基于閾值法在圖像分割技術中的應用

圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣，這些部分稱為目標或前景(其他部分稱為背景)，他們一般對應圖像中特定的、具有獨特性質的區域。為了辨識和分析目標，需要將他們分離提取出來，在此基礎上才有可能對目標進一步利用。圖像分割就是指把圖像分成格局特性的區域并提取出感興趣目標的技術和過程。這里特性可以是象素的灰度、顏色、紋理等，預先定義的目標可以對應單個區域，也可以對應多個區域。現有的圖像分割算法有：閾值分割、邊緣檢測和區域提取法。本文著重研究基于閾值法的圖像分割技術。

1 閾值法圖像分割

1.1 閾值法的基本原理

閾值分割法是一種基于區域的圖像分割技術，其基本原理是：通過設定不同的特征閾值，把圖像象素點分為若干類。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。設原始圖像為f(x，y)，按照一定的準則f(x，y)中找到特征值T，將圖像分割為兩個部分，分割后的圖像為：

若取：b0=0(黑)，b1=1(白)，即為我們通常所說的圖像二值化。

1.2 閾值法圖像分割方法分類

全局閾值法指利用全局信息對整幅圖像求出最優分割閾值，可以是單閾值，也可以是多閾值；局部閾值法是把原始的整幅圖像分為幾個小的子圖像，再對每個子圖像應用全局閾值法分別求出最優分割閾值。其中全局閾值法又可分為基于點的閾值法和基于區域的閾值法。閾值分割法的結果很大程度上依賴于閾值的選擇，因此該方法的關鍵是如何選擇合適的閾值。由于局部閾值法中仍要用到全局閾值法，因此本文主要對全局閾值法中基于點的閾值法和基于區域的閾值法分別進行了研究。根據閾值法的原理可以將閾值選取技術分為3大類

(1)基于點的全局閾值方法

?基于點的全局閾值算法與其他幾大類方法相比，算法時間復雜度較低，易于實現，適合應用于在線實時圖像處理系統。

(2)基于區域的全局閾值方法

對一幅圖像而言，不同的區域，比如說目標區域或背景區域，同一區域內的象素，在位置和灰度級上同時具有較強的一致性和相關性。

(3)局部閾值法和多閾值法

局部閾值(動態閾值) 當圖像中有如下一些情況：有陰影，照度不均勻，各處的對比度不同，突發噪聲，背景灰度變化等，如果只用一個固定的全局閾值對整幅圖像進行分割，則由于不能兼顧圖像各處的情況而使分割效果受到影響。有一種解決辦法就是用與象索位置相關的一組閾值(即閾值使坐標的函數)來對圖像各部分分別進行分割。這種與坐標相關的閾值也叫動態閾值，此方法也叫變化閾值法，或自適應閾值法。這類算法的時間復雜性和空間復雜性比較大，但是抗噪能力強，對一些用全局閾值不易分割的圖像有較好的效果。

多閾值法很顯然，如果圖像中含有占據不同灰度級區域的幾個目標，則需要使用多個閾值才能將他們分開。其實多域值分割，可以看作單閾值分割的推廣。

2 閾值法圖像分割的實現

最大類間方差法計算簡單、穩定有效，一直廣為使用，是一種受到普遍歡迎的閾值選取方法。其基本思路是將直方圖在某一閾值處分割成兩組，當被分成的兩組的方差為最大時，得到閾值。因為方差是灰度分布均勻性的一種量度，方差值越大，說明構成圖像的兩部分差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。

圖像的灰度級范圍是0，1，2，…，L-1，設灰度級i的象素點個數為mi，圖像的象素點的總數為 ，則灰度級i的出現概率pi定義為 。

在Ostu方法中，閾值t把圖像的象素分為C0=(0，1，…，t)和C1=(t+1，t+2，…，L-1)兩類(分別代表門標與背景)。

即閾值T將圖像分成目標，背景兩部分，使得兩類總方差取得最大值的t，即為最佳分割閾值。