基于贝叶斯算法的二值化算法
二值化 光源方向
在计算机视觉和图像处理领域，二值化（Binarization）是指将图像转换为只有黑白两色的过程，即将图像的像素值通过一个阈值来划分，高于阈值的像素被赋值为白色（通常为255），低于阈值的像素被赋值为黑色（通常为0）。
光源方向在这个过程中并不是直接参与因素，但光源的方向对原始图像的亮度分布有显著影响，因此在进行图像二值化前，光源方向的考虑对于选择合适的阈值非常重要。
例如，在文档扫描或OCR（光学字符识别）中，如果光源方向不均匀，会导致图像中同一文字或线条的亮度不一致，这样在进行二值化时，如果没有对光照不均进行预处理，可能会影响最终二值图像的质量和文本识别的准确性。
为了克服光源方向带来的影响，可以采用以下策略：
1.光照校正：通过图像处理技术对原始图像进行光照校正，使得图像的亮度
分布尽可能均匀。
2.自适应阈值法：使用自适应阈值算法来进行二值化，该算法允许对图像的
不同区域使用不同的阈值，这样即使在光照不均匀的情况下也能较好地区分前景和背景。
3.直方图均衡化：对图像进行直方图均衡化处理，通过增强图像的整体对比
度，使得光源方向的影响得以减弱，然后再进行二值化。
总之，光源方向虽然不是二值化过程本身的直接组成部分，但它是影响二值化效果的重要前提条件之一，需要在处理前予以适当的关注和处理。
贝叶斯滤波(五)卡尔曼滤波算法推导
贝叶斯滤波(五)卡尔曼滤波算法推导贝叶斯滤波和卡尔曼滤波是两种常用的滤波算法，用于对系统状态进行估计和预测。
本文将从理论推导的角度，介绍贝叶斯滤波和卡尔曼滤波的基本原理和推导过程。
贝叶斯滤波是一种基于贝叶斯定理的滤波算法，通过将先验知识和观测数据相结合，对系统状态进行更新和预测。
贝叶斯滤波的基本思想是将系统状态表示为一个概率分布，并通过观测数据来更新这个概率分布。
贝叶斯滤波的核心是贝叶斯定理，即后验概率等于先验概率乘以似然函数除以归一化常数。
卡尔曼滤波是一种线性高斯滤波算法，用于对线性系统进行状态估计。
卡尔曼滤波的基本原理是通过对系统状态和观测数据的线性组合，得到对系统状态的最优估计。
卡尔曼滤波分为两个步骤，即预测步骤和更新步骤。
在预测步骤中，通过系统模型和先验知识对系统状态进行预测；在更新步骤中，通过观测数据对系统状态进行修正。
下面我们将从贝叶斯滤波开始，推导出卡尔曼滤波的基本原理。
考虑一个连续时间的线性动态系统，其状态方程和观测方程可以表示为：状态方程：x(t) = A(t)x(t-1) + w(t)观测方程：z(t) = H(t)x(t) + v(t)其中，x(t)表示系统在时刻t的状态，z(t)表示在时刻t的观测数据，A(t)和H(t)分别表示状态转移矩阵和观测矩阵，w(t)和v(t)分别表示过程噪声和观测噪声。
为了简化推导过程，我们假设过程噪声和观测噪声都是高斯分布，并且相互独立。
即w(t)∼N(0,Q(t))，v(t)∼N(0,R(t))。
根据贝叶斯滤波的基本原理，我们需要求解后验概率分布P(x(t)|z(1:t))，即给定观测数据z(1:t)，求解系统状态x(t)的概率分布。
根据贝叶斯定理，后验概率可以表示为：P(x(t)|z(1:t)) = P(z(t)|x(t),z(1:t-1))P(x(t)|z(1:t-1)) / P(z(t)|z(1:t-1))其中，P(z(t)|x(t),z(1:t-1))表示给定状态x(t)和之前观测数据z(1:t-1)的条件下，观测数据z(t)的概率分布；P(x(t)|z(1:t-1))表示给定之前观测数据z(1:t-1)的条件下，状态x(t)的概率分布；P(z(t)|z(1:t-1))表示给定之前观测数据z(1:t-1)的条件下，观测数据z(t)的概率分布。
【计算机工程与设计】_贝叶斯算法_期刊发文热词逐年推荐_20140726
53 54 55 56 57 58 59 60 61 62 63 64
可信度 参考广播同步 参数估计 动态知识获取 动态取证 分类 入侵检测 互信息 一般似然比 ycgcr颜色空间 parzen窗法 globustoolkit4
推荐指数 3 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
科研热词 贝叶斯估计 贝叶斯网络 贝叶斯 特征选择 数据挖掘 参数学习 非线性滤波 错误率 邮件过滤 遗传算法 过滤模型 贝叶斯规则 贝叶斯网 贝叶斯算法 贝叶斯分类 贝叶斯公式 贝叶斯信息准则 认知能力 计算机取证 蒙特卡洛仿真 肤色检测 网络安全 网格 结构学习 粗糙集 粒子滤波 知识推理 目标跟踪 混合的树增广朴素贝叶斯分类 模糊综合评判 校验 树增广朴素贝叶斯分类 查询表 极大似然估计 朴素贝叶斯 最小风险 最大后验估计器 智能学习 时间同步 无线传感器网络 文本分类 数据约简 数据拟合技术 数据一致化 广播音频分割 容错 学生模型 声学特征跳变点 垃圾邮件 垃圾单词 在线学习 同步误差
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
科研热词 贝叶斯网络 贝叶斯 结构学习 簇 朴素贝叶斯 对等网络 剩余在线时间 信任管理 马赛克模板 车型识别 贝叶斯概率 贝叶斯准则 蚁群优化 肤色分割 网络安全 稀疏贝叶斯学习 相关向量机 核函数 树扩展型朴素贝叶斯 有向树 有向无环图 无条件约束 数据挖掘 支持向量机 客户离网 多agent系统 协同设计 加权 分类器 分类 关联 入侵防御系统 依赖关系 伙伴选择 价值量 人脸检测 主元分析 丢失数据 kl散度 gibbs取样
贝叶斯算法em算法
贝叶斯算法em算法贝叶斯算法和EM算法是统计学中两种重要的方法，它们在数据分析和机器学习领域被广泛应用。
这是两种独立存在的算法，但它们之间存在一种紧密联系。
本文将全面介绍贝叶斯算法和EM算法的概念、原理及其在实际问题中的应用，希望能对读者有指导意义。
首先，我们来了解一下贝叶斯算法。
贝叶斯算法是基于贝叶斯定理的一种概率统计方法，它可以用来从已知的先验概率和新的证据中计算出各种事件的后验概率。
贝叶斯算法的核心思想是通过利用已知的先验知识来更新对未知事件的概率估计，从而得到更准确的预测结果。
它在机器学习中常用于分类问题，通过训练集的样本数据来构建模型，并利用贝叶斯公式进行分类。
与贝叶斯算法相比，EM算法是一种更为复杂的统计学习方法。
EM算法全称为Expectation-Maximization算法，它是一种迭代优化算法，用于求解含有隐变量（未观测到的变量）的概率模型。
EM算法的基本思想是通过两个步骤交替进行，即期望步骤（E步）和最大化步骤（M 步）。
在E步，根据当前的模型参数估计，计算出隐变量的后验概率；在M步，利用已知的观测数据和隐变量的后验概率来更新模型参数。
通过不断迭代这两个步骤，EM算法可以逐步求得最优的模型参数估计。
贝叶斯算法和EM算法可以说是一对有着紧密联系的算法。
贝叶斯算法使用先验概率和后验概率来进行推断，而EM算法则是在给定观测数据和隐变量的情况下，通过迭代优化来估计模型参数。
两者的共同点在于都涉及到概率的推断和模型参数的估计，都是用于解决实际问题的重要方法。
在实际应用中，贝叶斯算法和EM算法有广泛的应用领域。
贝叶斯算法在文本分类、垃圾邮件过滤、推荐系统等领域有着重要应用。
它通过建立模型，利用文本特征对文档进行分类，能够实现精准的分类结果。
EM算法则在聚类、图像分割、高斯混合模型等问题中得到广泛应用。
它通过利用隐变量进行聚类、分割和建模，能够更好地解决复杂的实际问题。
总结来说，贝叶斯算法和EM算法是两种重要的统计学习方法，它们在实际问题中发挥着重要的作用。
手写数字特征的提取与分析
毕业设计 (论文)题目手写数字特征提取与分析专业电子信息工程班级084班姓名梁杰指导教师周扬(讲师)所在学院信息学院完成时间：2012年5月承诺书我谨此郑重承诺：本毕业设计（论文）是本人在指导老师指导下独立撰写完成的.凡涉及他人观点和材料，均依据著作规范作了注释。
如有抄袭或其它违反知识产权的情况，本人愿接受学校处分.承诺人（签名):年月日手写数字特征提取与分析信息科技学院电子信息工程专业梁杰摘要：目前，模式识别领域在日常生活中的应用已经越来越广泛,比如人脸、指纹识别,字符识别，车牌识别。
所以，对数字识别进行学习与研究是非常有必要的.本课题为数字字符识别模拟演示系统。
主要是利用正态分布下的最小错误率Bayes方法和最小风险Bayes方法，来实现手写数字从0到9的识别.该系统首先是实现模拟手写数字；然后利用轮廓特征法将5*5的模板提取出样品的特征，采用模板可以使同一形状、不同大小的样品得到归一化的特征提取，所以有能力对同一形状、不同大小的样品视为同类；最后结合Bayes决策进行判别。
使用最小错误率Bayes方法，在判别过程中能使错误率达到最小，即使错分类出现的可能性最小,而最小风险Bayes方法，在判别过程中可以使风险达到最小，减少危害大的错分类情况.本设计是利用Matlab实现的，实验证明，该系统对于模拟手写的数字基本上能正确识别,但是对于手写不规范的数字会存在错判的情况，这跟样品库的有限有关。
关键词:模式识别；最小错误；最小风险；特征选择；模拟手写；Matlab实现Handwritten digital feature extraction andanalysisLiang Jie，Electronic and information engineering，College of InformationScience and TechnologyAbstract：At present，the field of pattern recognition in everyday life has been more and more widely used，such as the face，fingerprint recognition，character recognition, vehicle license plate recognition。
基于改进的贝叶斯分类器的手写体数字识别算法
基于改进的贝叶斯分类器的手写体数字识别算法随着人工智能及机器学习的不断发展，手写数字识别已经成为许多实际应用的基础。
可以应用在数字图像处理、自动化流程控制、金融业等众多领域。
其中，贝叶斯分类器是一种常用的分类方法之一，它可以用来将数据分为各个不同的类别。
在本文中，我们将探讨如何基于改进的贝叶斯分类器实现手写数字识别。
一、手写数字识别问题手写数字识别指的是通过计算机视觉技术，将手写数字转化为计算机可识别的数字形式。
这是一个典型的图像识别问题，也是机器学习领域的经典问题之一。
手写数字识别的难度在于手写数字具有多样性，每个人的字体风格都不同。
同时，手写数字的笔画和形状也可能会受到书写工具的影响。
因此，要对手写数字进行正确地分类，需要强大的算法支持。
二、贝叶斯分类器原理贝叶斯分类器是一种基于贝叶斯定理的分类方法，它可以用来估计一个数据点属于某一类别的概率。
在实际应用中，贝叶斯分类器通常会被用来对已知类别的数据进行分类，并且分类器会对新的数据进行概率估算，以决定新数据应该被分到哪一个类别中。
其中，贝叶斯定理的公式为：P(A|B) = P(B|A) * P(A) / P(B)其中 P(A|B) 表示在已知 B 发生的情况下 A 发生的概率，P(B|A) 表示在已知 A 发生的情况下 B 发生概率，P(A) 表示事件 A 发生的概率，P(B) 表示事件 B 发生的概率。
而贝叶斯分类器的基本思路为，对于一个新的数据点，先计算出它属于不同类别的概率，然后将它判定为概率最大的那个类别。
三、贝叶斯分类器实现手写数字识别贝叶斯分类器可以分为两种：朴素贝叶斯分类器和半朴素贝叶斯分类器。
朴素贝叶斯分类器认为所有属性独立，该算法简单且效果较好。
但是，在实际应用中，很多属性并不独立，或者可能存在某些影响因素。
因此，我们可以使用半朴素贝叶斯分类器，对某些属性进行合并并削弱其影响，以提高准确性。
在手写数字识别中，我们可以选取像素点作为属性。
贝叶斯滤波和卡尔曼滤波
贝叶斯滤波和卡尔曼滤波随着科技的不断发展，人们对于数据的处理和分析也变得越来越重要。
而在这个过程中，滤波算法成为了一种常用的方法。
本文将会介绍两种常见的滤波算法：贝叶斯滤波和卡尔曼滤波。
一、贝叶斯滤波贝叶斯滤波是一种基于贝叶斯定理的滤波算法，它通过给定的先验概率和观测数据，计算出后验概率，从而实现对未知变量的估计。
贝叶斯滤波的基本思想是将观测数据和系统模型进行融合，通过不断的观测和更新，逐渐减小估计误差。
贝叶斯滤波的主要步骤如下：1. 初始化：给定先验概率和初始状态。
2. 预测：根据系统模型，预测下一时刻的状态。
3. 更新：根据观测数据，计算出后验概率。
4. 重采样：根据后验概率，进行状态更新。
贝叶斯滤波可以用于各种不同的应用领域，例如目标跟踪、机器人定位等。
它的优点是可以处理非线性和非高斯的系统模型，并且能够实时地更新估计结果。
但是，贝叶斯滤波的计算复杂度较高，对于大规模的系统模型来说，计算量很大。
二、卡尔曼滤波卡尔曼滤波是一种基于线性系统模型和高斯噪声假设的滤波算法，它通过观测数据和系统模型的融合，实现对系统状态的估计。
卡尔曼滤波的基本思想是通过对系统状态进行最优估计，从而得到最优的滤波结果。
卡尔曼滤波的主要步骤如下：1. 初始化：给定初始状态和初始协方差矩阵。
2. 预测：根据系统模型，预测下一时刻的状态和协方差矩阵。
3. 更新：根据观测数据，计算出后验状态和协方差矩阵。
卡尔曼滤波具有计算简单、实时性好的特点，适用于多种线性系统模型。
它在目标跟踪、导航定位等领域有着广泛的应用。
然而，卡尔曼滤波对于非线性和非高斯的系统模型效果较差，因此在实际应用中需要进行一定的改进。
三、贝叶斯滤波与卡尔曼滤波的比较虽然贝叶斯滤波和卡尔曼滤波都是滤波算法，但是它们在原理和应用上有一些区别。
1. 原理：贝叶斯滤波是基于概率论的，通过观测数据和先验概率的融合，得到后验概率。
而卡尔曼滤波是基于线性系统和高斯噪声的假设，通过观测数据和系统模型的融合，得到最优估计。
贝叶斯算法基本原理
贝叶斯算法基本原理今天来聊聊贝叶斯算法基本原理的。
我呀，最开始接触贝叶斯算法是因为想搞清楚电脑上那种智能的垃圾邮件过滤是咋回事儿。
你想啊，每天邮箱里收到那么多邮件，它是怎么知道哪些是垃圾邮件呢？这就跟贝叶斯算法有很大关系啦。
打个比方吧，就好比我们认识一个新朋友。
贝叶斯算法干的事儿就像是根据这个新朋友的各种表现和特征（比如他的穿着打扮、说话方式、行为举止等）来判断他大概是个什么样的人、有什么样的性格或者从事什么工作。
那在数学上，贝叶斯算法有个非常关键的基础公式：$P(AB)=\frac{P(BA)P(A)}{P(B)}$。
这看着是不是很头疼？我当时也是。
那就让我来给你解释解释吧。
比如说，P(A)就像是一个事件A原本发生的概率。
就像全世界做医生的人在所有职业中的占比，那是一个相对固定的值，这就是先验概率。
然后呢，P(BA)就是在A这个事件发生的情况下，事件B发生的概率。
这就好比在是医生的这些人群里，有多少人是平时喜欢穿白大褂，喜欢戴个听诊器挂在脖子上到处走的（这当然是个很简单化的例子）。
说到这里，你可能会问，那这个跟我们判断新事物有啥关系呢？这就要说到整个算法的理念了。
当我们有了一个新的观察结果B（比如说见到一个穿着白大褂、脖子挂着听诊器的人），我们就可以根据之前的先验概率P(A)和这个新的关系P(BA)，再结合P(B)（就是说不管是不是医生，随便一个人穿着白大褂、挂着听诊器的概率），来重新修正我们认为这个人是医生的概率，这个修正后的概率就是后验概率P(AB)。
这种算法在实际生活中用得可不少呢。
像医疗诊断就是一个典型例子。
假设一种疾病A在人群中的发病率是P(A)，检测这个疾病的仪器能检测出这个疾病的准确性（也就是病人检测结果为阳性的概率）是P(BA)，仪器出错检测出健康人阳性的概率是P(B¬A)（¬A就是非A，表示不是患有这种疾病的人）。
那当我们检测出一个人阳性的时候，就可以用贝叶斯算法来计算这个人真正得病的概率是多少，而不是盲目地相信检测结果。
- 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)。
收稿日期:2006-11-24.基于贝叶斯算法的二值化算法白 洁1,杨耀权1,陈余梅2(1.华北电力大学控制科学与工程学院,河北保定071003;2.广东省湛江电力有限公司,广东湛江524000)
摘要:针对在图像二值化过程中动态选取阈值难的问题,在分析了全局阈值法和局部阈值法各自优缺点的基础上,提出了一种基于贝叶斯算法的全局阈值法和局部阈值法相结合的二值化方法。经实验证明,该方法既能够有效地消除光照不均匀对图像的影响,较好地保留目标图像的细节,又能够有效地消除伪影,提高处理速度。关键词:二值化;全局阈值法;局部阈值法;贝叶斯算法中图分类号:TP391.41 文献标识码:A 文章编号:1007-2691(2007)03-0065-03
ApplicationofbinarizationbasedonBayesalgorithm
BAIJie1,YANGYao-quan1,CHENYu-mei2(1.SchoolofControlScienceandEngineering,NorthChinaElectricPowerUniversity,Baoding071003,China;2.ZhanjiangElectricPowerCo.Ltd.,Zhanjiang524000,China)
Abstract:Aimingatthedifficultiesofselectingthresholdvaluedynamicallyintheprocessofimagebinarization,abi-narizationmethodbasedonBayesalgorithmisderived,thismethodisacombinationofglobalthresholdmethodandlo-calthresholdmethod.Experimentsprovethatthismethodisabletoeliminatetheeffectsofunequalilluminationandartifacts,retaintargetimage'sdetailsandraisetheprocessingspeed.Keywords:binarization;globalthreshold;localthreshold;Bayesalgorithm
0 引 言图像的二值化在计算机图像处理技术中广泛应用于目标识别、字符识别、牌照识别等领域。而图像阈值自动选取方法的研究长期以来吸引着众多学者,寻找简单实用、自适应强的阈值自动选取方法是这些研究者们的共同目标。常用的二值化方法有各自的优缺点,如全局阈值算法简单,对于目标和背景明显分离、直方图分布呈双峰的图像效果良好,但对噪声较大和阴影明显的图像二值化效果不佳。局部阈值法可以克服上述不足,但要比较图像中所有点,所以速度慢。本文在分析了全局阈值法和局部阈值法各自优缺点的基础上,提出了一种全局阈值法和局部阈值法相结合的二值化方法。经实验证明,
该方法抗噪能力强、并能较好的保留图像细节。1 基于灰度图的二值化假设用f(x,y)(0≤xx,y都为整数)来表示一幅M行N列的灰度图像中的一个像素。那么二值化处理可以表示为
f(x,y)=1 f(x,y)≥T0 otherwise式中:T为阈值。经过二值化处理后,图像中的目标和背景就由黑白两种颜色分开,选择不同的阈值会得到不同的划分结果。常用的二值化方法主要可以分为全局法和局部法两种。1.1 全局动态二值化和局部自适应二值化全局阈值法根据图像的直方图或灰度空间分布确定一个阈值,以此实现灰度图像到二值图像的转化。典型的全局阈值方法包括Ostu方法[1]、
第34卷第3期2007年5月 华北电力大学学报JournalofNorthChinaElectricPowerUniversity Vol.34,No.3May,2007最大熵方法等。全局阈值算法简单,对于目标和背景明显分离、直方图分布呈双峰的图像效果良好,但其对于由于光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰的图像,二值化效果明显变差。局部阈值算法通过定义考察点的邻域,并由邻域计算模板,实现考察点灰度与邻域点的比较。非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质,从而使局部阈值算法比全局阈值算法有更广泛的应用,Bemsen[2]算法是一种典型的局部阈值算法。但局部阈值算法也存在以下问题和缺点:如实现速度比全局阈值算法慢;不能保证字符笔划的连通性;容易出现伪影(ghost)现象(背景区域受到噪声干扰出现笔划)等。动态阈值法是一种自适应得二值化算法,它利用了像素自身及其邻域灰度变化特征,充分考虑了每个像素邻域的特征,能够更好的突出背景和目标的边界,使得相距很近的两条线不会产生粘连现象,效果较好。1.2 常用方法简介(1)双峰法首先,根据输入的数字图像按某一灰度级内的像素频数做出该图像的直方图。大量统计表明,对于某一类图像(如目标和背景有较强的对比)直方图中出现两个峰值,其中一个处于背景灰度区中,另一个处于目标灰度区。在这样的前提下,在两个峰值的中间波谷处取阈值。(2)微分直方图法此算法利用灰度变化率即微分直方图来确定阈值。如果图像中的目标和背景的边界处于灰度值急剧变化的部分,不直接利用其灰度值,而是利用其微分值作为阈值。微分值是灰度的变化率,可以有多种定义,比如某一像素和其周围邻域各像素的灰度差的最大值,或是各个差的绝对平均值,由此求出微分直方图。微分直方图中的峰值就是所求的阈值。此方法适用于图像的目标与背景的边界位于灰度值急剧发生变化的情况,它的微分直方图会有一个峰值。但对于边界附近灰度变化复杂的图像,此方法是不太奏效的。(3)最大方差法在图像的灰度直方图中,把图像的灰度值集合用阈值分为两组,通过基于两组的最佳分离来确定阈值,即根据两组的组间方差和组内方差之比为最大来确定阈值。使组间方差与组内方差之比达到最大的即为阈值[3]。此方法在直方图不存在峰值时也可以使用,但是不能反映图像的几何结构,有时判断标准与人的视觉不一致。
2 基于贝叶斯公式的全局法和局部法相结合的二值化算法
在分析了各种全局阈值法和局部阈值法各自优缺点的基础上,提出一种全局阈值法和局部阈值法相结合的二值化方法,该方法抗噪能力强、并能较好的保留图像细节。2.1 全局阈值选取这里采用一种基于贝叶斯公式和最大熵法则求全局最佳阈值的方法,该方法能较好的保持视觉效果,适当保留细节[4]。
设G为输入图像的灰度图,则其有L层灰度的直方图H={h0,h1,……,hL-1},灰度概率密度为P(i)=h(i)/N,i=0,1…,L-1,N为G像素总数。G被最优阈值T分为Gb(背景)和Gf
(前景)两部分,Gb=∪L-1i=0Gbi,Gf=∪L-1
i=0GbiGfi(2)
所以由全概率公式得:
P(Gb)=∑L-1i=0pipb│i(1)P(Gf)=∑L-1i=0pipf│i(2)式中:pb│i=P(Gbi)P(Gi),……,pf│i=P(Gfi)P(Gi)(3)
因为:pb│i=1-pf│i,则P(Gb)=1-P(Gf)(4)采用香农最大熵原理作为判别准则,则熵函数E为E=-P(Gb)lgP(Gb)-P(Gf)lgP(Gf)(5)把式(4)代入,则式(5)可改写为E=-P(Gf)lgP(Gf)-(1-P(Gf))lg(1-P(Gf))(6)
当P(Gf)=0.5时熵函数E取最大。然而在实际应用中,由于直方图离散,P(Gf)很少能完全等于0.5,可以转而求最小误差:Emin:= P(Gf)-0.5)
=L-1i=0PiPf│i-0.5(7)
条件概率函数Pf i应满足式(7)的性质,选用非线性凸抛物线形式。
66华北电力大学学报 2007年Pf i(i,a,c)=10≤i≤a-i2+2ai+c(c-2a)(a-c)2a00(8)该函数含两个参数a、c,其中a为抛物线顶点,全
局最佳阈值T=2-12(c-a)+a。图形如图1所示。
图1 凸函数Fig.1 Convexfunction2.2 局部阈值法定义设窗口大小为(2w+1)×(2w+1),对于灰度图像G上任一点(i,j),计算以之为中心各相邻点的灰度值W(i,j)(w),并求取最小灰度值min(i,j),最大灰度值max(i,j):min(i,j)=min{W(i,j)(w)}
max(i,j)=max{W(i,j)(w)}(9)
然后比较G(i,j)-min(i,j)与max(i,j)
-G(i,j),其中G(i,j)为点(i,,j)的灰度值,如果前者大,表明G(i,j)靠近高灰度的点,而高灰度
一般表示背景,二值化时可以把(i,j)认为是背景。反之,如果后者大,可把(i,j)当作是前景点。对于边缘点的阈值计算可以通过边界延拓实现。该方法的缺点是容易出现伪影、速度慢,以及如何选择窗口的大小等。为了消除这些缺点,需要将全局阈值法同局部阈值法结合起来。2.3 结合原则全局阈值法对噪声较大和阴影明显的图像二值化效果不佳。局部阈值法可以克服上述不足,但要比较图像中所有点,所以速度慢,所以应找出两种方法的有机结合点。主要原则就是:先用全局法得到一个全局阈值,然后对距离此阈值较远的像素以全局阈值二值化;对距离全局阈值较近的像素用局部法考察其邻域以得到局部阈值,再对其按局部阈值二值化。两种方法结合的原则具体为(1)使用全局法考察整幅图像,计算出全局阈值T。对那些远离全局阈值T的点按此阈值二值化,因为这些点以全局阈值为参照很明显是属于前
景或背景。(2)用局部阈值法二值化那些离T稍近的点。与此同时,伪影也能被消除。(3)距离远近判断是该点灰度与全局阈值T的差值,可取10～50,实验表明距离取20较好。(4)窗口选择对全局阈值法和局部阈值法相结合使用时影响不大,考虑到计算速度和二值化效果,窗口可取w=1～8,实验表明w=3较好。
3 实验结果及分析图2所示为两幅灰度图像用各种二值化方法得到的二值图像。图2(a)和(e)为原灰度图像,图2(b)和(f)是用Ostu方法得到的结果,图2(c)
图2 各种二值化方法结果比较Fig.2 Comparisonofeachmethod(下转第71页)
67第3期 白 洁等:基于贝叶斯算法的二值化算法