王濤，徐婭萍，亢海龍，等

0 引言

圖像二值化是應(yīng)用最廣泛的圖象分割技術(shù),在自動(dòng)目標(biāo)識(shí)別、圖象分析、文本增強(qiáng)以及OCR等圖像處理中得到廣泛應(yīng)用。現(xiàn)有的二值化方法大多屬于閾值化方法，主要有全局閾值法、局部閾值法及動(dòng)態(tài)閾值法[1]。

(1) 全局閾值法 是指整個(gè)圖像采用單一閾值(全局閾值)T進(jìn)行圖像二值化。一般由圖像的直方圖或灰度的空間分布，確定一個(gè)全局閾值T,將圖像的每個(gè)像素的灰度值與T進(jìn)行比較。若大于T,則取為前景色;否則，取為背景色。

(2) 局部閾值法 由當(dāng)前像素灰度值與該像素周圍點(diǎn)局部灰度特征來確定像素的閾值。局部閾值選取，一般將圖像劃分為若干子像，在每個(gè)子圖像區(qū)域上使用整體閾值法，從而可以構(gòu)成整幅圖像的局部閾值法。

(3) 動(dòng)態(tài)閾值法 當(dāng)光照不均勻、或者背景灰度變化較大等情況時(shí)，必須根據(jù)像素的坐標(biāo)位置關(guān)系，自動(dòng)確定不同閾值，實(shí)施動(dòng)態(tài)的閾值確定。該法的閾值選擇，不僅取決于該像素及周圍像素的灰度值，而且還與該像素的坐標(biāo)位置有關(guān)。

通常來說，全局閾值化方法實(shí)現(xiàn)簡單，對(duì)于具有明顯雙峰直方圖的圖像效果明顯，但對(duì)于低對(duì)比度和光照不均勻的圖像效果不佳，因而應(yīng)用范圍受到極大限制。局部閾值法則能夠適應(yīng)較為復(fù)雜的情況，比全局閾值法有更為廣泛的應(yīng)用。但它往往忽略了圖像的邊界特征信息,使得原圖像中的一些不同區(qū)域在二值化后變成了一塊大區(qū)域，造成二值化結(jié)果圖像某些重要信息的丟失。動(dòng)態(tài)閾值法充分考慮了像元的鄰域特征，能夠根據(jù)圖像的不同背景情況自適應(yīng)地改變閾值，可較精確地提取出二值圖像，但它過渡地夸大了像元的鄰域灰度的變化,會(huì)把不均勻灰度分布的背景分割到目標(biāo)中去，帶來許多不應(yīng)出現(xiàn)的假目標(biāo)。

對(duì)于低對(duì)比度、不均勻光照?qǐng)D像來說，圖像中目標(biāo)物體輪廓可能是模糊的，但還可分辨出來，用邊緣檢測(cè)器還可檢測(cè)出來，此時(shí)用普通的閾值化方法可能會(huì)丟失目標(biāo)的細(xì)節(jié)信息，因此本文使用了一種新的二值化圖像方法 - 基于邊緣特征的二值化方法。

1 圖像邊緣提取

本文所提出的圖像二值化算法，關(guān)鍵之一在于圖像邊緣的提取。常用的幾種用于邊緣檢測(cè)的算子，有Roberts，Sobel，Prewitt，LoG和Laplacian等。這些算子的主要缺點(diǎn)是對(duì)噪聲敏感，而在實(shí)際圖像中噪聲是難以避免的。

Canny邊緣提取方法是由John Canny在1986年首先提出的[2]，之后迅速成為邊緣提取的一種重要方法。Canny算子充分反映了最優(yōu)邊緣檢測(cè)器的數(shù)學(xué)特性，是對(duì)信噪比與定位能力的最優(yōu)化逼近算子，廣泛應(yīng)用于圖像處理和模式識(shí)別問題中。Lee等人[3]，將Canny算子用于人臉識(shí)別中，成功地實(shí)現(xiàn)了人臉下額區(qū)域同頸部的分離；Ali等人[4]將canny算子用于遠(yuǎn)程傳感圖像的去噪聲和特征提取上；這些研究表明，Canny算子用于邊緣提取可取得較好的效果。

Canny算子的邊緣檢測(cè)最優(yōu)性與以下標(biāo)準(zhǔn)有關(guān)：

(1) 好的信噪比, 即非邊緣點(diǎn)判為邊緣點(diǎn)或?qū)⑦吘夵c(diǎn)判為非邊緣點(diǎn)的概率低; 信噪比的數(shù)學(xué)表達(dá)式為:

若信噪比越大,則邊緣提取質(zhì)量越好。

(2) 好的定位性能, 即檢測(cè)出的邊緣點(diǎn)要盡可能在實(shí)際邊緣的中心; 定位精度的表達(dá)式為:

Location的值越大,則定位精度就越大。

(3) 對(duì)單一邊緣具有唯一響應(yīng), 并且對(duì)虛假邊緣響應(yīng)應(yīng)得到最大抑制。

本文利用鑰匙齒邊圖像（如圖1所示）對(duì)以上算子進(jìn)行了對(duì)比實(shí)驗(yàn)分析：

(1) Roberts算子。實(shí)驗(yàn)結(jié)果。Roberts算子利用局部差分算子尋找邊緣,邊緣定位精度較高,但容易丟失一部分邊緣,同時(shí)由于沒經(jīng)過圖像平滑計(jì)算,因此不能抑制噪聲。該算子對(duì)具有陡峭的低噪聲圖像響應(yīng)最好。如圖2所示

圖1 鑰匙齒邊圖像

圖2 Roberts算子邊緣提取圖像

(2) Sobel算子和Prewitt算子。實(shí)驗(yàn)結(jié)果如圖3，4所示。兩者都是對(duì)圖像進(jìn)行差分和濾波運(yùn)算,差別只是平滑部分的權(quán)值有些差異,因此對(duì)噪聲具有一定的抑制能力,但不能完全排除檢測(cè)結(jié)果中出現(xiàn)偽邊緣。同時(shí)這2個(gè)算子邊緣定位比較準(zhǔn)確和完整,但容易出現(xiàn)邊緣多像素寬。該類算子對(duì)灰度漸變和具有噪聲的圖像處理得較好。

圖3 Sobel算子邊緣提取圖像

圖4 Prewitt算子邊緣提取圖像

(3) Laplacian算子。實(shí)驗(yàn)結(jié)果如圖5所示。為二階微分算子,對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確，且具有旋轉(zhuǎn)不變性即無方向性,但是該算子容易丟失一部分邊緣的方向信息,造成一些不連續(xù)的檢測(cè)邊緣,同時(shí)抗噪聲能力比較差。該算子比較適用于屋頂型邊緣的檢測(cè)。

圖5 Laplacian算子邊緣提取圖像

(4) LoG算子。實(shí)驗(yàn)結(jié)果如圖6所示。該算子首先通過高斯函數(shù)對(duì)圖像作平滑處理,因此對(duì)噪聲的抑制作用比較明顯,但同時(shí)也可能將原有的邊緣也平滑了,造成某些邊緣無法檢測(cè)到。

圖6 LoG算子邊緣提取圖像

(5) Canny算子。實(shí)驗(yàn)結(jié)果如圖7所示。該算子同樣采用高斯函數(shù)對(duì)圖像作平滑處理,因此具有較強(qiáng)的去噪聲能力,但同樣存在容易平滑掉一些邊緣信息。同時(shí)其后所采用的一階微分算子的方向性較LoG算子要好,因此邊緣定位準(zhǔn)確性較高。

圖7 Canny算子邊緣提取圖像

通過實(shí)驗(yàn)可以看出，Canny算子是傳統(tǒng)邊緣算子中效果最好的算子之一，可以準(zhǔn)確檢測(cè)出圖像目標(biāo)邊緣。

3 算法原理與過程分析

本文算法結(jié)合了全局閾值法和局部閾值方法。全局閾值方法主要有：P-tile方法、大津法[5]等等。大津法（又稱類間差法）是基于整幅圖像的統(tǒng)計(jì)特性，實(shí)現(xiàn)閾值的選取。其原理是:把圖像直方圖用某一灰度值分割成2組,當(dāng)被分割成的2組方差最大時(shí),此灰度值就作為圖像二值化處理的閾值。局部閾值方法主要有鄰域均值法。若考慮到二值圖像掃描中目標(biāo)邊緣的灰度值，總是小于其局部背景的灰度值(鄰域灰度的變化特征),則可以采用類似于 Musavi的局部自適應(yīng)二值化方法[6]。該方法利用各象素的n×n鄰域(n為奇數(shù),為減少運(yùn)算量,一般取n=3或5),對(duì)該象素的鄰域灰度進(jìn)行統(tǒng)計(jì)

其中，α為0～1之間的常數(shù)，由圖像的質(zhì)量確定(當(dāng)圖像質(zhì)量較好時(shí)，α取較小的值)；M為某一象素鄰域內(nèi)各象素的灰度平均值；S為該鄰域內(nèi)象素灰度的標(biāo)準(zhǔn)差。T為考慮鄰域的局部自適應(yīng)閾值，該值用來對(duì)局部圖像進(jìn)行二值化處理。本文研究中采用該方法，取得了較好的效果。

本文算法的基本思路是：先用邊緣檢測(cè)算子檢測(cè)獲得圖像的邊緣特征（灰度變化劇烈的地方），然后根據(jù)邊緣像素點(diǎn)的空間位置關(guān)系，實(shí)現(xiàn)不同像素點(diǎn)的二值化處理。如果圖像點(diǎn)是非邊界像素點(diǎn)，則用全局閾值法確定出最佳全局閾值，進(jìn)行二值化處理；如果圖像點(diǎn)是邊界像素點(diǎn)，則采用局部閾值法來確定閾值。

算法的基本過程描述如下：（1）圖像預(yù)處理 由于攝像機(jī)的擾動(dòng)或其它原因,原始圖像中會(huì)含有噪聲,所以要先對(duì)原始圖像做低通濾波處理或其他處理，以降低噪聲的影響；（2）最佳全局閾值確定 用 Ostu算法計(jì)算出整幅圖像的最佳全局閾值，用于邊緣以外的其他像素點(diǎn)的二值化處理；（3）邊緣檢測(cè) 采用Canny算子確定出較為準(zhǔn)確的、符合實(shí)際的圖像邊界信息；（4）二值化處理 這步是本算法的關(guān)鍵，依據(jù)第3步，某像素若是邊緣點(diǎn),則進(jìn)行Musavi局部自適應(yīng)二值化方法，進(jìn)行局部閾值自適應(yīng)計(jì)算，并進(jìn)行相應(yīng)的二值化處理,而對(duì)非邊緣點(diǎn)則做Ostu法處理。

經(jīng)過上述處理，適當(dāng)?shù)木C合了全局閾值和局部閾值方法的優(yōu)點(diǎn)，整體上降低了各自的缺陷。

4 實(shí)驗(yàn)與結(jié)論

根據(jù)基于邊緣信息的圖像二值化算法的基本原理和邊緣檢測(cè)算子的實(shí)驗(yàn)分析，我們進(jìn)行了基于 Canny算子的二值化處理。在實(shí)際的研究當(dāng)中，選取了圖1所示圖像作為研究的對(duì)象。圖8為大津法獲取的二值圖像，圖9為結(jié)合邊緣信息的自適應(yīng)算法得到的二值圖像，圖10為局部閾值自適應(yīng)二值化圖像。

圖8 大津法二值化圖像

圖9 本文二值化方法圖像

圖10 局部閾值二值圖像

比較以上幾幅圖可知，用本文的方法可更好的保留圖像的細(xì)節(jié)信息，同時(shí)避免了采用單獨(dú)局部閾值法的虛假信息太多、抗噪聲能力低和時(shí)空復(fù)雜度高的缺陷。本文提出的基于邊緣信息的自適應(yīng)二值化方法，它能使二值化的過程中盡量保留圖像中的細(xì)節(jié)信息，同時(shí)抗干擾性也比較好。

[1] 陳強(qiáng)，朱立新，夏德深. 結(jié)合Canny算子的圖像二值化[J] .計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2005，17(6):1302-306.

[2] Canny J. A Computational Approach to Edge Detection[J] .IEEE Transactions on Pattern Analysis and Machine Intelligence,1986，8(6)：679-698.

[3] Lee K K，Cham W K，Chen Q R. Chin Contour Estimation Using Modified Canny Edge Detector[C] // Proceedings of the 7th International Conference on Control，Automation，Robotics and Vision(ICARCV)2002：770-775.

[4] Ali M，Clausi D. Using the Canny Edge Detector for Feature Extraction and Enhancement of Remote Sensing Images[J] . International Geoscience and Remote Sensing SymPosium,2001, 5:2298-2300.

[5] 唐良瑞, 馬全明, 景曉軍. 圖像處理實(shí)用技術(shù)[M] .北京:化學(xué)工業(yè)出版社,2002:94-105.

[6] 楊治平. 基于自適應(yīng)多閾值變換編碼的圖像二值化處理[J] . 重慶師范學(xué)院學(xué)報(bào):自然科學(xué)版,2001,18(3):77-80.

[7] 鄭浩，張洪濤，葉聲華. 基于目標(biāo)邊緣的圖像二值化方法研究[J] . 計(jì)量技術(shù),2002, (4):3-5.

[8] 張慶英，岳衛(wèi)宏，肖維紅,等. 基于邊界特征的圖像二值化方法應(yīng)用研究[J] . 武漢理工大學(xué)學(xué)報(bào)，2005，27(2):55-57.

[9] 李國平. 基于莫爾技術(shù)的標(biāo)牌凹凸字符圖像獲取與識(shí)別研究[D] .山東大學(xué)博士論文, 2007:5.