 2015年 3月 9 日~ 3 月20日 4 月 1 日~ 4月 20 日 4 月 21 日~ 5月 10 日 5 月 11 日~ 6月 15 日 6 月 16 日~ 6月 19 日查找资料，完成开题报告； 学习有关知识，方案确定，完成中期报告；完善算法并仿真验证； 撰写、修改、评阅毕业论文； 论文答辩 学生所在系审查意见： 系主任： 年月日 中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日 中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书 课程设计任务书 目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11) 第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因 图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方 第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H ) 红外光谱信噪比 翁老爷子的新书《傅里叶变换红外光谱分析》（第2版）中，有一段对红外仪器信噪比的无奈描述： “红外仪器的信噪比是衡量一台仪器性能好坏的一项非常重要的技术指标。但是信噪比的测量方法目前没有统一的、公认的标准，因此，各个红外仪器公司所给定的仪器信噪比没有可比性。每个红外仪器公司都有信噪比的测量方法，因此，信噪比指标的验收只能按照仪器公司的验收方法进行验收。” 看来这个“红外信噪比”真个是乱花渐欲迷人眼，让人雾里看花隔一层啊！但是zwyu我充分发挥超人的大打特打、死缠烂打、穷追猛打的精神，欲对“红外信噪比”进行一次非官方、全方位的刨根问底，追踪探秘。各位好奇同学请跟进！ 正文 信噪比（signal-to-noise ratio，简记为SNR ），顾名思义，就是信号值与噪声值的比，这一比值当然是越高越好。可是，翻遍《GB/T21 186-2007 傅立叶变换红外光谱仪》，《GB/T 6040-2002 红外光谱分析方法通则》（见红外光谱相关标准与检定规程大合集）以及其他的 一些行业性、地方性的检定规程（国家级的傅里叶变换红外光谱仪检定规程至今还未出台），甚至中国药典，愣是找不到关于信噪比的只言片语的定义。信噪比指标对红外仪器性能的评判很重要，怎么会找不找呢？且慢，注意标准中屡屡提到的“基线噪声”（100%T线噪声）XXXX:1或1:XXXX，还往往标了P-P或RMS，这不就是我们熟悉的信噪比的表示方法吗？哈哈，总算找到你了。 艰难的看过标准上的描述（没办法，中国国标写的水平就是高！？），为了各位同学能够顺利读懂，我将它写为白话现代汉语版： 红外信噪比，是通过基线（100%T线）噪声来表征。也就是，在样品室中不放样品的情况下（空光路），测得一条假定理想的100%T透射光谱。信号，当然就是100%T了，如果没有噪声，那么这条光谱将是一条严格的纵坐标为100%T的直线，但是，实际情况是噪声总是存在的，这就使得这条光谱的各个波数点上的值不见得一定是100%T，可能高一些（比如100.1%T），也可能低一些（比如9 9.9%T）。P-P（峰-峰值）噪声的意思就是说刚才测得的那条光谱在某一段波数区间内（比如2200~2100cm-1）的最大值与最小值之差，比如说是100.1%T-99.9%T=0.2%T。前面说了，信号是假定为100%T，那么，根据信噪比的定义，信号值/噪声值，比如100%T/0.2%T=500（注意此处单位相消，也就是说，信噪比用信号噪声比值表示的话，是一个无量纲的数）。此时，我们可以说，这台红外光谱仪的信噪比是500:1。换句话说，我们知道了P-P（峰-峰值）噪声，我们也就自 浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实 第1章相关知识 1.1图像分割的概述 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。 阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产中，机器视觉运用于产品质量检测等等。在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。 1.2 阈值分割的基本原理 自适应阈值化的函数为： AdaptiveThreshold 自适应阈值方法 void cvAdaptiveThreshold( const CvArr* src, CvArr* dst, double max_value, int adaptive_method=CV_ADAPTIVE_THRESH_MEAN_C, int threshold_type=CV_THRESH_BINARY, int block_size=3, double param1=5 ); src 输入图像. dst 输出图像. max_value 使用CV_THRESH_BINARY 和CV_THRESH_BINARY_INV 的最大值. adaptive_method 自适应阈值算法使用：CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C （见讨论）. threshold_type 取阈值类型：必须是下者之一 ?CV_THRESH_BINARY, ?CV_THRESH_BINARY_INV block_size 用来计算阈值的象素邻域大小: 3, 5, 7, ... param1 与方法有关的参数。对方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C，它是一个从均值或加权均值提取的常数（见讨论）, 尽管它可以是负数。 函数cvAdaptiveThreshold 将灰度图像变换到二值图像，采用下面公式： threshold_type=CV_THRESH_BINARY: dst(x,y) = max_value, if src(x,y)>T(x,y) 万方数据 万方数据 ?２３８２?计算机应用研究第２７卷 称为（Ｆ，Ｂ）的最大类间方根一算术均值距离（ｍａｘｃｌｕｓｔｅｒｓ’ｓｑｕａｒｅｒｏｏｔａｒｉｔｈｍｅｔｉｃｍｅａｎｄｉｖｅｇｅｎｃｅ，ＭＣＳＡＭ）。 ２．２算法步骤 自适应阈值的运动目标提取算法的具体步骤如下： ａ）初始化：Ｔｈｒｅｓｈｏｌｄ＝Ａｖｅ，Ｎｏ＝０，Ｎ１＝０，Ｇｍｙｏ＝０，Ｇｒａｙ。＝０，ＭＣＳＡＭ（Ｆ，Ｂ）＝０，Ｔｉｍｅｓ＝０（表示迭代次数）。 ｂ）如果Ｔｉｍｅｓ＜Ｔ（Ｔ为阈值调整次数，即最大迭代次数），Ｔｉｍｅｓ＋＋；否则，转步骤ｆ）。 ｃ）遍历图像，由上述定义分别计算Ⅳｏ，Ｎ。，Ｇｒａｙｏ，Ｇｒａｙ。。 ｄ）计算Ａｖｅｏ，ＡｖｅＩ，∞ｏ，∞１，Ａｖｅ，ＣＳＡＭ（Ｆｉ，Ｂ１）。 ｅ）如果ＭＣＳＡＭ（Ｆ，Ｂ）＜ＣＳＡＭ（ｆ，曰；），则令ＭＣＳＡＭ（Ｆ，Ｂ）＝ＣＳＡＭ（Ｆｉ，Ｂ；），Ｔｈｒｅｓｈｏｌｄ＝Ｔｈｒｅｓｈｏｌｄ＋Ｓｔｅｐ（Ｓｔｅｐ表示阈值调整步长），转步骤ｂ）；否则，不变，Ｔｈｒｅｓｈｏｌｄ＝Ｔｈｒｅｓｈｏｌｄ—Ｓｔｅｐ，转步骤ｂ）。 ｆ）此时的ＭＣＳＡＭ（，，鳓就是所要寻找的最佳阈值，算法结束。 将运动目标和背景作为两个聚类，把聚类问的方根一算术均值距离最大作为阈值选择的准则是本算法的核心。背景和运动目标之间的ＣＳＡＭ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者部分背景错分为目标时，都会导致两部分差别变小，使得ＣＳＡＭ值变小。因此，ＭＣＳＡＭ意味着错分的概率最小，该方法能保证运动目标提取的准确性。２．３阈值更新策略 本文的算法主要采用两种方法进行阈值更新。第一种是定时更新，即在规定时间段中（通常３—５ｍｉｎ），抽取１０张连续图像序列利用该算法计算下一时间段差分图像的分割阈值。这种方式适用于背景缓慢变化的情况，如一天当中太阳光照的缓慢变化。第二种方法¨２１是实时更新，若在当前帧图像与背景模型差分后所得差分图像中，∞。大于某一个阈值（通常取８０％），则认为整个背景发生了变化；若连续多帧图像中这一比值依然很大，则不仅更新背景模型，同时更新阈值Ｔｈｒｅｓｈ—ｏｌｄ。这种方式适用于背景发生突变时的情况，如室内突然开灯或关灯。此外，如果图像中某些固定区域（非整幅图像）在较长时间内一直保持变化状态，有两种情况：一种是该区域像素灰度均值平稳变化，则认为该处背景的实际状态发生了变化（如户外汽车的停泊和驶走），此时执行分割阈值更新操作；另一种情况是该区域像素灰度均值变化不平稳，则该处背景可能存在显示器屏幕一类的物品，此时标记该区域，只检测该区域以外的图像，进行阈值更新。 ３实验结果 利用本文的算法对大量实际视频图像序列进行了运动目标提取的实验，并且在实验中总结了阈值调整次数Ｔｉｎ螂和阈值调整步长Ｓｔｅｐ的最优选择方法。 ３．１阈值调整次数和阈值调整步长的确定 阈值调整次数和阈值调整步长为本算法中可调整的参数。对视频中图像序列计算分割阈值时，可通过改变阈值调整步长Ｓｔｅｐ和阈值调整次数Ｔｉｍ鹤的值，比较每帧图像的分割阈值。由实验统计数据可知：分割阈值准确度与阈值调整步长成反 比，与阈值调整次数成正比，即阈值调整步长Ｓｔｅｐ越小，阈值调整次数Ｔｉｍｅｓ越大，得到的分割阈值准确度越高，但同时也带来了巨大的计算量。因此，本文采用如下办法解决此问题：首先固定Ｔｉｍｅｓ值，选择阈值变化减缓时的最小Ｓｔｅｐ值；然后固定Ｓｔｅｐ，寻找阈值变化减缓时的最小Ｔｉｍｅｓ值；将选定的Ｓｔｅｐ作为阈值调整步长，Ｔｉｍｅｓ作为阈值调整次数。 ３．２运动目标提取实验 利用本文算法对不同情况下的多组视频序列进行了运动目标提取实验，视频包括室内、室外、开关照明等场景，并将运动目标区域提取结果与基于背景差法的运动目标提取结果进行了比较。其中，后处理采用数学形态学的开运算。 实验１图３为摄像头获取的室内场景关灯条件下的视频序列，其中，（ａ１）（ａ２）（ａ３）分别是该图像序列中第５０、１１０和１５０帧图像；图３（ｃ）为利用本文算法分别对图１（ａ）中图像进行运动目标提取的结果，运动目标完整，且干扰噪声点较少；图３（ｂ）是利用普通背景差法进行运动目标提取的结果，可以看到除由于未进行阴影消除出现伪影外，效果与图３（ｃ）相差不多。 （ｃ）基于自适应闻值运动目标提取算法的提取结果 图３室内人侧面走过摄像头视频（关灯情况下）实验２图４为摄像头获取的室内场景突然开灯情况下的视频序列。其中，（ａ１）（ａ２）（ａ３）分别是该图像序列中第２５０、３１０和３５０帧图像；图４（ｂ）是利用背景差法进行运动目标提取的结果，可以看到，提取效果较差，这是由于照明环境的突然变化，使背景模型发生改变，而运动目标提取阈值固定不变所导致的结果；图４（Ｃ）是利用本文算法对运动区域提取阈值进行了自动调整，使得分割更灵活可行，因此，提取结果依然是运动目标完整，且干扰噪声点较少，从而验证了本算法对环境亮度突变的鲁棒性。 实验３图５为摄像头获取的室外场景视频序列，室外场景中通常存在一些微小的变化区域，如树叶的轻微摆动。由于本文算法后处理采用了数学形态学方法，可以有效去除这些微小变化引起的误检。但是，当背景中变动区域的运动幅度非常大，如狂风中摇摆的树木等，则该处理方法便无法完全去除变动区域的影响。 执行时间也是本算法的一个重要检测指标，本文使用１．８ＧＨｚＩｎｔｅｌＰｅｎｔｉｕｍ＠ＤＣＰＵ，５１２ ＭＢ内存的普通Ｐｃ机，图像分 万方数据 基于阈值的图像分割方法 课程结业论文 课题名称基于阈值的图像分割方法姓名湛宇峥 学号1412202-24 学院信息与电子工程学院专业电子信息工程 指导教师崔治副教授 2017年6月12日 湖南城市学院课程结业论文诚信声明 本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担 目录 摘要 (1) 关键词 (1) ABSTRACT (2) KEY WORDS (2) 引言 (3) 1基于点的全局阈值选取方法 (4) 1.1最大类间交叉熵法 (5) 1.2迭代法 (6) 2基于区域的全局阈值选取方法 (7) 2.1简单统计法 (8) 2.3 直方图变化法 (9) 3局部阈值法和多阈值法 (10) 3.1水线阈值算法 (11) 3.2变化阈值法 (12) 4仿真实验 结论 (12) 参考文献 (13) 附录 基于阈值的图像分割方法 摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片的要求也是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些有关部分分离提取出来，因此就要应用到图像分割技术。 关键词：图像分割；阈值；matlab 图像阈值分割和边缘检测技术原理和比较 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。 本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。 关键词：图像分割；阈值选择;边缘检测； 目录 1.概述 (4) 2.图像阈值分割和边缘检测原理 (4) 2.1.阈值分割原理 (4) 2.1.1．手动（全局）阈值分割 (5) 2.1.2．迭代算法阈值分割 (6) 2.1.3．大津算法阈值分割 (6) 2.2.边缘检测原理 (6) 2.2.1．roberts算子边缘检测 (7) 2.2.2．prewitt算子边缘检测 (7) 2.2.3．sobel算子边缘检测 (7) 2.2.4．高斯laplacian算子边缘检测 (8) 2.2.5．canny算子边缘检测 (8) 3.设计方案 (9) 4.实验过程 (10) 4.1.阈值分割 (12) 4.1.1．手动（全局）阈值分割 (12) 4.1.2．迭代算法阈值分割 (12) 4.1.3．大津算法阈值分割 (12) 4.2.边缘检测 (13) 4.2.1．roberts算子边缘检测 (13) 4.2.2．prewitt算子边缘检测 (13) 4.2.3．sobel算子边缘检测 (13) 4.2.4．高斯laplacian算子边缘检测 (13) 4.2.5．canny算子边缘检测 (14) 5.试验结果及分析 (14) 5.1．实验结果 (14) 5.1.1．手动（全局）阈值分割 (14) 5.1.2．迭代算法阈值分割 (17) 5.1.3．大津算法阈值分割 (18) 5.1.4．roberts算子边缘检测 (19) 5.1.5．prewitt算子边缘检测 (20) 5.1.6．sobel算子边缘检测 (21) 5.1.7．高斯laplacian算子边缘检测 (22) 5.1.8．canny算子边缘检测 (23) 5.2. 实验结果分析和总结 (24) 参考文献 (24) 摄像机技术参数之信噪比 做这样一个测试，使用一台质量较好的DVS（视频服务器），设置录像参数为：D1，VBR（动态码率，图像质量优先），图像质量最好；分别使用乌班图420线摄像机和某品牌420线摄像机对同一场景进行录像，录像时间为1分钟。然后回放对比，图像效果看起来是差不多的，但是文件大小却大不相同。乌班图摄像机对应的录像文件为9.78MB，而另一品牌的摄像机录像文件为19.76MB，比乌班图的摄像机录像文件整整多出10MB（1倍多）。 问题来了，为什么在相同编码格式，相同场景，相同时间长度的情况下，录像文件会有如此巨大的差异呢？ 答案就是：信噪比。 信噪比的概念就是图像信号本身与叠加在图像上的噪声信号的比值，该值越大，说明图像噪声信号越小，摄像机质量越好。晚上最明显，因为图像信号很弱了，这个时候噪声信号就表现为“雪花点”（就像原来的卡带录音机，唱歌的时候还好，不唱歌的时候就听得到沙沙的噪声了）。所以说信噪比对摄像机的影响在晚上的时候最明显，白天的时候人眼就不容易区分。但是人眼是很容易欺骗的，降低晚上的图像亮度，噪点就会不那么明显了（就像你调低音量，沙沙的噪声也随即降低）。 但是当我们使用DVS/DVR这样的设备来录像的时候，差距就出来了。由于图像噪声是一种随机分布的信号，会严重影响录像设备的图像压缩算法，因此两台看起来差不多效果的机器，在编码后录像文件的大小产生了巨大的差异。信噪比高的机器，在相同图像质量情况下录像文件更小，更节省磁盘空间；如果是晚上，这种差距以及图像质量的差距会更大。 因此，选购摄像机，除了清晰度，信噪比也是非常重要的。建议使用DVS来进行测试，因为DVS一般会有更多的图像编码选项，更容易对比出差异。建议采用本文中采用的方法进行测试，该方法充分利用了后端录像设备对图像噪声很敏感的特性，具体就是，在D1分辨率下，使用VBR模式编码（动态码率，图像质量优先），设置图像质量为最好，I 帧间隔可以设置的大一些（100以上），然后对准同一场景，测试的结果是，录像文件越小说明摄像机信噪比越高。 实际使用中，高信噪比的摄像机，在相同图像质量的情况下需要的存储空间更小，录像时间可以更长，图像细节也更丰富。 后记：有人说，下水道代表的是一个城市的良心；那么摄像机信噪比则是代表了摄像机厂家的良心，也代表了厂家的实力。因为正常情况下人眼很难看出信噪比对图像质量的影响，但劣质的摄像机却在悄悄吞噬DVR的硬盘空间，丢失掉重要的图像细节。而要制造出高信噪比的摄像机，除了严格的用料，更重要的是要有出色的硬件设计。 1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果,以及各 种因素对分割效果的影响 (2)使用Ｍatlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件(阈值等)的选择 (5)完成规定图像的处理并要求正确评价处理结果,能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件(bmp，ｊｐg,ｔifｆ,giｆ）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测(使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等 3．前言 3.1图像阈值分割技术基本原理 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的讲,就是在一幅图像中，把目标从背景中分离出来,以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一,它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题,到目前为止既不存在一种通用的图像分割方法,也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣,这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等,预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有:阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合:目标灰度集合与背景灰度集合,且两个灰度集合可用一个灰度级阈值Ｔ进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域,这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中,此种方法应用特别有效。比如说物体内部灰度分布均匀一致,背景在另一个灰度级上也分布均匀,这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别,然后再应用阈值分割方法进行处理,这样使用阈值分割技术也可能是有效的 设图像为f(ｘ,ｙ),其灰度集范围是[0,L］，在0和Ｌ之间选择一个合适的灰度 峰值信噪比(Peak Signal to NoiseRatio, PSNR) 是最广泛使用的评价图像质量的客观标准。它是原图像与处理图像之间均方误差相对于(2^n-1)^2 的对数值（即信号最大值的平方，其中n 是每个采样值的比特数）。 一般的， PSNR=10* log（255^2/MSE） 其中255 就是8 bits 表示法的最大值(Peak) ，而MSE 表示原图像与处理图像之间均方误差(Mean Square Error)，如果不用8bit那么就不是255^2了，这里要注意下。 MSE=(1/PixelNum)*（对x，y求和（P(x，y)-P（x，y））^2） PSNR单位为dB，PSNR越大表示失真越小. 图象的信噪比应该等于信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图象信噪比，即信号与噪声的方差之比。首先计算图象所有象素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值，再转成dB数，最后用经验公式修正，具体参数请参看“反卷积与信号复原（邹谋炎）”。 一段程序： double temp1=0.0; double temp2=0.0; for(inti=0;i图像峰值信噪比的计算
otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
用matlab实现自适应图像阈值分割最大类方差法代码
关于图像分割算法的研究
基于灰度直方图的图像分割阈值自适应选取方法
图像分割算法的比较与分析
图像分割常用算法优缺点探析
几种图像分割算法在CT图像分割上的实现和比较
红外光谱信噪比
图像分割技术的原理及方法
图像的阈值分割方法研究
自适应阈值化的函数
一种自适应阈值的运动目标提取算法
基于阈值的图像分割方法
图像阈值分割技术原理和比较要点
摄像机技术参数之信噪比
数字图像灰度阈值的图像分割技术matlab要点
[总结]图像的信噪比和峰值信噪比