基于誤差擴散的圖像二值化

焦 雪，張樹功

（吉林大學 數(shù)學研究所，長春 130012）

圖像二值化是圖像處理的基本技術(shù)，與灰度圖相比，二值圖像的傳輸與存儲更方便，因此二值圖廣泛應用于傳真、印刷和圖像數(shù)據(jù)的壓縮存儲等領(lǐng)域.目前，關(guān)于圖像二值化的研究方法主要分為6類：基于直方圖的二值化、基于聚類思想的二值化、基于熵的二值化、基于目標屬性相似度的二值化、基于空間的二值化和局部自適應方法［1－2］.雖然多數(shù)二值化算法可將圖像很好地壓縮，但二值后的圖像較原灰度圖會丟失很多重要信息，不能很好地保留原始圖像的細節(jié)特征，視覺效果較差.與通常的二值化方法不同，誤差擴散算法是一種相鄰點過程的半色調(diào)化算法，通過量化誤差的局部擴散，達到使二值圖像可再現(xiàn)連續(xù)色調(diào)灰度圖像的目的.目前，關(guān)于誤差擴散方法及其改進的研究已有許多結(jié)果，如基于LUT表的誤差擴散方法［3］、Ostromoukhov［4］提出的簡單有效誤差擴散算法和變系數(shù)誤差擴散算法等［5－10］.本文對傳統(tǒng)誤差擴散算法進行改進，將其思想應用于圖像二值化中，使二值圖像中像素點呈各向異性無規(guī)律分布，盡可能保留原灰度圖像中包含重要特征的區(qū)域，從而增強圖像的整體對比度和細節(jié)再現(xiàn)能力，提高圖像的主觀視覺效果.

1 傳統(tǒng)誤差擴散算法

誤差擴散法的思想［11］是先用閾值對圖像中的像素進行量化，得到一個二值輸出，然后將當前像素點的量化誤差按一定比例擴散到鄰近像素上，使局部量化誤差在相鄰像素上得到補償.

設Q（·）為閾值量化器；u（m，n）是該灰度值與部分量化誤差的和，當u（m，n）大于閾值時，值為1，否則值為0；e（m，n）為量化誤差；f為輸入信號.對u（m，n）進行閾值處理可得到二值信號b（m，n），誤差擴散濾波器的系數(shù)為h（k，l），且有誤差擴散框架如圖1所示.

圖1 誤差擴散框架Fig.1 Error diffusion framework

令f（m，n）為輸入圖像像素點的像素值，e（m，n）為量化誤差值，h（k，l）為濾波器系數(shù)，b（m，n）為輸出像素值，T為閾值（通常取為127或128），則誤差擴散原理表達式為

傳統(tǒng)誤差擴散的優(yōu)點是將自身的量化誤差向領(lǐng)域擴散，因此使系統(tǒng)具有自我校正能力，得到的二值圖像效果較好，層次豐富，像素點呈各向異性分布.但二值圖像中會有明顯的龜紋，出現(xiàn)與處理方向有關(guān)的滯后現(xiàn)像，且噪聲較多，邊緣不清晰.為了克服這些缺點，本文進行如下改進：

1）掃描路徑.傳統(tǒng)誤差擴散采用從左到右逐行處理每個像素，二值結(jié)果中會出現(xiàn)明顯的拖尾現(xiàn)象.本文采用蛇形掃描方式對該現(xiàn)象進行改進.

2）閾值的選取.傳統(tǒng)誤差擴散采用單一閾值（127或128），會直接影響最終的二值圖像質(zhì)量.本文將局部信息與整體信息相結(jié)合，采用動態(tài)選取閾值的方法.

3）為了改善誤差擴散固有的龜紋現(xiàn)象，本文利用掩模將分布規(guī)則的像素打散，使視覺效果更好.

實驗結(jié)果表明，用該方法處理后的二值圖像再現(xiàn)原灰度圖像細節(jié)能力更強，層次感更豐富.

2 改進誤差擴散方法

下面對“質(zhì)量較差”圖像與“質(zhì)量較好”圖像分別進行討論，根據(jù)這兩類圖像的特點分別提出相應的誤差擴散算法，并結(jié)合人眼的視覺特性對圖像進行灰度級分析.

2.1 灰度級分析

實驗表明，在像素總數(shù)固定、黑點個數(shù)相等的前提下，黑白點均勻分布與黑白點不均勻分布有不同效果，即在一定條件下，灰度級可用黑白像素的均勻分布逼近.分析時先把0～255個灰度級映射到0～1的范圍內(nèi)，將［0，1］區(qū)間等距劃分.設由上述方法得到的二值圖像為f，像素（m，n）的灰度值記為f（m，n），統(tǒng)計以其為中心的3×3鄰域中黑點所占的比例R，進而確定R所在的區(qū)間.黑白像素在一定條件下可逼近某一灰度級，因此，R可視為當前區(qū)域灰度的代表元.實驗表明，圖像通常并不需要包含所有的灰度級，灰度級范圍只需覆蓋0.1～0.8，此時圖像的細節(jié)部分較清晰，人眼視覺效果較舒服.

2.2 質(zhì)量較差圖像

質(zhì)量較差圖像是指圖像存在整體偏暗，灰度主要集中在兩端，有背景的紋理干擾及光照不均勻等問題，如圖2所示，其灰度級分布如圖3所示.

下面給出改進的誤差擴散算法.

1）圖像預處理.設（m，n）為當前圖像中元素的位置，f（m，n）為其灰度值，對以（m，n）為中心3×3鄰域中的9個像素灰度值進行排序，令max表示最大灰度，min表示最小灰度，若

圖2 質(zhì)量較差圖像Fig.2 Poor quality image

圖3 圖2的灰度級分布Fig.3 Gray scale distribution of Fig.2

2）誤差擴散.

確定閾值：傳統(tǒng)誤差擴散算法的閾值量化器Q（·）中量化閾值T為常數(shù)127或128.若對所有圖像都使用同一閾值，顯然在對不同圖像進行處理時會有一定的不合理性.本文對于閾值的選擇不再是一個常值，而是根據(jù)圖像的局部與整體信息，動態(tài)選擇閾值，使不同像素點的閾值不同，進而改善處理后的圖像視覺效果，閾值T為

其中：AVE為整幅圖的灰度均值；P為以（m，n）為中心3×3鄰域的灰度均值；M為該鄰域的中值.

誤差擴散矩陣的選擇：在誤差擴散過程中，通過誤差擴散矩陣將量化誤差向其鄰近元素進行傳播，因此誤差擴散矩陣H的選取對最終二值圖像的質(zhì)量有直接影響.

所有權(quán)值均為正數(shù)且總和為1的濾波器可視為一個低通濾波器，若把濾波處理視為一個加權(quán)求和，則誤差擴散是以一種加權(quán)形式使輸入與輸出之間的誤差最小.

為了更好地體現(xiàn)圖像的特征及灰度層次感，經(jīng)過實驗，當f（m，n）＜T時，將誤差擴散矩陣選為

掃描順序：掃描順序即濾波器的前進方式，傳統(tǒng)誤差擴散中通常使用光柵掃描，因此二值圖像中多會出現(xiàn)與方向有關(guān)的紋理，目前對掃描方法的改進有很多種，特別對質(zhì)量較差的圖像，圖像中輪廓的提取尤為重要，因此采用蛇形掃描路徑從圖像的第一個像素開始，從左到右再自右向左、自上而下，依次處理每個像素點.

3）加掩模處理.由于誤差擴散算法本身的缺陷，使被處理后的像素在其領(lǐng)域中會反饋出相應的紋理信息.經(jīng)常出現(xiàn)的紋理主要有兩種：豎紋及與方向有關(guān)的斜紋.為進一步去除二值圖像中的局部紋理現(xiàn)像，使之平坦，可使用圖4和圖5中給出的掩模將局部紋理打散，改善這種現(xiàn)象，該方法簡單易行且處理效果較好.

2.3 質(zhì)量較好圖像

一般常見的灰度圖像質(zhì)量都是較好的，對于這些圖像，先對其進行預處理，即按其灰度分布進行分類，再使用本文提出的誤差擴散方法進行處理.

1）誤差擴散.

確定閾值：對于質(zhì)量較好的圖像，閾值的選取相比于質(zhì)量較差的圖像有所不同，對每幅灰度圖，全局均值A(chǔ)VE相對于圖像是一個內(nèi)蘊性質(zhì)，可以將其視為全局的灰度“基調(diào)”，因此閾值T取為

其中：max為3×3鄰域的最大值；MAX與MIN分別為圖像灰度值的最大值與最小值.

圖4 第一對掩模Fig.4 The first pair of mask

圖5 第二對掩模Fig.5 The second pair of mask

誤差擴散矩陣的選擇：對于質(zhì)量較好的圖像，由于其自身層次分明，對比度較強，因此在處理時黑白點可同等對待.當f（m，n）≥T時，將誤差擴散矩陣選為

當f（m，n）＜T時，將誤差擴散矩陣選為

掃描順序：實驗表明，對于好質(zhì)量的圖像，在基于本文閾值及所選取的誤差擴散矩陣前提下，采用傳統(tǒng)誤差擴散中逐行掃描的方式進行處理效果較蛇形掃描更好.

2）加掩模處理.由于采用逐行掃描，所以易于在光線較亮與較暗的部位出現(xiàn)龜紋現(xiàn)象及與處理方向有關(guān)的滯后現(xiàn)象.為了減少誤差擴散導致的紋理，與質(zhì)量較差圖像一樣可加上兩對掩模改善結(jié)果.此外，若減少灰度級增加對比度，可將灰度范圍進行非線性變化，通常6或7個灰度級效果最好.

3 實驗結(jié)果與分析

質(zhì)量較差圖像和質(zhì)量較好圖像的實驗結(jié)果分別如圖6和圖7所示.

圖6 質(zhì)量較差圖像實驗結(jié)果對比Fig.6 Comparison of low quality images based on different methods

由圖6和圖7可見，本文方法較通常的二值化算法在二值結(jié)果上有明顯不同.常見的二值化算法只是單純地將圖像分割成目標區(qū)域與背景區(qū)域兩部分，二值后的結(jié)果不能充分體現(xiàn)圖像的細節(jié)部分，層次感欠缺，不能很好地保留原圖像的重要特征；本文方法則可以使最后得到的二值圖再現(xiàn)連續(xù)調(diào)的灰度圖像，與傳統(tǒng)誤差擴散方法相比，受噪聲干擾較小，減少了結(jié)構(gòu)性紋理，局部對比度強，整體視覺效果更接近原始圖像.此外，對多幅圖像所占的存儲量進行比較表明，通常情況下壓縮率可達30%以上，實現(xiàn)了利用較小的存儲量盡可能多的保存原灰度細節(jié)信息.

圖7 質(zhì)量較好圖像實驗結(jié)果對比Fig.7 Comparison of better quality images based on different methods

［1］Chou C H，Lin W H，Chang F.A Binarization Method with Learning－Built Rules for Document Images Produced by Cameras［J］.Pattern Recognition，2010，43（4）：1518－1530.

［2］Sezgin M，Sankur B.Survey over Image Thresholding Techniques and Quantitative Performance Evaluation［J］.Journal of Electronic Imaging，2004，13（1）：146－168.

［3］Lee H S，Kim C W.A Look－Up Table Based Error Diffusion Algorithm for Dynamic False Contour Reduction of Plasma Display Panels［J］.Journal of Information Display，2001，2（2）：32－38.

［4］Ostromoukhov V.A Simple and Efficient Error－Diffusion Algorithm ［C］／／Proceedings of the 28th Annual Conference on Computer Graphics and Interactive Techniques.New York：ACM，2001：567－572.

［5］Hwang B W，Kang T H，Lee T S.Improved Edge Enhanced Error Diffusion Based on First－Order Gradient Shaping Filter ［C］／／Proceedings of the 17th International Conference on Innovations in Applied Artificial Intelligence.Berlin：Springer－Verlag，2004：473－482.

［6］Kwak N J，Ryu S P，Ahn J H.Edge－Enhanced Error Diffusion Halftoning Using Human Visual Properties［C］／／ICHIT：Proceedings of the 2006International Conference on Hybrid Information Technology.Piscataway：IEEE Computer Society，2006：499－504.

［7］PANG Waiman，QU Yingge，Wong T T，et al.Structure－Aware Halftoning ［J］.ACM Transactions on Graphics，2008，27（3）：89.

［8］Kang I K，Arce G R，Lee H K.Color Extended Visual Cryptography Using Error Diffusion［J］.IEEE Trans on Image Processing，2011，20（1）：132－145.

［9］ZHU Zhongjie，WANG Yu’er，JIANG Gangyi.On Perceptually Consistent Image Binarization ［J］.Signal Processing Letters，2013，20（1）：3－6.

［10］Fung Y H，Chan Y H.Optimizing the Error Diffusion Filter for Blue Noise Halftoning with Multiscale Error Diffusion［J］.IEEE Trans on Image Processing，2013，22（1）：413－417.

［11］Floyd R W，Steinberg L.An Adaptive Algorithm for Spatial Greyscale ［J］.Proceedings of the Society for Information Display，1976，17：75－77.