幾種常用圖像分割算法自適應(yīng)性的分析比較

湯朋文 陶華敏 肖山竹 方求

摘要：本文重點(diǎn)研究全局閾值分割、Otsu閾值分割、最小誤差閾值分割三種圖像分割算法的自適應(yīng)能力，通過(guò)matlab仿真，對(duì)比三種圖像分割算法的分割結(jié)果。實(shí)驗(yàn)表明，當(dāng)物體和背景像素的灰度分布不是很明顯時(shí)，Otsu閾值分割要比全局閾值分割的自適應(yīng)能力強(qiáng)，當(dāng)光照不均勻，物體和背景的光照差異較大時(shí)，最小誤差閾值分割要比Otsu閾值分割的自適應(yīng)能力強(qiáng)。

關(guān)鍵詞：自適應(yīng) 圖像分割 全局閾值分割 Otsu閾值分割 最小誤差閾值分割

中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）05-0000-00

由于閾值處理直觀、實(shí)現(xiàn)簡(jiǎn)單、計(jì)算速度快，且便于理解，因此閾值處理在圖像分割領(lǐng)域得到了廣泛的研究與應(yīng)用。現(xiàn)已有很多種閾值分割算法，下面簡(jiǎn)要介紹全局閾值法[1]、最大類(lèi)間方差法[2] （Otsu 法）和最小誤差法[3]，對(duì)比算法的自適應(yīng)能力。

1 全局閾值分割

當(dāng)物體和背景的灰度分布很明顯時(shí)，可以使用對(duì)于整個(gè)圖像的全局閾值來(lái)分割圖像。全局閾值分割算法是一個(gè)迭代的過(guò)程，具體如下：

（1）為全局閾值T選擇一個(gè)初始估計(jì)值。

（2）用T分割該圖像，這將產(chǎn)生兩組像素：G1由灰度值大于T的所有像素組成，G2由所有小于等于T的像素組成。

（3）對(duì)G1和G2的像素分別計(jì)算平均灰度值m1和m2。

（4）計(jì)算一個(gè)新的閾值：

T = （m1+m2）/2

（5）重復(fù)步驟（2）到（4），直到連續(xù)迭代中的T值間的差小于一個(gè)預(yù)定義的參數(shù)△T為止。

2 Otsu閾值分割

當(dāng)物體和背景的灰度分布不是很明顯時(shí)，可以使用Otsu閾值法對(duì)于整個(gè)圖像進(jìn)行分割。Otsu閾值法根據(jù)像素灰度值將圖像分割成兩種類(lèi)型和類(lèi)。2006年，Ng等文獻(xiàn)[4]提出了強(qiáng)調(diào)最佳閾值位于谷底的Otsu閾值分割改進(jìn)算法，其目標(biāo)函數(shù)為：

其中為灰度圖像中灰度值為的像素點(diǎn)出現(xiàn)的概率，為和兩類(lèi)的類(lèi)間方差，和為和各自分布的概率， 和為和各自分布的均值。因此，最佳閾值為：

3 最小誤差閾值分割

4 實(shí)驗(yàn)與分析

MATLABf仿真結(jié)果1。如圖1所示，原圖顯示了聚合細(xì)胞的光學(xué)顯微鏡圖像；由于細(xì)胞和背景的灰度分布不明顯，全局閾值分割出的細(xì)胞整體都很模糊；Otsu閾值分割出的細(xì)胞整體比較清晰完整，但細(xì)胞邊緣有些擴(kuò)散；最小誤差閾值分割出的細(xì)胞整體很清晰完整，細(xì)胞邊緣輪廓很清晰；

MATLABf仿真結(jié)果2。如圖2所示，原圖顯示了可見(jiàn)光拍攝的房屋圖像；由于屋頂?shù)墓庹辗瓷洳痪鶆?，全局閾值分割出的屋頂沒(méi)有細(xì)節(jié)信息；Otsu閾值分割出的屋頂也沒(méi)有細(xì)節(jié)信息；最小誤差閾值分割出的屋頂整體很清晰完整，屋頂邊緣輪廓很清晰；

5 結(jié)語(yǔ)

本文重點(diǎn)研究全局閾值分割、Otsu閾值分割、最小誤差閾值分割三種圖像分割算法的自適應(yīng)能力，實(shí)驗(yàn)表明，當(dāng)物體和背景像素的灰度分布不是很明顯時(shí)，Otsu閾值分割要比全局閾值分割的自適應(yīng)能力強(qiáng)，當(dāng)光照不均勻，物體和背景的光照差異較大時(shí)，最小誤差閾值分割要比Otsu閾值分割的自適應(yīng)能力強(qiáng)。

參考文獻(xiàn)

[1]Rafael C. Gonzalez，Richard E. Woods. Digital Image Processing，Third Edition[M].電子工業(yè)出版社，2013：762-770.

[2] Otsu N. A threshold selection method from gray-level histograms[J]. Automatica， 1975， 11（285-296）：23-27.

[3] Kittler J， Illingworth J. Minimum error thresholding[J]. Pattern recognition， 1986， 19（1）：41-47.

[4]Ng HF.Automatic thresholding for defect detection[J]. Pattern Recognition Letters，2006，27（14）： 1644-1649.

[5] 汪啟偉.圖像直方圖特征及其應(yīng)用研究[D].中國(guó)科學(xué)技術(shù)大學(xué)，2014.

[6] 龍建武.圖像閾值分割關(guān)鍵技術(shù)研究[D].吉林大學(xué)，2014.