CN114067122A - 一种两级式二值化图像处理方法 - Google Patents

Abstract

本申请公开了一种抑制图像目标物过度分割的两级式二值化方法，所述方法至少包括以下步骤：获取所述灰度图像的二值化图像A和去除强信号的中间图像；对所述中间图像进行二值化处理，得到二值化图像B；将所述二值化图像A和所述二值化图像B叠加，即完成图像处理。本申请方法通过对原始灰度图像进行二值化处理，保留了原始灰度图像的强信号；通过去除原始灰度图像中的强信号，保留弱信号，并进一步放大弱信号；然后将两次处理的结果相叠加，即完成对于图像的处理，在有效分离前景目标物和图像背景的同时，保证了图像中的目标物的完整性，抑制了图像中的目标物被过度分隔，大大提高了后续图像识别工作的效率和准确性。

Description

一种两级式二值化图像处理方法

技术领域

本申请涉及一种两级式二值化图像处理方法，属于图像处理领域。

背景技术

近年来图像识别技术被广泛地应用在各个领域，作为一种识别或检测数字图像中的物体或属性的过程，图像的二值化处理是整个图像识别的前期核心步骤。在复杂环境成像条件下，图像的质量较差，对比度较低，背景杂质含量高，这导致传统的二值化过程无法有效地将前景目标物和图像背景进行分离，最常见也是最重要的问题是图像的目标物被过度分割问题，严重影响整个图像识别过程的后续效率和准确性。

以水下浮游生物识别为例，在对浮游生物成像仪（Planktonscope）拍摄的水下浮游生物原位图像，进行浮游生物的图像识别过程中经常遇到识别结果不准的问题。主要的原因是对原位图像二值化处理的难度较大，一方面水体浊度较高时，图像的灰度值过低，对比度较差；另一方面作为目标物的浮游生物主体多为半通明状态，其灰度分布范围广，这导致目标物中较弱的信号在二值化过程中被强信号抑制，目标物的主体部分不连续，导致后续的图像过度分割，图像特征提取信息不够准确，影响最终的分类结果。

因此，有必要研究在图像处理中，如何抑制图像目标物被过度分割，以提高图像特征提取信息的准确度。

发明内容

本申请提供了一种两级式二值化图形处理方法，该方法通过对图像中的弱信号进行优化提取，达到图像识别过程中抑制目标物被过度分割效果。

所述两级式二值化图像处理方法，至少包括以下步骤：

步骤1、读取原始灰度图像；

步骤2、获取所述灰度图像的二值化图像A和去除强信号的中间图像；

步骤3、对所述中间图像进行二值化处理，得到二值化图像B；

步骤4、将所述二值化图像A和所述二值化图像B叠加，即完成图像处理，得到最终的二值化图像。

可选地，所述二值化图像A或所述二值化图像B的获取方法包括：

1）计算所述灰度图像或所述中间图像每一个像素点的灰度阈值；

2）比较所述灰度图像或所述中间图像中，每一个像素点的灰度值与各自像素点的灰度阈值，计算二值化结果，得到对应的二值化图像，即所述二值化图像A或所述二值化图像B。

可选地，所述步骤1）包括：

1.1）假定当前像素点的坐标为(x,y)，以该点为中心的邻域为r×r，G(x,y)表示(x,y)处的灰度值，计算邻域内的灰度均值M(x,y)和标准差S(x,y)，表达式分别为：

M(x,y) =

（1）

S(x,y) =

（2）

其中，r表示邻域边长，i和j分别表示邻域内任意一点的横纵坐标；

1.2）计算像素点(x,y)的阈值T(x,y)：

T(x, y) = M(x, y)

（3）

其中，R是标准差的动态范围；k是修正参数，k的范围为(0,1)。

可选地，所述r取值范围为所述灰度图像或所述中间图像长边的十分之一到三十分之一；

所述中间图像的像素点阈值计算中采用的修正参数小于所述灰度图像的像素点阈值计算中采用的修正参数。

可选地，所述二值化结果的计算表达式为：

B

（4）。

可选地，所述步骤2中，中间图像的获取方法包括：

1）计算所述灰度图像每一个像素点的灰度阈值；

2）比较所述灰度图像中，每一个像素点的灰度值与各自像素点的灰度阈值，弱信号像素点取原值，强信号的像素点值被其邻域内的灰度均值M(x,y)替代，得到去除强信号的中间图像，计算表达式为：

（5）

其中，G(x,y)表示像素点(x,y)处的灰度值；T(x,y)表示像素点(x,y)的阈值。

可选地，所述灰度图像的像素点阈值计算中采用的修正参数的优化方法为：

1）确定灰度图像中最小目标物的尺寸；

2）基于所述最小目标物的尺寸，计算灰度图像的图像承载力C；

选取不同的修正参数k值，对所述二值化图像A进行框取，统计目标物框的个数q；

则使q值小于图像承载力C的最小k值即为k的最优值。

可选地，所述图像承载力C的计算表达式为：

C =

（6）

其中，m×n表示最小目标物的尺寸；M×N表示灰度图像的尺寸。

可选地，所述中间图像的像素点阈值计算中采用的修正参数的优化方法为：

选取不同修正参数k＇值，对所述二值化图像B进行框取，统计目标物框的个数q＇；

计算所述二值化图像B的完整性I；

则使I值最大的k＇值即为k＇的最优值。

可选地，所述完整性I的计算表达式为：

I =

（6）

其中，q＇表示最终二值化图像被分割的个数。

本申请能产生的有益效果包括：

1）本申请所提供的两级式二值化图像处理方法，一方面，通过对原始灰度图像进行二值化处理，保留了原始灰度图像的强信号；另一方面，通过去除原始灰度图像中的强信号，保留弱信号，并进一步放大弱信号；然后将两次处理的结果相叠加，即完成对于图像的处理，在有效分离前景目标物和图像背景的同时，保证了图像中的目标物的完整性，抑制了图像中的目标物被过度分隔，大大提高了后续图像识别工作的效率和准确性。

2）本申请所提供的两级式二值化图像处理方法，通过对灰度图像中强信号的识别，并制定有效的替换策略，有效提取了图像中的弱信号。

3）本申请所提供的两级式二值化图像处理方法，通过确定合适的窗口大小，对阈值参数进行优化，避免了图像中目标物信息的丢失，减少了二值化处理结果的噪声。

附图说明

图1为本申请两级式二值化图形处理方法的流程示意图；

图2为本申请实施例1中待处理灰度图像；

图3为本申请实施例1中选定的最小的目标物的图像；

图4为本申请实施例1中产生的二值化图像A；

图5为本申请实施例1中产生的中间图像；

图6为本申请实施例1中产生的二值化图像B；

图7为本申请实施例1中产生的最终的二值化图像。

具体实施方式

下面结合实施例详述本申请，但本申请并不局限于这些实施例。

本申请提供了一种两级式二值化图形处理方法，如图1所示，包括以下步骤：

步骤1：读取原始的灰度图像；

步骤2：利用Sauvola算法对所述灰度图像进行二值化处理，Sauvola的算法是一种自适应局部阈值化的二值化方法。具体为：

2.1）计算每一个像素点的灰度阈值

2.1.1）假定当前像素点的坐标为(x,y)，以该点为中心的邻域为r×r，G(x,y)表示(x,y)处的灰度值，计算r×r邻域内的灰度均值M(x,y)和标准差S(x,y)，表达式分别为：

M(x,y) =

（1）

S(x,y) =

（2）

其中，r表示邻域边长，i和j分别表示邻域内任意一点的横纵坐标；

2.1.2）计算像素点(x,y)的阈值T(x,y)：

T(x, y) = M(x, y)

（3）

其中，R是标准差的动态范围，若当前输入图像为8位灰度图像，则R=128；k是修正参数，k的范围为(0,1)。

2.2）比较所述灰度图像中，每一个像素点的灰度值与各自像素点的灰度阈值，计算二值化结果，得到二值化图像A；二值化结果的计算表达式为：

B₁

（4）。

B₁(x, y)表示二值化图像A像素点(x, y)的灰度值。

2.3）基于所述灰度阈值，将大于所述灰度阈值的像素点替换为灰度均值，即去除所述灰度图像中的强信号，具体为：

比较所述灰度图像中，每一个像素点的灰度值与各自像素点的灰度阈值，弱信号像素点取原值，强信号的像素点值被其邻域内的灰度均值M(x,y)替代，得到去除强信号的中间图像，计算表达式为：

（5）。

步骤3、读取步骤2.3）得到所述中间图像，利用Sauvola算法对所述中间图像进行二值化处理，得到二值化图像B，具体为：

3.1）计算中间图像每一个像素点的灰度阈值

3.1.1）假定当前像素点的坐标为(x,y)，以该点为中心的邻域为r×r，H(x,y)表示所述中间图像(x,y)处的灰度值，计算r×r邻域内的灰度均值M＇(x,y)和标准差S＇(x,y)，表达式分别为：

M

(x,y) =

（6）

S

(x,y) =

（7）

其中，r表示邻域边长，i和j分别表示邻域内任意一点的横纵坐标；

3.1.2）计算像素点(x,y)的阈值T＇(x,y)

T＇(x,y) = M＇(x,y)

（8）

其中R是标准差的动态范围，若当前输入图像为8位灰度图像，则R=128；k＇是修正参数，0＜k＇＜1，且k＇＜k。

3.2）比较所述中间图像中，每一个像素点的灰度值与各自像素点的灰度阈值，计算二值化结果，得到二值化图像B；二值化结果的计算表达式为：

B₂

（9）

B₂(x,y)表示二值化图像B像素点(x, y)的灰度值。

步骤4、将所述二值化图像A和所述二值化图像B叠加，保留两个二值化图像的所有强信号，得出最终的二值化图像。叠加的计算方法表达式如下：

B₃(x,y) = B₁(x,y)

B₂(x,y) （10）。

为了确保二值化处理后图像的质量，应当选定合适的邻域范围，并对修正系数进行优化。

本申请中邻域边长r的取值范围为所述灰度图像或所述中间图像长边的十分之一到三十分之一，优选地，邻域边长r为所述灰度图像或所述中间图像长边的二十分之一。r即为本领域中的窗口尺寸。

其中，修正参数k值的优化方法包括下面四个步骤：

1）确定灰度图像中最小目标物的尺寸(m×n)；

2）确定图像承载力C，即为灰度图像能够容纳最小目标物数量的值：

假定完整的灰度图像大小为(M×N)，灰度图像承载最小目标物的最大能力C的计算表达式如下：

C =

（11）

3）选取不同的修正参数k值，对所述二值化图像A进行框取，统计目标物框的个数q；

则使q值小于图像承载力C的最小k值即为k的最优值；

最优值k_p的的计算表达式如下：

k_p= min(k | n<C) （12）

其中，修正参数k＇值的优化方法包括下面三个步骤：

选取不同修正参数k＇值，对所述二值化图像B进行框取，统计目标物框的个数q＇；

计算所述二值化图像B的完整性I，表达式如下：

I =

（6）

则使I值最大的k＇值即为k＇的最优值。

实施例1

采用本申请方法对图2所示的浮游生物灰度图像进行处理，灰度图像的大小为2592×1944pixel，窗口的大小约为长边的二十分之一，窗口的大小设定为100×100pixel。

选定图2中的最小目标物为桡足类，尺寸大小为70×70pixel，如图3所示。

计算灰度图的承载能力：C= (2592×1944) ÷ (70×70)≈1028。

对修正参数k进行优化，确定最优k值为0.35，对图2进行二值化处理，得到二值化图像A（如图4所示）。图4是第一次二值化处理过后得到的二值化图像，可以看出图4中提取了图2中信号强的像素点。

对图2中的强信号进行替换，得到中间图像（如图5所示）。图5是将图2中的强信号像素点利用周围100×100pixel邻域内灰度均值代替后得到的图像，是第二次二值化所需要的使用的图像。可以看出，相比于图2，图5中强信号明显变弱，整个图像中的目标物像素更趋于均匀化。

对图5进行二值化处理，设定窗口的大小为100×100pixel，并对阈值计算中的修正参数k＇进行优化，确定最优的k＇值为0.15。得到二值化图像B（如图6所示）。图6是第二次二值化处理过后得到的二值化图像，可以看出，图6展示出图4所没有展现出的细节像素内容，包含了弱信号的目标物。

将图4和图6合并，得到最终的二值化图像（如图7所示）。图7的每一个像素点是图4和图6对应位置像素点的灰度值做或处理得到的二值化图形，从图7可以看出，其基本完整保留了灰度图中的目标物信息，图像清晰、准确。相比于简单的对灰度图进行依次二值化处理，最大限度的保持了图像特性信息，抑制了图像目标物的过度分隔。

以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (10)

1.一种两级式二值化图像处理方法，其特征在于，所述方法至少包括以下步骤：

步骤1、读取原始灰度图像；

步骤2、获取所述灰度图像的二值化图像A和去除强信号的中间图像；

步骤3、对所述中间图像进行二值化处理，得到二值化图像B；

步骤4、将所述二值化图像A和所述二值化图像B叠加，即完成图像处理，得到最终的二值化图像。

2.根据权利要求1所述的图像处理方法，其特征在于，所述二值化图像A或所述二值化图像B的获取方法包括：

1）计算所述灰度图像或所述中间图像每一个像素点的灰度阈值；

2）比较所述灰度图像或所述中间图像中，每一个像素点的灰度值与各自像素点的灰度阈值，计算二值化结果，得到对应的二值化图像，即所述二值化图像A或所述二值化图像B。

3.根据权利要求2所述的图像处理方法，其特征在于，所述步骤1）包括：

1.1）假定当前像素点的坐标为(x,y)，以该点为中心的邻域为r×r，G(x,y)表示(x,y)处的灰度值，计算邻域内的灰度均值M(x,y)和标准差S(x,y)，表达式分别为：

M(x,y) =

（1）

S(x,y) =

（2）

其中，r表示邻域边长，i和j分别表示邻域内任意一点的横纵坐标；

1.2）计算像素点(x,y)的阈值T(x,y)：

T(x, y) = M(x, y)

（3）

其中，R是标准差的动态范围；k是修正参数，k的范围为(0,1)。

4.根据权利要求3所述的图像处理方法，其特征在于，所述r取值范围为所述灰度图像或所述中间图像长边的十分之一到三十分之一；

所述中间图像的像素点阈值计算中采用的修正参数小于所述灰度图像的像素点阈值计算中采用的修正参数。

5.根据权利要求3所述的图像处理方法，其特征在于，所述二值化结果的计算表达式为：

B

（4）。

6.根据权利要求2所述的图像处理方法，其特征在于，所述步骤2中，中间图像的获取方法包括：

1）计算所述灰度图像每一个像素点的灰度阈值；

2）比较所述灰度图像中，每一个像素点的灰度值与各自像素点的灰度阈值，弱信号像素点取原值，强信号的像素点值被其邻域内的灰度均值M(x,y)替代，得到去除强信号的中间图像，计算表达式为：

（5）

其中，G(x,y)表示像素点(x,y)处的灰度值；T(x,y)表示像素点(x,y)的阈值。

7.根据权利要求3所述的图像处理方法，其特征在于，所述灰度图像的像素点阈值计算中采用的修正参数的优化方法为：

1）确定灰度图像中最小目标物的尺寸；

2）基于所述最小目标物的尺寸，计算灰度图像的图像承载力C；

选取不同的修正参数k值，对所述二值化图像A进行框取，统计目标物框的个数q；

则使q值小于图像承载力C的最小k值即为k的最优值。

8.根据权利要求7所述的图像处理方法，其特征在于，所述图像承载力C的计算表达式为：

C =

（6）

其中，m×n表示最小目标物的尺寸；M×N表示灰度图像的尺寸。

9.根据权利要求3所述的图像处理方法，其特征在于，所述中间图像的像素点阈值计算中采用的修正参数的优化方法为：

选取不同修正参数k＇值，对所述二值化图像B进行框取，统计目标物框的个数q＇；

计算所述二值化图像B的完整性I；

则使I值最大的k＇值即为k＇的最优值。

10.根据权利要求9所述的图像处理方法，其特征在于，所述完整性I的计算表达式为：

I =

（6）

其中，q＇表示最终的二值化图像被分割的个数。

Images