灰度图像二值化阈值选取常用方法
图像二值化方法对比分析
达 到 了二 值 化 的 目的 。
当然 ，这是在 理想状态 下Ｔ 的选 择 ，实际应用 中
中用０ 代表 黑色，１ 代表 白色 。
图像二值化 可根据 公式（） １ 来进行 。
的图像构成一般 比较复杂 ，灰度值跨度大 ，需要视具 体情况而定 。首先观察 图像 中的所 需部 分，根据所 需
择Ｔ ２ ０ ＝ ３ ，大于２ ０ ３ 的像 素将 全变为 １（ 白色 ），小于 等于２ ０ ３ 的像 素全变 为０ （ 黑色），这样 原图像 就变成
一
幅主 画面全是黑色 ，背景为 白色的高对 比度 图像 ，
２ ５ 间 的数表 示灰度 值 。二值 图像是 只有两个 灰度 ５之
级 的图像 ，即黑 （ ）与 白 （ ５ ），一般在二值 图像 ０ ２５
幅灰度 图像 中０ ５ 的灰度值用０ 来表 示的过程 。 ￣２ ５ 或１
２ 灰度阈值Ｔ ． 的选取方法
从公式（ 不难 看出，灰度 阈值Ｔ １ ） 的选取直接影响到
数和 方法，使用这两个软件分别对 同一 图像进行二值 化处理 。目标 图像为一个 白色背景 的黑 白渐变 圆点 ，
析 ，选 取 最 优 结 果 。 关键 词 ：图像 处 理 二 值 图像 图像 二值 化 Ｍ Ｔ Ａ ｈ ｔ ｓｏ ＡＬＢＰｏｏｈｐ
图像二值化 是图像处理 中常用 的一种 方法，经过
图像二值化的结果，因此Ｔ 的选取是二值化 的关键 。 若要 对 一 幅 白 （ ５ ）背 景 图像进 行 二 值化 处 ２５
其 中，ｇ （ ，ｙ ｘ ）是图像 中像素 点的灰度值 ，Ｔ 为 灰度 阈值 。根据此算法可得 图像二值化 ，即把图像 中 像素 点灰度值 原来 的灰度 图像 就变成 了非 黑
c++ opencv阈值的方法
文章标题：探寻C++ OpenCV图像处理中的阈值方法在C++ OpenCV中，图像处理的阈值方法是一个十分重要的技术，它可以对图像进行二值化处理，将图像中的目标对象和背景进行有效分割，为后续的图像识别和分析提供了基础。
本文将深入探讨C++ OpenCV中常用的阈值方法，以帮助读者更好地理解和运用这一技术。
1. 了解阈值的概念阈值处理是一种图像分割方法，通过对图像灰度值进行处理，将像素分为目标和背景两部分。
在C++ OpenCV中，常用的阈值方法包括全局阈值、自适应阈值和Otsu阈值等。
通过对比不同的阈值方法，我们可以更好地选择适合特定场景的阈值处理方案。
2. 全局阈值的应用全局阈值是最简单直观的阈值处理方法，在C++ OpenCV中可以使用cv::threshold函数进行实现。
通过设定一个全局固定的阈值，对整个图像进行二值化处理，将灰度值大于阈值的像素设为白色，小于阈值的像素设为黑色。
然而，在实际应用中，全局阈值可能对光照不均匀或者对比度较低的图像效果不佳，因此需要寻求更加灵活的阈值方法。
3. 自适应阈值的优势C++ OpenCV提供了自适应阈值方法，通过计算局部区域的灰度均值或加权平均值来确定阈值，有效应对了图像光照不均匀的情况。
自适应阈值方法使得图像的二值化处理更加灵活，可以适应不同光照条件下的图像处理需求。
4. Otsu阈值的特殊性Otsu阈值是一种自动确定阈值的方法，它能够根据图像的灰度分布特点，自动计算最佳阈值，进而实现图像的自适应二值化处理。
在C++ OpenCV中，Otsu阈值的应用需要结合cv::threshold函数进行实现，通过该方法，图像处理的效果更加准确和稳定。
总结与展望通过本文的探讨，我们对C++ OpenCV中阈值处理的方法有了更深入的了解。
在实际应用中，我们可以根据图像的特点和处理需求，选择合适的阈值处理方法，以实现图像的有效分割和处理。
未来，随着图像处理技术的不断发展，我们可以进一步探索更加高效和智能的阈值方法，为图像处理领域注入新的活力和可能性。
二值化
function binariedImage=OSTU(scoreImage)
scoreImage=double(scoreImage);
[height,length]=size(scoreImage);
totalPixel=height*length;
% maxPixNumber=max(max(scoreImage));
end
delta=cpf.*bpf.*(meanForward-meanBack).^2;
[value,index]=max(delta);
%返回的是逻辑的图像
binariedImage=scoreImage>index;
MATLAB代码1 function binariedImage=OSTU(scoreImage) scoreImage=double(scoreImage); [height,length]=size(scoreImage); totalPixel=height*length; % maxPixNumber=max(max(scoreImage)); %这个地方为了以后计算方便就不这样计算了而是默认最大的为255 pixelCount=zeros(1,256);%统计各个像素值的个数% 0-256 for i=1:length for j=1:height number=scoreImage(j,i)+1; pixelCount(number)=pixelCount(number)+1; end end %概率pf=pixelCount/totalPixel; %前向累计概率密度函数cpf=zeros(1,256); cpf(1)=pf(1); for i=2:256 cpf(i)=cpf(i-1)+pf(i); end %后向累计概率密度函数bpf=zeros(1,256); bpf(256)=pf(256); for j=256:-1:2 bpf(j-1)=bpf(j)+pf(j-1); end %前向累计期望meanForward=zeros(1,256); meanForward(1)=1; for i=2:256 meanForward(i)=meanForward(i-1)*(cpf(i-1)/cpf(i))+(pf(i)/cpf(i))*i; end %后向累计期望meanBack=zeros(1,256); meanBack(max(max(scoreImage)))=max(max(scoreImage)); for i=max(max(scoreImage)):-1:2 meanBack(i-1)=meanBack(i)*(bpf(i)/bpf(i-1))+(pf(i-1)/bpf(i-1))*(i-1); end delta=cpf.*bpf.*(meanForward-meanBack).^2; [value,index]=max(delta); %返回的是逻辑的图像binariedImage=scoreImage>index;
图像灰度化和二值化
图像灰度化和二值化1.灰度化图像的灰度化处理的基本原理：彩色图像转化成为灰度图像的过程成为图像的灰度化处理。
彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255种值可取，这样一个像素点可以有1600多万（255*255*255）的颜色的变化范围。
而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。
灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
方法：1.分量法:对于每一个像素点，取其任意一种（R或G或B)为该点的灰度值。
2.最大值法:对于每一个像素点，取Max(R,G,B)为该点的灰度值。
3.平均值发:对于每一个像素点，取Avg(R,G,B)为该点的灰度值。
4.加权平均法:对于每一个像素点，由于人眼对红色光，绿色光，蓝色光的敏感程度不同而赋予不同的权重，从而得到该点的灰度值。
公式如下:Gray = 0.30 * R + 0.59 * G + 0.11 *B为什么将彩色图像灰度化?我们识别物体，最关键的因素是梯度（现在很多的特征提取，SIFT,HOG等等本质都是梯度的统计信息），梯度意味着边缘，这是最本质的部分，而计算梯度，自然就用到灰度图像了。
颜色本身，非常容易受到光照等因素的影响，同类的物体颜色有很多变化。
所以颜色本身难以提供关键信息。
2010PAMI有colorSIFT的一些工作，本质也是不同通道的梯度。
梯度信息对于识别物体来说很重要。
所以我们可以把灰度图像看作图像的强度(Intensity)，来求一些梯度特征。
比较常用的有HOG，LBP，SIFT等等。
如下图为行人检测中的hog模型。
通过hog来检测部件，最后找到图像中的行人。
（Reference: rbgirshick/voc-dpm）注：可视化为rgb图像，但输入是灰度图像，不要被骗了。
二值化阈值的选取方法
二值化阈值的选取方法
在进行二值化阈值选取时，可以采用以下几种常用的方法：
1. Otsu方法：Otsu方法是一种自适应的阈值选取方法，它能够根据图像的灰度分布自动选择最佳的阈值。
该方法首先计算图像的灰度直方图，然后根据直方图信息计算类间方差最小的阈值作为二值化阈值。
2. 基于峰值的方法：该方法通过寻找图像灰度直方图中的峰值来选取二值化阈值。
通常情况下，图像的背景和前景分别对应两个峰值。
可以选择两峰之间的谷底作为二值化阈值。
3. 基于聚类的方法：该方法通过对图像灰度值进行聚类来选取二值化阈值。
常用的聚类方法有K-means聚类和谱聚类等。
通过将灰度值分成两个簇，可以选择两个簇之间的分割点作为阈值。
4. 基于直方图的方法：该方法通过分析图像的灰度直方图，选择能够合理区分图像前景和背景的阈值。
可以根据直方图的形状、波峰和波谷等特征来选取阈值。
5. 基于统计分析的方法：该方法通过分析图像的灰度统计特征，例如均值、方差、中位数等，选择合适的阈值。
可以根据前景和背景的灰度分布特征来选择阈值。
以上方法中，Otsu方法是一种常用且较为常见的二值化阈值选取方法，可以适用于大多数图像二值化的场景。
但对于特殊图像场景，其他方法也可能更适合选择二值化阈值。
图像处理中的图像二值化算法
图像处理中的图像二值化算法随着科技的发展，图像处理技术应用越来越广泛。
作为一项基础技术，图像二值化算法在图像处理中扮演着非常关键的角色，它可以将图像分割成黑白两种颜色，也就是将图像中的灰度值转化为0和1，简化了后续的处理流程。
本文将介绍图像二值化算法的基本原理和应用情况。
一、二值化算法的基本原理在图像中，每个像素都有一定的灰度值，在8位灰度图像中，灰度值的范围在0-255之间，其中0是代表黑色，255代表白色。
当我们需要处理一张图片时，如果直接对每一个灰度值进行处理，那么处理的过程就会非常繁琐，因此，我们需要将图像灰度值转化为0和1两种数字进行处理。
常见的二值化算法有全局阈值算法、局部阈值算法、自适应阈值算法、基于梯度算法等。
其中，全局阈值算法是最基本、最简单的一种算法。
它将整张图像分成黑白两个部分，通过将整个图像的像素点的灰度值与一个固定的阈值进行比较，如果像素点的灰度值大于阈值，就将该像素点的灰度值置为1，否则置为0。
使用全局二值化算法的步骤如下：1.将图像读入到内存中；2.将图像转化为灰度图像；3.计算整个图像的平均灰度值，该平均灰度值作为全局阈值；4.将图像中每个像素点的灰度值与该全局阈值进行比较，灰度值大于等于该全局阈值的像素点赋值为255（代表白色），小于该阈值的像素点赋值为0（代表黑色）；5.输出处理后的图像。
当然，这种方法的缺点也非常明显，那就是无法适应不同场合下的图像处理需求，处理效果难以保证。
因此，我们需要更为灵活的算法和方法来进行二值化处理。
二、不同类型的二值化算法1.基于直方图的全局阈值法二值化算法中的全局阈值算法通常是将整个图像分成两类像素：一类像素比较暗，另一类像素比较亮。
在直方图中，该分割就是直方图上的两个峰。
我们可以通过直方图分析来确定这个阈值，并将灰度值低于阈值的像素变为黑色，将灰度值高于阈值的像素变为白色。
对于图像I(x,y)，它的灰度直方图h(i)可以表示为：h(i) = N(i) / MN (i=0,1,…,L-1)其中N(i)是图像中所有像素灰度值为i的像素数量，MN是总的像素数量，L是灰度级别数量（在8位图像中，L等于256）然后我们需要确定一个阈值T，所有像素点的灰度值小于T的变为黑色，大于等于T的变为白色。
二值化
用于显示的灰度图像通常用每个采样像素8 bits的非线性尺度来保存，这样可以有256种灰度（8bits就是2 的8次方=256）。这种精度刚刚能够避免可见的条带失真，并且非常易于编程。在医学图像与遥感图像这些技术 应用中经常采用更多的级数以充分利用每个采样10或12 bits的传感器精度，并且避免计算时的近似误差。在这 样的应用领域流行使用16 bits即个组合（或种颜色）。
根据阈值选取的不同，二值化的算法分为固定阈值和自适应阈值。比较常用的二值化方法则有：双峰法、P 参数法、迭代法和OTSU法等。
图像分割
图像分割
在计算机视觉领域，图像分割（Segmentation）指的是将数字图像细分为多个图像子区域（像素的集合） （也被称作超像素）的过程。图像分割的目的是简化或改变图像的表示形式，使得图像更容易理解和分析。图像 分割通常用于定位图像中的物体和边界（线，曲线等）。更精确的，图像分割是对图像中的每个像素加标签的一 个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。
二值图像
二值图像
二值图像是每个像素只有两个可能值的数字图像。人们经常用黑白、B&W、单色图像表示二值图像，但是也 可以用来表示每个像素只有一个采样值的任何图像，例如灰度图像等。
二值图像经常出现在数字图像处理中作为图像掩码或者在图像如激光打印机、传真机、单色计算机显示器等都可以处理二值图像。
图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线 的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例 如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。
二值化方法
二值化方法
二值化方法是一种将图像转换为黑白两种颜色的方法。
通常情况下，我们使用像素阈值方法将灰度图像转换为二值图像。
在这种方法中，我们将图像中的每个像素与特定阈值进行比较。
如果像素的灰度值高于阈值，则将其设置为白色，否则将其设置为黑色。
像素阈值方法有多种变体。
例如，全局阈值法使用固定的阈值值将整个图像转换为二值图像。
自适应阈值法则使用不同的阈值值将图像分成许多块，并在每个块中使用适当的阈值值。
这些方法的目的是根据图像的内容自适应地选择阈值值。
还有其他的二值化方法，例如Otsu二值化方法。
在这种方法中，我们选择一个阈值值，使得将图像分成两部分，使得两部分之间的方差最小。
这种方法被广泛应用于图像分割中，其中我们试图将图像分成不同的部分以进行后续处理。
总之，二值化方法是一种将图像转换为只有黑白两种颜色的方法。
它的目的是将图像分成明显的部分以便于后续处理。
这种方法有多种变体，每种变体都有自己的优点和缺点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
三、总结与展望
图像处理技术发展至今， 虽然没有达到非常完美的程度。但对于二值 化这样一个图像分割中非常重要的分支，可以说已经趋近成熟。
上述提到的二值化算法都是很基础但是非常实用的一些算法。还有很 多高阶的算法，都是从这些算法中延伸或者改进而来。 文中提出的算法都是基于一维直方图的，还有基于二维直方图的模糊 门限化方法，基于二维灰度阈值的图像二值化分割算法等一些基于二 维直方图的分割方法。 相信随着图像处理技术的继续发展，对二值化图像的要求也会越来越 高，相应的也会产生更多效率更高、效果更好的二值化方法。
大律法得到了广泛的应用，但是当物体目标与背景灰度差不明显时，会出 现无法忍受的大块黑色区域，甚至会丢失整幅图像的信息。
9
4. 最大熵阈值法
将信息论中的shannon熵概念用于图像分割，其依据是使得图像中目标与背 景分布的信息量最大，即通过测量图像灰度直方图的熵，找出最佳阈值。 根据shannon熵的概念，对于灰度范围为0,1,2,…,M-1的图像，其直方图的熵 定义为（仅仅是定义）：
11
5. 迭代法（最佳阈值法）
迭代法是基于逼近的思想，迭代阈值的获取步骤可以归纳如下：
1）选择一个初始阈值T(j)，通常可以选择整体图像的平均灰度值作为初 始阈值。j为迭代次数，初始时j=0。 2）用T(j)分割图像，将图像分为2个区域C 1 j 和C 2 j
N 3）计算两区域的平均灰度值，其中 N 1 、 2 j 为第j次迭代时区域C1 和C2的像素个数，f(x,y)表示图像中（x,y）点的灰度值。
4
二、二值化阈值选取常用方法
而选取合适的分割阈值可以说是图像二值化的重要步骤，过 高的阈值会导致一些真实边缘的丢失，过低的阈值又会产生 一些无谓的虚假边缘。
下面介绍几种基本的阈值选取算法。
1. 2. 3. 4. 5.
双峰法 P参数法 大津法（Otsu法或最大类间方差法） 最大熵阈值法 迭代法（最佳阈值法）
13
14
二值化的基本过程如下：
• • • 对原始图像作中低通滤波，进行图像的预处理，降低或去除噪声； 用算法确定最佳阈值T； 凡是像素的灰度值大于这个阈值的设成255，小于这个阈值的设成0。 这样处理后的图像就只有黑白两色，从而将灰度范围划分成目标和 背景两类，实现了图像的二值化。 g(x,y)= 255 (白) f(x,y) ≧T 0 (黑) f(x,y) <T
H p i ln p i
i0 M 1
其中pi为灰度值为i的像素在整体图像中的概率。
设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为 O区： B区：
t
pi Pt pi
1 Pt
i=0,1，…，t； i=t+1,t+2，…，M-1；
H p i ln p i
i0 M 1
灰度图像二值化阈值选取常用方法
报告人：
专业：机械设计及理论
1
汇报内容
一、研究背景 二、二值化阈值选取常用方法 三、总结与展望
2
一、研究背景
机器视觉就是用机器代替人眼来做测量和判断。机器视觉 系统是指通过机器视觉产品（即图像摄取装置，分 CMOS 和CCD 两种）将被摄取目标转换成图像信号，传送给专用 的图像处理系统，根据像素分布和亮度、颜色等信息，转 变成数字化信号；图像系统对这些信号进行各种运算来抽 取目标的特征，进而根据判别的结果来控制现场的设备动 作。
最大类间方差法是由Otsu 于1979 年提出的，是基于整幅图像的统计特性 实现阈值的自动选取的，是全局二值化最杰出的代表。 Otsu 算法的基本思想是用某一假定的灰度值t将图像的灰度分成两组，当 两组的类间方差最大时，此灰度值t就是图像二值化的最佳阈值。 设图像有M 个灰度值，取值范围在0～M-1，在此范围内选取灰度值t，将 图像分成两组G0和G1，G0包含的像素的灰度值在0～t，G1的灰度值在 t+1～M-1，用N 表示图像像素总数，ni表示灰度值为i 的像素的个数。 已知：每一个灰度值i 出现的概率为pi ＝ni /N；假设G0和G1两组像素的 个数在整体图像中所占百分比为W0,W1，两组平均灰度值为u0,u1，可得
p1 (t )
t
p (i )
t=0,1,2,…,255，
i0
3) 计算阈值T,有
T arg min p 1 ( t ) p 1
t=0,1,2,…,255，
也就是说，阈值就是与P1最为接近的累积分布函数所对应的 灰度值t。
需要预先知道目标区域的P值，因此成为P参数法。
7
3.大津法（Otsu法或最大类间方差法）
ln 1 Pt
10
4. 最大熵阈值法
图像的总熵为
H t H O t H
t B
ln Pt 1 Pt
Ht Pt
H Ht 1 Pt
最佳阈值T为使得图像的总熵取得最大值：T=argmax(H(t)) 此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行 较好的分割。缺点是运算速度较慢不适合实时处理。仅仅考虑了像素点 的灰度信息，没有考虑到像素点的空间信息，所以当图像的信噪比降低 时分割效果不理想。
j
j
u1
1 N1
j
f x , y C 1
f x, y
j
u2
j1ຫໍສະໝຸດ N2 jf x , y C 2
f x, y
j
4）再计算新的门限值，即
T j 1 u1
j
u2 2
j
5）令j=j+1，重复2）~4）,直到T(j+1)与T(j)的差小于规定值。
式中f(x,y) 为灰度图像的灰度值，T 为阈值， g(x,y)为二值化后的灰
度图像。
6
2. P参数法
当不同区域（即目标）之间的灰度分布有一定的重叠时，双峰法的效果 就很差。如果预先知道每个目标占整个图像的比例P，则可以采用P参数 法进行分割。 P参数法的具体步骤可以如下描述，假设已知整个直方图中目标区域所占 的比例为P1： 1) 计算图像的直方图分布P(t).其中t=0,1,2,…,255，表示图像的灰度值； 2) 从最低的灰度值开始，计算图像的累积分布直方图。
g ( t ) 0 u 0 u 1 u 1 u 0 1 u 0 u 1
最佳阈值为：T=argmax(g(t))
使得间类方差最大时所对应的t值
算法可这样理解：阈值T 将整幅图像分成前景和背景两部分，当两类的 类间方差最大时，此时前景和背景的差别最大，二值化效果最好。因为 方差是灰度分布均匀性的一种度量，方差值越大，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阈值意味着错分概率最小。
其中
Pt
t
pi
i0
令
H t p i ln p i
i0
则目标O和背景B的熵函数分别为：
Ht Pt
H Ht 1 Pt
H O t
t
pi Pt
pi
ln
pi Pt
ln
ln Pt
pi
i0
H
t B
L 1
i t 1
1 Pt
1 Pt
5
1. 双峰法
在一些简单的图像中，物体的灰度分布比较有规律，背景 与各个目标在图像的直方图各自形成一个波峰，即区域与 波峰一一对应，每两个波峰之间形成一个波谷。那么，选 择双峰之间的波谷所代表的灰度值T作为阈值，即可实现 两个区域的分割。如图1所示。
g(x,y)=
255 (白) f(x,y) ≧T 0 (黑) f(x,y) <T
3
一、研究背景
※二值化及阈值
图像二值化是图像处理的基本技术，也是图像处理中一个非常活跃的分支， 其应用领域非常广泛，特别是在图像信息压缩、边缘提取和形状分析等方面 起着重要作用，成为其处理过程中的一个基本手段。二值化的目的是将上步 的图像增强结果转换成黑白二值图像，从而能得到清晰的边缘轮廓线，更好 地为边缘提取、图像分割、目标识别等后续处理服务。
概率：
平均灰度值：
0
u0
t
t
M 1
pi
1
u1
i0
i t 1
M 1
pi 1 0
ip
i0
i
i t 1
ip
i
8
3. 最大类间方差法（大津法或Otsu法）
图像的总平均灰度为：
u 0 u 0 1 u1
2 2 2
间类方差为：