CN101226632A - 一种新的自适应阈值化方法 - Google Patents

Abstract

本发明提出了图像的一种新的自适应阈值化方法，该方法将图像划分为若干子图像，对每一个子图像，利用全局阈值化方法获得子图像的最优阈值，将所得阈值组成一个新的图像，将新的图像进行低通滤波，滤波前做必要的延拓，滤波后图像大小不变，并将滤波结果作为各子图像新的阈值。该方法可改善利用全局阈值化方法获得的子图像阈值，尤其适用于子图像有局部噪声的情形。

Description

一种新的自适应阈值化方法

技术领域

本发明涉及图像处理技术及其应用，特别是一种图像分割的自适应阈值化方法。采用该方法，可在图像处理中为图像的各部分确定合适的阈值，改善图像分割的效果。

背景技术

在图像分割技术中，阈值化方法是进行图像分割重要方法。阈值化分割方法有两个步骤：首先确定阈值，然后将图像中各个像素的值与阈值相比较，将图像分为前景和背景两个部分。其中，确定阈值是阈值化方法的核心，合适的阈值是阈值化分割成功的关键。根据阈值是否与图像中像素的位置有关，阈值化方法分为两大类：全局阈值化方法和自适应阈值化方法。

全局阈值化方法只使用一个固定的全局阈值对整幅图像进行阈值化。如果图像前景的灰度值有别于背景的灰度值，图像的直方图呈现明显的“双峰型”特点，前景像素形成一个峰，背景像素形成另一个峰，此时，使用全局阈值化方法可以获得比较好的阈值化结果。通常使用最优准则来选择合适的全局阈值，以迭代的最优阈值化方法为例，是将满足“最小错误分割”要求作为最优准则选择阈值的，主要步骤如下：

(1)选择初始阈值T；

(2)根据阈值T将图像分割前景和背景两个部分，分别计算前景和背景的平均灰度μ₁和μ₂；

(3)计算新的阈值：

$T=\frac{1}{2}({\mathrm{\μ}}_1+{\mathrm{\μ}}_2)$

(4)重复步骤(2)到(3)直至阈值T不再发生变化；

(5)使用阈值T对图像进行阈值化。

全局阈值化方法的缺点是它的适用范围，只有在非常特殊的条件下，对整幅图像使用单个阈值才会成功。即使对于非常简单的图像，也可能由于非均匀的光照、非一致的输入设备参数或其他因素造成图像的直方图不具备“双峰型”的特点，因此不能用全局阈值化方法进行有效的分割。

自适应阈值化方法根据图像各部分的不同情况采用不同的阈值。对于图像中光照不均匀、各部分对比度不同、前景或背景内部灰度变化、具有突发噪声等情况，能取得比全局阈值方法更好的分割效果。该类方法的主要思想是将图像划分为一系列子图像，对每个子图像使用某一种全局阈值化方法确定阈值，然后根据各个子图像的阈值集确定每个像素的阈值。在子图像尺寸较小的情况下，各种干扰所带来的问题所造成的影响变小。

传统的自适应阈值化方法主要步骤如下：

(1)将图像划分为一系列子图像；

(2)对每个子图像使用如上所述的迭代的最优阈值化方法确定阈值，得到一个阈值集；

(3)对阈值集使用插值方法得到所有像素的阈值，对图像进行阈值化。

传统自适应阈值化方法的缺点是当子图像受到噪声干扰使阈值产生较大偏差时，这种偏差不仅影响该子图像的阈值化分割结果，且通过插值方法将偏差扩散影响邻近子图像的阈值，从而影响邻近子图像的阈值化分割结果。

发明内容

本发明针对传统自适应阈值化方法存在的缺陷或不足，提出了一种新的自适应阈值化方法。该方法改进了传统自适应阈值化方法中利用插值获得子图像新阈值的技术，改用图像滤波技术，将传统自适应阈值化方法得到的阈值集作为图像，对其进行低通滤波，将滤波的结果作为新的阈值集，从而对图像进行更有效的分割。

本发明方法是基于如下考虑：同一个图像内子图像之间的整体灰度变化是比较和缓的，在考察一个子图像的阈值时，综合考察该子图像的邻近子图像的阈值，使用邻近子图像的阈值作为约束，可以避免或减轻被考察子图像受到噪声影响时噪声对阈值影响。本发明方法将这种邻近子图像的阈值约束通过滤波的方式实现，即把传统自适应阈值方法获得的各子图像的阈值集合作为“图像”，采用图像低通滤波对这幅阈值滤波，将滤波结果作为新的阈值集。

本发明保持了传统自适应阈值化方法的优点，并消除或减轻了确定子图像阈值时噪声的影响。

本发明将图像滤波技术引入阈值化方法，为阈值化方法提供了新的工具。可以根据应用的需求选择合适的模板来完成对阈值集的滤波，具有相当的灵活性。

附图说明

图1本发明的自适应阈值化方法

图2自适应阈值化方法中子图像划分示意图

图3自适应阈值化方法获得的阈值集

图43×3高斯滤波模板

图5采用3×3模板时，图3以对称方式进行延拓的结果

图6滤波后得到的最终阈值集

具体实施方式

下文结合附图，以实例的方式对本发明的具体实施方式作详细说明。本发明所述方法包含但不限于所举实例。

采用本发明进行自适应阈值化的过程如图1所示，其工作过程为：

(1)输入图像划分为子图像。输入图像如图2(a)所示，图像宽度为W、高度为H。将输入图像平均分为R行C列共R×C个子图像，R和C可以根据应用需要进行选取，例如在字符识别的应用中，可以分别取字符行的行数和每个字符行字符的个数。如图2(b)所示，图像的宽为56，高44，可取R＝4，C＝8。划分所得各子图像如图2(c)所示，子图像宽度为w＝W/C，h＝H/R。

(2)对每一个子图像，选用某种全局阈值化方法求阈值，所得阈值放在一个R×C的矩阵T中，t₁₁，t₁₂，...t_RC为各个子图像的阈值，如图3所示。

(3)使用低通滤波获得各个子图像的最终阈值。

(3-1)将步骤(2)所得阈值组成的矩阵T视为图像(下面称为图像T，宽为C，高为R)，图像的像素值为各个子图像的阈值t₁₁，t₁₂，...t_RC。为其选取合适的低通滤波模板h(包括模板大小和各个系数值)，模板大小可为3×3，5×5等。

作为说明之用，这里使用3×3的高斯模板，如图4所示，这不意味着在本步骤中只能使用此模板。

(3-2)对图像T进行必要的延拓，设模板h的大小为M×N，则将图像T延拓为宽为(C+M/2)、高为(R+N/2)的图像T1。延拓可采用重复、镜像对称等方式。

采用图4所示模板时，需将图像延拓为宽为(C+1)，高为(R+1)的图像，在延拓时使用镜像对称方式，结果如图5所示，其中虚线框内部为原来的图像T。

(3-3)对延拓后的图像T1使用模板h进行滤波，滤波所得的图像T2，如图6所示，图像T2的宽高分别重新变为C和R，将图像T2的像素值作为新的阈值集。

采用图4所示模板(3×3模板)时，t′_ij(1≤i≤R，1≤j≤C)满足下列关系：

${t^{\′}}_{\mathrm{ij}}=\underset{m=1}{\overset{3}{\mathrm{\Σ}}}\underset{n=1}{\overset{3}{\mathrm{\Σ}}}{T1}_{i-2+m,j-2+n}{h}_{\mathrm{mn}}$

(4)使用(3)得到的阈值集对每个子图像进行阈值化分割处理。

应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明，但不以任何方式限制本发明。因此，尽管本说明说参照附图和实施方式对本发明已进行了详细的说明，但是，本领与技术人员应当理解，仍然可以对本发明进行修改或者等同替换；而一切不脱离本发明的精神和技术实质的技术方案及其改进，其均应涵盖在本发明专利的保护范围当中。

Claims (4)

1.一种新的图像自适应阈值化方法主要步骤如下：

(1)将图像平均分为若干行列的子图像，行数和列数可以根据应用需要进行选取；

(2)对每一个子图像，利用全局阈值化方法求最优阈值，所得阈值用图像表示；

(3)将表示阈值的图像进行必要的延拓后进行滤波；

(4)将滤波结果作为子图像的新阈值对每个子图像进行阈值化处理。

2.根据权利要求1所述的方法，其特征是，所述的步骤(3)中对阈值图像进行的滤波是低通滤波，低通滤波模板大小为3×3，5×5等。

3.根据权利要求1所述的方法，其特征是，所述的步骤(3)中对阈值图像进行延拓，延拓后，矩阵行的增加数是滤波模板行数的一半，矩阵列的增加数是滤波模板列数的一半。

4.根据权利要求1所述的方法，其特征是，所述的步骤(4)将滤波结果作为新的阈值集。

Images