幾種經典的二值化方法及其vb.net實現
圖像二值化的目的是最大限度的將圖象中感興趣的部分保留下來,在很多情況下,也是進行圖像分析、特征提取與模式識別之前的必要的圖像預處理過程。這個看似簡單的問題,在過去的四十年裡受到國內外學者的廣泛關注,產生了數以百計的閾值選取方法,但如同其他圖像分割算法一樣,沒有一個現有方法對各種各樣的圖像都能得到令人滿意的結果。 本文針對幾種經典而常用的二值發放進行了簡單的討論並給出了其vb.net實現。
1、P-Tile法
Doyle於1962年提出的P-Tile (即P分位數法)可以說是最古老的一種閾值選取方法。該方法根據先驗概率來設定閾值,使得二值化後的目標或背景像素比例等於先驗概率,該方法簡單高效,但是對於先驗概率難於估計的圖像卻無能為力。 '程序實現功能:經典的二值化方法及其實現 '****************************************************************************************** ' '函數名:P_Tile '功能:P分位數法二值化圖像 '參數:Bmp------Bitmap待處理位圖 'Tile------Single先驗概率 'TimeElapse------Integer處理所需的時間 '返回值:Boolean '作者:laviewpbt '時間:2005-5-2012:48 '修改者: '修改時間 : ' '****************************************************************************************** PublicSharedFunctionP_Tile(ByValBmpAsBitmap,ByValTileAsSingle,ByValTimeElapseAsInteger)AsByte IfTile < 0OrElseTile > 1ThenThrowNewException("Tile的值只可以在0和1之間") TimeElapse = Environment.TickCount Dimi,j,Stride,TempAsInteger DimNumOfPixelAsInteger= Bmp.Width * Bmp.Height『總象素數 DimHistgram(255),SumAsSingle DimBmpData(),ThresholdAsByte ReadBitmap(Bmp,BmpData)'讀取數據 Stride = (((Bmp.Width * 24) + 31) / 32) * 4 Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Histgram(BmpData(i * Stride + j * 3)) += 1'統計圖像的直方圖 Next Next Fori = 0To255 Histgram(i) /= NumOfPixel'0到255的各灰度等級在圖像中各佔的比例 Next Fori = 0To255 Sum += Histgram(i) IfSum >= TileThen'得到閥值 Threshold = i ExitFor EndIf Next Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Temp = i * Stride + j * 3'二值顯示 IfBmpData(Temp) <= ThresholdThen BmpData(Temp) = 0 : BmpData(Temp + 1) = 0 : BmpData(Temp + 2) = 0 Else BmpData(Temp) = 255 : BmpData(Temp + 1) = 255 : BmpData(Temp + 2) = 255 EndIf Next Next WriteBitmap(Bmp,BmpData)'寫入數據 TimeElapse = Environment.TickCount - TimeElapse ReturnThreshold EndFunction 如果在上述程序中設置Tile為0.5,則整個二值化的圖片中有黑白各佔一半左右。 原始圖像 Tile 取0.8時的結果,用時0豪秒,閾值180 在原圖中,地面綠色的區域差不多佔了整個圖片的80%,而Tile 取0.8時的分割效果也還比較理想。 2、OTSU算法(大津法)
OSTU算法可以說是自適應計算單閾值(用來轉換灰度圖像為二值圖像)的簡單高效方法。1978 OTSU年提出的最大類間方差法以其計算簡單、穩定有效,一直廣為使用。 '****************************************************************************************** ' '函數名:Otsu '功能:Otsu二值圖像 '參數:Bmp------Bitmap待處理位圖 'TimeElapse------Integer處理所需的時間 '返回值:Boolean '作者:laviewpbt '時間:2005-5-203:45 '修改者: '修改時間 : ' '****************************************************************************************** PublicSharedFunctionOtsu(ByValBmpAsBitmap,ByRefTimeElapseAsInteger)AsByte TimeElapse = Environment.TickCount Dimi,k,TempAsInteger DimAllSum,SumSmall,SumBig,PartSumAsInteger DimAllPixelNumber,PixelNumberSmall,PixelNumberBigAsInteger DimProbabilitySmall,ProbabilityBig,Probability,MaxValueAsDouble DimBmpData(),ThresholdAsByte DimHistgram(255)AsInteger'圖像直方圖,256個點 DimWidthAsInteger= Bmp.Width,HeightAsInteger= Bmp.Height DimPixelNumberAsInteger= Bmp.Width * Bmp.Height Stride = (((Bmp.Width * 24) + 31) / 32) * 4 ReadBitmap(Bmp,BmpData) DimNumberAsInteger= BmpData.Length - 1 Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Histgram(BmpData(i * Stride + j * 3)) += 1'統計圖像的直方圖 Next Next Fori = 0To255 AllSum += i * Histgram(i)'質量矩 AllPixelNumber += Histgram(i)'質量 Next MaxValue = -1.0 Fori = 0To255 PixelNumberSmall += Histgram(i) PixelNumberBig = AllPixelNumber - PixelNumberSmall IfPixelNumberBig = 0ThenExitFor SumSmall += i * Histgram(i) SumBig = AllSum - SumSmall ProbabilitySmall =CDbl(SumSmall) / PixelNumberSmall ProbabilityBig =CDbl(SumBig) / PixelNumberBig Probability = PixelNumberSmall * ProbabilitySmall * ProbabilitySmall + PixelNumberBig * ProbabilityBig * ProbabilityBig IfProbability > MaxValueThen MaxValue = Probability Threshold = i EndIf Next Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Temp = i * Stride + j * 3'二值顯示 IfBmpData(Temp) <= ThresholdThen BmpData(Temp) = 0 : BmpData(Temp + 1) = 0 : BmpData(Temp + 2) = 0 Else BmpData(Temp) = 255 : BmpData(Temp + 1) = 255 : BmpData(Temp + 2) = 255 EndIf Next Next WriteBitmap(Bmp,BmpData) TimeElapse = Environment.TickCount - TimeElapse ReturnThreshold EndFunction 把上述過程中的 Probability = PixelNumberSmall * ProbabilitySmall * ProbabilitySmall + PixelNumberBig * ProbabilityBig * ProbabilityBig 改為Probability = PixelNumberSmall * PixelNumberBig * (ProbabilityBig - ProbabilitySmall) * (ProbabilityBig - ProbabilitySmall)改為也能得到較為合理的結果。 大津法選取出來的閾值非常理想,對各種情況的表現都較為良好。雖然它在很多情況下都不是最佳的分割,但分割質量通常都有一定的保障,可以說是最穩定的分割。 Probability 取第一中參數的時的效果(上部白色和背景重疊了),用時50ms,閾值123 Probability 取第二種參數的時的效果,用時52ms,閾值248
3、迭代法(最佳閥值法)
(1).求出圖象的最大灰度值和最小灰度值,分別記為Zl和Zk,令初始閾值為:
(3)
'****************************************************************************************** ' '函數名:BestThreshold '功能:最佳閥值法二值圖像 '參數:Bmp------Bitmap待處理位圖 'TimeElapse------Integer處理所需的時間 '返回值:Boolean '作者:laviewpbt '時間:2005-5-204:20 '修改者: '修改時間 : ' '****************************************************************************************** PublicSharedFunctionBestThreshold(ByValBmpAsBitmap,ByRefTimeElapseAsInteger)AsByte TimeElapse = Environment.TickCount Dimi,TempAsInteger DimThreshold,NewThreshold,MaxGrayValue,MinGrayValue,MeanGrayValue1,MeanGrayValue2AsByte DimIP1AsInteger,IP2AsInteger,IS1AsInteger,IS2AsInteger DimIterationAsInteger,Histgram(255)AsInteger MaxGrayValue = 0 : MinGrayValue = 255 Stride = (((Bmp.Width * 24) + 31) / 32) * 4 DimBmpData()AsByte ReadBitmap(Bmp,BmpData) DimNumberAsInteger= BmpData.Length - 1 '求出圖像中的最小和最大灰度值,並計算閾值初值為 Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Temp = i * Stride + j * 3 Histgram(BmpData(Temp)) += 1'統計圖像的直方圖 IfMinGrayValue > BmpData(Temp)ThenMinGrayValue = BmpData(Temp) IfMaxGrayValue < BmpData(Temp)ThenMaxGrayValue = BmpData(Temp) Next Next NewThreshold = (MinGrayValue + MaxGrayValue) / 2 WhileThreshold <> NewThresholdAndIteration < 100 Threshold = NewThreshold '根據閾值將圖像分割成目標和背景兩部分,求出兩部分的平均灰度值 Fori = MinGrayValueToThreshold IP1 += Histgram(i) * i IS1 += Histgram(i) Next MeanGrayValue1 =CByte(IP1 / IS1) Fori = Threshold + 1ToMaxGrayValue IP2 += Histgram(i) * i IS2 += Histgram(i) Next MeanGrayValue2 =CByte(IP2 / IS2) '求出新的閾值: NewThreshold = (MinGrayValue + MaxGrayValue) / 2 Iteration += 1 EndWhile Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Temp = i * Stride + j * 3'二值顯示 IfBmpData(Temp) <= ThresholdThen BmpData(Temp) = 0 : BmpData(Temp + 1) = 0 : BmpData(Temp + 2) = 0 Else BmpData(Temp) = 255 : BmpData(Temp + 1) = 255 : BmpData(Temp + 2) = 255 EndIf Next Next WriteBitmap(Bmp,BmpData) TimeElapse = Environment.TickCount - TimeElapse ReturnTrue EndFunction 最佳閥值法效果,用時60ms,閾值128 4、一維最大熵閾值法 它的思想是統計圖像中每一個灰度級出現的概率,計算該灰度級的熵,假設以灰度級T分割圖像,圖像中低於T灰度級的像素點構成目標物體(O),高於灰度級T的像素點構成背景(B),那麼各個灰度級在本區的分布概率為: 對圖像中的每一個灰度級分別求取W=H0+HB,選取使W最大的灰度級作為分割圖像的閾值,這就是一維最大熵閾值圖像分割法。 '****************************************************************************************** ' '函數名:MaxEntropy '功能:一維最大熵二值化圖像 '參數:Bmp------Bitmap待處理位圖 'TimeElapse------Integer處理所需的時間 '返回值:Boolean '作者:laviewpbt '時間:2005-5-20 5:40 '修改者: '修改時間 : ' '****************************************************************************************** PublicSharedFunctionMaxEntropy(ByValBmpAsBitmap,ThresholdAsInteger DimTemp1,Temp2,Temp,Sum(255),MaxValueAsSingle DimBmpData()AsByte DimHistgram(255)AsSingle DimWidthAsInteger= Bmp.Width,HeightAsInteger= Bmp.Height Stride = (((Bmp.Width * 24) + 31) / 32) * 4 DimPixelNumberAsInteger= Bmp.Width * Bmp.Height ReadBitmap(Bmp,BmpData) DimNumberAsInteger= BmpData.Length - 1 Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Histgram(BmpData(i * Stride + j * 3)) += 1'統計圖像的直方圖 Next Next Fori = 0To255 Histgram(i) /= PixelNumber'統計各個灰度級出現的概率; Next '對每一個灰度級進行比較; Fori = 0To255 Temp1 = 0 : Temp2 = 0 : Temp = 0 Forj = 0Toi Temp += Histgram(j) Next Forj = 0Toi Temp1 += (-Histgram(j) / Temp * Log(Histgram(j) / Temp)) Next Forj = i + 1To255 Temp2 += (-Histgram(j) / (1 - Temp) * Log(Histgram(j) / (1 - Temp))) Next Sum(i) = Temp1 + Temp2 Next MaxValue = 0.0'找到使類的熵最大的灰度級; Forj = 0To255 IfMaxValue < Sum(j)Then MaxValue = Sum(j) Threshold = j EndIf Next Fori = 0ToBmp.Height - 1 Forj = 0ToBmp.Width - 1 Temp = i * Stride + j * 3'二值顯示 IfBmpData(Temp) <= ThresholdThen BmpData(Temp) = 0 : BmpData(Temp + 1) = 0 : BmpData(Temp + 2) = 0 Else BmpData(Temp) = 255 : BmpData(Temp + 1) = 255 : BmpData(Temp + 2) = 255 EndIf Next Next WriteBitmap(Bmp,BmpData) TimeElapse = Environment.TickCount - TimeElapse ReturnThreshold EndFunction 一維最大熵效果,用時150ms,閾值124 這種方法的缺點是僅僅考慮了像素點的灰度信息,沒有考慮到像素點的空間信息,所以當圖像的信噪比降低時分割效果不理想。不過二維最大熵法我還沒有搞定,呵呵。 5 、聚類算法 聚類算法是把一副圖像分割成n個類(n>=2),當n=2時也可以作為二值化的一種有效算法,其基本思想是把某一象素點歸納入距離其最近的一類中,通過不段迭代,直到兩次迭帶的結果符合指定的精度為止。一般步驟如下: (1)指定類別數n、初始聚類中心,迭代停止參數theta; (2)計算每點到到各類的距離,並將改點歸入距離其最近的一類,計算新的聚類中心; (3) 比較兩次聚類中心的差異程度是否小於theat,是則停止迭帶,否轉第二步。 上述過程中距離的概念是廣義的,除了我們常用的歐式距離外,還可以取其他的能夠描述兩類差異的參數,如相關系數。但要注意不同參數距離最近的意義不同,比如如果取歐式距離,則數值越小,距離越近,而取相關系數時,數值越大,距離越近。 除了上述硬聚類的方法,把模糊理論哂玫骄垲愔械姆椒ㄒ驳玫搅藦V泛的應用,因為模糊現象更加符合自然界的規律,著名的模糊聚類算法有FCM,模糊K均值等,但模糊算法比硬聚類的方法所需要的計算時間長,在實際中可以把硬聚類的中心作為模糊聚類的初始中心,一提高咚愕膶崟r性。 對於上述圖片,哂肏CM和FCM算法的二值化效果如下(實際上HCM或FCM分割後並不是黑白圖片,而是具有兩種彩色的圖片,這裡為了比較把其中一種顏色顯示為黑色,一種為白色)。 HCM二值化的效果
FCM二值化的效果 在初始中心方面,我取的是[0,0,0],[255,255,255],HCM用時大約0.6s左右,FCM用時大約2s(這裡沒有采用HCM的最終聚類中心,也是[0,0,0],[255,255,255])。所以相對來說速度慢了不少,不過嘛,HCM本來不是主要干這個的,但看得出聚類的方法得到的結果比較細致。 了解了聚類的過程,改寫成代碼不是很復雜的過程(呵呵,現在看來不復雜,我最開始寫的時候可是用了一個星期,那時真菜)。詳細代碼見: 模糊聚類算法(FCM)和硬聚類算法(HCM)的VB6.0實現及其應用 6、區域生長法 有關於該算法的代碼請參看http://www.mydown.com/news/2006-2-8/2785.html 我改寫成vb.net的了,可惜效果不理想,就沒有帖出效果圖了,不知道是不是我翻譯的不對。 (编辑:李大同) 【声明】本站内容均来自网络,其相关言论仅代表作者个人观点,不代表本站立场。若无意侵犯到您的权利,请及时与联系站长删除相关内容! |