非均勻光照條件下局部閾值分割算法研究

李汶軒，張?jiān)谱簦鬯?

(石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043)

0 引言

隨著社會(huì)科學(xué)技術(shù)的飛速發(fā)展，信息化成為社會(huì)發(fā)展的必要趨勢(shì)，圖像能夠給人最為生動(dòng)直觀的信息，利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理變得尤為重要。由于工業(yè)外部環(huán)境復(fù)雜，光照不均勻，含有噪聲等情況，傳統(tǒng)的閾值分割已不能滿足工業(yè)需求。本文研究的是非均勻光照條件下的局部閾值分割算法,是根據(jù)圖像局部灰度直方圖的特征，來(lái)選擇適合的局部分割算法。該算法在一定程度上能夠克服傳統(tǒng)閾值分割算法在光照不均勻，含有噪聲等情況下對(duì)局部信息選取不足，造成閾值選取不當(dāng)?shù)娜毕荨?/p>

1 基礎(chǔ)理論

1.1 自適應(yīng)中值濾波

自適應(yīng)中值濾波[1-4]是一種平滑的非線性的技術(shù)，其基于排序理論，可以抑制噪聲，是數(shù)字圖像預(yù)處理的一種重要技術(shù)，自適應(yīng)中值濾波算法的基本原理是把數(shù)字序列或圖像中的一點(diǎn)的灰度值用該點(diǎn)的周圍鄰域各點(diǎn)的灰度的中值來(lái)代替，如公式（1），其中 (, )f i j 為原灰度值， ( , )g x y 為濾波后灰度值，k 為窗口寬度，這樣便會(huì)消除孤立的噪聲點(diǎn)。中值濾波是常用的經(jīng)典的平滑噪聲和邊緣的方法，可以用來(lái)保護(hù)邊緣信息，也可以用來(lái)消除椒鹽噪聲等。

1.2 圖像閾值分割

閾值的分割，是根據(jù)圖像的灰度直方圖灰度的分布特性將圖像進(jìn)行分割。根據(jù)直方圖選擇合適的分割閾值，大于閾值的歸為一類區(qū)域，小于閾值的歸為另一類。閾值分割方法計(jì)算簡(jiǎn)單，速度較快，執(zhí)行效率高。

2 局部自適應(yīng)分割算法

當(dāng)圖像灰度直方圖為單峰時(shí)，全局閾值很難達(dá)到分割的目的。局部自適應(yīng)分割[2-3]算法便能較為理想的解決這一問(wèn)題，它會(huì)根據(jù)全局閾值沒(méi)有考慮到局部圖像特征來(lái)對(duì)每一個(gè)像素點(diǎn)的閾值進(jìn)行計(jì)算，算法步驟如下：

（1）選擇大小為n*n（一般情況為奇數(shù)）的窗口，窗口從左上角依次遍歷目標(biāo)圖像，并計(jì)算窗口內(nèi)像素點(diǎn)的均值[5]。

（2）根據(jù)需要選擇一個(gè)適合的微調(diào)量[6]，讓步驟（1）中求出的均值減去這個(gè)微調(diào)量。所得的結(jié)果即為該點(diǎn)的閾值，如公式（2），其中T 為該像素點(diǎn)的閾值，Z 為個(gè)像素點(diǎn)的灰度值，d 為微調(diào)量。

（3）圖像遍歷結(jié)束便可得到一個(gè)閾值矩陣。利用得到的閾值矩陣對(duì)圖像進(jìn)行分割，圖像邊緣忽略不計(jì)可全部賦值為0。

3 本文Otsu 算法的改進(jìn)

當(dāng)圖像光照不均勻時(shí)，由于全局閾值分割不能夠充分考慮到圖像的局部特征，針對(duì)這一問(wèn)題，本文首先對(duì)Otsu[7-8]算法進(jìn)行了改進(jìn)，將圖像分成多個(gè)子圖像后，根據(jù)每個(gè)子圖像的灰度特征選擇子圖像合適的閾值，算法實(shí)現(xiàn)如下：

（1）利用中值濾波對(duì)原圖像進(jìn)行去噪處理。

（2）將圖像分割成n*m 個(gè)小塊，將強(qiáng)光照部分和暗光照部分分離開(kāi)來(lái)，分別對(duì)每一塊使用Otsu算法求閾值[9-10]，使每個(gè)閾值的選取都充分考慮到局部特征。

（3）對(duì)灰度圖像分為n*m 個(gè)小圖像，若長(zhǎng)度或高度不能平均分配，則將余數(shù)平均分配給前邊的小圖像。

（4）對(duì)于每個(gè)小圖像使用Otsu 算法來(lái)尋找對(duì)應(yīng)的閾值，從而得到一個(gè)n*m 的閾值矩陣。

（5）使用插值的方法來(lái)保證每個(gè)小圖像之間由于閾值不連續(xù)而產(chǎn)生的分塊問(wèn)題。將步驟（2）計(jì)算出來(lái)的閾值分別賦值給每一個(gè)小圖像的左上角第一個(gè)像素點(diǎn)。計(jì)算其右邊小塊的閾值與該閾值的差d，并讓該像素點(diǎn)后的每個(gè)像素點(diǎn)分別加上，l 為子圖像的寬，使閾值矩陣的寬得到擴(kuò)充，如圖1，并用相同的方法擴(kuò)充閾值矩陣的高。最后一列和最后一行的圖像小塊區(qū)域每一行等于該行最后一個(gè)閾值，每一列等于該列最后一個(gè)閾值。于是便可以得到一個(gè)與原圖像相同大小的閾值矩陣。并用得到的閾值矩陣進(jìn)行圖像分割[11]。

圖1 插值法示意圖 Fig.1 Schematic diagram of interpolation

4 本文算法的結(jié)合

4.1 算法原理

在實(shí)際的圖像閾值分割過(guò)程中，2 中局部自適應(yīng)閾值分割適于分割圖像灰度直方圖為單峰的情況，對(duì)圖像細(xì)節(jié)分割較好，但是圖像的整體分割效果不佳；3 中的改進(jìn)的算法能夠較為理想的分割光照不均勻的圖像，但是對(duì)于某些局部圖像直方圖為單峰時(shí)會(huì)將前后景錯(cuò)分，細(xì)節(jié)分割效果不理想；所以本文根據(jù)圖像局部灰度直方圖特征對(duì)以上兩種算法進(jìn)行了結(jié)合，算法實(shí)現(xiàn)步驟 如下：

（1）將圖像分成n*n 個(gè)小圖像，并求得每個(gè)小圖像的灰度直方圖。

（2）判斷直方圖是否為單峰。

（3）根據(jù)步驟（2）所得的結(jié)果來(lái)確定小圖像所適合的閾值分割算法。

4.2 算法實(shí)現(xiàn)

算法結(jié)合流程如圖2 所示。

圖2 算法流程圖 Fig.2 Algorithm flow chart

5 實(shí)驗(yàn)結(jié)果及分析

2 中局部自適應(yīng)算法，3 中本文對(duì)Otsu 算法的改進(jìn)以及4 中本文對(duì)以上兩種算法的結(jié)合的分割結(jié)果如下所示。

圖3 原圖a Fig.3 Original image a

圖4 原圖b Fig.4 Original image b

圖5 局部自適應(yīng)a Fig.5 Local adaptation a

圖6 局部自適應(yīng)b Fig.6 Local adaptation b

圖7 Otsu 的改進(jìn)a Fig.7 Otsu's improvement a

圖8 Otsu 的改進(jìn)b Fig.8 Otsu's improvement b

圖9 算法結(jié)合a Fig.9 Algorithm combination a

圖10 算法結(jié)合b Fig.10 Algorithm combination b

通過(guò)以上分割結(jié)果的對(duì)比，可以清晰的看到，局部自適應(yīng)分割算法對(duì)于文本圖像這種細(xì)節(jié)較多的圖像具有較好的分割效果，但是圖像分割的整體效果不佳；3 中對(duì)于Otsu 改進(jìn)的算法能夠比較好的分割出光照不均勻的圖像，但是對(duì)于光照不均勻且注重細(xì)節(jié)的文本圖像來(lái)說(shuō)，分割效果不佳。而本文對(duì)于兩種算法結(jié)合的方法，汲取了兩種算法的優(yōu)勢(shì)，能夠?qū)煞N類型的圖像都進(jìn)行較為理想的分割，具有更加廣泛的應(yīng)用價(jià)值。

6 結(jié)論

該文分析局部自適應(yīng)分割算法和Otsu 分割算法的優(yōu)劣，利用子圖像灰度直方圖特性，并充分考慮圖像的局部特征，對(duì)Otsu 算法進(jìn)行改進(jìn)后，將局部自適應(yīng)算法與改進(jìn)后的Otsu 算法進(jìn)行有機(jī)的結(jié)合，通過(guò)實(shí)驗(yàn)仿真比較，得出該算法能夠較好的將光照不均勻的圖像進(jìn)行有效分割，且分割錯(cuò)誤情況較少，但仍存在一些前景后景分割錯(cuò)誤的情況，在下一步的研究中，可考慮對(duì)光照區(qū)域進(jìn)行定位，進(jìn)一步提高分割效果和準(zhǔn)確度。