CN111145193A - 一种自适应全局阈值二值化方法 - Google Patents
一种自适应全局阈值二值化方法 Download PDFInfo
- Publication number
- CN111145193A CN111145193A CN201911402641.9A CN201911402641A CN111145193A CN 111145193 A CN111145193 A CN 111145193A CN 201911402641 A CN201911402641 A CN 201911402641A CN 111145193 A CN111145193 A CN 111145193A
- Authority
- CN
- China
- Prior art keywords
- image
- global threshold
- value
- gray
- binarization method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000003044 adaptive effect Effects 0.000 title claims description 20
- 238000001914 filtration Methods 0.000 claims description 16
- 230000004089 microcirculation Effects 0.000 abstract description 16
- 238000003384 imaging method Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
Abstract
本发明涉及一种自适应全局阈值二值化方法,包括:步骤S1:将原始图像进行8位深度灰度化,对灰度化后的图像计算其灰度分布,形成灰度分布集合S;步骤S2:对图像的灰度分布进行处理计算,通过图像的灰度分布计算出对每个单独图像较适合的全局阈值,得到计算后的全局阈值;对使用最终的全局阈值T对原始图像进行分割,形成二值化图像。本发明的自适应全局阈值二值化,通过图像的灰度分布计算出对每个单独图像较适合的全局阈值,提供了一种在清晰度较低的微循环图像上提取尽可能多信息的方法,可适用于不同成像质量的微循环图像处理。
Description
技术领域
本发明属于人体微循环机器视觉领域,具体涉及一种更适合于不同成像质量的微循环图像的自适应全局阈值二值化方法。
背景技术
在微循环监测领域,获取清晰的微循环图像对于诊断至关重要。在微循环图像的处理上,从原始图像转化为二值化图像是一个关键步骤,对后续图像处理和参数计算起到关键作用。
由于微循环领域的医学图像一般会出现照明不均匀,从而导致的图像背景亮度不均匀,也可能出现对焦导致图像部分模糊;因此,在不同位置、不同时刻,由不同人采集的微循环图像质量差异极大。
采用传统的固定阈值二值化方法或自适应局部阈值二值化方法对图像进行处理,得到的处理效果往往达不到医学诊断对于微循环图像质量的要求。其中,前者方法的泛化效果极差,即在某些图片上效果不错的二值化结果在其他图片上处理效果很差,典型的问题是背景被处理成前景,或将部分前景处理成背景,进而引入识别误差(见图1);而由于微循环图像没有明确目标物体以及照明条件不可控的特性,采用后者方法效果甚至更差(见图2)。
发明内容
本发明的目的在于针对上述现有技术的方法进行改进,提供一种自适应全局阈值二值化方法,利用微循环图像的灰度分布计算出对每个单独图像较适合的全局阈值,并根据此全局阈值形成新的二值化图像,本发明的自适应全局阈值二值化方法具有很好的泛化效果,即在不同成像质量的微循环图像上取得的二值化图像的有效性比固定阈值二值化方法得到的二值化图像整体有效性更好,能够提取出更多的前景信息。其具体通过以下技术方案实现:
一种自适应全局二值化方法,其包括:
步骤S1:将原始图像进行8位深度灰度化,对灰度化后的图像计算其灰度分布,形成灰度分布集合S;
步骤S2:对图像的灰度分布进行处理计算,得到计算后的全局阈值;所述步骤S2具体包括:
步骤S21,对灰度分布集合S进行过滤,得到灰度分布集合S的子集Sv;
步骤S22,设置步长Step为Sv长度的1/40,如果步长Step小于1则设置步长Step为1;
步骤S23,设阈值为T,以阈值T为分割点,将Sv分割为两个子集Sv1和Sv2,分别求Sv1和Sv2中灰度值与计数的加权平均值和Sv1中灰度值为a1,a2,...,an,an出现的次数ωn计数为权;设Sv2中灰度值为a1,a2,...,am,am出现的次数ωm计数为权;则
步骤S3:使用最终的全局阈值T对原始图像进行分割,形成二值化图像。
优选地,所述对灰度化后的图像计算其灰度分布,形成灰度分布集合S,具体为:灰度化后的图像灰度值为0-255之间,统计灰度值从0到255中每个灰度值的像素点数目,形成灰度分布集合S。
优选地,所述对灰度分布集合S进行过滤,具体为:跳过从开始位置的连续0值和从结尾开始的连续0值。
优选地,所述阈值T的初始值为Sv的第一个元素,即第一个阈值T为灰度分布集合S的第一个非0值,第一次的分割计算后,Sv1只有一个元素,Sv2则包括了Sv剩下的其它元素。
优选地,所述对使用最终的全局阈值T对图像进行分割,包括遍历图像所有像素,其像素值计为I_in[x,y],其中x,y为图像像素点的坐标,新图像对应坐标的像素值记为I_out[x,y]。
优选地,在I_in[x,y]>T时,I_out[x,y]=255;在I_in[x,y]≦T时,I_out[x,y]=0。
优选地,在所述对灰度化后的图像计算其灰度分布前,还包括对灰度图像进行滤波降噪处理。
优选地,在所述对灰度图像进行滤波降噪处理为:采用Sobel算子进行滤波。
与现有技术相比,本发明的技术方案具有以下有益效果:
本发明的自适应全局阈值二值化方法,通过图像的灰度分布计算出对每个单独图像较适合的全局阈值,提供了一种可在清晰度较低的微循环图像上提取尽可能多信息的方法,可适用于不同成像质量的微循环图像处理,亦可用于其他领域的图像处理。
本发明的自适应全局阈值二值化方法相比应用较广泛的固定阈值二值化方法有更好的泛化结果,也比自适应局部阈值二值化方法更适用于微循环图像处理。
附图说明
图1是现有技术中的固定阈值二值化方法在不同清晰度图像下的处理效果图;
图2是现有技术中的自适应局部阈值二值化方法在不同清晰度图像下的处理效果图;
图3是本发明的自适应全局阈值二值化方法在不同清晰度图像下的处理效果图;
图4是本发明的自适应全局阈值二值化方法流程图;
图5是本发明的自适应全局阈值计算流程图。
具体实施方式
本领域技术人员理解,如背景技术所言,传统的采用传统的固定阈值二值化方法或自适应局部阈值二值化方法对微循环图像进行处理,得到的处理效果往往达不到医学诊断对于微循环图像质量的要求。其中前者方法的泛化效果极差,即在某些图片上效果不错的二值化结果在其他图片上处理效果很差,典型的问题是背景被处理成前景,或将部分前景处理成背景,进而引入识别误差;而由于微循环图像没有明确目标物体以及照明条件不可控的特性,采用后者方法效果甚至更差,参照图1和图2。
因此,需要提供一种可在清晰度较低的微循环图像上提取尽可能多信息的方法,使其可适用于不同成像质量的微循环图像处理。为使本发明的上述目的、特征和有益效果能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
实施例1:
本实施例提供一种自适应全局二值化方法,其包括
步骤S1:对灰度化后的图像计算其灰度分布;
步骤S2:对图像的灰度分布进行分析计算,得到计算后的全局阈值;
步骤S3:对使用新的全局阈值对图像进行分割,形成二值化图像。
其中步骤S1中:
将原始图像进行8位深度灰度化,这样图像灰度值从0-255变化。
设S(i=0-255)表示原始图像内灰度从0到255的像素点数目,形成灰度分布集合。
其中步骤S2具体包括以下步骤:
(1)过滤灰度分布集合S,即跳过从开始位置的连续0值和从结尾开始的连续0值,得到灰度分布集合S的子集Sv;
(2)取步长Step为Sv长度的1/40,如果步长Step小于1,则设置步长Step为1;
步骤(3)中,其中T的初始值为Sv的第一个元素,即第一个T就是灰度分布集合S的第一个非0值,也就是说,第一次的分割计算后,Sv1只有一个元素(第一个),Sv2则包括了Sv剩下的其他元素;
设Sv1中灰度值为a1,a2,...,an,an出现的次数ωn计数为权;设Sv2中灰度值为a1,a2,...,am,am出现的次数ωm计数为权;
(5)取停止位置的T即为此图像的二值分割阈值。
其中步骤S3中:
根据S2中得到的阈值,将原始图像进行分割。具体分割方法为:遍历图像所有像素,其像素值计为I_in[x,y],其中x,y为图像像素点的坐标,新图像对应坐标的像素值记为I_out[x,y]。在I_in[x,y]>T时,I_out[x,y]=255;在I_in[x,y]<=T时,I_out[x,y]=0。由此,得到原始图像的自适应全局二值化图像。
实施例2:
一种自适应全局二值化方法,其包括:
步骤S1:将原始图像进行8位深度灰度化,对灰度化后的图像计算其灰度分布,形成灰度分布集合S;
步骤S2:对图像的灰度分布进行处理计算,得到计算后的全局阈值;
步骤S2具体包括:
步骤S21,对灰度分布集合S进行过滤,得到灰度分布集合S的子集Sv;
步骤S22,设置步长Step为Sv长度的1/40,如果步长Step小于1,则设置步长Step为1;
步骤S23,设阈值为T,以阈值T为分割点,将Sv分割为两个子集Sv1和Sv2,分别求Sv1和Sv2中灰度与计数的加权平均值和Sv1中灰度值为a1,a2......am,an出现的次数ωn计数为权;设Sv2中灰度值为a1,a2......am,am出现的次数ωm计数为权;则
步骤S3:对使用最终的全局阈值T对原始图像进行分割,形成二值化图像。如图4-5,示出了二值化流程图及全局阈值计算方法。
在一些实施例中,上述对灰度化后的图像计算其灰度分布,形成灰度分布集合S,具体为:灰度化后的图像灰度值为0-255之间,统计灰度值从0到255中每个灰度值的像素点数目,形成灰度分布集合S。
在一些实施例中,上述对灰度分布集合S进行过滤,具体为:跳过从开始位置的连续0值和从结尾开始的连续0值。
在一些实施例中,上述阈值T的初始值为Sv的第一个元素,即第一个阈值T就是灰度分布集合S的第一个非0点,第一次的分割计算后,Sv1只有一个元素,Sv2则包括了Sv剩下的其它元素。
在一些实施例中,上述对使用最终的全局阈值T对图像进行分割,包括遍历图像所有像素,其像素值计为I_in[x,y],其中x,y为图像像素点的坐标,新图像对应坐标的像素值记为I_out[x,y]。
在一些实施例中,在I_in[x,y]>T时,I_out[x,y]=255;在I_in[x,y]≦T时,I_out[x,y]=0。
在一些实施例中,在对灰度化后的图像计算其灰度分布前,还包括对灰度图像进行滤波降噪处理。
在一些实施例中,对灰度图像进行滤波降噪处理为:采用Sobel算子进行滤波。
如图3,示出了本申请的自适应全局阈值二值化在不同清晰度图像下的效果图。
本发明提供一种自适应全局阈值二值化方法,利用图像的灰度分布计算出对每个单独图像较适合的全局阈值,并根据此全局阈值形成新的二值化图像,本发明的自适应全局阈值二值化方法具有很好的泛化效果,即在不同成像质量的微循环图像上取得的二值化图像的有效性比固定阈值二值化方法得到的二值化图像整体更好,能够提取出更多的前景信息。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (8)
1.一种自适应全局阈值二值化方法,其特征在于,包括:
步骤S1:将原始图像进行8位深度灰度化,对灰度化后的图像计算其灰度分布,形成灰度分布集合S;
步骤S2:对图像的灰度分布进行处理计算,得到计算后的全局阈值;所述步骤S2具体包括:
步骤S21,对灰度分布集合S进行过滤,得到灰度分布集合S的子集Sv;
步骤S22,设置步长Step为Sv长度的1/40,如果步长Step小于1,则设置步长Step为1;
步骤S23,设阈值为T,以阈值T为分割点,将Sv分割为两个子集Sv1和Sv2,分别求Sv1和Sv2中灰度值与计数的加权平均值和设Sv1中灰度值为a1,a2,...,an,an出现的次数ωn计数为权;设Sv2中灰度值为a1,a2,...,am,am出现的次数ωm计数为权;则
步骤S3:使用最终的全局阈值T对原始图像进行分割,形成二值化图像。
2.根据权利要求1所述的自适应全局阈值二值化方法,其特征在于,所述对灰度化后的图像计算其灰度分布,形成灰度分布集合S,具体为:灰度化后的图像灰度值为0-255之间,统计灰度值从0到255中每个灰度值的像素点数目,形成灰度分布集合S。
3.根据权利要求1所述的自适应全局阈值二值化方法,其特征在于,所述对灰度分布集合S进行过滤,具体为:跳过从开始位置的连续0值和从结尾开始的连续0值。
4.根据权利要求1所述的自适应全局阈值二值化方法,其特征在于,所述阈值T的初始值为Sv的第一个元素。
5.根据权利要求1所述的自适应全局阈值二值化方法,其特征在于,所述对使用最终的全局阈值T对图像进行分割,包括遍历图像所有像素,其像素值计为I_in[x,y],其中x,y为图像像素点的坐标,新图像对应坐标的像素值记为I_out[x,y]。
6.根据权利要求5所述的一自适应全局阈值二值化方法,其特征在于,在I_in[x,y]>T时,I_out[x,y]=255;在I_in[x,y]≦T时,I_out[x,y]=0。
7.根据权利要求1所述的自适应全局阈值二值化方法,其特征在于,在所述对灰度化后的图像计算其灰度分布前,还包括对灰度图像进行滤波降噪处理。
8.根据权利要求7所述的自适应全局阈值二值化方法,其特征在于,所述对灰度图像进行滤波降噪处理为:采用Sobel算子进行滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402641.9A CN111145193A (zh) | 2019-12-30 | 2019-12-30 | 一种自适应全局阈值二值化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911402641.9A CN111145193A (zh) | 2019-12-30 | 2019-12-30 | 一种自适应全局阈值二值化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111145193A true CN111145193A (zh) | 2020-05-12 |
Family
ID=70522229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911402641.9A Pending CN111145193A (zh) | 2019-12-30 | 2019-12-30 | 一种自适应全局阈值二值化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111145193A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986222A (zh) * | 2020-08-21 | 2020-11-24 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于自适应混合阈值的智能电表芯片图像二值化处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6335980B1 (en) * | 1997-07-25 | 2002-01-01 | Arch Development Corporation | Method and system for the segmentation of lung regions in lateral chest radiographs |
US20030031366A1 (en) * | 2001-07-31 | 2003-02-13 | Yulin Li | Image processing method and apparatus using self-adaptive binarization |
US20100158373A1 (en) * | 2008-12-18 | 2010-06-24 | Dalong Li | Methods and apparatus for auto image binarization |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN106127765A (zh) * | 2016-06-23 | 2016-11-16 | 成都神州数码索贝科技有限公司 | 基于自适应窗口和平滑阈值法的图像二值化系统 |
CN106446904A (zh) * | 2016-09-26 | 2017-02-22 | 四川长虹电器股份有限公司 | 基于全局二值化的图像识别方法 |
US9704057B1 (en) * | 2014-03-03 | 2017-07-11 | Accusoft Corporation | Methods and apparatus relating to image binarization |
-
2019
- 2019-12-30 CN CN201911402641.9A patent/CN111145193A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6335980B1 (en) * | 1997-07-25 | 2002-01-01 | Arch Development Corporation | Method and system for the segmentation of lung regions in lateral chest radiographs |
US20030031366A1 (en) * | 2001-07-31 | 2003-02-13 | Yulin Li | Image processing method and apparatus using self-adaptive binarization |
US20100158373A1 (en) * | 2008-12-18 | 2010-06-24 | Dalong Li | Methods and apparatus for auto image binarization |
US9704057B1 (en) * | 2014-03-03 | 2017-07-11 | Accusoft Corporation | Methods and apparatus relating to image binarization |
CN105303561A (zh) * | 2015-09-22 | 2016-02-03 | 成都融创智谷科技有限公司 | 一种图像预处理的灰度空间划分方法 |
CN106127765A (zh) * | 2016-06-23 | 2016-11-16 | 成都神州数码索贝科技有限公司 | 基于自适应窗口和平滑阈值法的图像二值化系统 |
CN106446904A (zh) * | 2016-09-26 | 2017-02-22 | 四川长虹电器股份有限公司 | 基于全局二值化的图像识别方法 |
Non-Patent Citations (1)
Title |
---|
仰望星空LIDAR: "几种基于直方图的图像全局二值化算法", pages 1 - 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111986222A (zh) * | 2020-08-21 | 2020-11-24 | 国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心) | 基于自适应混合阈值的智能电表芯片图像二值化处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107507173B (zh) | 一种全切片图像的无参考清晰度评估方法及系统 | |
CN109242853B (zh) | 一种基于图像处理的pcb缺陷智能检测方法 | |
CN109325922B (zh) | 一种图像自适应增强方法、装置及图像处理设备 | |
CN104796582B (zh) | 基于随机喷射retinex的视频图像去噪与增强方法及装置 | |
CN109584185B (zh) | 图像处理方法 | |
CN107085836B (zh) | 一种在运动物体检测中通用的鬼影消除方法 | |
CN110232670B (zh) | 一种基于高低频分离的图像视觉效果增强的方法 | |
CN110930327B (zh) | 基于级联深度残差网络的视频去噪方法 | |
CN109995964B (zh) | 图像数据处理方法及装置 | |
CN110751635B (zh) | 一种基于帧间差分和hsv颜色空间的口腔检测方法 | |
CN100367770C (zh) | 一种去除视频孤立噪声点的方法 | |
CN107256539B (zh) | 一种基于局部对比度的图像锐化方法 | |
CN110298796B (zh) | 基于改进Retinex与对数图像处理的低照度图像增强方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN111145193A (zh) | 一种自适应全局阈值二值化方法 | |
CN110545414B (zh) | 一种图像锐化方法 | |
CN110766614B (zh) | 一种无线扫描笔的图像预处理方法和系统 | |
CN110930358B (zh) | 一种基于自适应算法的太阳能面板图像处理方法 | |
CN111598794A (zh) | 一种去除水下重叠情况的图像成像方法及装置 | |
CN106446904A (zh) | 基于全局二值化的图像识别方法 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控系统 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN115008255A (zh) | 一种用于机床的刀具磨损识别方法及装置 | |
CN112887587B (zh) | 一种可进行无线连接的自适应图像数据快速传输方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |