计算机视觉
课程名称：计算机视觉
学号:
姓名：
指导教师：娄震
二○一四年五月
1 引言
图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像分析和理解。图像分割是众多图像处理和计算机视觉系统的重要组成部分，图像分割问题是图像处理与分析中的一个基本问题.图像分割需要将输入图像划分成两个或者多个子区域, 这正是设计和实现医学图像分析、文本字符识别、目标自动获取等系统所面临的首要任务。由于图像分割问题的重要性和基础性，国内外学者历来对其高
度重视，并提出了众多解决方法.阈值分割技术是一种非常流行的图像分割方法, 它以图像直方图信息为主导，具备原理清晰、表述简单、运算快捷、效果良好等优点，因此一直受到研究人员的青睐, 在实际应用场合中尤为明显.
从本质上看, 阈值分割方法基本上可以分为六大类[1]：
●基于熵的方法(entropy-based methods)
●基于聚类的方法（clustering-based metho ds）
●基于直方图形态的方法( histogram-shape based methods）
●基于目标属性的方法（object attribute—based methods）
●空间方法（spatial methods)
●局部方法( local methods)
而基于直方图的阈值分割技术是应用最为广泛的一种方法，按照维数分，可以分为基于一维直方图和基于高维直方图(如二维和三维直方图), 早期的阈值分割技术通常基于灰度直方图( 也称一维直方图) 选 取目标函数, 对许多图像难以进行较好的分割。随着研究的深入, 国内外学者不断基于高维直方图（例如二维直方图和三维直方图）提出一些新的分割方法。而在这些技术中，熵阈值法和Otsu阈值法（也称最小类内方差法或最大类间方差法)是应用最广的两种方法。它们阐释了阈值分割的本质：先给出各种各样合理的目标函数, 再最大化或最小化该目标函数来得到最佳分割阈值。
2 基于一维直方图的阈值分割技术
2。1 经典灰度直方图阈值分割方法
经典的图像分割算法[2］诸如：直方图分割与阈值分割的方法具有实现简单、计算量小、
性能较稳定等特点。通常，它们是利用图像的灰度直方图的分布特征，出灰度直方图分布的两波峰之间的波谷，选定恰当的阈值将图像分割开，然而这种分割方法依赖于图像灰度的分布，对灰度分布不呈双峰特征或复杂背景的图像，往往会造成错误分割.
利用图像灰度直方图的特性确定分割阈值方法的原理是如果图像所包括的背景区域与所分的目标区域大小可比，而且两者在灰度上有着明显的区别，那么这样的图像的灰度直方图就会呈现很明显的双峰状。这样，其中一个峰值对应的是背景区域的灰度；而另一个峰值就对应的目标灰度了。理想的中的图像的灰度直方图，其背景灰度和目标灰度应对应两个不同的灰度峰值，所以选取位于两峰
之间的谷值作为阈值，就很快地将一幅图像的背景与目标分割开了如图1~3 所示
图1原始灰度图像图2 图像灰度直方图
tree lang
青铜神树图3分割后的图像
黄果树瀑布教学设计2.1。1经典分割方法的不足
经典直方图阈值分割方法的优点在于实现简单，但是这只是针对少数不同类别物体彼此灰度相差很大时，才能进行有效的分割.当原始图像的灰度直方图的双峰不明显时，分割后得不到理想的图像。图4是原始Lena 图像，图5 是利用传统灰度直方图阈值分割结果.从图6 可以看出在部分区域(如脸部、右边背景)分割效果较好，但是部分区域的细节部分（如帽子、头发等)未能将图像边界完整分割开来.
图4 原始灰度图像图5 灰度直方图
图6 分割后的图像
2.2 otsu阈值分割方法
2。2.1 经典otsu法
Otsu阈值法又称为最大类间方差法，是由Otsu提出的。它将图像中的目标和背景分为两类，根据选择的阈值计算两类之间的方差，方差越大说明类间的差别越大，从而分割效果也就越好。由于Otsu阈值法进行图像分割，算法简单，稳定，能够自动的进行阈值选择，因此被广泛的应用在图像处理中。
设一幅图像X 具有L 个灰度级( 0，1,2，…，L—1），统计每个灰度值的像素点的频数ni，构造频数直方图。计算总的像素点的个数N=。计算每个灰度值出现的概率:
民粹Pi=ni/N =1 （1）
对于每个分割的阈值点t，假设把图像分成两类：目标和背景。计算［0，1，…,t］和
地源热泵案例［t + 1,…,L －1］两者之间的方差б.首先计算整幅图像的均值ut=，目标和背景的均值分别为u0=和u1=，目标和背景出现的概率为w0=和
w1=对于每一个分割的阈值点t，求出方差:
б2=w0＊（u0—ut）2+（u1—ut)2(2)
出整个区间内最大的方差对应的阈值点t，即为所求阈值.
2。2.2 Otsu多阈值分析及改进算法
传统的多阈值进行分割是，设有M个阈值把图像分成M + 1类，阈值区间被分成［0，1
，…，t 1］，［t1 + 1，…,t2]，…，［tM + 1，…，L —1］.在整个阈值空间内，到最优的阈值组合［t1，t2，…，tM］使类间的方差最大，即：
б= agr max（б（t1,t2,…，tM）) （3）
其中:
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议