图像二值化算法 【迭代法和大律法算子】

最新推荐文章于 2019-09-08 16:05:00 发布
最新推荐文章于 2019-09-08 16:05:00 发布
阅读量1.8k 收藏
点赞数
分类专栏： 图像处理 文章标签： 算法 图像处理 winapi delphi byte null

二值化是一个相当复杂的理论问题,如果不给出具体的应用要求是无法做的.

最简单的:

for(......)

if(PixelY[i,j]>T)

PixelY[i,j] = 255;

else

PixelY[i,j] = 0;

如果考虑具体问题,二值化算法不下100种.

/***************************************************************************   
    *   函数名称   
    *   OSTUThreshold()   
    *   参数   
    *         LPSTR   lpDIBBits           -   指向源DIB图像指针   
    *         LONG     lWidth                 -   源图像宽度(像素数)   
    *         LONG     lHeight               -   源图像高度(像素数)   
    *   返回值   
    *         BOOL                                 -   运算成功   返回TRUE   ,   否则   返回FALSE。   
    *   说明   
    *         该函数采用大津法进行阈值分割   二值化   
    ***************************************************************************/   
  BOOL   WINAPI   OSTUThreshold(LPSTR   lpDIBBits,   LONG   lWidth,   LONG   lHeight)   
  {   
  //   指向源图像像素指针   
  LPSTR   lpSrc;   
    
  //   指向缓存图像指针   
  LPSTR   lpDst;   
    
  //   指向缓存图像像素指针   
  LPSTR   lpNewDIBBits;   
  HLOCAL   hNewDIBBits;   
    
  //   循环变量   
  int   i,   j,   t;   
    
  //   用于计算两个区域的中间变量   
  long   lP1,   lS1,   lP2,   lS2;   
    
  //   像素值   
  unsigned   char   pixel;   
    
  //   灰度直方图数组   
  long   lHistogram[256];   
    
  //   阈值,   最大灰度值和最小灰度值,   两个区域的平均灰度值   
  unsigned   char   iThreshold,   iNewThreshold,   iMaxGrayValue,   iMinGrayValue,   iMean1GrayValue,   iMean2GrayValue;   
    
  //     前景点数占图像比例,   背景点数占图像比例   
  double   w0,w1;   
    
  //   方差   
  double   G,   tempG;   
    
  //   图像每行占字节数   
  LONG   lLineBytes;   
    
  //   暂时分配内存,   以保存新图像   
  hNewDIBBits   =   LocalAlloc(LHND,   lWidth   *   lHeight);   
    
  if   (hNewDIBBits   ==   NULL)     
  {   
  //分配内存失败   
  return   FALSE;   
  }   
    
  //   锁定内存   
  lpNewDIBBits   =   (char   *)   LocalLock(hNewDIBBits);   
    
  //   初始化新分配的内存,   设定初始值为255   
  lpDst   =   (char   *)   lpNewDIBBits;   
  memset(lpDst,   (BYTE)255,   lWidth   *   lHeight);   
    
  lLineBytes   =   WIDTHBYTES(lWidth   *   8);   
    
  for(i=   0;   i   <   256;   i++)   
  {   
  lHistogram[i]   =   0;   
  }   
    
  //   获得灰度直方图，灰度最大值和灰度最小值   
  iMaxGrayValue   =   0;   
  iMinGrayValue   =   255;   
  for(i   =   0;   i   <   lWidth;   i++)   
  {   
  for(j   =   0;   j   <   lHeight;   j++)   
  {   
  lpSrc   =   (char   *)   lpDIBBits   +   lLineBytes   *   j   +   i;   
  pixel   =   (unsigned   char)   *lpSrc;   
  lHistogram[pixel]++;   
    
  //   修改最大灰度值和最小灰度值   
  if   (iMinGrayValue   >   pixel)   
  {   
  iMinGrayValue   =   pixel;   
  }   
  if   (iMaxGrayValue   <   pixel)   
  {   
  iMaxGrayValue   =   pixel;   
  }   
  }   
  }   
    
  //   遍历t,   选取最佳阈值   
  for(t   =   iMinGrayValue;   t   <   iMaxGrayValue   ;   t++)   
  {   
  iNewThreshold   =   t;   
  lP1   =   0;   
  lS1   =   0;   
  lP2   =   0;   
  lS2   =   0;   
    
  //     求前景,背景两个区域的平均灰度值,   点数所占比例   
  for(i   =   iMinGrayValue;   i   <=   iNewThreshold;   i++)   
  {   
  lP1   +=   lHistogram[i]   *   i;   
  lS1   +=   lHistogram[i];   
  }   
  iMean1GrayValue   =   (unsigned   char)   (lP1/lS1);   
  w0   =   (double)   (lS1)   /   (lWidth   *   lHeight);   
  for(i   =   iNewThreshold   +   1;   i   <=   iMaxGrayValue;   i++)   
  {   
  lP2   +=   lHistogram[i]   *   i;   
  lS2   +=   lHistogram[i];   
  }   
  iMean2GrayValue   =   (unsigned   char)   (lP2/lS2);   
                  w1   =   1   -   w0;   
    
  //   计算类间方差   
  G   =   (double)   w0   *   w1     
      *   (iMean1GrayValue   -   iMean2GrayValue)   *   (iMean1GrayValue   -   iMean2GrayValue);   
  if   (G   >   tempG)     
  {   
  tempG   =   G;   
  iThreshold   =   iNewThreshold;   
  }   
  }   
    
  //   根据阈值将图像二值化   
          for(i   =   0;   i   <   lWidth;   i++)   
  {   
  for(j   =   0;   j   <   lHeight;   j++)   
  {   
  lpSrc   =   (char   *)   lpDIBBits   +   lLineBytes   *   j   +   i;   
  lpDst   =   (char   *)   lpNewDIBBits   +   lLineBytes   *   j   +   i;   
  pixel   =   (unsigned   char)   *lpSrc;   
  if   (pixel   <=   iThreshold)     
  {   
  *lpDst   =   (unsigned   char)0;   
  }   
  else   
  {   
  *lpDst   =   (unsigned   char)   255;   
  }   
  }   
  }   
    
          //   复制图像   
  memcpy(lpDIBBits,   lpNewDIBBits,   lWidth   *   lHeight);   
    
  //   释放内存   
  LocalUnlock(hNewDIBBits);   
  LocalFree(hNewDIBBits);   
    
  //   返回   
  return   TRUE;   
  }

/*************************************************************************
 *
 * 函数名称：
 *   ThresholdDIB()
 *
 * 参数:
 *   LPSTR lpDIBBits    - 指向源DIB图像指针
 *   LONG  lWidth       - 源图像宽度（象素数）
 *   LONG  lHeight      - 源图像高度（象素数）
 *
 * 返回值:
 *   BOOL               - 运算成功返回TRUE，否则返回FALSE。
 *
 * 说明:
 * 该函数用 迭代法 对图像进行阈值分割运算。
 * 
 ************************************************************************/

BOOL WINAPI ThresholdDIB(LPSTR lpDIBBits,LONG lWidth, LONG lHeight)
{
 
 // 指向源图像的指针
 LPSTR lpSrc;
 
 // 指向缓存图像的指针
 LPSTR lpDst;
 
 // 指向缓存DIB图像的指针
 LPSTR lpNewDIBBits;
 HLOCAL hNewDIBBits;

 //循环变量
 long i;
 long j;

 //像素值
 unsigned char pixel;

 //直方图数组
 long lHistogram[256];

 //阈值，最大灰度值与最小灰度值，两个区域的平均灰度值
 unsigned char iThreshold,iNewThreshold,iMaxGrayValue,iMinGrayValue,iMean1GrayValue,iMean2GrayValue;

 //用于计算区域灰度平均值的中间变量
 long lP1,lP2,lS1,lS2;

 //迭代次数
 int iIterationTimes;

 // 图像每行的字节数
 LONG lLineBytes;

 // 暂时分配内存，以保存新图像
 hNewDIBBits = LocalAlloc(LHND, lWidth * lHeight);

 if (hNewDIBBits == NULL)
 {
  // 分配内存失败
  return FALSE;
 }
 
 // 锁定内存
 lpNewDIBBits = (char * )LocalLock(hNewDIBBits);

 // 初始化新分配的内存，设定初始值为255
 lpDst = (char *)lpNewDIBBits;
 memset(lpDst, (BYTE)255, lWidth * lHeight);

 // 计算图像每行的字节数
 lLineBytes = WIDTHBYTES(lWidth * 8);

 for (i = 0; i < 256;i++)
 {
  lHistogram[i]=0;
 }

 //获得直方图
 iMaxGrayValue = 0;
 iMinGrayValue = 255;
 for (i = 0;i < lWidth ;i++)
 {
  for(j = 0;j < lHeight ;j++)
  {
   // 指向源图像倒数第j行，第i个象素的指针   
   lpSrc = (char *)lpDIBBits + lLineBytes * j + i;
 
   pixel = (unsigned char)*lpSrc;
   
   lHistogram[pixel]++;
   //修改最大，最小灰度值
   if(iMinGrayValue > pixel)
   {
    iMinGrayValue = pixel;
   }
   if(iMaxGrayValue < pixel)
   {
    iMaxGrayValue = pixel;
   }
  }
 }

 //迭代求最佳阈值
 iNewThreshold = (iMinGrayValue + iMaxGrayValue)/2;
 iThreshold = 0;
 
 for(iIterationTimes = 0; iThreshold != iNewThreshold && iIterationTimes < 100;iIterationTimes ++)
 {
  iThreshold = iNewThreshold;
  lP1 =0;
  lP2 =0;
  lS1 = 0;
  lS2 = 0;
  //求两个区域的灰度平均值
  for (i = iMinGrayValue;i < iThreshold;i++)
  {
   lP1 += lHistogram[i]*i;
   lS1 += lHistogram[i];
  }
  iMean1GrayValue = (unsigned char)(lP1 / lS1);
  for (i = iThreshold+1;i < iMaxGrayValue;i++)
  {
   lP2 += lHistogram[i]*i;
   lS2 += lHistogram[i];
  }
  iMean2GrayValue = (unsigned char)(lP2 / lS2);
  iNewThreshold =  (iMean1GrayValue + iMean2GrayValue)/2;
 }

 //根据阈值将图像二值化
 for (i = 0;i < lWidth ;i++)
 {
  for(j = 0;j < lHeight ;j++)
  {
   // 指向源图像倒数第j行，第i个象素的指针   
   lpSrc = (char *)lpDIBBits + lLineBytes * j + i;
 
   // 指向目标图像倒数第j行，第i个象素的指针   
   lpDst = (char *)lpNewDIBBits + lLineBytes * j + i;

   pixel = (unsigned char)*lpSrc;
   
   if(pixel <= iThreshold)
   {
    *lpDst = (unsigned char)0;
   }
   else
   {
    *lpDst = (unsigned char)255;
   }
  }
 }

 // 复制图像
 memcpy(lpDIBBits, lpNewDIBBits, lWidth * lHeight);

 // 释放内存
 LocalUnlock(hNewDIBBits);
 LocalFree(hNewDIBBits);

 // 返回
 return TRUE;
}

///

1、  图像的二值化的基本原理
图像的二值化处理就是讲图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，特别是在实用的图像处理中，以二值图像处理实现而构成的系统是很多的，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。动态调节阀值实现图像的二值化可动态观察其分割图像的具体结果。
2、  图像的二值化的程序实现
通过Delphi刻度控件调整阀值，实现动态控制，程序如下：
procedure TForm1.Button1Click(Sender: TObject);
var
        p:PByteArray;
        Gray,x,y:integer;
begin
        TestBMP:=TBitmap.Create; changedbmp:=tbitmap.Create;
        testbmp.Assign(image1.Picture);
        for y:=0 to testbmp.Height-1 do
        begin
                p:=testbmp.ScanLine[y];
                for x:=0 to testbmp.Width-1 do
                begin
                                           //首先将图像灰度化
                        gray:=round(p[x*3+2]*0.3+p[x*3+1]*0.59+p[x*3]*0.11);
                        if gray> TrackBar1.Position then //按阀值进行二值化
                        begin
                                p[x*3]:=255; p[x*3+1]:=255; p[x*3+2]:=255;
                        end
                        else
                        begin
                                p[x*3]:=0;p[x*3+1]:=0;p[x*3+2]:=0;
                        end;
                end;
        end;
        ChangedBmp.Assign(TestBMP);
        PaintBox1.Canvas.CopyMode:=srccopy;
        PaintBox1.Canvas.Draw(0,0,ChangedBmp);
 end;
3、  处理的效果
 

Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=886749

Delphi78
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
MATLAB算法实战应用案例精讲-【图像处理】数字图像二值化（附Java、python、matlab、C++和R语言代码实现）
qq_36130719的博客
02-02 1890
图像二值化（ Image Binarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，首先，图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。
机器学习-算法-有监督学习：EM（最大期望值算法）＜=＞ MLE（最大似然估计法）【关系类似“梯度下降法”＜=＞“直接求导法”】【EM&“梯度下降”：先初始化一个随机值，然后通过迭代不断靠近真实值】
u013250861的博客
11-26 835
最大期望算法（Expectation-maximization algorithm，又译为期望最大化算法），是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。 它是一个基础算法，是很多机器学习领域算法的基础，比如隐式马尔科夫算法(HMM)等等。 最大期望算法经过两个步骤交替进行计算： 第一步是计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值； 第二步是最大化(M)，最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一.
图像基本变换---图像二值化(包含OSTU/迭代法/统计法/双峰法/P分位法/最大熵法)
热门推荐
bravebean的博客
05-11 2万+
本文详细介绍了图像基本变换---图像二值化(包含OSTU/迭代法/统计法/双峰法/P分位法/最大熵法)的相关知识，并 给出了完整程序DEMO的下载链接，跟大家分享一下，希望大家喜欢！
Win8 Metro(C#)数字图像处理--2.54迭代法图像二值化
Trent1985的专栏
04-20 1804
 [函数名称]   迭代法图像二值化      int IterativeThSegment(WriteableBitmap src) [函数代码] /// /// Iterative method of image segmention. /// /// The source image. //
图像二值化算法
博客搬往 http://begtostudy.cnblogs.com
10-28 4603
/************************************************************************* * * 函数名称： *   ThresholdDIB() * * 参数: *   LPSTR lpDIBBits    - 指向源DIB图像指针 *   LONG  lWidth       - 源图像宽度（象素数） *   LONG  lHeigh
图像二值化算法总结
科研的起点
12-17 2780
【转自：http://blog.csdn.net/cxf7394373/article/details/5787908】  2010年的很长时间都在做图像二值化算法方面的工作，看了一些论文，总结了一些算法，总的来说，在这方面的算法特别多，大致可以分成两类，全局阈值二值化和局部阈值二值化。下面链接了比较基础的几种方法： Otsu二值化算法Bernsen二值化算法Niblack二值化算法基
大津法实现图像二值化
dbt63203的博客
07-30 893
算法步骤： 　　　　1.生成灰度直方图，即统计各灰度级的像素个数，。 　　　　2.归一化直方图，即计算各灰度级像素占总像素的比例。 　　　　3.从灰度0迭代到灰度255，每次迭代计算前景像素（灰度0至当前迭代灰度的像素）的比例w0，计算前景像素的平均灰度值u0；　 　　　　　计算背景像素(当前迭代灰度至灰度255的像素)的比例w1和平均灰度u1;　　 　　　　4....
【数字图像处理】灰度图像二值化
weixin_30724853的博客
09-08 2834
灰度图像 每副图像的每个像素对应二维空间中一个特定的位置，并且有一个或者多个与那个点相关的采样值组成数值。 灰度图像,也称为灰阶图像,图像中每个像素可以由0(黑)到255(白)的亮度值(Intensity)表示。0-255之间表示不同的灰度级。 灰度图像二值化 二值化：以一个值（阈值）为基准，大于（等于）这个值的数全部变为是1（或者0），小于等于这个数的就全部将他们变...
FVM-quick_Quick_cavity_FVM_有限体积法_二维方腔流动_
10-03
文件“有限体积法计算方腔流.doc”很可能是详细介绍了如何应用有限体积法和Quick算法来解决这个问题的步骤，包括网格生成、离散方程的构造、迭代求解过程以及后处理，如速度和压力场的可视化。这样的文档通常会涵盖...
图像二值化——迭代法
11-20
c++版迭代法二值化，算法的核心代码自己写的，没有用opencv，读取图像和显示图像用的是opencv的方法，效果很好。
图像的二值化算法
09-29
来自一片博客，写的很好，整理下 ，图像的二值化算法，介绍全局二值化，自适应的二值化，已经二值化算法总结。
delphi图片二值化函数
06-16
从我的项目中取出的图片二值化函数，输入图片后输出二值化后的bitmap图片，在delpi 7、delphi 2007、delphi XE10.2版本中均能通过
图像二值法--Python
勉強
05-14 2680
定义： 图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。与灰度图不同，灰度图为0-255的值。 一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization...
Otsu 大律法 图像二值化
Jake_cai的博客
02-28 2141
转载自   http://blog.csdn.net/timidsmile/article/details/8493468  otsu法（最大类间方差法，有时也称之为大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别 来划分。  所以 可以在二值化的时候 采用otsu算法来自动
图像识别算法研究(1)---二值化概述---2011-03-14
sierllen的专栏
03-14 3952
<br />    我们遇到的识别图片，经常被认为的加入杂色干扰，形成一个浓淡分布不均的多值图像。把这样一幅多灰度值的图像(Gray Level Image)转化为只有黑(前景文字部分)白(背景部分)分布的二值图像(Binary Image)的工作叫做二值化处理(Binariztion)。对于一般256级灰度的灰度图，0级灰度对应于黑色，255级对应于白色。二值化后0对应于黑色前景文字，1对应于白色背景。<br />    一般来说，二值化方法可以分为： 全局二值化 和 局部自适应二值化。<br />   
二值图像分析笔记（3）—— 基于迭代法的图像二值化
一角残叶的博客
07-22 1003
1 基于迭代法的图像二值化 DiedaiFilter package binimage.binary; import binimage.utils.AbstractImageOptionFilter; import java.awt.image.BufferedImage; public class DiedaiFilter extends AbstractImageOptionFilt...
经典图像二值化算法详解：全局与局部阈值法对比
图像二值化是图像处理中的关键步骤，它通过将灰度图像转换为只有两个灰度级别（通常为黑和白）的图像，简化图像并突出目标，便于后续的边缘检测、图像分割和目标识别等任务。本文将深入探讨两种主要的二值化方法：...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值