3.2 深度图像二值化
图像二值化是图像处理中的一项基本技术,也是很多图像处理技术的预处理过程。在颗粒分析、模式识别技术、光学字符识别(OCR)、医学数据可视化中的切片配准等应用中,图像二值化是它们进行数据预处理的重要技术。由于图像二值化过程将会损失原图像的许多有用信息,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非常关键。在不同的应用中,图像二值化时阈值的选择是不同的。因此,自适应图像阈值的选取方法非常值得研究。研究者对图像二值化方法进行了讨论,在此基础上提出了一个新的图像二值化算法。该算法基于数学形态学理论,较好地保留了图像二值化时原图的边缘特征。本文主要研究二值化及灰度图像二值化方法。
3.2.1.灰度图像与二值图像
数字图像是将连续的模拟图像经过离散化处理后得到的计算机能够辨识的点阵
图像。在严格意义上讲,数字图像是经过等距离矩形网格采样,对幅度进行等间隔量化的二维函数。因此,数字图像实际上就是被量化的二维采样数组。一幅数字图像都是由若干个数据点组成的,每个数据点称为像素(pixel)。比如一幅
256×400,就是指该图像是由水平方向上256列像素和垂直方向上400行像素组成的矩形图。每一个像素具有自己的属性,如颜色(color)、灰度(grayscale)等,颜
色和灰度是决定一幅图像表现里的关键因素。数字图像又可分为彩色图像、灰度图像、二值图像。
3.2.1.1彩色图像
彩色图像是多光谱图像的一种特殊情况,对应于人类视觉的三基色即红(R)、绿(G)、蓝(B)三个波段,是对人眼的光谱量化性质的近似。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,一个像素点的变化范围为255种。图1-1为彩色图像。
图1-1
3.2.1.2灰度图像
灰度图像是指只含亮度信息,不含色彩信息的图像。单纯的看,灰度图也是黑白的,就像黑白电视显示的图像一样,但是点与点之间黑的程度是不一样的、这就是深度。如果称不同深度的颜色为一色的话,灰度图像就不止只有黑色和白色两种颜色,一般使用的灰度图为256级灰度图,就是说图像由256种不同灰度级的颜色组成。图像灰度化的效果如图1-2。
图1-2
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。YUV是编译颜色空间的种类,“Y”表示明亮度“U”表示色度“V”表示浓度,根据YUV的颜色空间,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 (1-1)
以这个亮度值表达图像的灰度值。
3.2.1.3二值图像
二值图像就是指只有两个灰度级的图像,二值图像具有存储空间小,处理速度快,
可以方便地对图像进行布尔逻辑运算等特点。更重要的是,在二值图像的基础上,还可以进一步对图像处理,获得该图像的一些几何特征或者其他更多特征。
在图像相关方面,用二值图像进行相关比用灰度级图像进行相关有更好的相关性能和去噪作用。在用硬件实现时可避免乘法运算,从而提高硬件系统的速度和降低成本。在图像的符号匹配方面,二值图像比灰度级图像更适合于用符号来表达。二值图既保留了原始图像的主要特征,又使信息量得到了极大的压缩。图1-3为二值图像。
图1-3
3.2.2 灰度图像二值化方法研究
图像二值化是图像处理中的一项基本技术,也是很多图像处理技术的预处理过程。
图像的预处理在进行图像二值化操作前要对图像进行预处理,包括彩色图像灰化和增强。由于选取阈值需要参照直方图,因此在图像进行处理后,我们再获取图像的直方图以帮助选取阈值。整个流程如下所示:
读取图像→灰度图像→图像增强→图像直方图→二值化处理
图像二值化是图像数据预处理的重要技术,如果二值化过程中阈值选取不当会损失原图像的许多有用信息。图像二值化处理的方法包括全局阈值法、局部阈值法。
3.2.2.1全局阈值法
3.2.2.2全局阈值法的概念
全局阈值法是指在二值化过程中只使用一个全局阈值T的方法。它将图像的每个像素的灰度值与T进行比较,若大于T,则取为前景色(白色);否则,取为背景色。
根据文本图像的直方图或灰度空间分布确定一个阈值,以此实现灰度文本图像到
二值图像的转化,其中全局阈值法又可分为基于点的阈值法和基于区域的阈值法。阈值分割法的结果很大程度上依赖于对阈值的选择,因此该方法的关键是如何选择合适的阈值。
选择不同的初始灰度也会产生不一样的二值化图像,图2—1 所示3 幅图像则是分别采取T=109,T=127,T=155 三种初始值对Lena 进行基本全局门限二值化后的图像。可以看出效果都不一样。因此要获得最佳效果,必须要考虑选择一个好的初始T 值。另外使用迭代法虽然能得到很精确的阈值,但是也占用了大量的
时间,即时间复杂度比较高,效率较其他算法低。
图2—1
3.2.2.3全局阈值法的方法
典型的全局阈值法包括Otsu方法、最大熵方法等。全局阈值法算法简单,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。下面重点介绍Otsu方法:
Otsu方法是一种全局化的动态二值化方法,又叫大津法,还称为最大类间差发,是基于整幅图像的统计征,实现阈值的自动选取。其原理是把图像直方图用某一灰度值分割成两类,分别计算这两类的像素点数和灰度平均值,然后计算它们的类间方差。当被分割成的两类间方差最大时,此灰度值就作为图像二值化处理的阈值。大津法的使用范围比较广,不论图像的直方图有无明显的双峰,都能得到
较满意的结果,在很多领域得到了应用和发展。
对图像Image ,记t 为目标与背景的分割阈值,目标像素数占图像比例为0ω,平均灰度为0μ;背景像素数占图像比例为1ω,平均灰度为1μ。图像的总平均灰度为:)()()()(1100t t t t μωμωμ+=。从最小灰度值到最大灰度值遍历t ,当t 使得值211200)()(μμωμμω-+-=g 最大时t 即为分割的最佳阈值。对大津法可作如下理解:该式实际上就是类间方差值,阈值t 分割出的目标和背景两部分构成了整幅图像,而目标取值0μ,概率为 0ω,背景取值1μ,概率为1ω,总均值为μ,根据方差的定义即得该式。因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,当部分目标点错分为背景或部分背景点错分为目标点都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。 记),(j i f 为M N ?图像),(j i 点处的灰度值,灰度级为μ,不妨假设),(j i f 取值
]1,0[-m 。记)(k p 为灰度值为k 的频率,则有:
∑==k j i f MN k p ),(11
)( (2-1)
假设用灰度值t 为阈值分割出的目标与背景分别为:
}),({t j i f ≤和}),({t j i f >,于是目标部分比例:∑≤≤=
t i i p t 00)()(ω, (2-2)
目标部分点数:∑≤≤=t
i i p MN t N 00)( )( (2-3)
背景部分比例:∑-≤<=
11)()(m i t i p t ω (2-4)
背景部分点数:∑-≤<=11)()(m i t i P MN
t N (2-5) 目标均值:∑≤≤=t i t i ip t 00
0)(/)()(ωμ (2-6)
背景均值:∑-≤<=11
1)(/)()(m i t t i ip t ωμ (2-7) 总均值:)()()()(1100t t t t μωμωμ+= (2-8) 大津法指出求图像最佳阈值g 的公式为:
]))(()())(()([ 2112001
-m t 0μμωμμω-+-=≤≤t t t t Max Arg g (2-9) 该式右边括号内实际上就是类间方差值,阈值g 分割出的目标和背景两部分构成了整幅图像,而目标值)(0t μ,概率为)(1t ω,背景取值)(1t μ,概率为)(0t ω,总均值为μ,根据方差的定义即得该式。因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意味着错分概率最小,这便是大津法的真正含义。其实,换一种思想也能很好的理解大津方法。)(0t μ和)(1t μ,可以分别代表目标和背景的中心灰度,μ则代表整幅图像的中心灰度,要使目标和背景得到最好的分割,当然希望分割出的目标尽量远离图像中心,即20))((μμ-t 或|)(|0μμ-t 尽量大,背景也尽量远离中心,即21))((μμ-t 或|)(|1μμ-t 尽量大,由于希望两者都大,于是有:
(1) 两者之加权和最大:
]))(()())(()([ 2112001
-m t 0μμωμμω-+-=≤≤t t t t Max Arg g (2-10) (2) 两者之积最大:
]))(())(([ 21201
-m t 0μμμμ--=≤≤t t Max Arg g (2-11) 注意到有)()()()(1100t t t t μωμωμ+=,且)()(10t t μμμ≤≤,因此有:
2120211200))(())(())(()())(()(μμμμμμωμμω--=-+-t t t t t t 。
可见是二者等价的。图2-2为灰度图像由Otsu 方法得到的二值图像。
原图 Otsu 方法得到的二值图像 图2-2
3.2.2.4 全局阈值法的优缺点介绍及阈值选取
全局阈值方法依然存在一些不足,主要表现在:若目标与背景之间灰度差不明显,可能出现大块黑色区域,甚至丢失整幅图像的信息;仅利用一维灰度直方图分布,没有结合图像的空间相关信息,处理效果不好;当图像中有断裂现象或者背景有一定噪声时,无法得到预期效果。
为了满足图像处理应用系统自动化及实时性要求,图像二值化的阈值的选择最好由计算机自动来完成。下面列举几个阈值的自动选择算法;
(1)平均灰度值法以图像中所有像素灰度值的平均值为阈值。
(2)大津法:又称最大类间差发,和上文中的Otsu 方法相同。
(3) 边缘算子法;采用Laplace 算子、Robert 算子、Sober 算子等对像素点进行
灰度级增强或减弱的变换。对于灰度均匀分布的区域内的像素点,这些算子对其进行灰度减弱;对于在边缘附近的像素点,这些算子对其进行灰度增强。
3.2.3 局部阈值法
3.2.3.1局部阈值法的概念
局部阈值法是用像素灰度值和此像素邻域的局部灰度特性来确定该像素的阈值的,当照明不均匀,有突发噪声,或者背景灰度变化较大时,局部阈值确定技术必须根据像素的坐标位置关系自动确定不同阈值,实施动态的自适应二值化处理。 局部阈值选取一般将图像划分为若干子图像,在每个子图像区域上使用整体阈值法,从而可以构成是整幅图像的局部阈值法(根据每个子图像确定相应的阈值,,具体的阈值确定方法同全局阈值的确定类似)。用这种方法分割后的图像在不同的子图像的边界处有灰度的不连续分布,因此必须采用平滑技术来消除灰度的不连续性。
3.2.3.2局部阈值法的方法
比较典型的局部二值化算法有Bernsen 方法、多阈值的梯度强度法、基于纹理图像的方法、最大方差法等。下面着重介绍Bernsen 方法
局部阈值法把灰度阈值选取为随像素位置变化而变化的函数,它是一种动态选择阈值的自适应方法。
设图像在像素点),(j i 处的灰度值为),(j i f ,考虑以像素点),(j i 为中心的)12()12(+?+ωω窗口,(12+ω表示窗口的边长),则Bernsen 算法可以描述如下: 计算图像中各个像素点),(j i 的阈值),(j i T
)),(min ),(max (5.0),(n j m i f n j m i f j i T n m n m +++++?=≤≤-≤≤-≤≤-≤≤-ωωωωωωωω (2-12)
对图像中各像素点),(j i 用),(j i b 值逐点进行二值化。
???≥<=),(),(1),(),(0),(j i T j i f j i T j i f j i b (2-13)
用I 存储灰度图像的值,设I 为M N ?,把I 边界扩展成()()22+?+M N extend 矩阵。
3.2.3.3局部阈值法的优缺点介绍
局部阈值法一般用于识别干扰比较严重、品质较差的图像,相对整体阈值方法有更广泛的应用,但也存在缺点和问题,如实现速度慢、不能保证图像连通性以及容易出现伪装现象等。图2-3为灰度图像由Bernsen方法得到的二值图像。
原图Bernsen二值图像
图2-3
3.2.4 灰度图像二值化的应用
图像二值化是图像处理中一个非常活跃的分支,其应用领域非常广泛,作为一种高效智能的人机交互手段,身份证的快速识别技术可以广泛的应用于公民身份核查、暂住人口调查、旅店业登记核查、犯罪追逃等公安业务当中,大大提高了工作效率。由于身份证图像背景复杂,由激光防伪阴影网格线及各种版面噪声构成:且因激光防伪标志和打印条件的千差万别,再加上身份证的字符识别带来了很大的困难。必须经过预处理,除去大量的噪声信号,才能更好的进行字符的定位、分割,以及识别。而二值化是,预处理中非常重要的一步也是最为关键的一步,他直接影响到OCR系统的性能。
在传真技术领域里,文件传真机是具有黑白二值信息的文字和图表。在颗粒分析、模式识别技术、光学字符识别(OCR)、医学数据可视化中的切片配准等应用中,图像二值化是它们进行数据预处理的重要技术。
激光雕刻中图像处理的二值化处理激光雕刻是近十几年随着激光技术的发展而产生的一种新的雕刻技术,它与计算器图形学、图像处理等学科的结合,应用在各种材料上进行文字、图像加工。如何能得到光滑且能真实反映原图像的雕刻图像是其中的主要问题,但是激光器的开关只有两种状态,因此,图像的二值化处理就成为了关键性技术,其中阈值的选取是决定二值化图像好坏的因素。现实世界中黑白二值图像很少用,大多数图像都是灰度图像或是彩色图像。要使这些图像适用于激光雕刻中,就需要对其进行二值化处,研究者针对激光雕刻总结了适用于雕刻的二值化方法,使得得到的二值图像效果最好。
在信息社会中人的身份识别得到广泛关注。指纹识别技术除了在传统的法律公安上得到应用之外,还有更广阔的应用前景,如计算器用户的确认、访问网络资源的口令、银行ATM机和信用卡的使用、各类智能IC卡的双重确认,以及雇员
证明、海关身份鉴定、家用电子门锁等一个完整的自动指纹识别系统(AFIS)包括指纹采集、指纹图像预处理、指纹特征提取和比对等几个模块。在自动指纹识别系统中,指纹图像的预处理是正确进行特征提取、比对等操作的基础,而二值化是指纹图像预处理中必不可少的一步。
本科学生毕业论文 论文题目:基于MATLAB的数字二值图像处理与形 状分析实现 学院:电子工程学院 年级:2011 专业:电子信息科学与技术 姓名:刘学利 学号:20113564 指导教师:王晓飞 2014年06月24日
摘要 数字图像处理是一门新兴技术,随着计算机硬件的发展,数字图像的实时处理已经成为可能.由于数字图像处理的各种算法的出现,使得其处理速度越来越快,能更好地为人们服务.数字图像处理是一种通过计算机采用一定算法对图形图像处理的技术.数字图像处理技术已经在各个领域上有了比较广泛的应用.图像处理的信息量很大,对处理速度的要求也比较高.MATLAB强大的运算和图像展示功能,使图像处理变得更加的简单和直观.本文介绍了MATLAB语言的特点,基于MATLAB的数字图像处理环境,介绍了如何利用MATLAB及其图像处理工具箱进行图像处理的方法.主要论述了利用MATLAB实现图像的二值化,二值图像的腐蚀、膨胀、开、闭等形态学处理. 关键词 MATLAB;数字图像处理;二值图像
Abstract Digital image processing is an emerging technology,with the development of computer hardware,real-time digital image processing has become possible due to digital image processing algorithms to appear,making it faster and faster processing speed,better for people services.Digital image processing is used by some algorithms Computer graphics image processing technology.Digital image processing technology has been used in various areas which have a relatively wide range of applications.The amount of information on the processing speed requirement is relatively high.MATLAB is good at computing and graphics display capabilities,so that image processing becomes more simple and intuitive.This paper introduces characteristics of MATLAB language and this MATLAB-based digital image processing environment,describes how to use the MATLAB Image Toolbox for its digital image processing,and through some examples to illustrate the use of MATLAB Image Processing Toolbox for image processing method.Mainly discuss the use of MATLAB for image processing enhancement,binary image and its corrode and dilate and open and close. Key words MATLAB;digital image processing;image enhancement and binary image
基于熵的图像二值化算法设计二维最大熵分割公司内部档案编码:[OPPTR-OPPT28-OPPTL98-OPPNN08]
1设计目的与要求 设计目的 (1)熟悉和掌握MATLAB程序设计方法。 (2)学习和掌握MATLAB图像处理工具箱。 (2)了解图像分割和图像二值化的原理。 (3)掌握图像二值化技术阈值的选取。 (4)将原彩色图像变为二值化后的图像,通过二维最大熵图像分割法对图像进行分割达到预期目的。 设计要求 (1)了解图像变换的意义和手段。 (2)熟悉最大熵和二值化的基本性质。 (3)通过本实验掌握利用MATLAB编程实现数字图像处理。 (4)理解图像分割的原理,了解其应用,掌握最大熵和二值化分割的方法。
2 设计方案 图像二值化 图像二值化是数字图像处理技术中的一项基本技术,二值化图像的显示与打印十分方便,存储与传输也非常容易,在目标识别、图像分析、文本增强、字符识别等领域得到广泛应用。图像二值化是将灰度图像转化为只有黑白两类像素的图像,大多采用阈值化算法处理。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,图像二值化技术的关键在于如何选取阈值。 最大熵原理 最大熵原理:最大熵原理是在1957 年由 提出的,其主要思想是,在只掌握关于未知分布的部分知识时,应该选取符合这些知识但熵值最大的概率分布。因为在这种情况下,符合已知知识的概率分布可能不止一个。我们知道,熵定义的实际上是一个随机变量的不确定性,熵最大的时候,说明随机变量最不确定,换句话说,也就是随机变量最随机,对其行为做准确预测最困难。 图像分割中最大熵的引入:在图像分割中若假定以灰度级T 分割图像,则图像中低于灰度级T 的像素点构成目标物体,高于灰度级T 的像素点构成背景那么各个灰度级在图像分割后的两区域中的概率如下: O :t i N N ???(0<=i<=t) () B : t i N N N - (t+1<=i<=255) () ? 其中Ni 为图像中灰度级为i 的像素点个数,Nt 为灰 度级从0~t 的像素点总和,N 为图像总像素点,t 为假定灰度阈值T 。 ) l og()(0 t i t i N N N N H ∑ -= ??? ? (0<=i<=t) ? ? ()
3.2 深度图像二值化 图像二值化是图像处理中的一项基本技术,也是很多图像处理技术的预处理过程。在颗粒分析、模式识别技术、光学字符识别(OCR)、医学数据可视化中的切片配准等应用中,图像二值化是它们进行数据预处理的重要技术。由于图像二值化过程将会损失原图像的许多有用信息,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非常关键。在不同的应用中,图像二值化时阈值的选择是不同的。因此,自适应图像阈值的选取方法非常值得研究。研究者对图像二值化方法进行了讨论,在此基础上提出了一个新的图像二值化算法。该算法基于数学形态学理论,较好地保留了图像二值化时原图的边缘特征。本文主要研究二值化及灰度图像二值化方法。 3.2.1.灰度图像与二值图像 数字图像是将连续的模拟图像经过离散化处理后得到的计算机能够辨识的点阵 图像。在严格意义上讲,数字图像是经过等距离矩形网格采样,对幅度进行等间隔量化的二维函数。因此,数字图像实际上就是被量化的二维采样数组。一幅数字图像都是由若干个数据点组成的,每个数据点称为像素(pixel)。比如一幅 256×400,就是指该图像是由水平方向上256列像素和垂直方向上400行像素组成的矩形图。每一个像素具有自己的属性,如颜色(color)、灰度(grayscale)等,颜 色和灰度是决定一幅图像表现里的关键因素。数字图像又可分为彩色图像、灰度图像、二值图像。 3.2.1.1彩色图像 彩色图像是多光谱图像的一种特殊情况,对应于人类视觉的三基色即红(R)、绿(G)、蓝(B)三个波段,是对人眼的光谱量化性质的近似。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,一个像素点的变化范围为255种。图1-1为彩色图像。
1设计目的与要求 1.1 设计目的 (1)熟悉和掌握MATLAB程序设计方法。 (2)学习和掌握MATLAB图像处理工具箱。 (2)了解图像分割和图像二值化的原理。 (3)掌握图像二值化技术阈值的选取。 (4)将原彩色图像变为二值化后的图像,通过二维最大熵图像分割法对图像进行分割达到预期目的。 1.2 设计要求 (1)了解图像变换的意义和手段。 (2)熟悉最大熵和二值化的基本性质。 (3)通过本实验掌握利用MATLAB编程实现数字图像处理。 (4)理解图像分割的原理,了解其应用,掌握最大熵和二值化分割的方法。
2 设计方案 2.1 图像二值化 图像二值化是数字图像处理技术中的一项基本技术,二值化图像的显示与打印十分方便,存储与传输也非常容易,在目标识别、图像分析、文本增强、字符识别等领域得到广泛应用。图像二值化是将灰度图像转化为只有黑白两类像素的图像,大多采用阈值化算法处理。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,图像二值化技术的关键在于如何选取阈值。 2.2 最大熵原理 最大熵原理:最大熵原理是在1957 年由E.T.Jaynes 提出的,其主要思想是,在只掌握关于未知分布的部分知识时,应该选取符合这些知识但熵值最大的概率分布。因为在这种情况下,符合已知知识的概率分布可能不止一个。我们知道,熵定义的实际上是一个随机变量的不确定性,熵最大的时候,说明随机变量最不确定,换句话说,也就是随机变量最随机,对其行为做准确预测最困难。 图像分割中最大熵的引入:在图像分割中若假定以灰度级T 分割图像,则图像中低于灰度级T 的像素点构成目标物体,高于灰度级T 的像素点构成背景那么各个灰度级在图像分割后的两区域中的概率如下: O :t i N N (0<=i<=t) (3.2.1) B : t i N N N - (t+1<=i<=255) (3.2.2) 其中Ni 为图像中灰度级为i 的像素点个数,Nt 为灰度级从0~t 的像素点总和,N 为 图像总像素点,t 为假定灰度阈值T 。 ) l og()( t i t i N N N N H ∑-= (0<=i<=t) (3.2.3) ) log()( t i t i B N N N N N N H ---=∑ (t+1<=i<=255) (3.2.4)
数字图像处理实验报告 实验二灰度变换 实验目的:通过实验掌握灰度变换的基本概念和方法 实验内容: 掌握基本的灰度变换:图像反转、对数变换、幂次变换和二值化1.图像反转、对数变换、幂次变换 I=imread('fengjing.jpg'); J=im2double(I); subplot(2,3,1),imshow(J); title('原图'); K=255-I; subplot(2,3,2),imshow(K); title('图象反转'); L=3.*log(1+J); subplot(2,3,3),imshow(L);title('图象对数,系数为3'); M=10.*log(1+J); subplot(2,3,4),imshow(M);title('图象对数,系数为10'); N=10.*(J.^0.2); subplot(2,3,5),imshow(N);title('图象指数变换,γ=0.2'); P=10.*(J.^2.5); subplot(2,3,6),imshow(P);title('图象指数变换,γ=2.5'); 2.图象二值化 方法一:
I=imread('fengjing.jpg'); % 确定大小subplot(1,2,1),imshow(I);title('原图象'); [m,n]=size(I); for i=1:m for j=1:n if I(i,j)<128 I(i,j)=0; else I(i,j)>=128 & I(i,j)<256 I(i,j)=255; end end end subplot(1,2,2),imshow(I);title('图象二值化');方法二: I=imread('fengjing.jpg'); % 确定大小subplot(1,2,1),imshow(I);title('原图象'); J=find(I<128); I(J)=0; J=find(I>=128); I(J)=255; title('图像二值化(阈值为128)'); subplot(1,2,2),imshow(I);title('图象二值化');
图像二值化算法研究与实现 摘要: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VC++ 软件的发展和软件在图像处理中的应用做了简要介绍;还介绍了图像二值化算法以及利用VC++软件工具进行算法的实现。论文重点实现了图像分割技术中常用灰度图像二值化算法,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;VC++; 1.引言 1.1 图像与数字图像 图像就是用各种观测系统观测客观世界获得的且可以直接或间接作用与人眼而产生视觉的实体。视觉是人类从大自然中获取信息的最主要的手段。拒统计,在人类获取的信息中,视觉信息约占60%,听觉信息约占20%,其他方式加起来才约占20%。由此可见,视觉信息对人类非常重要。同时,图像又是人类获取视觉信息的主要途径,是人类能体验的最重要、最丰富、信息量最大的信息源。通常,客观事物在空间上都是三维的(3D)的,但是从客观景物获得的图像却是属于二维(2D)平面的。 数字图像:数字图像是将连续的模拟图像经过离散化处理后得到的计算机能够辨识的点阵图像。在严格意义上讲,数字图像是经过等距离矩形网格采样,对幅度进行等间隔量化的二维函数。因此,数字图像实际上就是被量化的二维采样数组。 1.2 数字图像处理技术内容与发展现状 数字图像处理就是采用一定的算法对数字图像进行处理,以获得人眼视觉或者某种接受系统所需要的图像处理过程。图像处理的基础是数字,主要任务是进行各种算法设计和算法实现。 图像处理技术的发展大致经历了初创期、发展期、普及期和实用化期4个阶段。初创期开始与20世纪60年代,当时的图像采用像素型光栅进行少秒显示,大多采用中、大型机对其处理。在这一时期,由于图像存储成本高、处理设备昂贵,其应用面很窄。进入20世纪70年代的发展期,开始大量采用中、小型机进行处理,图像处理也逐渐改用光栅扫描方式,特别是CT和卫星遥感图像的出现,对图像处理技术的发展起到了很好的推动作用。到了20世纪80年代,图像处理技术进入普及期,此时的微机已经能够担当起图形图像处理的任务。超大规模集成电路(Very Large Scale Integration, VLSI)的出现更使处理速度大大提高,设备造价也进一步降低,极大地促进了图形图像系统的普及和应用。20世纪90年代是图像处理技术的实用化时期,图像处理的信息量巨大,对处理速度的要求极高。 1.3 图像二值化原理及意义 图像二值化是指用灰度变换来研究灰度图像的一种常用方法,即设定某一阈值将灰度
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
灰度图像二值化方法研究 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和边缘检测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;边缘检测;二值化;Matlab;Otsu算法;Bernsen算法 Gray image binarization method Abstract:Human beings obtain a lot of information, among which the visual information is about 60%, the sense of hearing about 20%, and others about 20%. Therefore, the visual information is very important for human beings. Moreover, the images are the primary way, by which a lot of information is obtained. Image binarization, as an important technology in image pre-processing, is widely-employed in pattern recognition, optical character recognition, medical imaging and so forth. In this paper, some notions and relative knowledge in digital image processing technology are introduced; then, the development of Matlab7.0 and its application in image processing briefly introduced; in addition, the method of grayscale image binarization and how to implement these algorithms based on Matlab7.0 are presented. This paper mainly implements the grayscale image binarization method in image segmentation technology and Marginal Detection , such as Otsu algorithm and Bernsen algorithm, and analyzes and compares the experimental results of the above algorithms. Keywords:Image processing;Marginal Detection;Binarization, Matlab;Otsu algorithm;Bernsen algorithm
OTSU算法代码: I=imread('****'); th=graythresh(I); J=im2bw(I,th); subplot(121) imshow(I); subplot(122) imshow(J); Bernsen算法代码: clc; clear all close all I=imread('****'); [m,n] = size(I); I_gray=double(I); T=zeros(m,n); M=3; N=3; for i=M+1:m-M for j=N+1:n-N max=1;min=255; for k=i-M:i+M for l=j-N:j+N if I_gray(k,l)>max max=I_gray(k,l); end if I_gray(k,l)