图像二值化时图像特征的保留
一种有效的图像二值化方法_赵永志
第7卷 第1期 2007年1月1671-1819(2007)1-0139-04科 学 技 术 与 工 程Science T echno logy and Eng i neeringV o.l 7 N o .1 Jan .20072007 Sc.i T ech .Engng.一种有效的图像二值化方法赵永志 彭国华*(西北工业大学应用数学系,西安710072)摘 要 边界特征是图像的重要信息,阈值是区分图像像素点的主要依据。
研究了图像的二值化方法,阐述了一种基于数学形态学的自适应二值化方法。
实验表明,该方法能够较好地保留原图的边界特征信息,二值化效果好。
关键词 二值化 阈值 数学形态学 边界特征中图法分类号 TP391.41; 文献标识码A2006年8月25日收到*第一作者简介:赵永志,男(1982 ),硕士研究生,研究方向:图像处理与模式识别。
E -m a i :l snzhaoyzh@i s i na .co m 。
*通信作者简介:彭国华,男(1962 ),教授,博士,硕士生导师,研究方向:计算机图形学、计算机辅助几何设计。
图像二值化是数字图像处理技术中的一项基本技术,也是许多图像处理技术的预处理技术,在自动目标识别(ATR )、图象分析、文本增强以及光学字符识别(OCR )等图像处理中得到广泛应用。
现有的二值化方法大多属于阈值化方法,而在不同的应用中,阈值的选取决定着图像特征信息的保留。
因此,自动阈值选取的方法非常值得研究,好的自动阈值选取方法不仅能够保留图像中有用的信息,而且还可以减少时间上的开销。
本文对现有的图像二值化算法进行了讨论,阐述了一种基于数学形态学的图像二值化方法。
实验表明,该方法能够较好地保留原图的边界特征信息,是一种自适应的调整阈值的方法。
1 常用的二值化方法图像二值化技术的关键在于如何选取阈值。
根据其对像素的处理方式,主要分为三类:(1)全局阈值法:是指整个图像采用单一阈值(全局阈值)T 进行图像二值化。
[笔记]图像的二值化,灰度化,滤波,反色的基本原理
![[笔记]图像的二值化,灰度化,滤波,反色的基本原理](https://img.taocdn.com/s3/m/162260af1b37f111f18583d049649b6648d70935.png)
图像的二值化,灰度化,滤波,反色的基本原理一、图像的灰度化处理的基本原理将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中值可取，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。
图像的灰度化处理可用两种方法来实现。
第一种方法使求出每个像素点的R、G、B三个分量的平均值，然后将这个平均值赋予给这个像素的三个分量。
第二种方法是根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B三个颜色分量的对应：Y=0.3R+0.59G+0.11B，以这个亮度值表达图像的灰度值。
二图像的二值化的基本原理图像的二值化处理就是讲图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。
即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。
为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。
所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
扑克纸牌识别
课程设计课程名称题目名称学生学院专业班级学号学生姓名指导教师年月日摘要随着图像处理、人工智能、计算机技术的不断发展，计算机识别技术也日趋成熟，逐渐转为使用阶段，目前计算机识别方法主要有两种：1） 标记识别技术；2） 基于图像处理的识别技术。
第一种方法是先在识别目标上预先安设一个标记，标记可以是IC 条形码等，再将目标的信息存储在标记中，则从标记中可以识别出目标及其它相关的内容。
这种方法的优点是识别准确度高、速度快和可靠，但由于这种方法对硬件的要求，使得它存在了许多的局限性，若应用到扑克纸牌识别当中，需要为纸牌装有一个微型的IC ，这样的设备价格十分昂贵，同时也摒弃了纸牌的实际用途，普及实用性不强。
基于图像处理的识别技术相比较第一种方法的优势在于不需要给识别目标添加任何辅助设备就可以对其进行识别。
应用到扑克纸牌识别当中，对目标信息的采集是非接触性的，可以实时识别，非人工操作，工作效率高。
这种方法是基于计算机视觉和图像处理技术，作为一个软件系统，更方便维护和升级，通用性更强。
存在着这几方面的优势，基于图像处理的识别技术具有很大的发展空间。
基于图像处理的纸牌识别主要包括纸牌图像预处理（倾斜校正与定位）、特征提取、特征匹配、纸牌识别等方面的技术。
系统构成如上图所示，当系统发现监视图像发生变化时，触发图像采集，通过CCD 摄像头摄取的纸牌图像，然后识别系统对纸牌图像进行一系列处理从而识别出纸牌，输出识别结果。
纸牌图像预处理传感器触发CCD 摄像头进行图像采集后可以得到一张图像，图像中包括背景和待识的目标纸牌，但目标纸牌在图像中并不一定是正放的，许多的时候纸牌与图像的边缘形成一定的倾斜角度，如下图所示：CCD 摄像头图像采集 纸牌图像预处理 纸牌特征提取特征匹配 扑克纸牌识别 数据库传输基于图像处理的纸牌识别系统构成数据输出 传感器触发纸牌物理与图像边缘形成倾斜角度。
因此，纸牌识别之前，必须先对目标纸牌进行倾斜校正和定位。
05二值图像分析
二值图像及其意义
图像定义
一副数字图像是一个二维阵列，阵列元素值称为灰度值 或亮度值。
二值图像定义
只有黑、白两级灰度的图像。分别用1和0表示。
二值图像优点
去掉无关信息的干扰 几何与拓扑特性的表示与分析 节省资源
L = bwlabel(BW,4) [r, c] = find(L==2); rc = [r c]
区域边界—边界跟踪算法
参考“预处理”部分
距离测量
参考"基础"一章对应内容
描述二值图像的特征
• 基于边界的特征
– 链码、边界长度、边界标记、边界形状数
• 基于区域的特征
– 四叉树、围绕区域、骨架、面积、质心、密度、区域 形状数、不变矩、拓扑特征
第五章 二值图像分析 Chapter 5 Binary Image Analysis
Ref. Book
• 二值图像分析基本过程 预处理-->二值化-->图像描述(特征提取)-->分析识别
(预处理和二值化过程参考前面章节)
二值图像分析的意义
经过图像分割之后，获得了目标物与非目标物两 种不同的对象。但是提取出的目标物存在以下的 问题：
L=N *=L，N中小标号
连通成分标记 — 序贯算法
• [L, num] = bwlabel(BW, n)
BW = logical (... [1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 0 0 0; 1 1 1 0 0 0 1 0; 1 0 1 0 0 0 1 0; 1 0 1 0 0 1 1 0; 1 1 1 0 0 1 0 0; 1 1 1 0 0 0 0 1]);
阈值抖动算法
阈值抖动算法阈值抖动算法是一种常用的图像处理算法，用于将一个较高的色彩深度图像转换为较低的色彩深度图像。
其原理是通过比较每一个像素的灰度值与一个预先设定的阈值，并根据比较结果将像素值转换为黑色或白色，从而实现图像的二值化。
阈值抖动算法的主要目的是在保留图像主要特征的同时，通过将灰度值分布范围较广的像素进行抖动处理，来近似表示较高色彩深度图像。
该算法常用于黑白打印或传真等情况下，可以有效减少颜色信息量，从而节省传输和存储空间。
阈值抖动算法的核心思想是将像素值与阈值进行比较，并根据比较结果决定像素值的最终结果。
具体操作步骤如下：1.像素灰度值获取：对于一个输入图像的每个像素，计算其灰度值。
灰度值的计算方式可以是简单的求和计算，也可以使用更复杂的颜色通道加权平均等方式。
2.阈值设定：设定一个阈值，该值可以是固定的常数，也可以是根据输入图像的特点进行动态调整。
阈值的设定直接影响到最终二值化图像的质量。
3.像素值比较：将每个像素的灰度值与阈值进行比较。
若灰度值大于等于阈值，则将像素值设为白色，否则设为黑色。
这一步实际上是将图像的连续灰度值映射为只有两种离散颜色，即黑色和白色。
4.误差传播：在将像素值设定为黑色或白色后，可以根据当前像素值与理论值之间的差异，将误差传播到周围的像素。
该过程有助于更好地保留原始图像的细节并减小抖动引起的伪影。
5.输出结果：将经过阈值比较和误差传播处理后的像素值输出为最终的二值化图像。
该图像只包含黑色和白色两种像素值，可用于后续处理或展示。
需要注意的是，阈值抖动算法的效果取决于阈值的选取以及误差传播的方式。
不同的阈值和传播方式会导致不同的图像质量和细节保留程度。
因此，在实际应用中，需要通过试验和评估来选择最适合的参数组合。
总结起来，阈值抖动算法是一种将高色彩深度图像转换为低色彩深度图像的图像处理算法。
其基本原理是通过设定阈值并比较像素灰度值，将图像像素转换为黑色或白色，并通过误差传播来减少抖动带来的伪影。
数字二值化后特征
数字二值化后特征
数字二值化是一种将数字像素点（pixel）从非二值数值范围映射
到只有0和1两种可能值的方法。
这种映射是通过按照某一阈值将加
载的像素点的灰度值转化为相应的0或1来实现的。
数字二值化后的
特征主要有：
1、二值化采用阈值法转换，能够保留像素灰度值变化的大小与精度，但由于只有黑白两种颜色，会使原图像失去了一定的颜色信息，
对图像的识别效果比原始图像要差一些；
2、数字二值化可以高效地提取图像中的特征，减少像素点噪声以
及使图像具有更高的空间分辨率，进而提高图像处理、分析、分类的
执行效率；
3、数字二值化后的图像的傅里叶变换（FFT）可以更容易地提取
小样本的特征，减少了对小样本分析的时间和资源。
4、数字二值化将像素值转换为01代表的形式能够节省内存，并
且可以更容易地实现灰度、彩色图像之间的转换；
5、数字二值化后的图像具有较好的空间特性，实现了图像信息量
的大幅度减少，因此在图像压缩中具有很大的使用价值；
6、数字二值化还可以抑制噪声对于图像分析的影响，确保图像信
息的准确性。
数字二值化是图像处理、分析和分类中常用的一种技术，它能够
解决图像灰度分布特点不能适应机器处理的问题，把图像的像素点的
灰度值转换成相应的0或1，帮助提高图像处理的执行效率，改善对小
样本分析的效率，减少像素噪声，抑制噪声对图像分析的影响，确保
图像信息的准确性，实现图像信息量的大幅度减少，从而在图像压缩、处理、分析和分类中有很大的使用价值。
数字图像处理中的二值化技术研究
数字图像处理中的二值化技术研究数字图像处理是指对数字化的图像进行各种算法处理，以改善图像质量、实现目标应用和进行图像分析等。
其中，二值化技术是数字图像处理中应用最为广泛的技术之一。
本文将从二值化的基本原理、常见算法、优化技术以及应用等方面进行综述。
一、二值化的基本原理二值化是将一幅灰度图像转换成只有两种颜色的图像，常见的是黑白二值图像。
它的目的是将灰度范围较大的图像转换为仅包含两种灰度值的图像，以便进行图像分析和处理。
二值化的基本原理就是根据一定的阈值将像素点的灰度值分为两类，一类是大于等于阈值的像素点，另一类是小于阈值的像素点。
然后将这两类像素点分别用黑色和白色进行表示，从而得到一幅二值图像。
二、常见的二值化算法1.全局阈值法全局阈值法也称为固定阈值法，是最简单、最基本的二值化算法之一。
它的原理是将整幅图像的灰度直方图进行分析，将图像中所有像素的灰度值设置为一个固定的阈值，一般取灰度直方图的平均值或中值。
然后对于灰度值大于等于该值的像素点置为白色，灰度值小于该值的像素点置为黑色。
但这种算法容易受到光照不均匀、噪声较多等因素的影响，产生误判。
2.手动阈值法手动阈值法是根据观察或经验设置阈值，也称为交互式的阈值法。
它适用于像素灰度值分布不均匀，且图像背景和目标差异大的情况。
3.自适应阈值法自适应阈值法是根据图像在局部区域内的灰度值特征进行划分，常见的有局部均值法和Otsu法。
局部均值法是将像素点周围一定大小的区域内的灰度值作为阈值，并将该像素点二值化。
这种算法可以对灰度分布不均匀、光照不均匀等情况适用。
Otsu法是利用图像中目标与背景之间灰度值分布的偏差，自适应地确定一个能够最大程度区分两个类别的阈值。
4.基于形态学的阈值法形态学阈值法基于二值图像形态学操作的方法，能够有效去除噪声和骨骼化等图像处理，并能够保留目标的边界。
它的核心思想是基于图像特征对阈值进行判断，通常是先对图像进行形态学膨胀操作，然后求出局部的最大值，作为阈值进行二值化操作。
图像处理技术中的阈值分割与二值化方法
图像处理技术中的阈值分割与二值化方法在图像处理领域中，阈值分割与二值化方法是一种常用且重要的技术。
它们可以将一幅灰度图像分为多个亮度不同的区域，从而提取出我们感兴趣的目标。
阈值分割与二值化方法在很多应用中都有广泛的应用，比如目标检测、图像增强、字符识别等。
本文将详细介绍这两种方法的原理和常见应用。
我们来了解一下阈值分割的原理。
阈值分割是基于图像的灰度值来进行图像分割的一种方法。
它主要通过设置一个阈值，将图像中的像素根据其灰度与阈值的关系划分为两类：亮区域和暗区域。
对于每个像素，如果其灰度值大于阈值，则划分为亮区域，否则划分为暗区域。
这样，我们就可以得到一幅二值图像，其中亮区域的像素值为255（白色），暗区域的像素值为0（黑色）。
阈值分割方法有多种，常见的有全局阈值分割、自适应阈值分割和多阈值分割等。
全局阈值分割是在整幅图像上寻找一个全局的阈值进行分割，适用于图像中目标与背景之间的灰度差异较大的情况。
自适应阈值分割则是根据图像中每个像素周围的灰度值来确定其阈值，适用于图像中目标与背景之间的灰度差异较小的情况。
多阈值分割则是将图像分为多个灰度级别的区域，适用于图像中存在多个目标的情况。
除了阈值分割，二值化方法也是一种常见的图像处理技术。
二值化方法将一幅灰度图像转换为二值图像，即将所有像素的灰度值限定为两种取值：0和255。
这种方法可以将图像的细节信息保留，同时降低图像的复杂度。
常见的二值化方法有全局二值化和局部二值化。
全局二值化方法是通过设定一个全局的灰度阈值，将图像中的像素根据其灰度与阈值的关系划分为两类。
与阈值分割类似，全局二值化也是将灰度值高于阈值的像素设为255（白色），低于阈值的像素设为0（黑色）。
不同之处在于，全局二值化是在灰度图像上进行的操作，而阈值分割可以是在原始彩色图像上进行。
局部二值化方法与全局二值化方法相比，更加适用于灰度变化较大、光照不均匀的图像。
它将图像分成很多个小块，在每个小块上进行局部阈值分割。
- 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)。
张、印刷纸张、医学图像、银行支票等; 获取图像的途 径也各不 相同, 如 CCD、数字相 机、扫 描仪、X 光、 CT 、MRI、显微镜等, 扫描到计算机里的图像质量 也参差不齐, 其中 CCD 和数字相机受环境光的影响 很大. 同时, 图像来源如纸张、支票也可能质量很差. 因此, 我们需要一种能处理低质量、甚至单峰直方图 的图像的二值化方法, 以尽可能地保留我们所需要 的信息, 特别是原图的特征信息.
2 已有的二值化方法
等于 的象素占全体象素的100t ( 0 t 1) , 其中 t 由用户给定.
以上算法都没有考虑在二值化过程中保留原有
图像的特征. 比如一幅在不均匀光照明下的图像中 物体轮廓的灰度是变化的, 也许是模糊的, 但是边界 线仍然可以识别出来, 用图像的特征检测算法也可 以检测出来[ 1] . 从下面实验可以看出, 现有的算法在 很多情况下, 二值化结果图会失去原图的许多丰富 的细节.
3 基于边界特征的二值化算法
在文字识别、银行印章识别等系统的二值化处
理中, 最理想的结果是以字体轮廓为边界, 将在边界
内的象素变换为黑象素, 边界外的象素变换为白象
素. 这也是本文提出的新算法的目的. 在此, 我们提出一种结合图像边界特征来进行
二值化的方法. 边界特征在文字识别、印章识别等应
用中是非常重要的特征, 是识别成功与否的关键. 因
( 1) 整体阈值法; ( 2) 局部阈值法; ( 3) 动态阈值法. 整体阈值二值化方法是指在二值化过程中只使 用一个阈值 的方法; 局部阈值法则是由象素灰度 值和象素周围点局部灰度特性来确定象素的阈值 的; 动态阈值法的阈值选择不仅取决于该象素灰度 值以及它周围象素的灰度值, 而且还和该象素的坐 标位置有关. 一般来说, 整体阈值法对质量较好的图 像较为有效( 这些图像的直方图有两个峰值) , 而局 部阈值法则能适应较为复杂的情况. 上述提到的应用中, 阈值的选择必须由计算机 来自动进行. 在已有的算法中, 有很多是必须由人工 进行干预的, 不适合上述应用. 下面列举一些自动阈 值的选择算法. ( 1) 非零元素取1法[ 5] . ( 2) 平均灰度值法. 该方法以图像中所有象素 的灰度值的平均值为阈值. ( 3) 最大方差法[ 5] . 该方法取阈值 , 它把双峰 直方图一分为二, 并使被分开的两部分之间方差 最大. 以上3种方法都是整体阈值法, 是较为常用的方 法. 下面的方法则需要人工干预. ( 4) P 块法[ 5] . 阈值 满足条件: 灰度值大于或
for 每个象素 f ( i, j ) do if b( i, j ) = 1 then / / 边界象素 begin A = 与求 e( i, j ) 相关的象素的平均灰度 for 每个与求 e( i, j ) 相关的象素 f ( u, v ) T ( u, v ) = A end else if T ( i, j ) is no t set then
Abstract Based on o perat ors f or edg e f eat ure detection, a new met ho d of adapt ive threshol d select ion is pro posed w hich combines t he lo cal t hreshold w ith g lobal t hreshold select ion. Our experiment s show t hat t he new algo rit hm keeps t he or ig inal edg e f eat ures w ell and is eff icient f or pr ocessing lo w -qualit y im ages.
关键词 二值化, 局部阈值, 整体阈值, 自适应, 边界特征 中图法分类号 T P 391
Binary-Conversion of Image with Feature Preserving
WANG Qiang M A L i-Zhuang
( S t ate K ey L aborat ory of CA D & CG, Zhej iang U niv er si ty, H angz hou 310027) ( D ep artment of Comp ute r Sci ence, Zhej iang U niv er si ty, H angz hou 310027)
( 2) 中心差分算子
2x f ( i , j ) = f ( i+ 1, j ) - f ( i- 1, j ) ,
2y f ( i , j ) = f ( i, j + 1) - f ( i, j - 1) . ( 3) Robert s 算子
+ f ( i , j ) = f ( i + 1, j + 1) - f ( i , j ) ,
在已知的图像二值化算法中, 局部阈值法对处 理低质量图像较为有效, 但是时间开销大, 而且在某 些情况下会产生一些失真. 因此, 需要一种不产生失 真、且时间开销又不大的方法来处理低质量图像, 并 保留足够的特征信息.
在上述应用中, 图像二值化时的阈值的选择必
原稿收到日期: 1999-06-21; 修改稿收到日期: 1999-10-14. 本课题得到国家杰出青年基金( 69625304) 资助. 王 强, 男, 1968年生, 博士研究 生, 主要研究方向为图像处理、计算机图形、科学计算可视化. 马利 庄, 男, 1963年生, 研究员, 博士生导师, 主要研究方向为 CA G D 、计算机图形 学、图像处理、科学计算可视化.
此, 在这些应用中的二值化预处理过程中, 我们希望 能较好地保留原图的边界特征, 并不增加新的边界
特征.
我们已知有很多差分算子:
( 1) x f ( i , j ) = f ( i, j ) - f ( i + 1, j ) ,
y f ( i , j ) = f ( i, j ) - f ( i, j + 1) .
Key words binary conversio n, local t hreshold, g lobal t hreshold, adapt iv e, edg e det ect io n
1 引 言
图像二值化是图像处理的一项基本技术, 也是 很多图像处理技术的预处理技术. 在模式识别技 术[ 1] 、光学字符识别( O CR ) [ 4] 、医学数据可视化中的 切片配准[ 6] 、及在如银行验印系统等工程应用中, 图 像二值化是它们进行数据预处理的重要技术. 在很 多图像处理技术中, 图像特征对于最终的识别结果 起着关键作用. 如在医学数据可视化中的切片配准 中, 切片图像的边界轮廓特征对于配准是至关重要 的. 因此在进行二值化预处理过程中, 能否保留原图 的主要特征是很关键的.
10 期
王 强等: 图像 二值化时图像特征的保留
7 47
须是由计算机自动选取的, 因此, 自动阈值的选取方 法就非常值得研究. 好的阈值自动选取方法既能较 好地保留原图中有用的信息, 又能减小时间上的 开销.
本文对图像二值化方法进行了讨论, 并特别 讨论了图像二值化阈值的自动选择, 在此基础上, 提出了一个新的图像二值化算法. 该算法着重于 在图像二值化时保留原图的边界特征, 且无须人工 干预.
图 3 边界特征抽取结果
图 1 原图
对图像进行预处理后, 进行 St ep2: 边界特征抽
图 4 最终结果
10 期
王 强等: 图像 二值化时图像特征的保留
7 49
在这个例子中, 象素( i, j ) 到( i+ 1, j ) 和( i , j + 1) 的灰度变化对( i , j ) 处的阈值选择起作用.
T ( i, j ) = T 0 Step6. 根据求出的阈值 T ( i, j ) 输出二值图像 g.
由于原图中会因为摄像机的扰动或其它干扰而 含有噪声, 所以在 St ep1要进行预处理, 可采用3×3 或 N ×N 均值滤波器或中值滤波器, 或者选择更为 复杂一些的如自适应平滑化方法[ 5] , 当然还可转换 为灰度图像. 图1是通过摄像机镜头获取的图像. 图2 是采用3×3均值滤波器, 经过去噪声处理的结果图.
第12卷 第10期 2 00 0年1 0月
计算机辅助设计与图形学学报
JOU R NA L O F CO M PU T ER A IDED D ESI GN A N D COM P U T ER GR AP HICS
V ol. 12, N o. 10 O ct. ,ቤተ መጻሕፍቲ ባይዱ2000
图像二值化时图像特征的保留
本文提出的新的图像二值化算法是一种局部阈 值法.
二值化可以看作是一种图像的压缩, 压缩后的 图像每象素只占1-bit . 在多数情况下, 这种压缩是 有损压缩, 许多图像的细节丢失了. 因此, 在二值 化的过程中, 我们应尽量保持图像中与应用有关的 细节.
二值化的阈值选取 已有很多方法, 主要分为3 类[ 1— 3] :
图 2 图1的预处理结果
取, 这是二值化阈值自适应选取的 基础. 图3 是图2 的边界求取结果, 这里采用如下的差分算子
f ( i , j ) = f ( i , j ) - f ( i + 1, j ) + f ( i , j ) - f ( i, j + 1) .
St ep3是对边界特征图进行常规二值化, 以确 定哪些象素点是边界象素点. 这时可采用平均灰 度值或最大方差法等方法, 这一步也可以与 Step5 结合进行. St ep5是算法的关键, 根据 Step3的结果 进行二值化阈值的自适应选择, 在灰度剧烈变化的 地方进行局部阈值计算. St ep6根据计算出的阈值 进行二值化输出. 图4是图1的二值化结果图.