CN108921868A - 一种改进的Otsu阈值分割方法 - Google Patents

Abstract

本发明公开了一种改进的Otsu阈值分割方法，包括计算全部像素的灰度均值μ、阈值T；初始化步长和左右边界；判断并进行迭代修正的步骤。本发明的方法对前景背景方差较大和光照不均匀的图像具有较好的分割效果，与现有技术相比，不仅分割效果更好，并且有效降低了计算方法的时间开销，提升了计算的效率。

Description

一种改进的Otsu阈值分割方法

技术领域

本发明涉及图像处理技术领域，特别涉及一种改进的Otsu阈值分割方法。

背景技术

图像分割是指将图像划分成若干个性质一致的子区域，被广泛应用于图像处理领域。阈值分割是一类重要的图像分割方法，使用单一阈值对图像进行分割可实现图像前景和背景的二值化。Otsu阈值分割方法是日本学者Otsu提出的一种基于最大类间方差的全局阈值选择方法，因具有较强的自适应能力和计算简单等原因被广泛应用。传统的Otsu法对前景和背景分布均匀且类间方差差异较小的图像通常具有较好的分割结果，但实际图像往往不满足上述要求，导致Otsu法会导致前景像素和背景像素的错分情况。

针对上述问题，现有技术中，针对这一情况有胡斌等对Otsu法进行改进，引入像素的邻域信息提升计算方法对前景背景分布不均匀图像分割的适应性(以下简称引入像素的领域信息计算方法)、还有许向阳等对Otsu法的性质进行了研究，指出Otsu法得到的阈值将偏向方差较大的一类，并对背景和前景两类方差差别较大且前景灰度大于背景灰度的图像提出一种两阶段改进算法(以下简称两阶段改进方法)。其中胡斌的改进方法存在时间开销大和改进效果不明显的问题；许向阳的两阶段方法也存在算法时间开销较大的问题，同时该算法中假设目标灰度高于背景灰度的假设限制了算法的适用范围。

要解决Otsu阈值分割方法在前景像素和背景像素的方差差异较大时出现错分情况，应从方法的理论性质出发，提出一种改进的Otsu阈值分割方法，对传统Otsu法的阈值进行修正。

发明内容

本发明的目的是解决现有Otsu阈值分割方法在前景像素和背景像素的方差差异较大时出现错分情况的的技术问题，本发明提供一种改进的Otsu阈值分割方法。

本发明解决技术问题采用如下技术方案：

一种改进的Otsu阈值分割方法，包括以下步骤：

步骤1)计算全部像素的灰度均值μ、阈值T：设图像像素的灰度取值范围为[0，L]，其中灰度值为i的像素的个数为n_i，L为最大灰度值；

计算图像中像素总数

计算灰度值为i的像素出现的概率

设阈值T将图像像素分为C₀和C₁两类，分别表示灰度值属于[0,T]和[T+1,L]的像素集合，根据Otsu法计算阈值T；所述的阈值T是使得两类的类间方差σ_B取值最大时的阈值作为最优阈值，即所述的两类的类间方差σ_B＝ω₀(T)(μ₀(T)-μ)²+ω₁(T)(μ₁(T)-μ)²，所述的μ₀(T)、μ₁(T)分别是C₀和C₁两类的灰度均值，计算公式为所述μ为图像全部像素的灰度均值，计算公式为：

步骤2)初始化：令步长step＝1，左边界l＝0，右边界r＝T；如果T小于μ，更新左边界、右边界及步长分别为：l＝L，r＝T，step＝-1；

步骤3)第一次执行该步骤初始化th＝l；使用下面公式计算P(th)和P(T)

步骤4)如果P(th)/P(T)≥β，所述的β为根据实验得到的经验值，则当前th值为最终阈值，计算结束；否则，更新th＝th+step，执行步骤3)直至满足判定条件，得到最终阈值。

事实上，通过分析图像可以得到结论，随着P(g)/P(T)的增长，图像的灰度g值最初增长较缓慢，当P(g)/P(T)大于90％后，g的取值快速增长显著，因此本发明基于像素灰度值与像素数量累积变化间关系分析结果及Otsu算法阈值与整体均值间的关系，根据P(g)/P(T)性质分析，选取合适的像素累计占比临界值β，并将像素累计占比达到该临界值时对应的灰度值作为修正后的分割阈值。

本发明具有如下有益效果：本发明的方法对前景背景方差较大和光照不均匀的图像具有较好的分割效果，与现有技术相比，不仅分割效果更好，并且有效降低了计算方法的时间开销，提升了计算的效率。

附图说明

图1是本发明改进的Otsu阈值分割方法的流程图；

图2是不同分割方法的实验分析结果对比图。

具体实施方式

下面结合实施方式和实施例对本发明的技术方案作进一步阐述。

具体实施方式：如图1所示，本实施方式是一种改进的Otsu阈值分割方法，包括以下步骤：

步骤1)计算全部像素的灰度均值μ、阈值T：设图像像素的灰度取值范围为[0，L]，其中灰度值为i的像素的个数为n_i，L为最大灰度值；

计算图像中像素总数

计算灰度值为i的像素出现的概率

设阈值T将图像像素分为C₀和C₁两类，分别表示灰度值属于[0,T]和[T+1,L]的像素集合，根据Otsu法计算阈值T；所述的阈值T是使得两类的类间方差σ_B取值最大时的阈值作为最优阈值，即所述的两类的类间方差σ_B＝ω₀(T)(μ₀(T)-μ)²+ω₁(T)(μ₁(T)-μ)²，所述的μ₀(T)、μ₁(T)分别是C₀和C₁两类的灰度均值，计算公式为所述μ为图像全部像素的灰度均值，计算公式为：

步骤2)初始化：令步长step＝1，左边界l＝0，右边界r＝T；如果T小于μ，更新左边界、右边界及步长分别为：l＝L，r＝T，step＝-1；

步骤3)第一次执行该步骤初始化th＝l；使用下面公式计算P(th)和P(T)

步骤4)如果P(th)/P(T)≥β，所述的β为根据实验得到的经验值，则当前th值为最终阈值，计算结束；否则，更新th＝th+step，执行步骤3)直至满足判定条件，得到最终阈值。

实施例：本实施例计算环境为Win 764位旗舰版系统，内存大小为8GB，CPU为Intel(R)Core(M)i5-2415M，CPU主频为2.30GHz。如图2所示，使用图像分割算法评价常用的Coins(大小246*300)，Moon(大小537*358)和Rice(256*256)三幅图像作为实验图像。使用MatlabR2012b进行实验仿真，其中传统Otsu使用Matlab自带函数graythresh()，引入像素的领域信息计算方法、两阶段改进方法和本发明的方法都使用Matlab编码实现，实验中本发明方法的β的取值为0.97，这个是根据P(g)/P(T)性质分析得到的经验值。表1为四种方法对三幅实验图像分割的阈值和时间开销，最终算法运行时间为五次运行结果的平均值。从表1中可看出，引入像素的领域信息计算方法与Otsu法在三幅实验图像上得到的最佳阈值非常接近，对于Coins图像，本发明方法与两阶段改进方法得到结果一致，要明显低于另外两种算法得到的阈值，因此具有更好的分割结果；对于Rice图像，本发明方法的阈值介于引入像素的领域信息计算方法和两阶段改进方法的结果之间，该阈值即可防止大面积背景像素被误分为前景，也保证了光照不均匀的Rice图像下部较暗区域前景目标的有效检出。算法时间消耗方面，四种算法中Otsu法耗时最少，本发明方法次之(约为Otsu法耗时的1.5倍)；引入像素的领域信息计算方法和两阶段改进方法的耗时较本发明方法耗时长，分别约为3倍和1.5倍。

表1算法阈值及时间开销

图2为四种算法对三幅图像的分割结果，(a)列为原始图像，(b)列为原始Otsu法分割结果，(c)列为引入像素的领域信息计算方法的分割结果，(d)列为两阶段改进方法的分割结果，(e)列为本发明方法分割结果。从图2中可看出，本发明方法和两阶段改进方法对Coins和Moon图像的分割结果要优于原始Otsu算法和引入像素的领域信息计算方法，本发明方法和两阶段改进方法可准确的分割出Coins图像中的硬币，且前景区域中不存在空洞；而Rice图像由于具有光照不均匀的特点，两阶段改进方法的分割结果中将大面积背景像素划分为前景，原始Otsu法和引入像素的领域信息计算方法在图像的底部较暗区域存在较多的前景像素错分情况，而本发明方法对Rice图像的分割结果要明显由于其它三种方法。

对本发明方法及其对照方法的实验结果表明：本发明方法具有更好的图像分割效果，且时间开销显著降低，验证了本发明方法的有效性。

最后应说明的是：以上实施方式和实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施方式或实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施方式和实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施方式或实施例技术方案的精神和范围。

Claims (1)

1.一种改进的Otsu阈值分割方法，其特征在于，包括以下步骤：

步骤1)计算全部像素的灰度均值μ、阈值T：设图像像素的灰度取值范围为[0，L]，其中灰度值为i的像素的个数为n_i，L为最大灰度值；

计算图像中像素总数

计算灰度值为i的像素出现的概率

设阈值T将图像像素分为C₀和C₁两类，分别表示灰度值属于[0,T]和[T+1,L]的像素集合，根据Otsu法计算阈值T；所述的阈值T是使得两类的类间方差σ_B取值最大时的阈值作为最优阈值，即所述的两类的类间方差σ_B＝ω₀(T)(μ₀(T)-μ)²+ω₁(T)(μ₁(T)-μ)²，所述的μ₀(T)、μ₁(T)分别是C₀和C₁两类的灰度均值，计算公式为所述μ为图像全部像素的灰度均值，计算公式为：

步骤2)初始化：令步长step＝1，左边界l＝0，右边界r＝T；如果T小于μ，更新左边界、右边界及步长分别为：l＝L，r＝T，step＝-1；

步骤3)第一次执行该步骤初始化th＝l；使用下面公式计算P(th)和P(T)

步骤4)如果P(th)/P(T)≥β，所述的β为根据实验得到的经验值，则当前th值为最终阈值，计算结束；否则，更新th＝th+step，执行步骤3)直至满足判定条件，得到最终阈值。