图像二值化自适应阈值算法
图像二值化自适应阈值算法：
1、添加相应变量的定义
2、将反色算法改为二值化算法
计算GrayNum[i]和TotalPixel
计算w(k)和U(k)，（k=1,2, (255)
计算dk (k)，（k=0,1, (255)
对图像进行二值化处理，输入图像为ff(i,j)，输
出图像为gg(i,j)
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
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.wendangku.net/doc/821206337.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 4.3.4自适应局部阈值 与全局阈值不同，局部阈值主要是通过考查在某一点或某一局部的特点，再根据灵活的判定原则来判定系数是“主噪”，还是“主信”，以实现去噪和保留信号之间的平衡，而且这些判定原则有时并不一定是从系数的绝对值来考虑的，而是从别的方面，例如从概率和模糊隶属度方面来考虑。 Vidakovic 等人利用主信系数和主噪系数在不同尺度中分布的不同特征，在Bayesian 框架下，结合假设检验，给出了一个阈值公式，并以此来对小波系数进行硬、软阈值处理；而Ching 则结合区间估计理论和假设检验的方法给出了另外一种局部阈值萎缩方法。实验结果表明，局部阈值确实比全局阈值对信号的适应能力好。 给定一个有较大白噪声的delmontl.mat图像。由于图像所含的噪声主要是白噪声，而且主要集中在图像的高频部分，所以我们可以通过全部滤掉图像中的高频部分实现图像的去噪。具体去噪过程可按照如下程序进行。 程序清单： %下面装入原始图像，X中含有被装载的图像 load wmandril; %画出原始图像 subplot(221);image(X);colormap(map); title('原始图像'); axis square %产生含噪图像 init=2055615866;randn('seed',init) x=X+38*randn(size(X)); %画出含噪图像 subplot(222);image(x);colormap(map); title('含噪声图像'); axis square; %下面进行图像的去噪处理 %用小波函数sym4对x进行2层小波分解 [c,s]=wavedec2(x,2,'sym4'); %提取小波分解中第一层的低频图像，即实现了低通滤波去噪 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 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 %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 第36卷第11期 光电工程V ol.36, No.11 2009年11月Opto-Electronic Engineering Nov, 2009 文章编号：1003-501X(2009)11-0106-06 改进的自适应阈值Canny边缘检测 雒 涛1, 2，郑喜凤1，丁铁夫1 ( 1. 中国科学院长春光学精密机械与物理研究所，长春130033； 2. 中国科学院研究生部，北京100039 ) 摘要：针对传统Canny边缘检测算法的阈值需要人为设定的缺陷，本文提出了一种新的自适应改进方法。该方法根据梯度直方图信息，提出梯度差分直方图的概念，同时，对图像进行自适应分类处理，使得算法不仅不需要人工设定阈值参数，而且还能有效地避免Canny算法在边缘寻找中的断边和虚假边缘现象。对边缘信息丰富程度不同的灰度图和彩色图像运用该方法寻找边缘的实验结果表明，对于在目标与背景交界处的多数像素梯度幅值较大的图片，该算法具有边缘检测能力强、自适应能力强的优点。 关键词：Canny算法；自适应；边缘检测；图像处理 中图分类号：TN247；TP391 文献标志码：A doi：10.3969/j.issn.1003-501X.2009.11.022 Improved Self-adaptive Threshold Canny Edge Detection LUO Tao1, 2，ZHENG Xi-feng1，DING Tie-fu1 ( 1. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130033, China; 2. Graduate School of Chinese Academy of Sciences, Beijing 100039, China ) Abstract: The two thresholds of classical Canny operator need to be set manually, which limits the application of this algorithm. Therefore, many researches about how to choose threshold adaptively are done to solve this problem. Based on the gradient histogram, a method of threshold-adaptable edge detection is proposed. This method is on the basis of gradient histogram difference diagram with adaptive image classification techniques. It not only automatically sets the two thresholds, but also avoids disconnected or false edges in detection. Experiments prove that the method is threshold-adaptive and advantageous for edge detection in color image whose pixels of larger gradient amplitude are mainly located in the edge between the target and background. Key words: Canny operator; threshold-adaptive; edge detection; image process 0 引 言 边缘是重要的图像特征。因此，边缘检测是图像处理与分析的基础性课题，受到人们广泛而深入的研究。传统边缘的检测算子，如Robert、Prewitt、Kirsch、Sobel、LoG、Canny等，本身存在种种不足，在许多情况下无法达到很好的检测效果。近年来，在传统方法的基础上，相继发展出了一批新的边缘检测方法，如曲面拟合法、基于自适应平滑滤波法、小波变换法等。尽管如此，Canny算子由于具有较好的信噪比和检测精度，仍然在图象处理领域得到广泛应用。 利用Canny算子进行边缘检测时，需要人为确定高、低阈值的参数，而且不同的阈值对边缘检测的结果影响很大。但是，在实际情况中，不同图像取得最佳边缘检测效果的阈值各不相同。如果简单地使用传 收稿日期：2009-05-12；收到修改稿日期：2009-07-14 基金项目：中国科学院东北振兴科技行动计划重点项目(DBZX-2-017)；吉林省信息产业发展专项资金项目 作者简介：雒涛(1982-)，男(汉族)，山东济南人。博士研究生，主要研究图像处理与视频压缩。E-mail: luotaomao@https://www.wendangku.net/doc/821206337.html,。 基于迭代法的图像二值化 一、实验要求： ①运用迭代法求最佳阈值 ②根据所求阈值对灰度图进行二值化处理 ③使用matlab实现上述功能，并显示各步骤处理结果 二、主要原理： 图像的二值化最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。 迭代法求阈值：预先设置一个阈值T，对图像中灰度值>T的像素点求出灰度平均值T1，图像中灰度值 四、程序及简单分析： %迭代法图像分割，迭代思想是将每次基于阈值获得的两部分灰度值的均值之差是否小于预先设定的极限，若不小于，则继续迭代，否则迭代停止 clear Init=imread('lena.jpg'); Im=rgb2gray(Init); subplot(1,3,1),imhist(Im),title('直方图') subplot(1,3,2),imshow(Im) , title('原始图像') [x,y]=size(Im); % 求出图象大小 b=double(Im); zd=double(max(max(Im))) % 求出图象中最大的灰度 zx=double(min(min(Im))) % 最小的灰度 T=double((zd+zx))/2; % T赋初值，为最大值和最小值的平均值 count=double(0); % 记录几次循环 while 1 % 迭代最佳阈值分割算法 count=count+1; S0=0.0; n0=0.0; %为计算灰度大于阈值的元素的灰度总值、个数赋值 S1=0.0; n1=0.0; %为计算灰度小于阈值的元素的灰度总值、个数赋值 for i=1:x for j=1:y if double(Im(i,j))>=T S1=S1+double(Im(i,j)); %大于阈域值图像点灰度值累加 n1=n1+1; %大于阈域值图像点个数累加 else S0=S0+double(Im(i,j)); %小于阈域值图像点灰度值累加 n0=n0+1; %小于阀域值图像点个数累加 end end end T0=S0/n0; %求小于阀域值均值 T1=S1/n1; %求大于阀域值均值 if abs(T-((T0+T1)/2))<0.1 %迭代至前后两次阀域值相差几乎为0时停止迭代。 break; else T=(T0+T1)/2; %在阈值T下，迭代阈值的计算过程end end count %显示运行次数 图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 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地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 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地区域,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地不同[37]．简单地讲,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地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.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、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non- 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 摘要 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。图像分割是把图像中有意义的特征区域或者把需要的应用的特征区域提取出来。阈值分割是一种简单有效的图像分割方法。它对物体与背景又较强对比的图像分割特别有效，所有灰度值大于或等于阈值的像素被判决属于物体。为常见的阈值分割方法有全局阈值、自适应阈值。最佳阈值的选择有直方图技术、最大类间方差法（OTSU）、迭代法。 关键词：图像分割，阈值分割，灰度值，最佳阈值 1 MATLAB简介及其应用 MATLAB 是美国MathWorks公司出品的商业数学软件，用于算法开发、数 据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB是矩阵实验室（Matrix Laboratory）的简称，和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB 产品族可以用来进行以下各种工作： 1. 数值分析 2. 数值和符号计算 3. 工程与科学绘图 4. 控制系统的设计与仿真 5. 数字图像处理技术 6. 数字信号处理技术 7. 通讯系统设计与仿真 8. 财务与金融工程 MATLAB 的应用范围非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。附加的工具箱（单独提供的专用MATLAB 函数集）扩展了MATLAB 环境，以解决这些应用领 域内特定类型的问题。 Matlab的特点如下： 1.此高级语言可用于技术计算 2.此开发环境可对代码、文件和数据进行管理 3.交互式工具可以按迭代的方式探查、设计及求解问题 4.数学函数可用于线性代数、统计、傅立叶分析、筛选、优化以及数值积分等 5.二维和三维图形函数可用于可视化数据 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 Computer Engineering and Applications 计算机工程与应用 2013，49（15）1引言图像分割是指将一幅图像分成若干个互不交叠的、有意义的、具有相同性质的区域，它是图像分析、理解和模式识别中基础而关键的问题，也是图像处理中一个难点。阈值法是一种简单而广泛使用的方法，许多研究人员和学者对阈值的自动选取进行了大量的研究，并提出了最大熵法、最大相关性法及最大类间方差法（即Otsu 法）[1-3]等方法。其中基于直方图的最大类间方差法因简单实时性好而被广泛应用，但在图像背景和目标面积相差较大，或图像的信噪比较低时，最大类间方差法的分割效果不理想甚至不能有效地分割。文献[2]提出了一种二维Otsu 图像分割算法，该方法同时包含了像素的灰度信息和邻域空间信息，比一维Otsu 算法具有更强的抗噪能力。然而，其算法涉及多次平方运算，计算复杂程度较高，且阈值选择标准仅考虑到类间方差的最大性，未考虑到目标和背景二类像素的自身内聚性，因而常导致分割后目标轮廓的细节比较模糊。也有学者仅从类内散度出发提出新的阈值分割方 法[4-5]，但又因没有兼顾类间散度，分割效果依然不理想。针对Otsu 阈值分割法的不足，文献[6]通过引入模式识别中Fisher 准则而提出一种将Fisher 评价函数图像分割的准则函数（该方法简记为Fisher 准则法），该评价函数使得类间方差最大且类内方差最小时取得最佳分割阈值，类内方差可能是奇异的而且类内方差在分离性中的作用是固定的，导致该算法不稳定。文献[7]对Fisher 准则作了必要的修正，并基于新的鉴别准则设计了最大散度差分类器，文献[8]将最大散度差分类的思想运用到图像分割中，通过调节C 的取值控制类内方差在分离性中的作用，达到了比较好的分割效果，证明了最大散度差分类思想的有效性，但是C 的取值不能自适应地确定，从而使该方法难以运用在实时处理中。在此基础上，提出一种自适应地得到参数C 的方法，得到自适应的最大散度差（Adaptive Maximum Scatter Difference ，AMSD ）的图像阈值自动分割方法（记为自适应的最大散度差图像阈值分割法 祝贵1，杨恢先1，岳许要1，冷爱莲2，何雅丽1 ZHU Gui 1,YANG Huixian 1,YUE Xuyao 1,LENG Ailian 2,HE Yali 1 1.湘潭大学光电工程系，湖南湘潭411105 2.湘潭大学能源工程学院，湖南湘潭411105 1.Department of Photoelectric Engineering,Xiangtan University,Xiangtan,Hunan 411105,China 2.Energy Engineering College,Xiangtan University,Xiangtan,Hunan 411105,China ZHU Gui,YANG Huixian,YUE Xuyao,et al.Thresholding image segmentation based on adaptive maximum scatter https://www.wendangku.net/doc/821206337.html,puter Engineering and Applications,2013,49（15）：188-191. Abstract ：Aiming at the uncertainty of parameter C in Maximum Scatter Difference （MSD ）criterion applied in image segmen-tation,a preliminary formula is derived with fuzzy concept to calculate C ,then optimize C adaptively based on dichotomy itera-tive,and the threshold obtained by MSD segmentation accordingly is optimized to a best value.Experimental results show that the Adaptive MSD （AMSD ）segmentation can not only make the regions of the segmented image more uniform,but also keep the image details better. Key words ：maximum scatter difference;image segmentation;fuzzy;adaptive 摘要：针对最大散度差准则运用到图像分割时存在参数C 不确定的问题，借助模糊概念导出参数C 的初步计算公式，用二分法的迭代思想自适应地优化参数C ，使最大散度差分割法获得的分割阈值相应地优化到最佳。实验证明自适应的最大散度差阈值分割法能使分割后的图像区域更均匀、细节保留得更好。 关键词：最大散度差；图像分割；模糊；自适应 文献标志码：A 中图分类号：TN911.73doi ：10.3778/j.issn.1002-8331.1111-0470 基金项目：湖南省教育厅资助科研项目（No.10C1263）；湘潭大学资助科研项目（No.11QDZ11）。 作者简介：祝贵（1986—），男，硕士研究生，主要研究方向：数字图像处理、模式识别；杨恢先（1963—），男，教授，主要研究方向：图像处理、 人工智能；岳许要（1984—），男，硕士研究生，主要研究方向：模式识别、人工智能。E-mail ：zhugui1218@https://www.wendangku.net/doc/821206337.html, 收稿日期：2011-11-25修回日期：2012-02-03文章编号：1002-8331（2013）15-0188-04 CNKI 出版日期：2012-04-25https://www.wendangku.net/doc/821206337.html,/kcms/detail/11.2127.TP.20120425.1719.027.html 188 目录 摘要 ................................................................. III Abstract............................................................... IV 第一章绪论. (1) 1.1 图像与数字图像 (1) 1.2 数字图像处理技术内容与发展现状 (2) 1.3 灰度图像二值化原理及意义 (4) 第二章软件工具——MATLAB (6) 2.1 MATLAB概述 (6) 2.2 MATLAB的工作环境 (6) 2.3 MATLAB图像处理工具箱 (8) 2.4 工具箱实现的常用功能 (9) 第三章图像二值化方法 (11) 3.1 课题研究对象 (11) 3.2 二值化方法研究动态 (13) 3.3 全局阈值法 (18) 3.4 局部阈值法 (18) 第四章 Otsu方法和Bernsen方法 (20) 4.1 Otsu算法分析 (20) 4.2 Otsu方法流程图 (22) 4.3 Bernsen算法分析 (23) 4.4 Bernsen方法流程图 (23) 第五章 Otsu方法和Bernsen方法实验比较 (25) 5.1 Otsu方法实验结果分析 (25) 5.2 Bernsen方法结果分析 (27) 5.3 0tsu方法和Bernsen方法实验结果比较 (28) 5.4 结论 (29) 结束语 (31) 参考文献 (32) 致谢 (33) 附录：源代码 (34) 摘要 在人类获取的信息中，视觉信息约占60%，听觉约占20%，其它约占20%。由此可见，视觉信息对人类非常重要。同时，图像是人类获取视觉信息的主要途径。图像二值化是图像预处理中的一项重要技术，在模式识别、光学字符识别、医学成像等方面都有重要应用。论文介绍了图像及数字图像处理技术的一些概念和相关知识；对Matlab7.0 软件的发展和软件在图像处理中的应用做了简要介绍；还介绍了灰度图像二值化方法以及利用Matlab7.0软件工具进行算法的实现。课题重点实现了图像分割技术中灰度图像二值化方法，如Otsu算法、Bernsen算法，并对这些算法运行的实验结果进行分析与比较。 关键词：图像处理，二值化，Matlab，Otsu算法，Bernsen算法自适应局部阈值
基于灰度直方图的图像分割阈值自适应选取方法
根据阈值的图像分割方法
用matlab实现自适应图像阈值分割最大类方差法代码
改进的自适应阈值Canny边缘检测_雒涛
基于迭代法的图像二值化
图像分割阈值选取技术综述
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
阈值分割技术
基于阈值的图像分割方法
自适应的最大散度差图像阈值分割法
图像二值化中阈值选取方法研究