CN106127765A - 基于自适应窗口和平滑阈值法的图像二值化系统 - Google Patents
基于自适应窗口和平滑阈值法的图像二值化系统 Download PDFInfo
- Publication number
- CN106127765A CN106127765A CN201610465837.2A CN201610465837A CN106127765A CN 106127765 A CN106127765 A CN 106127765A CN 201610465837 A CN201610465837 A CN 201610465837A CN 106127765 A CN106127765 A CN 106127765A
- Authority
- CN
- China
- Prior art keywords
- image
- smooth
- smooth threshold
- threshold value
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Character Input (AREA)
Abstract
本发明公开了一种基于自适应窗口和平滑阈值法的图像二值化系统，它包括图像灰度化模块、平滑阈值计算模块、图像二值化模块和特殊区域搜索模块；所述的图像灰度化模块将输入的图像进行灰度化；平滑阈值计算模块计算弧度图像的平滑阈值，并生成平滑阈值表；图像二值化模块根据平滑阈值表将图像二值化；特殊区域搜索模块根据二值图搜索图像中的特殊区域。系统采用平滑阈值法进行图像二值化，对于各种情况的图像都有较好的适应性，对图像中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。在保证普通图像二值化效果的同时，对低分辨率和复杂光照场景的情况也能进行较好的处理。
Description
技术领域
本发明涉及一种基于自适应窗口和平滑阈值法的图像二值化系统。
背景技术
二值化是图像分割的常用方法，通过将图像各个像素点分别置为前景和背景，即可得到用户关注的内容。传统的二值化方法可以分为全局阈值法和局部阈值法两大类。下面以车牌图像的二值化为例，说明两类方法的优缺点。
全局阈值是指整幅图像所有像素点采用相同的二值化阈值，常用方法有均值阈值、中值阈值、迭代迭代法和Ostu方法。
全局阈值的优点是二值化后的图像噪声较少，几乎不存在伪影，伪影是指原图像中明显的背景被二值化成的前景。
全局阈值的缺点包含三点：(1)不能处理光照不均匀的情况；(2)不能用于特殊区域(如车牌中的红色字符)的二值化；(3)对于分辨率较低的图像，二值化出来的字符笔划较粗，会对识别造成影响。
局部阈值是指整幅图像不同区域或不同像素点采用不同的二值化阈值，常用方法有Bernsen算法和LEVBB、组合阈值等改进的局部阈值法
局部阈值的优点是对光照不均、阴影明显的图像二值化效果较好。
局部阈值的缺点主要体现在两个方面：(1)速度较慢；(2)容易出现伪影，改进的局部阈值法虽然针对伪影问题作了些改进，但是相对于全局阈值法来说，仍然会留下较多噪声。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于自适应窗口和平滑阈值法的图像二值化系统，系统采用平滑阈值法进行图像二值化，对于各种情况的图像都有较好的适应性，对图像中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。
本发明的目的是通过以下技术方案来实现的：基于自适应窗口和平滑阈值法的图像二值化系统，它包括图像灰度化模块、平滑阈值计算模块、图像二值化模块和特殊区域搜索模块；所述的图像灰度化模块将输入的图像进行灰度化；平滑阈值计算模块计算弧度图像的平滑阈值，并生成平滑阈值表；图像二值化模块根据平滑阈值表将图像二值化；特殊区域搜索模块根据二值图搜索图像中的特殊区域。
所述的平滑阈值表计算模块计算平滑阈值的方法为：设置高winHeight×宽winWidth的滑动窗口在灰度图像中滑动，每次窗口横向偏移量为OffsetX，纵向偏移量为OffsetY，分别计算每个窗口局部图像的迭代阈值，各个OffsetY×OffsetX大小的小区域存在于N个窗口中，则将这N个迭代阈值取中值作为该小区域的平滑阈值，同理计算图像上其余小区域的平滑阈值，生成平滑阈值表。
所述的迭代阈值的计算方法为：计算滑动窗口内的图像的最大灰度值和最小灰度值，分别记为gMax和gMin，令初始阈值T＝(gMax+gMin)/2，令Tlast＝T，根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值GMfro和GMback，更新阈值T′＝(GMfront+GMback)/2，若T′＝Tlast，则即为最终所求的二值化阈值；若T′≠Tlast，则令Tlast＝T′，重复迭代计算。
所述的特殊区域搜索模块采用投影法进行搜索，即对二值图进行按列求和得到投影曲线，较大的波谷区间对应的列即为特殊区域。
所述的滑动窗口的大小与图像尺寸相关，若图像宽和高分别为W和H，图像中兴趣目标的宽和高分别为和w和h，滑动窗口宽或高的上下限分别为：
winWidthmax＝min(0.5W,2w)
winWidthmin＝0.5w
winHeightmax＝min(0.5H,2h)
winHeightmin＝0.5h。
所述的横向偏移量OffsetX最小为1，最大为滑动窗口宽度的1/2；纵向偏移量OffsetY同理。
本发明的有益效果是：本发明提供了一种基于自适应窗口和平滑阈值法的图像二值化系统，系统采用平滑阈值法进行图像二值化，对于各种情况的图像都有较好的适应性，对图像中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。在保证普通图像二值化效果的同时，对低分辨率和复杂光照场景的情况也能进行较好的处理。若用于车牌识别，则能够极大的提升特殊车牌和特殊场景下字符分割的准确性。
附图说明
图1为本系统结构框图；
图2为平滑阈值计算方法示意图；
图3为车牌二值化效果对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于自适应窗口和平滑阈值法的图像二值化系统，它包括图像灰度化模块、平滑阈值计算模块、图像二值化模块和特殊区域搜索模块；所述的图像灰度化模块将输入的图像进行灰度化；平滑阈值计算模块计算弧度图像的平滑阈值，并生成平滑阈值表；图像二值化模块根据平滑阈值表将图像二值化；特殊区域搜索模块根据二值图搜索图像中的特殊区域。
所述的平滑阈值表计算模块计算平滑阈值的方法为：设置高winHeight×宽winWidth的滑动窗口在灰度图像中滑动，每次窗口横向偏移量为OffsetX，纵向偏移量为OffsetY，分别计算每个窗口局部图像的迭代阈值，各个OffsetY×OffsetX大小的小区域存在于N个窗口中，则将这N个迭代阈值取中值作为该小区域的平滑阈值，同理计算图像上其余小区域的平滑阈值，生成平滑阈值表。
如图2所示，假设图中每个小方格为一个像素，窗口高和宽都为两个像素，滑动窗口横向或纵向的偏移量Offset均为一个像素，对于图2中深灰色像素来说，共有四个滑动窗口包含了它，这四个窗口内提取到的迭代阈值分别为RC1～RC4，那么深灰色像素平滑过的二值化阈值即为RC1、RC2、RC3、RC4的中值。
所述的迭代阈值的计算方法为：计算滑动窗口内的图像的最大灰度值和最小灰度值，分别记为gMax和gMin，令初始阈值T＝(gMax+gMin)/2，令Tlast＝T，根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值GMfro和GMback，更新阈值T′＝(GMfront+GMback)/2，若T′＝Tlast，则即为最终所求的二值化阈值；若T′≠Tlast，则令Tlast＝T′，重复迭代计算。
所述的特殊区域搜索模块采用投影法进行搜索，即对二值图进行按列求和得到投影曲线，较大的波谷区间对应的列即为特殊区域。
在车牌二值化中，投影法指对车牌二值图像进行按列求和，得到投影曲线，较大的波谷区间对应的列即为特殊区域，区间的尺寸阈值设定可根据实际需求给出特定经验值。在车牌图像中可以先计算迭代阈值，再统计每列小于阈值点的个数，将此类点数较多的列合并起来，若合并区域宽度超过字符宽度，则为特殊区域。特殊区域的滑动窗口大小也根据实际需求确定。在高H×宽W的车牌图像中，对于特殊区域，窗口大小为OffsetX＝OffsetY＝2；对于普通区域，窗口大小为OffsetX＝OffsetY＝W/30。
所述的滑动窗口的大小与图像尺寸相关，若图像宽和高分别为W和H，图像中兴趣目标的宽和高分别为和w和h，滑动窗口宽或高的上下限分别为：
winWidthmax＝min(0.5W,2w)
winWidthmin＝0.5w
winHeightmax＝min(0.5H,2h)
winHeightmin＝0.5h。
所述的横向偏移量OffsetX最小为1，最大为滑动窗口宽度的1/2；纵向偏移量OffsetY同理。
如图3所示为采用本发明的系统进行二值化，与传统方法对比如下，第一列是车牌图像，第二列是全局阈值方法结果，第三列是局部阈值方法结果，第四列是本专利方法结果。结果表明，本发明对于各种情况的图像都有较好的适应性，对车牌中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。
Claims (6)
1.基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：它包括图像灰度化模块、平滑阈值计算模块、图像二值化模块和特殊区域搜索模块；所述的图像灰度化模块将输入的图像进行灰度化；平滑阈值计算模块计算弧度图像的平滑阈值，并生成平滑阈值表；图像二值化模块根据平滑阈值表将图像二值化；特殊区域搜索模块根据二值图搜索图像中的特殊区域。
2.根据权利要求1所述的基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：所述的平滑阈值表计算模块计算平滑阈值的方法为：设置高winHeight×宽winWidth的滑动窗口在灰度图像中滑动，每次窗口横向偏移量为OffsetX，纵向偏移量为OffsetY，分别计算每个窗口局部图像的迭代阈值，各个OffsetY×OffsetX大小的小区域存在于N个窗口中，则将这N个迭代阈值取中值作为该小区域的平滑阈值，同理计算图像上其余小区域的平滑阈值，生成平滑阈值表。
3.根据权利要求2所述的基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：所述的迭代阈值的计算方法为：计算滑动窗口内的图像的最大灰度值和最小灰度值，分别记为gMax和gMin，令初始阈值T＝(gMax+gMin)/2，令Tlast＝T，根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值GMfront和GMback，更新阈值T′＝(GMfront+GMback)/2，若T′＝Tlast，则即为最终所求的二值化阈值；若T′≠Tlast，则令Tlast＝T′，重复迭代计算。
4.根据权利要求1所述的基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：所述的特殊区域搜索模块采用投影法进行搜索，即对二值图进行按列求和得到投影曲线，较大的波谷区间对应的列即为特殊区域。
5.根据权利要求2所述的基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：所述的滑动窗口的大小与图像尺寸相关，若图像宽和高分别为W和H，图像中兴趣目标的宽和高分别为和w和h，滑动窗口宽或高的上下限分别为：
winWidthmax＝min(0.5W,2w)
winWidthmin＝0.5w
winHeightmax＝min(0.5H,2h)
winHeightmin＝0.5h。
6.根据权利要求2所述的基于自适应窗口和平滑阈值法的图像二值化系统，其特征在于：所述的横向偏移量OffsetX最小为1，最大为滑动窗口宽度的1/2；纵向偏移量OffsetY同理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610465837.2A CN106127765A (zh) | 2016-06-23 | 2016-06-23 | 基于自适应窗口和平滑阈值法的图像二值化系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610465837.2A CN106127765A (zh) | 2016-06-23 | 2016-06-23 | 基于自适应窗口和平滑阈值法的图像二值化系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106127765A true CN106127765A (zh) | 2016-11-16 |
Family
ID=57269445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610465837.2A Pending CN106127765A (zh) | 2016-06-23 | 2016-06-23 | 基于自适应窗口和平滑阈值法的图像二值化系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106127765A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636750A (zh) * | 2018-12-05 | 2019-04-16 | 万岩铁路装备(成都)有限责任公司 | 一种针对铁轨轮廓曲线图像的动态局域二值化方法 |
| CN111145193A (zh) * | 2019-12-30 | 2020-05-12 | 广州医软智能科技有限公司 | 一种自适应全局阈值二值化方法 |
| CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
| CN112017206A (zh) * | 2020-08-31 | 2020-12-01 | 河北工程大学 | 一种基于线结构光图像的有向滑动自适应阈值二值化方法 |
| CN116485924A (zh) * | 2023-03-20 | 2023-07-25 | 西安电子科技大学 | 含伪影的光纤线包ct截面图像的二值化方法 |
| CN117115035A (zh) * | 2023-09-04 | 2023-11-24 | 长春奥普光电技术股份有限公司 | 不均匀光照图像校正方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
-
2016
- 2016-06-23 CN CN201610465837.2A patent/CN106127765A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101042735A (zh) * | 2006-03-23 | 2007-09-26 | 株式会社理光 | 图像二值化方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 徐勤燕: "复杂背景中基于纹理和颜色的车牌定位研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 鄢治国 等: "一种基于自适应二值化阈值的焊缝边缘特征提取方法", 《焊接学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109636750A (zh) * | 2018-12-05 | 2019-04-16 | 万岩铁路装备(成都)有限责任公司 | 一种针对铁轨轮廓曲线图像的动态局域二值化方法 |
| CN109636750B (zh) * | 2018-12-05 | 2022-08-23 | 万岩铁路装备(成都)有限责任公司 | 一种针对铁轨轮廓曲线图像的动态局域二值化方法 |
| CN111145193A (zh) * | 2019-12-30 | 2020-05-12 | 广州医软智能科技有限公司 | 一种自适应全局阈值二值化方法 |
| CN111145193B (zh) * | 2019-12-30 | 2024-05-17 | 广州医软智能科技有限公司 | 一种自适应全局阈值二值化方法 |
| CN111915543A (zh) * | 2020-08-04 | 2020-11-10 | 深圳蓝韵医学影像有限公司 | 基于组织提取的dr图像窗宽窗位自适应调整方法及系统 |
| CN112017206A (zh) * | 2020-08-31 | 2020-12-01 | 河北工程大学 | 一种基于线结构光图像的有向滑动自适应阈值二值化方法 |
| CN116485924A (zh) * | 2023-03-20 | 2023-07-25 | 西安电子科技大学 | 含伪影的光纤线包ct截面图像的二值化方法 |
| CN116485924B (zh) * | 2023-03-20 | 2023-09-29 | 西安电子科技大学 | 含伪影的光纤线包ct截面图像的二值化方法 |
| CN117115035A (zh) * | 2023-09-04 | 2023-11-24 | 长春奥普光电技术股份有限公司 | 不均匀光照图像校正方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106127765A (zh) | 基于自适应窗口和平滑阈值法的图像二值化系统 | |
| Roy et al. | Adaptive thresholding: A comparative study | |
| CN101515325B (zh) | 基于字符切分和颜色聚类的数字视频中的字符提取方法 | |
| CN106127763A (zh) | 一种具有广泛适应性的图像二值化方法 | |
| Ntirogiannis et al. | A combined approach for the binarization of handwritten document images | |
| CN105374015A (zh) | 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法 | |
| Parker et al. | An approach to license plate recognition | |
| CN109886896A (zh) | 一种蓝色车牌分割与矫正方法 | |
| CN104361336A (zh) | 一种水下视频图像的文字识别方法 | |
| CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
| CN108447068B (zh) | 三元图自动生成方法及利用该三元图的前景提取方法 | |
| CN104732211B (zh) | 一种基于自适应阈值的交通标志检测方法 | |
| CN102289668A (zh) | 基于像素邻域特征的自适应文字图像的二值化处理方法 | |
| CN107895151A (zh) | 一种强光照条件下基于机器视觉的车道线检测方法 | |
| CN109784216B (zh) | 基于概率图的车载热成像行人检测RoIs提取方法 | |
| Saddami et al. | Improved thresholding method for enhancing Jawi binarization performance | |
| CN109886168B (zh) | 一种基于层阶的地面交通标志识别方法 | |
| CN110060221B (zh) | 一种基于无人机航拍图像的桥梁车辆检测方法 | |
| CN106529543A (zh) | 一种动态计算多色级二值化自适应阈值的方法及其系统 | |
| CN107610144A (zh) | 一种改进的基于最大类间方差法的红外图像分割算法 | |
| CN107545259A (zh) | 一种基于大津法的二维码重构方法 | |
| CN101599172A (zh) | 非均匀光照的文本图像的亮度补偿分割方法 | |
| CN109101985A (zh) | 一种基于自适应邻域测试的图像误匹配点对剔除方法 | |
| CN103971347A (zh) | 视频图像中阴影的处理方法及装置 | |
| CN108268866B (zh) | 一种车辆检测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161116 |