地质图件的多阈值动态自适应二值化法及改进的二值图像细化算法

地质图件的多阈值动态自适应二值化法及改进的二值图像细化算法陈建江　①郑　东　②翟剑飞③ 摘　要　在油田科研生产中,地质图件是极其重要的一种数据资源,它反映了地质研究人员对地下构造的认识,是开展下一步研究生产工作的必要前提。

地质图件内容复杂、图素种类繁多。

目前没有有效的手段对其进行管理。

因此,有必要对地质图件进行分析,研究其特点,找出适合地质图件管理保存的方法,使之计算机化。

本文研究地质图件的二值化法,发展了一种多阈值动态自适应二值化算法,及对二值图像的细化算法进行了改进,解决了地质图像数据量大和处理速度之间的矛盾。

关键词　地质图件　二值化　多阈值动态自适应二值化　二值图像的细化一、引言由于计算机的普及和广泛应用,地质图件包括其它图件的管理在国内外虽然都已进入计算机化的阶段,但目前全都是对原始图件扫描、再矢量化后予以保存。

这类软件也相当多,但是由于这类软件大多为通用型软件,矢量化过程中未考虑石勘探开发实际工作应用的需要,矢量化过程中丢失了大量地质信息,例如深度等值线的深度值、断层的分级级别、上下不同层的断层编号信息等等,这给以后的进一步使用带来了困难。

因此,有必要对地质图件进行分析,研究适合地质图件存储的矢量化方法。

在油田,地质图件是生产的重要数据资源,目前对这类资料的使用和管理大都还停留在手工阶段,或计算机编图阶段,即图形进、图形出或计算机存图阶段,不能灵活使用。

对于不同要求的图件,其内容、形式、比例尺都不完全相同,给编图工作带来了极大的困难。

其实不同图件之间存在许多共同之处,我们日常完成的大量编图工作属重复性的机械性劳动。

而且由于手工编图不可避免地存在遗漏或疏忽,图件中出错或漏失在所难免,因此,有必要对地质图件的矢量化方法进行研究,使地质图件的管理、保存、应用完全计算机化。

地质图件固有幅面大,曲线关系复杂,线形种类繁多、符号标注遍布等特点,决定了地质图件矢量化的难度。

如何在矢量化过程中快速有效地提取关系复杂的线条,并确保结果矢量数据的质量满足要求,是文章研究的重点。

本文主要分析研究图形的二值化方法,发展研究固定网络局部二值化,应用于地质图件中,取得满意效果;同时对地质图件二值图像的细化方法进行改进,用于程序设计中,取得预期目标。

二、图像的二值化地质图件经扫描仪扫描数字化后,得到了离散化灰度图像,为了便于后续矢量化处理,就必须对图像进行目标与背景的分割。

在图像处理技术中,这种分割可由灰度图像二值化来完成。

由于扫描原图的质量差异较大,尤其是各种蓝晒图,为了便于后续细化、跟踪矢量化等处理,必须对图像二值化方法提出更高的要求。

(1)能从模糊的背景中把各类图素目标分割出来,且图素不能出现断线或线划粘连现象。

(2)抑制背景噪声,不能出现大面积假目标。

(3)算法简单,对大幅面的扫描图像能快速处理。

本文分析和讨论各种图像二值化算法的优点和缺点后,在吸取各种方法优点的基础上,发展了一种图像二值化算法——多阈值动态自适应图像二值化算法。

此算法关键是将全图分块处理,采用自适应分块的局部二值化算法。

—图像二值化的实质就是将目标从背景中提取出来,方法是采用阈值法.即设立一个灰度的阈值范围,灰度在这个范围内的点,我们认为它们是前景点,否则认为是非前景点。

阈值法的关键是如何选取灰度阈值,传统的方法有:(1)单值法:设有一张图件,取一个固定的t 值,灰度值大于或等于t 值的点我们认为是前景点,灰度值小于t 值的点我们认为是非前景点。

这样划分图件,有时会带进其他部分的像素,但是带进的一些像素,是不成形且孤立的像素,可以把它们当成噪声加以清除掉。

这种方法的缺点是阈值是固定不变的,导致它的适用性不强。

而在我们所进行矢量化的图件中它们的前景色类度值都不一样,固此很难确定这个值。

当然,也可以用人工干预的办法选取足够多的点(例如:15个点)作为前景点,从中取一个最低的灰度值作为t 值。

选取作为前景点的点数越多,则t 值越与实际接近,但处理速度也会受影响,故必须权衡利弊,折衷选择。

尽管如此,仍有可能使t 值取得过高或过低。

[1](2)峰值法:地质图件上的等高线是暗的目标,而背景则①②③翟剑飞　上海交通大学计算机科学与工程系　硕士 上海　200030郑　东　上海交通大学计算机科学与工程系　副教授　上海　200030陈建江　上海交通大学计算机科学与工程系　研究生　上海　200030相对比较亮。

在等高线和背景灰度级之间的中间灰度级在图件中较为稀少。

于是在图所示的灰度分布图上,在上述两个峰值之间有一个谷值,可以在这个谷值的灰度级处设置阈值t 。

最简单的利用取阈值方法来二值化灰度图像的步骤如下。

首先对一幅灰度取值在Gmin 和Gma x 之间的图像确定一个灰度阈值T (Gmin <T <Gma x ),然后将图像中每个像素的灰度值与阈值T 相比较,并将对应的像素根据比较结果划分为两类:像素的类度值大于阈值的为一类,像素的灰度值小于阈值的为另一类(灰度值等于阈值的像素可归入这两类之一)。

这两类像素一般对应图像中的两类区域。

以上步骤中,确定阈值的关键,如果能确定一个合适的阈值就可方便地将图像分割开来。

图像的灰度直方图是图像各像素灰度值的一个种统计度量。

最简单的阈值选取方法就是根据直方图来进行的。

根据前面对图像模型的描述,如果对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可将目标和背景分开。

(见图1)图1　阈值选取g (x ,y )=1　如f (x ,y )>T0　如f (x ,y )<=T这种方法质是对图件上每一个点的灰度值进行统计,然后根据它们的分布密度进行分析,得出阈值。

但如果存在多个峰值时,峰值法就有可能产生误差。

[1](3)多阈值二值化　由于图纸背景色深浅不均匀,用以上两种固定阈值二值化算法,当二值化阈值选得较低时,背景色较深的区域全部变黑;当二值化阈值选得较高时,背景色较浅的区域变白。

这两种情况都将丢失掉一部分图像。

所以对深浅不均匀的图纸,不能靠选取一个阈值二值化全图。

用多阈值二值化算法时,也可分成两种类型。

a 、固定网络局部二值化通常对每幅图像按图定像素划分成网络,并用模式方法确定每个网络的二值化阈值,即对指定区域构造灰度直方图,统计每一灰度的像素数,再用加权平均法求出期望灰度值,这种方法可基本解决图纸深浅不均匀的问题。

b 、区域自适应二值化变阈值的自适应二值化模型利用了像元自身及其邻域的灰度变化特性,其基本做法是取每一像元的3*3窗口,统计其3*3邻域像元的类度平均值和方差,并分别计算每一像元的分割阈值,于是整幅图像内的各个像元具有不同的分割阈值,从而顾及了像元的局部特征。

这种二值化方法充分考虑了像元的邻域特征,其优点是在线划与背景的交界处能很好地突出背景与目标的边界,使得相距很近的两条线划不会产生粘连现象。

但在实际应用中,大面积的目标,由于其内部灰度的不均匀性,会被分割到背景中去,使得图中的粗线划目标内部出现空洞,从而破坏了线划目标橡元的连通性,而且这种算法计算量大,机上实现时间长。

综上研究,我们可以采用固定网格局部二值化对地质图件进行处理。

经实验获得了满意的结果。

三、二值图像的细化在地质图件的计算机模式识别中,由于扫描输入的图形笔道粗细不一,为以后的识别工作来不少困难。

为了减少二值图形的数据量,利于抽取图形特征和矢量化,首先要进行细化处理,线细化,就是不断去除曲线上不影响连通性的轮廓像素,从而获得单位宽度的中心骨架的过程。

在这个过程中保留曲线的多重像素,直到目标曲线所有点都是多重像素点为止。

对细化的一般要求是:(1)保证细化后曲线的连通性;(2)保留原图的细节特征;(3)细化结果是原曲线的中心线;(4)保留曲线的端点;(5)细化处理速度快;(6)交叉部分中心线不畸变;细化算法的优劣,直接影响识别和原图形的重构。

有许多细化算法出提出,如H iditch 方法、迭代算法、极值算法等。

它们的共同特点是:1、用于处理二值信息量较少的字符或图像,迭代一次只能删除一个方向或两个方向的边界点,为了得到目标骨架必须迭代很多次;2、多数算法不考虑原线型的中心轴,细化后有较大的畸形产生,重构图形比较困难;3、需要较大的存储空间保留细化算法的中间结果。

因此,对于信息量较大的地质图件进行细化时,需要寻找一个能够满足:1、细化成线的宽度只有1bit 的单线,并保持原线段的连续性,无断点;2、尽可能保持图形原有特征点,如分支点、交叉点等;3、对要求精度较高的图形细化结果尽量是原线型的中心轴线,尽量避免骨架偏移;4、内存少,运算速度快的有效方法。

关于细化算法的研究,其主要处理过程可分为串行和并行两种,串行处理是逐步去除目标边缘上的点,并保留形成图形骨架的最终组成点。

在这类方法中,每次迭代只能削去一个目标层,因此目标的细化很费时间,如经典细化算法、跟踪剥皮算法等。

对于并行处理,图中各个像元的新值是其各相邻像元的局部函数,而所有像元都被独立地同时处理,能有效地提高细化速度。

针对各种不同的应用,国内外已发表了许多线细化算法,如经典细化算法,Deutsch算法,Pav lidis异步细化算法等。

本文在分析不同算法处理速度和效果的特点后,以H ilditch经典细化算法为基础,实现了一种快速有效的细化算法。

[2]1、经典迭代算法是由Hildtch提出,主要思想是循环扫描图像上的每个像素,删除掉满足一定条件的像素(置值为0),直到没有像素删除为止。

方法是在扫描像素P(x,y)时,建立以P为中心的3×3窗口,称P周围的8个像素为P的8邻域(见图2)。

P0、P1…P7称为P的8邻点。

点P是否可删除依赖于P的8邻域中像素的分布。

定义联结数为点P的8邻域中互相分离的联结成分的个数,即N C=(N6-N6N7N0)+∑(N k-N k N k+N k+2)　K=0,2,4其中当P k=1时N k=0N k=1。

扫描时,删除同时满足以下条件的像素:(1)P0+P2+P4+P6≤3(2)N C=1(3)P,(0≤k≤7)中至少有一个像素值为1(4)P2=1或N C2=1(N c2的含义是当P2=0时P的联结数)(5)P4=1或N C4=1(N c4的含义是当P4=0时P的联结数)P3P2P1P4P P0P5P6P7 该算法实质是不断剥去线状目标边缘上的像素,是否删除像素决定于邻域像素的结构,因而大幅图像的规模和数据存储格式影响细化的速度,反映到算法时间效率即是迭代次数和访问8邻域点的时间,前者与线状目标的最在宽度有关,后者与图像数据在内存中的表示有关。

[2][3]3、对H ilditch经典算法的改进在H ilditch经典细化算法的基础上,作了以下改进:(1)考察目标像素P的八邻域P k(0≤k≤7),若∑(N k=1,则P为端点,保留。