閾值選擇

二維指數熵圖像閾值選取方法及其快速算法

④確定f的每個象素對應的閾值；

⑤根據求出的閾值輸出二值圖象g。

原圖中可能含有噪聲，在處理前要進行去噪，可採用均值濾波器或中值濾波器，或者選擇更為複雜一些的如自適應濾波方法。在第①步採用Sobel運算元進行邊緣提取：

|f(i-1,j-1)+2f(i-1,j)+f(i-1,j+1)-[f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)]|+

|f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1)-[f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)]|

第②步是對邊緣特徵圖象進行常規二值化，以確定哪些象素點是邊緣象素點。這是可採用平均灰度值或最大熵法等方法。第④步是算法的關鍵，根據第②步的結果進行二值化閾值的自動選擇，在邊緣象素點進行局部閾值計算。算法具體實現如下：

for(i=1;i

{for(j=1;j

if b(i,j)=1 //若是邊緣象素點。A=與求e(i,j)相關的象素點的平均灰度值

{ A=(f(i-1,j-1)+f(i,j-1)+f(i+1,j-1)+f(i-1,j)+f(i,j)+f(i+1,j)+f(i-1,j+1)+f(i,j+1)+f(i+1,j+1))/9; //將每個與求e(I,j)相關的象素f(u,v)的熵值賦給A

Th(i-1,j-1)=A;Th(i,j-1)=A;Th(I+1,j-1)=A;Th(i-1,j)=A;Th(i,j)=A;Th(I+1,j)=A;Th(i-1,j+1)=A;Th(i,j+1)=A;Th(I+1,j+1)=A;}

Else //非邊緣點的閾值為Th0

Th(i,j)=Th0;}

第⑤步根據計算處的閾值對f進行二值化處理，即刻得到輸出圖象g。

3 實驗結果比較

上節提出了把圖象邊緣特徵與其他閾值選取結合起來的算法。圖1～4是用該算法和其他幾種自動選取閾值二值化方法對同一幅圖形進行處理比較的結果。

二維shannon信息熵法是圖像閾值分割中常用的經典算法，但存在著不足。為此，提出了一種二維指數信息熵閾值選取方法，克服了對數熵的不足,將對數改為指數，提高了速度。同時給出了一種二維指數熵閾值選取的快速算法，通過改變二維直方圖的區域劃分，將二維閾值轉換為一維，運行時間不到原算法的1%。實驗結果表明，該算法能快速準確地實現圖像分割。

閾值選取是圖象處理與分析的基礎。針對幾種常用的圖象二值化自動選取閾值方法，通過計算機仿真對實驗結果進行了比較研究。在此基礎上，提出了一種新的圖象二值化算法。該算法著重於在圖象二值化時保留圖象的邊緣特徵。實驗結果表明，這個基於邊緣特徵檢測運算元的算法能很好地保留原圖的邊緣特徵，並能處理低質量的圖象。

圖象分割是圖象分子合處理的重要手段，其目的是從圖象中把目標區域和背景區域分開。圖象分割有很多方法，其中最為簡單和有效的是閾值處理。通過選擇一個或幾個合適的灰度閾值，原圖中的目標和背景就很容易被分開。如何選取閾值能達到有效的分割效果，是閾值處理的關鍵。

1 幾種典型算法

1.1平均灰度值法

該方法以圖象中的所有象素的灰度值的平均值為閾值。閾值可由下面的公式計算得到：其中，N為象素總數，L為最大灰度級，f(i,j)為點處的灰度值。

閾值選擇

二維指數熵圖像閾值選取方法及其快速算法

1.3最大熵法

相關參考

相關詞條

熱門詞條

二值化	一維
圖象分割	最佳閾值