OTSU算法做二值化处理
查阅很多博客与资料，自己消化理解后，整理汇总而来，也算脑力劳动成果吧
查阅的文章链接文中基本都提及了
1.二值化处理
二值化，就是让图像的像素点矩阵中的每个像素点的灰度值为0（黑色）或者255（白色），也就是让整个图像呈现只有黑和白的效果。在灰度化的图像中灰度值的范围为0~255，在二值化后的图像中的灰度值范围是0或者255。
黑色
二值化后的R = 0
二值化后的G = 0
二值化后的B = 0
白色
二值化后的R = 255
二值化后的G = 255
二值化后的B = 255
那么一个像素点在灰度化之后的灰度值怎么转化为0或者255呢？比如灰度值为100，那么在二值化后到底是0还是255?这就涉及到取一个阀值的问题。
假如取阀值为127（相当于0~255的中数，（0+255）/2=127），让灰度值小于等于127的变为0（黑色），灰度值大于127的变为255（白色），这样做的好处是计算量小速度快，但是缺点也是很明显的，因为这个阀值在不同的图片中均为127，但是不同的图片，他们的颜色分布差别很大，所以用127做阀值，白菜萝卜一刀切，效果肯定是不好的。
总之，二值化的关键就是阈值怎么选取更合理的问题。
2. 具体思路
要实现一幅图像的字符分割
- 首先我们要将图像转换成灰度图像；
- 然后采用大津法（OTSU，自适应阈值分割）找出最佳的阈值分割点，将灰度图像转化为二值图像；
- 最后利用水平垂直投影法找出字符与字符之间的边界点。
3.一维OTSU算法介绍
最大类间方差法是1979年由日本学者大津提出的，是一种自适应阈值确定的方法，又叫大津法，简称OTSU，是一种基于全局的二值化算法，它是根据图像的灰度特性,将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大，当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小[1]。
记T为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1，图像的总平均灰度为u，前景和背景图象的方差g，则有：
下面方差g的计算可以参考最原始的方差公式
不难发现是Xi减去平均数，所有的概率值都是1/n，而下面的g的计算其实就是对应的概率值发生了变化，从1/n变为了对应的w0和w1。
还有一个条件那就是w0+w1=1
4. C代码实现一维OTSU算法
这里暂无verilog代码，拿C的先理解一下
public int GetThreshValue(Bitmap image)
{
BitmapData bd = image.LockBits(new Rectangle(0,0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat);
byte* pt =(byte*)bd.Scan0;
int[] pixelNum = new int[256];//图象直方图，共256个点
byte color;
byte* pline;
int n, n1, n2;
int total;//total为总和，累计值
double m1, m2, sum, csum, fmax, sb;//sb为类间方差，fmax存储最大方差值
int k, t, q;
int threshValue =1;// 阈值
int step =1;
switch(image.PixelFormat)
{
case PixelFormat.Format24bppRgb:
step =3;
break;
case PixelFormat.Format32bppArgb:
step =4;
break;
case PixelFormat.Format8bppIndexed:
step =1;
break;
}
//生成直方图
for(int i =0; i < image.Height; i++)
{
pline = pt + i * bd.Stride;
for(int j =0; j < image.Width; j++)
{
color =*(pline + j * step);//返回各个点的颜色，以RGB表示
pixelNum[color]++;//相应的直方图加1
}
}
//直方图平滑化
for(k =0; k <=255; k++)
{
total =0;
for(t =-2; t <=2; t++)//与附近2个灰度做平滑化，t值应取较小的值
{
q = k + t;
if(q <0)//越界处理
q =0;
if(q >255)
q =255;
total = total + pixelNum[q];//total为总和，累计值
}
//平滑化，左边2个+中间1个+右边2个灰度，共5个，所以总和除以5，后面加0.5是用修正值
pixelNum[k]=(int)((float)total /5.0+0.5);
}
//求阈值
sum = csum =0.0;
n =0;
//计算总的图象的点数和质量矩，为后面的计算做准备
for(k =0; k <=255; k++)
{
//x*f(x)质量矩，也就是每个灰度的值乘以其点数（归一化后为概率），sum为其总和
sum +=(double)k *(double)pixelNum[k];
n += pixelNum[k];//n为图象总的点数，归一化后就是累积概率
}
fmax =-1.0;//类间方差sb不可能为负，所以fmax初始值为-1不影响计算的进行
n1 =0;
for(k =0; k <255; k++)//对每个灰度（从0到255）计算一次分割后的类间方差sb
{
n1 += pixelNum[k];//n1为在当前阈值遍前景图象的点数
if(n1 ==0){continue;}//没有分出前景后景
n2 = n - n1;//n2为背景图象的点数
//n2为0表示全部都是后景图象，与n1=0情况类似，之后的遍历不可能使前景点数增加，所以此时可以退出循环
if(n2 ==0){break;}
csum +=(double)k * pixelNum[k];//前景的“灰度的值*其点数”的总和
m1 = csum / n1;//m1为前景的平均灰度
m2 =(sum - csum)/ n2;//m2为背景的平均灰度
sb =(double)n1 *(double)n2 *(m1 - m2)*(m1 - m2);//sb为类间方差
if(sb > fmax)//如果算出的类间方差大于前一次算出的类间方差
{
fmax = sb;//fmax始终为最大类间方差（otsu）
threshValue = k;//取最大类间方差时对应的灰度的k就是最佳阈值
}
}
image.UnlockBits(bd);
image.Dispose();
return threshValue;
}
5. 二维OTSU算法
1.简介：
一维Otsu算法有计算简洁、稳定、自适应强等优点，被广泛用于图像分割中。但一维Otsu算法没有考虑图像像素点之间的关系，当图像中有噪声时，会导致分割的效果不理想。因此，刘健庄等人在1993年提出了二维的Otsu算法，提升了算法的抗噪声能力。
2.算法思想：
同时考虑像素的灰度值分布和它们邻域像素的平均灰度值分布，因此形成的阈值是一个二维矢量，最佳的阈值在一个二维的测度准则下确定最大值时得到。
3.算法过程：
（1）设图像I(x,y),的灰度级为L级，那么图像的邻域平均灰度也分为L级。
（2）设f(x,y)为像素点(x,y)的灰度值，g(x,y)为像素点(x,y)为中心的K*K的像
素点集合的灰度平均值。令f(x,y)=i,g(x,y)=j，然后就形成了一个二元组(i,j)。
（3）设二元组（i,j）出现的次数为fij，然后求出二元组对应的概率密度Pij，
Pij=fij/N, i,j=1,2，…，L，其中N为图像像素点总数。
（4）任意选取一个阈值向量(s,t)选取的阈值向量将图像的二维直方图划分成4个
区域，B、C区域代表图像的前景和背景，A、D区域代表噪声点。（5）设C、B两个区域对应的概率分别为w1，w2，对应的均值矢量为u1，u2。整个图
片所对应的均值矢量为uT。
6. C代码实现二维OTSU算法
下面用数学语言表达一下
i :表示亮度的维度
j : 表示点区域均值的维度
w0: 表示在阈值(s,t)时 所占的比例
w1: 表示在阈值(s,t)时, 所占的比例
u0(u0i, u0j): 表示在阈值(s,t)时时 的均值.u0时2维的
u1(u1i, u1j): 表示在阈值(s,t)时的均值.u1时2维的
uT: 全局均值
和一维otsut函数类似的目标函数
sb = w0(u0-uT)(u0-uT)’ + w1(u1-uT)(u1-uT)’
= w0[(u0i-uTi) (u0i-uTi) + (u0j-uTj) (u0j-uTj)] + w1[(u1i-uTi)* (u1i-uTi) + (u1j-uTj)* (u1j-uTj)]
int histogram[256][256];
double p_histogram[256][256];
double Pst_0[256][256];//Pst_0用来存储概率分布情况
double Xst_0[256][256];//存储x方向上的均值矢量
int OTSU2d(IplImage * src)
{
int height = src->height;
int width = src->width;
long pixel = height * width;
int i,j;
for(i =0;i <256;i++)//初始化直方图
{
for(j =0; j <256;j++)
histogram[i][j]=0;
}
IplImage * temp = cvCreateImage(cvGetSize(src),8,1);
cvSmooth(src,temp,CV_BLUR,3,0);
for(i =0;i < height;i++)//计算直方图
{
for(j =0; j < width;j++)
{
int data1 = cvGetReal2D(src,i,j);
int data2 = cvGetReal2D(temp,i,j);
histogram[data1][data2]++;
}
}
for(i =0; i <256;i++)//直方图归一化
for(j =0; j <256;j++)
p_histogram[i][j]=(histogram[i][j]*1.0)/(pixel*1.0);
Pst_0[0][0]= p_histogram[0][0];
for(i =0;i <256;i++)//计算概率分布情况
for(j =0;j <256;j++)
{
double temp =0.0;
if(i-1>=0)
temp = temp + Pst_0[i-1][j];
if(j-1>=0)
temp = temp + Pst_0[i][j-1];
if(i-1>=0&& j-1>=0)
temp = temp - Pst_0[i-1][j-1];
temp = temp + p_histogram[i][j];
Pst_0[i][j]= temp;
}
Xst_0[0][0]=0* Pst_0[0][0];
for(i =0; i <256;i++)//计算x方向上的均值矢量
for(j =0; j <256;j++)
{
double temp =0.0;
if(i-1>=0)
temp = temp + Xst_0[i-1][j];
if(j-1>=0)
temp = temp + Xst_0[i][j-1];
if(i-1>=0&& j-1>=0)
temp = temp - Xst_0[i-1][j-1];
temp = temp + i * p_histogram[i][j];
Xst_0[i][j]= temp;
}
double Yst_0[256][256];//存储y方向上的均值矢量
Yst_0[0][0]=0* Pst_0[0][0];
for(i =0; i <256;i++)//计算y方向上的均值矢量
for(j =0; j <256;j++)
{
double temp =0.0;
if(i-1>=0)
temp = temp + Yst_0[i-1][j];
if(j-1>=0)
temp = temp + Yst_0[i][j-1];
if(i-1>=0&& j-1>=0)
temp = temp - Yst_0[i-1][j-1];
temp = temp + j * p_histogram[i][j];
Yst_0[i][j]= temp;
}
int threshold1;
int threshold2;
double variance =0.0;
double maxvariance =0.0;
for(i =0;i <256;i++)//计算类间离散测度
for(j =0;j <256;j++)
{
longdouble p0 = Pst_0[i][j];
longdouble v0 = pow(((Xst_0[i][j]/p0)-Xst_0[255][255]),2)+ pow(((Yst_0[i][j]/p0)-Yst_0[255][255]),2);
longdouble p1 = Pst_0[255][255]-Pst_0[255][j]-Pst_0[i][255]+Pst_0[i][j];
longdouble vi = Xst_0[255][255]-Xst_0[255][j]-Xst_0[i][255]+Xst_0[i][j];
longdouble vj = Yst_0[255][255]-Yst_0[255][j]-Yst_0[i][255]+Yst_0[i][j];
longdouble v1 = pow(((vi/p1)-Xst_0[255][255]),2)+pow(((vj/p1)-Yst_0[255][255]),2);
variance = p0*v0+p1*v1;
if(variance > maxvariance)
{
maxvariance = variance;
threshold1 = i;
threshold2 = j;
}
}
//printf("%d %d",threshold1,threshold2);
return(threshold1+threshold2)/2;
}
7. 总结
二维otsu算法得到一个阈值,然后对图像做二值化.仍然不能解决光照不均匀二值化的问题.比一维otsu效果好一些,但不是很明显.这个算法的亮点在于考虑的点的附近区域的均值.
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
