CN102147922A - 灰度图像二维Otsu折线阈值分割法 - Google Patents
灰度图像二维Otsu折线阈值分割法 Download PDFInfo
- Publication number
- CN102147922A CN102147922A CN 201110114416 CN201110114416A CN102147922A CN 102147922 A CN102147922 A CN 102147922A CN 201110114416 CN201110114416 CN 201110114416 CN 201110114416 A CN201110114416 A CN 201110114416A CN 102147922 A CN102147922 A CN 102147922A
- Authority
- CN
- China
- Prior art keywords
- image
- broken line
- threshold
- segmentation
- otsu
- 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
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
一种灰度图像二维Otsu折线阈值分割法,该方法突破了二维Otsu法点阈值的局限,提出折线阈值型Otsu法,是灰度图像阈值分割法中一种普适性精确分割的新方法。为了实现图像较为精确的分割,本发明充分考虑边界信息对图像分割的影响,提出了基于二维直方图的无限边界区域划分思路对图像进行分割。对于一幅灰度图像,先用原始二维Otsu法对其分割,将分割出来的边界区域看成新的待分割图像再次进行不同区域划分,得到新的目标、背景和边界区域,如此往复细分,最终这些边界区域的新的阈值点必将连接成为一条阈值折线,以此折线为阈值线对原图像进行分割。利用本发明进行处理后,图像的分割效果有显著提高,具有较高的普适性,尤为适用于边缘信息较为丰富的图像。
Description
技术领域
本发明涉及在灰度图像进行阈值化分割时,有的边界信息会直接影响分割效果而提出的一种针对灰度图像分割中克服边界信息不利影响的解决方案——灰度图像二维Otsu折线阈值分割法。
背景技术
图像分割是一种重要的图像处理技术,是由图像处理到图像分析的关键步骤,在图像工程中占据重要位置,也是难点之一。在诸多分割方法中,阈值化分割是一种简单有效的方法。Otsu法是一种经典的阈值化方法,Otsu法也称为最大类间方差法,是由日本学者大津(Otsu)于1979年提出的。该方法按图像的灰度特性,将图像分成目标和背景两部分,以目标和背景之间的最大类间方差为阈值选取准则。但是最大类间方差法对噪声等干扰因素十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,甚至造成错误分割。因此,刘健庄提出了基于二维灰度直方图的Otsu法,该方法不仅考虑了图像像素点的信息还考虑到像素点与其邻域的空间相关信息,具有较好的抗噪性。但是这种方法忽略了边界信息对分割的影响,因此具有一定地局限性。范九伦等和陈琪等通过实例和理论说明,在实际的分割中应该充分考虑边界信息。例如附图4(b)为电路板的原始二维Otsu法分割效果图。可以看出原始二维Otsu法存在欠分割(图像左下部分)和错分割(图像左上部分)现象。左上角两芯片错分类,造成其上的字符分割不明显;左下角芯片上的数字边缘有较多的噪声干扰。这说明,对边缘区域信息结果是有很大不同的。在实际分割中应该尽可能准确详细的分割边缘区域。
发明内容
本发明的目的正是针对上述现有方法中所存在的问题,在原始二维Otsu法和直线阈值型Otsu法的基础上,用无限分割的方法对图像进行分割,以达到对图像精细分割的目的。
本发明方法是基于如下考虑:图像的边界信息的影响不容忽视,在图像分割中应充分考虑边界信息,边界信息相对平坦区域而言可以看作是泛平坦区域,作为新的待分割图像再分割。本发明方法终将通过无限分割的方式来实现,即把所得到的所有阈值依次连接作为图像分割的阈值折线进行分割。
本发明的目的是通过以下技术方案来实现的:先用原始二维Otsu法对一幅灰度图像进行分割,将分割出来的边界区域看成新的待分割图像再次进行不同区域划分,得到新的目标、背景和边界区域,如此往复细分,最终这些边界区域的新的阈值点必将连接成为一条阈值折线,以此折线为阈值线对原图像进行分割,图像分割算法具体步骤如下:
步骤一:采用邻域均值法获得每个像素的邻域平均灰度等级,进而得到该图像点的二维直方图。
步骤二:采用类间离散测度函数
步骤三:把二维直方图分成左下区域Ⅰ、右下区域Ⅱ、右上区域Ⅲ、左上区域Ⅳ四个部分,如附图1所示,区域Ⅰ和区域Ⅲ分别为目标背景。区域Ⅱ和区域Ⅳ可看作边界区域信息。将区域Ⅱ和区域Ⅳ看做新的待分割图像重新分割,重复步骤二,得到新的阈值,将新分出边界区域继续分割,最后无限或尽可能多次的区域划分。
步骤四:步骤三得到的无限多个将汇聚成完整的折线型阈值,或将步骤三中得到的有限个阈值点与、连接构成近似的折线型阈值实现。
步骤五:根据到得的折线对图像进行分割,将图像精确完整地划分为目标和背景两部分。
本发明中,在步骤三所述的在二维统计直方图上的边界区域右下区域II和左上IV区域进行多次或无限次的区域细分,进行阈值选取,在这样对II和IV区域及其子区域的由大到小的分割过程中以最大类间方差为准则函数得到有限或无限多个阈值点。步骤四中确定的新阈值为步骤三中有限个阈值点与二维直方图上、两点的连接折线,或无限个阈值点自动的汇聚成一条完整精确地折线。以步骤三和步骤四得到的折线为阈值,对图像进行目标和背景的分割。
本发明使用多次分割的方法。由于先验我们了解到,图像的边缘信息在实际的分割中应该充分考虑边界信息。而对边缘区域的不同分割方法所带来的结果是有很大不同。本发明针边缘分割的难点实际应用的需要,提出了一种灰度图像二维Otsu折线阈值分割法。此方法能够较好的解决该问题,结果仿真表明此方法比传统方法更有效、具有较好的普适性。利用本发明进行处理后,图像的分割效果有显著提高,尤为适用于边缘信息较为丰富的图像。
附图说明
图1二维直方图的平面投影示意图
图2 折线阈值型Otsu法二维直方图区域,其中:a为无限分割近似图示,b取右下角区域示例,c取左上角区域示例
图3电路板灰度图像的二维直方图
图4电路板的分割结果比对图,其中:a为原图,b为原始二维Otsu法处理图,c为本发明方法处理图
具体实施方式
下文结合附图,以实例的方式对本发明的具体实施方式作详细说明,本发明所述方法包含但不限于所举实例。
(1)设图像的灰度等级为L,则其像素的邻域平均灰度等级也为L。图像像素点的灰度值i与像素的邻域平均灰度值j组成一二元组 (i , j),设是二元组 (i , j)出现的频数,即图像中像素点的灰度值为i,其邻域平均灰度值为j的像素点出现相同空间位置的个数,由此得到该图像点的二维直方图。二元组 (i , j)出现的频率为
( N为图像的总像素点数,,且)
在大多数情况下,边缘和噪声的概率非常小可以忽略不计,则
两类对应的均值矢量为:
二维直方图上的总均值矢量为:
(3)定义类间离散测度
最佳阈值满足下式。最佳阈值即图2中的把图像分成四个区域,分别为区域Ⅰ、区域Ⅱ、区域Ⅲ、区域Ⅳ,设区域Ⅰ为目标,区域Ⅲ为背景。区域Ⅱ和区域Ⅳ为边界区域。将区域Ⅱ和区域Ⅳ中的像素提取出来,看成一幅新的待分割图像重新分割,得到新的阈值和。在原来的区域Ⅱ和区域Ⅳ的基础上分出新的目标、背景和边界区域。再将新的区域和区域,区域和区域提取出来重新分割,得到四组新的阈值。
(5) 根据到得的折线对图像进行分割,将图像精确完整地划分为目标和背景两部分。
这里,求、、等细分阈值与求原始阈值的方法相同。取右下角边界区域为例,如图2(b)所示。第n次分割获得最新阈值(s(n),t(n))。此时,区域和区域并不是严格意义上的平坦区域,这里我们称之为泛平坦区域,即该区域是分割子区域中灰度相对较为平坦的区域,对图像平坦区域概念的一个延伸,而严格意义上的平坦区域对于图像而言只有原图像二维直方图主对角线上的点所在小区域才具有该性质。因此可以将区域和区域看成目标和背景,由图2(a)可以看出,区域较区域而言,区域离区域I较近,区域较区域而言,区域离区域III较近,所以将与I一起归于目标,与III一起归于背景。同理,取左上角边界区域为例,如图2(c)所示,则与I一起归于目标,与III一起归于背景。在图2(a)中折线下面的区域归于目标,折线上面的区域归于背景。
实际应用中,不可能无限分割下去,分割到一定次数之后认为边界信息基本为噪声,不再分割。这可以根据具体图像具体设定分割次数,以达到最优效果。
仿真比较
电路板灰度图像的二维直方图如图3所示,该灰度图像分割的仿真结果如图4所示,可以看出原始Otsu法分割效果相对较差,本文方法则效果好,使目标边缘更加清晰,具有很好的对比性。本文方法细阈值分次数依图像边缘信息的多少而定,一般3——5次即可实现图像的高精度分割,这一点可能会影响分割的实时性,但从分割效果来看,是值得采用一种方法。
Claims (5)
1.一种灰度图像二维Otsu折线阈值分割法,其特征在于:先用原始二维Otsu法对一幅灰度图像进行分割,将分割出来的边界区域看成新的待分割图像再次进行不同区域划分,得到新的目标、背景和边界区域,如此往复细分,最终这些边界区域的新的阈值点必将连接成为一条阈值折线,以此折线为阈值线对原图像进行分割,图像分割算法具体步骤如下:
步骤一:采用邻域均值法获得每个像素的邻域平均灰度等级,进而得到该图像点的二维直方图;
步骤二:采用类间离散测度函数
步骤三:把二维直方图分成左下区域Ⅰ、右下区域Ⅱ、右上区域Ⅲ、左上区域Ⅳ四个部分,左下区域Ⅰ和右上区域Ⅲ分别为目标和背景,右下区域Ⅱ和左上区域Ⅳ可看作边界区域信息;再将右下区域Ⅱ和左上区域Ⅳ看做新的待分割图像重新分割,重复步骤二,得到新的阈值,将新分出边界区域继续分割,最后无限或尽可能多次的区域划分;
步骤四:步骤三得到的无限多个将汇聚成完整的折线型阈值,或将步骤三中得到的有限个阈值点与、连接构成近似的折线型阈值实现;
步骤五:根据到得的折线对图像进行分割,将图像精确完整地划分为目标和背景两部分。
2.根据权利要求1所述的二维Otsu折线阈值分割法,其特征在于:上述分割算法在步骤三所述的在二维统计直方图上的边界区域右下区域II和左上IV区域进行多次或无限次的区域细分,进行阈值选取,在这样对II和IV区域及其子区域的由大到小的分割过程中以最大类间方差为准则函数得到有限或无限多个阈值点。
3.根据权利要求1、2所述的灰度图像二维Otsu折线阈值分割法,其特征在于,步骤四中确定的新阈值为步骤三中有限个阈值点与二维直方图上、两点的连接折线,或无限个阈值点自动的汇聚成一条完整精确地折线。
4.根据权利要求1、2所述的灰度图像二维Otsu折线阈值分割法,其特征在于,以步骤三和步骤四得到的折线为阈值,对图像进行目标和背景的分割。
5.根据权利要求3所述的灰度图像二维Otsu折线阈值分割法,其特征在于,以步骤三和步骤四得到的折线为阈值,对图像进行目标和背景的分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110114416 CN102147922A (zh) | 2011-05-05 | 2011-05-05 | 灰度图像二维Otsu折线阈值分割法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110114416 CN102147922A (zh) | 2011-05-05 | 2011-05-05 | 灰度图像二维Otsu折线阈值分割法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102147922A true CN102147922A (zh) | 2011-08-10 |
Family
ID=44422171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110114416 Pending CN102147922A (zh) | 2011-05-05 | 2011-05-05 | 灰度图像二维Otsu折线阈值分割法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102147922A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2497116A (en) * | 2011-12-01 | 2013-06-05 | Institue For Medical Informatics | Segmentation of electromicrograph images |
CN103200417A (zh) * | 2013-04-23 | 2013-07-10 | 华录出版传媒有限公司 | 一种2d转3d的方法 |
CN103366372A (zh) * | 2013-07-08 | 2013-10-23 | 江南大学 | 一种二维Otsu图像分割的新方法 |
CN103617568A (zh) * | 2013-12-06 | 2014-03-05 | 国家电网公司 | 稳态电能质量预警机制中的异常数据判定阈值设定方法 |
CN104484876A (zh) * | 2014-12-05 | 2015-04-01 | 中国海洋大学 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
CN104504703A (zh) * | 2014-12-20 | 2015-04-08 | 河南机电高等专科学校 | 一种基于片式元器件smt焊点彩色图像分割方法 |
CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001043071A2 (en) * | 1999-12-10 | 2001-06-14 | British Telecommunications Public Limited Company | Image processing |
EP1473658A2 (en) * | 2003-03-15 | 2004-11-03 | Samsung Electronics Co., Ltd. | Preprocessing device and method for recognizing image characters |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及*** |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN101968885A (zh) * | 2010-09-25 | 2011-02-09 | 西北工业大学 | 一种基于边缘和灰度的遥感图像变化检测方法 |
-
2011
- 2011-05-05 CN CN 201110114416 patent/CN102147922A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2001043071A2 (en) * | 1999-12-10 | 2001-06-14 | British Telecommunications Public Limited Company | Image processing |
EP1473658A2 (en) * | 2003-03-15 | 2004-11-03 | Samsung Electronics Co., Ltd. | Preprocessing device and method for recognizing image characters |
CN101699511A (zh) * | 2009-10-30 | 2010-04-28 | 深圳创维数字技术股份有限公司 | 彩色图像分割方法及*** |
CN101950364A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于邻域相似度和阈值分割的遥感图像变化检测方法 |
CN101968885A (zh) * | 2010-09-25 | 2011-02-09 | 西北工业大学 | 一种基于边缘和灰度的遥感图像变化检测方法 |
Non-Patent Citations (2)
Title |
---|
《自动化技术与应用》 20071231 张伟等 自适应多阈值图像分割算法 第71-73,96页 1-5 第26卷, 第8期 * |
《计算机研究与发展》 20010531 付忠良 基于图像差距度量的阈值选取方法 第563-567页 1-5 第38卷, 第5期 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2497116A (en) * | 2011-12-01 | 2013-06-05 | Institue For Medical Informatics | Segmentation of electromicrograph images |
GB2497116B (en) * | 2011-12-01 | 2017-11-15 | Inst For Medical Informatics | Micrography |
CN103200417A (zh) * | 2013-04-23 | 2013-07-10 | 华录出版传媒有限公司 | 一种2d转3d的方法 |
CN103366372A (zh) * | 2013-07-08 | 2013-10-23 | 江南大学 | 一种二维Otsu图像分割的新方法 |
CN103617568A (zh) * | 2013-12-06 | 2014-03-05 | 国家电网公司 | 稳态电能质量预警机制中的异常数据判定阈值设定方法 |
CN103617568B (zh) * | 2013-12-06 | 2017-02-15 | 国家电网公司 | 稳态电能质量预警机制中的异常数据判定阈值设定方法 |
CN104484876A (zh) * | 2014-12-05 | 2015-04-01 | 中国海洋大学 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
CN104484876B (zh) * | 2014-12-05 | 2017-07-11 | 中国海洋大学 | 基于自动阈值分割的水产品寄生虫紫外荧光成像检测方法 |
CN104504703A (zh) * | 2014-12-20 | 2015-04-08 | 河南机电高等专科学校 | 一种基于片式元器件smt焊点彩色图像分割方法 |
CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
CN111709957A (zh) * | 2020-06-22 | 2020-09-25 | 河南理工大学 | 一种基于二维最大熵阈值c-v模型的医学图像分割法 |
CN112102202A (zh) * | 2020-09-27 | 2020-12-18 | 河南工业大学 | 一种图像分割方法和图像处理装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102147922A (zh) | 灰度图像二维Otsu折线阈值分割法 | |
CN108960229B (zh) | 一种面向多方向的文字检测方法和装置 | |
CN102609934B (zh) | 一种基于深度图像的多目标分割和跟踪方法 | |
CN114581742B (zh) | 基于线性度的连通域聚类融合方法、装置、***及介质 | |
CN101477687B (zh) | 复杂背景下的棋盘格角点检测方法 | |
US20110274353A1 (en) | Screen area detection method and screen area detection system | |
CN107301418A (zh) | 光学字符识别中的版面分析 | |
CN104422628B (zh) | 基于维氏硬度的压痕图像识别方法及*** | |
CN103942808A (zh) | 粘连岩石颗粒图像的分割方法 | |
CN109724988B (zh) | 一种基于多模板匹配的pcb板缺陷定位方法 | |
CN103198479A (zh) | 基于语义信息分类的sar图像分割方法 | |
CN105261021A (zh) | 去除前景检测结果阴影的方法及装置 | |
CN106504225A (zh) | 一种规则多边形的识别方法和装置 | |
CN103871047A (zh) | 光照不均匀图像的灰度波动阈值分割方法 | |
CN102708367A (zh) | 基于目标轮廓特征的图像识别方法 | |
CN103236056B (zh) | 基于模板匹配的图像分割方法 | |
CN103942756A (zh) | 一种深度图后处理滤波的方法 | |
CN105741326A (zh) | 一种基于聚类融合的视频序列的目标跟踪方法 | |
CN114782714A (zh) | 一种基于上下文信息融合的图像匹配方法及装置 | |
CN104992176B (zh) | 一种面向碑文的汉字提取方法 | |
CN104036272A (zh) | 一种文本检测方法及电子设备 | |
CN104050673B (zh) | 一种基于K‑means图像分割的深度图提取方法 | |
CN104504692A (zh) | 基于区域对比度的图像中显著对象的提取方法 | |
WO2019041447A1 (zh) | 一种3d视频帧特征点提取的方法及*** | |
CN105828061A (zh) | 一种基于视觉掩蔽效应的虚拟视点质量评价方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20110810 |