算法類圖像分割

1、圖像分割的一些簡單實現(xiàn)CND8學(xué)院Delphi發(fā)布日期：圖像分割中閾值的自動選取的研究及其算法實現(xiàn)圖像分割是圖像處理這門學(xué)科中的基礎(chǔ)難題，基于閾值的分割則又是圖像分割的最基本的難題之一，其難點在于閾值的選取。事實證明，閾值的選擇的恰當(dāng)與否對分割的效果起著決定性的作用。由于閾值選取對圖像分割的基礎(chǔ)性，本文主要在【1】、【2】、【3】、【4】等的基礎(chǔ)上，對一些當(dāng)前流行的閾值選取算法做了探討、實現(xiàn)和比較。多閾值分割雖然能進(jìn)一步提高圖像分割的質(zhì)量，但由于它只是分割技巧的處理問題，而與單閾值分割并無本質(zhì)的區(qū)別。因此本文并不對多閾值分割進(jìn)行，而只考慮單閾值分割的情形。1 雙峰法雙峰法的原理及其簡單：它認(rèn)為

2、圖像由前景和背景組成，在灰度直方圖上，前后二景都形成，在雙峰之間的最低谷處就是圖像的閾值所在。根據(jù)這一原理，給出了它的實現(xiàn)，部分代碼如下（Pascal 語言描述，以下同）：/Peak、Peak2、Valley：峰值和直方圖值/Indx:：相應(yīng)的灰度值Peak,Indx,Peak2,Indx2,Valley,ValleyIndx:eger;/初始雙峰值Peak:=0; Peak2:=0;/取得第一峰值forifLoop:=0 to 255 doPeak=GrayLevelLoop thenbeginPeak:=GrayLevelLoop;Indx:=Loop;end;/取得第二峰值for Beg

3、inifLoopLoop:=0 to 255 do(Peak2=GrayLevelLoop)and(Indx) thenbeginPeak2:= Indx2:=endend;GrayLevelLoop;Loop;/取得雙峰之間的谷值Valley:=Size;ifIndx2GrayLevelLoop thenbeginValley:= ValleyIndx:=end;GrayLevelLoop;Loop;從分割的效果來看，當(dāng)前后景的對比較為強(qiáng)烈時，分割效果較好；否則基本無效。2 迭代法迭代法是基于近的，其步驟如下：求出圖象的最大灰度值和最小灰度值，分別記為ZMAX 和ZMIN，令初始閾值 T0=

4、(ZMAX+ZMIN)/2；根據(jù)閾值 TK 將圖象分割為前景和背景，分別求出兩者的平均灰度值ZO 和 ZB；求出新閾值 TK+1=(ZO+ZB)/2；若 TK=TK+1，則所得即為閾值；否則轉(zhuǎn)2，迭代計算。以下給出迭代求閾值的部分實現(xiàn)：/閾值初始為0 ThresholdVal:=0;ThresholdVal2:=0;/總灰度值TotalGrayLevel:=0;forifLoop:=0 to 255 doGrayLevelLoop0 thenTotalGrayLevel:=TotalGrayLevel+Loop*GrayLevelLoop;/求出初始最大灰度值forifLoop:=0 to 2

5、55 doGrayLevelLoop0 thenbeginLGrayLevel:=Loop;ThresholdVal:= break;end;Loop;/求出初始最小灰度值和初始閾值forifLoop:=255 downto 0 doGrayLevelLoop0 thenbeginRGrayLevel:= ThresholdVal:=(break;end;Loop;ThresholdVal+Loop)div 2;/迭代求解whilebeginThresholdValThresholdVal2 doThresholdVal2:=Count:=0; LGrayLevel:=0;ThresholdV

6、al;forifLoop:=0 toGrayLevelThresholdVal doLoop0 thenbeginCount:=Count+GrayLevelLoop;LGrayLevel:= oop;end;LGrayLevel+Loop*GrayLevelLRGrayLevel:=TotalGrayLevel-LGrayLevel;Count;LGrayLevel:= RGrayLevel:=Count);ThresholdVal:=(LGrayLevel divRGrayLeveldiv(Size-LGrayLevel+RGrayLevel)div2;end;迭代所得的閾值分割的圖象效果

7、良好?；诘拈撝的軈^(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處（如圖1中的淺色線條）還沒有很好的區(qū)分度。但令人驚訝的是，對某些特定圖象，微小數(shù)據(jù)的變化卻會引起分割效果的巨大改變，兩者的數(shù)據(jù)只是稍有變化，但分割效果卻反差極大，個中原因還有待進(jìn)一步研究。3（OTSU 法）由大津于1979年提出，對圖像 Image，記 t 為前景與背景的分割閾值，前景點數(shù)占圖像比例為 w0， 平均灰度為 u0；背景點數(shù)占圖像比例為 w1，平均灰度為 u1。圖像的總平均灰度為：u=w0*u0+w1*u1。從最小灰度值到最大灰度值遍歷t，當(dāng) t 使得值 g=w0*(u0-u)2+w1*(u1-u)2最大時

8、t 即為分割的最佳閾值。對可作如下理解：該式實際上就是類間方差值，閾值 t 分割出的前景和背景兩部分了整幅圖像，而前景取值 u0，概率為 w0，背景取值 u1，概率為 w1，總均值為 u，根據(jù)方差的定義即得該式。因方差是灰度分布均勻性的一種度量,方差值越大,說明圖像的兩部分差別越大,當(dāng)部分目標(biāo)錯分為背景或部分背景錯分為目標(biāo)都會導(dǎo)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。直接應(yīng)用計算量較大，因此在實現(xiàn)時采用了等價的公式 g=w0*w1*(u0-u1)2。部分計算過程如下：/遍歷所有灰度值求 Max g。forCurrentLevel:=0 toArrLen dobeginif

9、SclGrayLevel continueelsebeginCurrentLevel=0 then/計算當(dāng)閾值為Count:=0;CurrentLevel 時的 gSumPels:=0;forLoop:=0 toCurrentLevel dobeginCount:=Count+SclGrayLevelLoop;SumPels:=SumPels+SumPelsArrLoop;end;w0:=Count/Size;Count;u0:=SumPels/w1:=1-w0;ifSize-Count0 thenu1:=(TotalPels- elseu1:=0;SumPels)/(Size-Count)R

10、lTempO:=w0*w1*(u0-u1)*(u0-u1); if RlTempORlMaxO thenbeginRlMaxO:=RlTempO;Result:= end;end;CurrentLevel;在測試中發(fā)現(xiàn)：選取出來的閾值非常理想，對各種情況的表現(xiàn)都較為良好。雖然它在很多情況下都不是最佳的分割，但分割質(zhì)量通常都有一定的保障，可以說是最穩(wěn)定的分割。由上可知，大津算法是一種較為通用的分割算法。在它的的啟迪下，人們進(jìn)一步提出了多種類似的評估閾值的算法，具體可參加【5】、【6】等。4 灰度拉伸一種改進(jìn)的得到了廣泛的應(yīng)用，但有人發(fā)現(xiàn)，致命的缺陷是當(dāng)目標(biāo)物與背景灰度差不明顯時，會出現(xiàn)受的大塊黑

11、域，甚至?xí)G失整幅圖像的信息。為了解 決這個問題，有人提出了灰度拉伸的增強(qiáng)。這種方法的原理其實就是在的基礎(chǔ)上通過增加灰度的級數(shù)來增強(qiáng)前后景的灰度差，從而解決問題?；叶仍黾?的方法是用原有的灰度級乘上同一個系數(shù)，從而擴(kuò)大灰度的級數(shù)，特別地，當(dāng)乘上的系數(shù)為1時，這就是可以看做是這種方法的一個特例。的原型，因此，在實現(xiàn)中，實現(xiàn)了多種灰度拉伸，發(fā)現(xiàn)對不同的圖像，當(dāng)遇上不同的拉伸系數(shù)時，分割效果也相差甚遠(yuǎn)。5 Kirsh 算子在【4】中提出了基于 Kirsh 算子的分割方法，其為：對數(shù)字圖像的每個像素 i，考慮它的八個鄰點的灰度值，以其中三個相鄰點的和減去剩下五個鄰點的和得到差值，令三個鄰點繞該像素點不

12、斷移位，取此八個差值的最大值作為 Kirsh 算子。即：設(shè) Si 為三鄰點之和，Ti 為五鄰點之和，則 Kirsh 算子定義為 K(i)=max1,max5Si-3Ti如取閾值 THk，則當(dāng) K(i)THk 時，像素 i 為階躍邊緣點。此外，【4】的作者認(rèn)為：假設(shè)圖像大小為HW 個像素點，其邊緣點像素一般不會超過5H 個?；谶@一假設(shè)，該文作者提出：（對一幅圖像）用 Kirsh 算法，取某一較低的初始閾值 THk（以保證目標(biāo)和背景間灰度變化很小的圖像邊緣也能被取出），對于每個像素點 i 計算其Kirsh 算子，如果 K(i)THk，則 i 為邊緣點,邊緣點數(shù) N(初始值為0)加1,一旦邊緣點數(shù)

13、超過 5H，而 i 還小于整幅圖像的像素數(shù)，說明閾值取得太低，致使許多不是邊緣點的像素也被取出，因此需提高閾值。如此反復(fù)，即可獲得分割圖像所需的閾值。但在實現(xiàn)中，本文作者發(fā)現(xiàn)，【4】中的敘述頗有值得探討之處，如在 HW 圖像中，H 和 W 之間的關(guān)系是完全對稱的 ， 兩 者 之 間 如 何 抉 擇 ？ 此 外 ， 在 求 Kirsh 算 子K(i)=max1,max5Si-3Ti時也頗有疑慮之處，由其求得的結(jié)果分割圖像效果并不明顯?；趯ΨQ性和歸一化的考慮，筆者把 Kirsh 算子改為： K(i)=max1,max abs(5Si-3Ti) div 15 ，并根據(jù)在實際運行中的效果，對 W 和 H 的選取為：if WH then use 5*H else use 5*W。在實際應(yīng)用中表明，修改后的分割質(zhì)量顯著提高。但與【4】文中作者聲稱的效果及其示例相比，仍有相當(dāng)?shù)木嚯x，特別是它不能解決前后景對比不強(qiáng)烈時的分割情形。但當(dāng)前后背景對比十分強(qiáng)烈且集中時，Kirsh 算子法卻會有十分突出的表現(xiàn)。參考文獻(xiàn)【1】，數(shù)字圖像處