灰度阀值变换及二值化.docx
《灰度阀值变换及二值化.docx》由会员分享，可在线阅读，更多相关《灰度阀值变换及二值化.docx（9页珍藏版）》请在冰点文库上搜索。
灰度阀值变换及二值化
当图像的像素点的灰度大于T的时候，设置这个点为全黑，要不然为全白。
这样可以只选择我们感兴趣的领域。
im2bw（I,level）;%阈值法从灰度图、RGB图创建二值图。
level为人工设定阈值（thresholdvalue），范围为[0,1]
最大类间方差法（OTSU算法）
最大类间方差法是由日本学者大津（NobuyukiOtsu）于1979年提出的,是一种自适应的阈值确定的方法,又叫大律法,简称OTSU。
它是按图像的灰度特性,将图像分成背景和目标2部分。
背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。
因此,使类间方差最大的分割意味着错分概率最小。
在Matlab中， graythresh函数使用最大类间方差法获得图像的阈值。
（注意标点‘‘要换一下）
I=imread（‘beauty_yellowflowers.jpg’）;
thresh=graythresh（I）;%自适应设置阀值
bw1=im2bw（I,thresh）;
bw2=im2bw（I,130/255）;%手工设置阀值
subplot（1,3,1）;imshow（I）;title（‘original’）
subplot（1,3,2）;imshow（bw1）;title（‘autoset_thresh’）;
subplot（1,3,3）;imshow（bw2）; title（‘thresh=130’）;
最小分类错误全局二值化算法（kittlerMet算法）
函数源代码：
functionimagBW=kittlerMet（imag）
%KITTLERMETbinarizesagrayscaleimage'imag'intoabinaryimage
%Input:
% imag:
thegrayscaleimage,withblackforeground（0）,andwhite
% background（255）.
%Output:
% imagBW:
thebinaryimageofthegrayscaleimage'imag',withkittler's
% minimumerrorthresholdingalgorithm.
%Reference:
% J.KittlerandJ.Illingworth.MinimumErrorThresholding.Pattern
% Recognition.1986.19
（1）:
41-47
MAXD=100000;
imag=imag（:
:
1）;
[counts,x]=imhist（imag）; %countsarethehistogram.xistheintensitylevel.
GradeI=length（x）; %theresolusionoftheintensity.i.e.256foruint8.
J_t=zeros（GradeI,1）; %criterionfunction
prob=counts./sum（counts）; %Probabilitydistribution
meanT=x'*prob; %Totalmeanlevelofthepicture
%Initialization
w0=prob
（1）; %Probabilityofthefirstclass
miuK=0; %First-ordercumulativemomentsofthehistogramuptothekthlevel.
J_t
（1）=MAXD;
n=GradeI-1;
fori=1:
n
w0=w0+prob（i+1）;
miuK=miuK+i*prob（i+1）; %first-ordercumulativemoment
if（w01-eps）
J_t（i+1）=MAXD; %T=i
else
miu1=miuK/w0;
miu2=（meanT-miuK）/（1-w0）;
var1=（（（0:
i）'-miu1）.^2）'*prob（1:
i+1）;
var1=var1/w0; %variance
var2=（（（i+1:
n）'-miu2）.^2）'*prob（i+2:
n+1）;
var2=var2/（1-w0）;
ifvar1>eps&&var2>eps %incaseofvar1=0orvar2=0
J_t（i+1）=1+w0*log（var1）+（1-w0）*log（var2）-2*w0*log（w0）-2*（1-w0）*log（1-w0）;
else
J_t（i+1）=MAXD;
end
end
end
minJ=min（J_t）;
index=find（J_t==minJ）;
th=mean（index）;
th=（th-1）/n
imagBW=im2bw（imag,th）;
%figure,imshow（imagBW）,title（'kittlerbinary'）;
MATLAB程序：
I=imread（'beauty_yellowflowers.jpg'）;
imagSW=kittlerMet（I）;%Kittler算法
bw1=im2bw（I,130/255）;%手工设置阀值
subplot（1,3,1）;imshow（I）;title（'original'）;
subplot（1,3,2）;imshow（imagSW）;title（'kittlerbinary'）;
subplot（1,3,3）;imshow（bw1）;title（'thresh=130'）;
结果：
Niblack二值化算法：
Niblack二值化算法是比较简单的局部阈值方法，阈值的计算公式是T=m+k*v，其中m为以该像素点为中心的区域的平均灰度值，v是该区域的标准差，k是一个系数。
matlab程序如下：
I=imread（'beauty_yellowflowers.jpg'）;
I=rgb2gray（I）;
w=2;%
max=0;
min=0;
[m,n]=size（I）;
T=zeros（m,n）;
%
fori=（w+1）:
（m-w）
forj=（w+1）:
（n-w）
sum=0;
fork=-w:
w
forl=-w:
w
sum=sum+uint32（I（i+k,j+l））;
end
end
average=double（sum）/（（2*w+1）*（2*w+1））;
s=0;
fork=-w:
w
forl=-w:
w
s=s+（uint32（I（i+k,j+l））-average）*（uint32（I（i+k,j+l））-average）;
end
end
s=sqrt（double（s）/（（2*w+1）*（2*w+1）））;
T（i,j）=average+0.2*s;
end
end
fori=1:
m
forj=1:
n
ifI（i,j）>T（i,j）
I（i,j）=uint8（255）;
else
I（i,j）=uint8（0）;
end
end
end
imshow（I）;
此种算法速度很慢，一直都没等到结果，也有可能是程序中有死循环，，费解
改进的算法如下：
（也挺费时间的，效果不好）
I=imread（'beauty_yellowflowers.jpg'）;
I=rgb2gray（I）;
[m,n]=size（I）;
block=10;
ver=floor（m/block）;
hor=floor（n/block）;
T=zeros（m,n）;
forb_ver=1:
block
forb_hor=1:
block
%T（（ver*（b_ver-1）+1）:
（ver*b_ver）,（hor*（b_hor-1）+1）:
（hor*b_hor））=otsu（I（（ver*（b_ver-1）+1）:
（ver*b_ver）,（hor*（b_hor-1）+1）:
（hor*b_hor）））;
t=0;
fori=（ver*（b_ver-1）+1）:
（ver*b_ver）
forj=（hor*（b_hor-1）+1）:
（hor*b_hor）
t=t+uint32（I（i,j））;
end
end
t=double（t）/（ver*hor）;
std_deviation=0;
fori=（ver*（b_ver-1）+1）:
（ver*b_ver）
forj=（hor*（b_hor-1）+1）:
（hor*b_hor）
std_deviation=std_deviation+（uint32（I（i,j））-t）*（uint32（I（i,j））-t）;
end
end
std_deviation=sqrt（double（std_deviation）/（ver*hor））;
thr=t+0.2*std_deviation;
fori=（ver*（b_ver-1）+1）:
（ver*b_ver）
forj=（hor*（b_hor-1）+1）:
（hor*b_hor）
ifI（i,j）>uint8（floor（thr））
T（i,j）=255;
else
T（i,j）=0;
end
end
end
end
end
imshow（T）;
效果（不怎么好）：
升级会员 