圖像識別算法研究(1)---二值化概述

我們遇到的識別圖片，經常被認為的加入雜色干擾，形成一個濃淡分布不均的多值圖像。把這樣一幅多灰度值的圖像(Gray Level Image)轉化為只有黑(前景文字部分)白(背景部分)分布的二值圖像(Binary Image)的工作叫做二值化處理(Binariztion)。對於一般256級灰度的灰度圖，0級灰度對應於黑色，255級對應於白色。二值化後0對應於黑色前景文字，1對應於白色背景。

    一般來說，二值化方法可以分為： 全局二值化 和 局部自適應二值化。

    全局二值化方法(Global Binariztion Method)對每一幅圖計算一個單一的閥值。灰度級大於閾值的像素被標記為背景色，否則為前景。

    局部二值化方法(Local Adaptive Binarization Method)以像素的鄰域的信息為基礎來計算每一個像素的閾值。其中一些方法還會計算整個圖像中的一個閾值面。如果圖像中的一個像素(x,y)的灰度級高於在(x,y)點的閾值面的計算值，那麼把像素(x,y)標記為背景，否則為前景字符。

    常用的二值化的方法包括：

    1. 雙峰直方圖閾值分割法和平均灰度法【Hu 94】【Xia 99】

    2. 微分直方圖【Hu 94】

    3. Ostu 方法【XZhang 01】【Xia 99】

    4. Abutaleb 方法【Abutaleb 98】

    5. Kapur 等人的方法【Kapur et al. 85】

    6. Kittler 和 Illingworth 方法【Kittler and Illingworth 86】

    7. Otsu 方法【Otsu 79】

    8. Bernsen 方法【Bernsen 86】

    9. Chow 和 Kaneko 方法【Chow and Kaneko 72】【Nakagawa and Rosenfeld 79】

  10. Eikvil 等人的方法【Eikvil et al. 91】

  11. Markia 和 Hainsworth 方法【Mardia and Hainsworth 88】

  12. Niblack 方法【Niblack 86】

  13. Taxt 等人的方法【Taxt et al. 89】

  14. Yanowitz 和 Bruckstein 方法【Yanowitz and Bruckstein 89】

  15. White 和 Rohrer 的動態閾值算法【White and Rohrer 89】

  16. Parker 方法【Parker 91】

  17. White 和 Rohrer 的集成函數算法【White and Rohrer 89】

  18. Trier 和 Taxt 方法【Trier and Taxt 95】

  其中 1---7是全局二值化方法，8---18是局部自適應二值化方法。