張潔玉

(中國藥科大學 理學院，南京 211198) (*通信作者電子郵箱zhjy_xx@126.com)

基于圖像分塊的局部閾值二值化方法

張潔玉*

(中國藥科大學 理學院，南京 211198) (*通信作者電子郵箱zhjy_xx@126.com)

針對目前局部閾值二值化結果存在目標虛假或斷裂的缺陷，提出了一種基于圖像分塊的局部閾值二值化方法。首先，將圖像分成若干子塊并分析每個子塊像素灰度變化情況；接著，取一定大小的局部窗口在圖像中移動，比較該局部窗口內與包含窗口自身且比窗口更大區(qū)域內的像素灰度變化情況，更大區(qū)域由窗口模板當前覆蓋的所有子塊組成，以此判斷窗口內是否為灰度變化平坦(或劇烈)區(qū)域;最后，根據(jù)不同的區(qū)域，給出具體的二值化方案。利用7種不同算法對4種不同類型的4組圖像進行了二值化實驗。實驗結果表明該算法在屏蔽背景噪聲和保留目標細節(jié)方面表現(xiàn)最優(yōu)，特別地通過對車牌圖像的二值化結果進行定量分析后發(fā)現(xiàn)該算法能夠得到最高召回率和準確率。

圖像二值化;圖像分塊;灰度變化程度;局部閾值

0 引言

圖像二值化是圖像處理中一項非常重要的基本方法，一般可作為眾多圖像處理方法的預處理技術，如邊緣提取、目標識別、形狀處理、圖像分割及光學字符識別等都可以先將圖像進行二值化后再進行后續(xù)處理[1-5]。二值化方法大多都為基于閾值的方法，即尋找一個合適的閾值將原圖像的像素灰度分為大于閾值和小于閾值的兩類，從而得到二值化的結果，因此，閾值的選取對二值化的結果起著決定性的作用。目前，基于閾值的二值化方法可以分為兩類，即全局閾值法和局部閾值法[6-8]。

全局閾值法[9]對整個圖像采用單一的閾值，將圖像中每個像素灰度值與閾值進行比較，再依據(jù)比較結果將其分為背景或目標對象。該類方法對于目標和背景的像素灰度明顯分離的圖像效果較好，但對于背景復雜或光照不均勻的圖像則無法得到滿意的效果。為了克服全局閾值法的缺點，一些學者提出了一類局部閾值方法，這類方法不再選用統(tǒng)一的閾值，而是將每個點與其局部鄰域的其他像素點進行比較，根據(jù)局部鄰域像素灰度分布特性自適應調節(jié)閾值，每個像素點依據(jù)局部閾值再進行二值化?，F(xiàn)今，典型的局部閾值法有Bernsen法[10-11]、Niblack法[12-13]等。大量學者經(jīng)過實驗發(fā)現(xiàn)，對于光照不均勻或對比度差的圖像，使用局部閾值法可以得到更好的二值化效果，但是該類方法仍然存在缺陷，不可避免地導致二值化結果中部分區(qū)域存在虛假目標或目標對象斷裂等問題。針對此種情況，Madhuri等[14]先將原始圖像進行高斯濾波，再利用Bernsen方法對原圖和高斯濾波后的圖像分別求出閾值，然后對這兩個閾值進行加權處理得到最終的閾值進行二值化，該方法能夠在一定程度上消除噪聲干擾，但是仍然沒有解決Bernsen算法進行強制二值化的問題。由此，不少學者提出了一些其他的改進方法，這些方法主要針對圖像細節(jié)對算法的各種參數(shù)進行調控，以求在復雜光照下能夠得到較為完整地保留細節(jié)的二值化結果[11,15]。這類改進方法常用的手段是：首先獲得一個全局閾值，再將每個像素與該閾值相比較，若差別非常大，則直接判定該像素為背景或目標；若差別較小且在一定范圍內，則一般先用Bernsen算法或Niblack算法求得一個閾值，再將該閾值與整幅圖像的全局閾值進行加權后求得一個最終的新閾值，利用新閾值再將像素判定為背景或目標。經(jīng)過這類方法的處理，圖像二值化結果存在的目標虛假或目標斷裂的問題可以得到一定的緩解，但有些情況下獲得的結果仍然不能滿足需要。

針對上述情況，本文提出了一種基于圖像分塊思想的二值化方法。該方法不再是簡單地將整幅圖像的全局閾值和局部窗口閾值相結合，而是首先將一幅圖像分為若干子塊，通過計算每個子塊內所有像素的平均絕對偏差來考察其像素灰度變化情況。接著利用一定大小的局部窗口在整幅圖像中滑動，計算不同子塊在局部窗口中所占的面積比例并求得對應的比例因子，將該因子作為加權系數(shù)將不同子塊的平均絕對偏差進行加權求和之后得到新閾值，利用該閾值判斷局部窗口內像素灰度變化是否為平坦(或劇烈)區(qū)域，再針對不同的區(qū)域設計了局部窗口中心像素點的二值化具體方案。

1 Niblack及Bernsen算法及其存在的問題

Niblack算法是一種典型的局部閾值二值化方法，圖像每個像素點與通過局部鄰域計算得到的閾值相比較進行二值化。局部閾值的計算方法為：設f(x,y)是圖像某一點(x,y)的灰度值，則該點的局部閾值是在以其為中心的一個w×w大小的窗口內計算得到的，計算公式如下：

T(x,y)=m(x,y)+k*σ(x,y)

(1)

其中:m(x,y)和σ(x,y)分別是窗口內所有像素點的平均灰度和均方差；k是偏差系數(shù)，其值由經(jīng)驗預先設定，一般取值范圍為0.1～0.5。

Bernsen算法是另一種流行的局部閾值二值化方法，局部閾值的計算公式如下：

T(i,j)=0.5*(maxI(i+m,j+n)+ minI(i+m,j+n))

(2)

其中:I(i,j)是灰度圖像的某個像素點，m∈[-w,w],n∈[-w,w]，w為窗口寬度的一半。

Niblack算法和Bernsen算法的閾值均由考察點的局部鄰域像素灰度決定，該閾值可以隨著局部區(qū)域的變化而動態(tài)調整，因此比全局閾值二值化有更好的自適應能力，但這種局部閾值思想會導致新的問題出現(xiàn)。若某個局部窗口中的像素絕大部分甚至全部是目標(或背景)像素，而由于光照等因素使得目標(或背景)像素的灰度值分布不均勻時，會造成該窗口內本應屬于同一類的像素被強行二值化為不同類，從而產(chǎn)生虛假目標或使得目標斷裂。因此，如何在可以動態(tài)計算局部閾值的同時，又能夠盡量減少強行二值化，是需要進一步研究的問題。

2 基于圖像分塊的局部閾值二值化方法

以往針對傳統(tǒng)局部閾值二值化算法進行改進的大部分方法中，都是先對整幅圖像計算一個閾值T1，T1通常由計算整個圖像的平均值、方差或像素灰度的最大值與最小值的均值而得到。然后對局部窗口內的像素再次計算一個閾值T2，T2往往通過計算該局部窗口內像素的平均值與方差的偏差或窗口內像素灰度最大值與最小值的均值得到。最后，再將T1和T2進行加權求和得到最終的閾值，該閾值就是進行圖像二值化的依據(jù)。

本文提出的基于圖像分塊的二值化方法，最大的不同之處在于將圖像進行了分塊，將圖像分塊后，能夠得到更加細致的圖像不同部分的子塊中像素灰度變化情況。當一定大小的局部窗口在圖像中滑動時，綜合分析該窗口內像素分布狀態(tài)μ1及窗口模板覆蓋的所有子塊內的像素分布狀態(tài)μ2，將μ1與μ2進行比較后，判斷局部窗口內像素灰度分布是否為平坦(或劇烈)區(qū)域，再根據(jù)不同區(qū)域給出具體的二值化方案。在新方法中，不再將μ1和整幅圖像的像素分布情況進行比較，而是將μ1和包含自身但比自身更大區(qū)域的μ2比較， 這樣是為了能夠更加準確地分析出局部窗口內像素灰度的變化情況。首先判斷局部窗口內區(qū)域是否屬于像素灰度變化平坦(或劇烈)區(qū)域，再根據(jù)不同的區(qū)域給出不同的二值化方法，可以提高后續(xù)二值化的準確度。

2.1 圖像分塊

在新算法中，圖像首先被分成若干子塊，具體分塊方法如圖1所示。外矩形框代表整幅圖像，內部細線虛線矩形框代表圖像分成的若干子塊，粗線矩形框代表局部滑動窗口，粗線虛線矩形框代表局部窗口模板下覆蓋的所有子塊組成的圖像區(qū)域。實驗發(fā)現(xiàn)，每個子塊如果選取太大，運算成本則會大幅增加，并且發(fā)現(xiàn)如若每個子塊選取大于3×3的圖像塊時，得到的二值化結果與選取3×3的圖像塊的結果相比并沒有明顯提升，因此本文每個子塊選擇為3×3的圖像塊(如圖1中左上角子塊1的劃分方法)，共選取同樣大小的9個子塊。

圖1 圖像分塊示意圖

新算法依次考察圖像被分成的若干子塊區(qū)域內像素灰度的變化情況，考察的方法是計算子塊區(qū)域內所有像素的平均絕對偏差T1。一塊圖像區(qū)域的平均絕對偏差代表單個像素灰度值與所有像素灰度平均值的偏離水平，能夠反映該區(qū)域內像素值的灰度變化偏向平坦還是劇烈。

2.2 像素灰度變化平坦(或劇烈)區(qū)域的二值化

2.2.1 判斷灰度變化平坦(或劇烈)區(qū)域的方法

判斷局部滑動窗口內的像素灰度變化情況時，以往的方法常常是同時計算整幅圖像與局部窗口內的像素灰度平均值或標準差，然后將這兩種平均值或標準差進行比較。但在一幅圖像中，往往不同區(qū)域的像素灰度變化情況是不同的，有的區(qū)域灰度變化較小，而有的區(qū)域則變化較為劇烈。若以整幅圖像的像素灰度平均值或標準差的大小作為依據(jù)，考察某個局部窗口內的像素灰度變化情況是不準確的。

本文提出的算法中取出局部窗口周邊的比該窗口自身更大一些的區(qū)域，通過比較該區(qū)域與局部窗口內的像素灰度變化情況，判斷局部窗口內像素灰度變化是否屬于平坦(或劇烈)區(qū)域。如圖1中，局部窗口模板所覆蓋的圖像子塊有9個，考察局部窗口內像素灰度變化程度時，要首先分析被覆蓋的9個子塊中的像素情況，具體算法如下：

當局部窗口在整幅圖像中滑動時，計算局部窗口中不同圖像子塊落入的面積比例，將每個子塊對應的T1通過該比例進行加權求和后可得到閾值T2，計算公式為：

(3)

其中：n代表圖像子塊落入局部窗口中的個數(shù)，i代表圖像子塊標號。T1i為第i個子塊對應的平均絕對偏差。ki為第i個子塊落入滑動窗口中所占的面積比例因子，該因子可由下式求得：

ki=sumi/sum

(4)

其中：sumi為第i個子塊落入滑動窗口中的像素數(shù)，sum為滑動窗口中的像素總數(shù)。

接著，再計算局部滑動窗口內像素的平均絕對偏差σ，通過比較σ和T2來判斷局部窗口區(qū)域內像素灰度變化情況，具體比較方法如下所示：

(5)

其中：α為比較系數(shù)，通過大量實驗發(fā)現(xiàn)，該系數(shù)取值為0.5時，效果最佳。

2.2.2 灰度變化平坦區(qū)域二值化方法

在圖像分成若干子塊時，利用OTSU算法同時計算每個子塊的二值化閾值，再統(tǒng)計不同子塊落入局部窗口中的面積比例并得到比例因子，最后由各個子塊對應的閾值乘以各自比例因子加權求和計算出局部窗口的最終閾值。具體計算方法如式(6)：

(6)

其中：O1i為第i個子塊對應的OTSU閾值。當窗口內為灰度變化平坦區(qū)域時，直接判斷局部窗口中心像素灰度值與式(6)計算得到的閾值O的大小，并進行二值化。如式(7)所示：

(7)

其中，img(x,y)和imgBW(x,y)分別為圖像在(x,y)像素點處的原灰度值和二值化后的值。

2.2.3 灰度變化劇烈區(qū)域二值化方法

當局部窗口內像素灰度變化較為劇烈時，像素灰度值分布范圍較廣，且很可能包含一定數(shù)量的灰度值與局部窗口閾值O非常接近的像素，因此，本文算法將像素分為兩類后再進行處理，即灰度值遠離閾值O的像素和灰度值靠近閾值O的像素。當局部窗口中心像素灰度值遠小于(或遠大于)閾值O時，直接將該像素置為0(或1)，如式(8)所示：

(8)

其中：參數(shù)β控制局部窗口中心像素灰度值與閾值O的距離，β越大距離越遠，本文算法中取0.5。

當局部窗口中心像素灰度值與閾值O接近時，二值化方法如式(9)所示：

(9)

其中：Mean和σ分別代表局部窗口像素灰度平均值和平均絕對偏差。

3 實驗結果與分析

3.1 實驗結果

為了充分驗證本文算法的有效性，采用了4種不同類型的圖像進行了實驗。4種圖像類型分別為X光圖像(圖2)、紅外圖像(圖3)、自然光照圖像(圖4)及車牌圖像(圖5)。

圖2 X光人體骨架二值化結果

圖3 艦船紅外圖像二值化結果

圖4 自然光照圖像二值化結果

圖5 車牌圖像二值化結果

3.2 實驗分析

本文分別利用OTSU、Bernsen、Niblack、文獻、文獻〖10〗、文獻〖11〗以及文中提出的方法等7種算法，對4個種類的4組圖像進行二值化實驗。實驗中，除了OTSU為全局閾值方法以外，其余6種都屬于局部閾值二值化方法。

從所有實驗結果可以看出，OTSU算法只用唯一的全局閾值將整幅圖像進行二值化，對于光照不均勻或背景和目標區(qū)域灰度值區(qū)分不明顯的圖像，利用OTSU算法并不能準確地將目標分離出來。局部閾值二值化方法考察了每個像素點局部鄰域內的灰度情況，實現(xiàn)了二值化閾值隨區(qū)域變化而動態(tài)調整，因此一般情況下二值化效果比OTSU好，但是，局部閾值方法在窗口內計算閾值時，若窗口內全部為背景(或目標)并且背景(或目標)區(qū)域像素灰度分布不均勻時，該窗口內勢必會強行二值化，使得本該屬于同一背景(或目標)區(qū)域的像素而錯誤分成不同類。如在Bernsen算法和Niblack算法的二值化結果中，往往將圖像中的微弱背景強化成目標，從而導致存在大量的虛假目標，如圖2中的(c)和(d)。仔細查看原始圖像(a)可以發(fā)現(xiàn)，由于灰度分布不均勻，在骨架背景區(qū)域有非常微弱的環(huán)狀條紋，Bernsen算法和Niblack算法進行二值化時，錯誤地將背景條紋作為目標分離了出來。

文獻首先計算了局部窗口內灰度最大值和最小值的均值，然后利用高斯濾波器平滑后再次計算窗口內灰度最大值和最小值的均值，最后將前后兩次均值進行加權求和得到新的閾值，若局部窗口中心像素點的灰度值與新閾值的差距足夠大則認為是背景，否則認為是目標。通過分析發(fā)現(xiàn)，在灰度大面積相似的背景區(qū)域，局部窗口中心像素點的灰度值與新閾值非常接近，因此背景大部分區(qū)域都被變成了目標(即白色，如圖2(g))。文獻〖11〗中首先計算整幅圖像的均值及局部窗口的Bernsen閾值，再將該均值和Bernsen閾值加權求和后得到最終閾值，最后利用該閾值進行二值化。該方法是在原有Bernsen算法上的改進，在二值化時綜合考慮了Bernsen閾值和整幅圖像的均值，但事實上整幅圖像的均值在衡量局部窗口內像素的灰度變化情況時貢獻不大，因此，利用文獻〖11〗中的方法得到的二值化結果并不理想。文獻〖10〗首先將局部窗口中灰度的最大值和最小值進行加權求和得到一個閾值，再利用均值濾波器濾波后再次計算該局部窗口的灰度最大值和最小值加權求和得到另一個閾值，將前后兩個閾值乘以各自比例因子后求和得到最終的閾值，最后依據(jù)此閾值進行二值化。由于采用了均值濾波，圖像丟失了一定的細節(jié)，因此得到的二值化結果中目標出現(xiàn)斷裂的情況，并沒有被完整提取出來。圖2中，本文算法的二值化結果為圖2(h)，由于采用了圖像分塊策略，在考察局部窗口像素灰度變化時參考了包含窗口自身且更大區(qū)域的像素灰度情況，可以較為準確地判斷局部窗口的灰度變化情況，針對不同情況進行合適的處理。通過本文算法得到的二值化結果中多余背景幾乎全部被屏蔽，提取出來的目標細節(jié)保留良好(如圖2(h)中實線矩形區(qū)域部分)，圖像較為清晰。

圖3是對艦船紅外圖像的二值化結果。在所有結果中，文獻和本文算法結果較為滿意，但是文獻的結果中多了一些本該屬于背景而不屬于艦船本身的部分(如圖3(c)、(e)中的虛線矩形區(qū)域)，另外在目標艦船的細節(jié)保留方面，本文算法的結果更勝一籌，如艦船桅桿的最高部等部分(如圖3(h)中的實線矩形區(qū)域)。

圖4是對自然光照圖像的二值化結果。圖4中的目標是銅質雕像人物，從結果中同樣可以看到，本文的二值化最優(yōu)。文獻〖11〗的結果與本文算法結果最為接近，但是文獻〖11〗的結果中背景仍然存在部分噪聲(如圖4(g)中的虛線矩形區(qū)域)，并且提取得到的目標中部分細節(jié)保留不及本文算法的結果，如人物所執(zhí)手杖的最上部以及人物身后翅膀的紋理(如圖4(h)中的實線矩形區(qū)域)。

圖5是對分割出來的車牌的二值化結果。在所有結果中，本文二值化效果最為滿意。文獻、文獻〖10〗和文獻〖11〗的結果可以提取得到目標，但是背景處理不佳，均存在不同程度的偽目標。另外，采用Gatos提出的方法[16]，對車牌圖像不同算法二值化結果進行定量分析。該方法具體如式(10)和式(11)所示:

(10)

(11)

其中:CTP代表各算法得到的分割結果與正確分割結果相符的像素點個數(shù)；CFN代表本該為目標物體的像素而被錯分割為背景部分的像素點個數(shù)；CFP代表本該為背景部分而被錯分割為目標物體的像素點個數(shù)。經(jīng)過定量計算，對于圖5中各算法的比較結果如表1所示。

表1 圖5中各算法二值化結果比較

從定量分析的結果可以看到，本文算法的二值化結果最優(yōu)。

4 結語

本文針對目前的局部閾值二值化方法存在的問題，提出了一種基于圖像分塊思想的局部閾值二值化方法。該方法將圖像分解成了若干子塊，當局部窗口在圖像中滑動時，分析以窗口模板覆蓋的若干子塊組成的更大區(qū)域中像素灰度的變化情況，以此來判斷局部窗口內像素灰度分布是否為平坦(或劇烈)區(qū)域。若為平坦區(qū)域，則根據(jù)每個子塊加權后的OTSU閾值直接二值化；若為劇烈區(qū)域，則再將像素灰度詳細劃分為遠離閾值和靠近閾值兩部分，分別給出具體二值化方案。為了能夠充分驗證算法的性能，本文利用7種算法對X光圖像、紅外圖像、自然光照圖像及車牌圖像等4種類型的4組圖像進行了實驗。通過對比實驗結果發(fā)現(xiàn)，本文算法能夠屏蔽絕大部分背景噪聲并且同時保留更多的目標細節(jié)。

)

[1]WENY,LUY,YANJ,etal.Analgorithmforlicenseplaterecognitionappliedtointelligenttransportationsystem[J].IEEETransactionsonIntelligentTransportationSystems, 2011, 12(3): 830-845.

[2]SUQ,HUANGZ,HUZ,etal.Binarizationalgorithmbasedondifferentialevolutionalgorithmforgrayimages[C]//Proceedingsofthe2012 9thInternationalConferenceonFuzzySystemsandKnowledgeDiscovery.Piscataway,NJ:IEEE, 2012: 2611-2615.

[3]ZHENGL,HEX,SAMALIB,etal.Analgorithmforaccuracyenhancementoflicenseplaterecognition[J].JournalofComputerandSystemSciences, 2013, 79(2): 245-255.

[4] 張健.復雜圖像文本提取關鍵技術與應用研究[D].天津:南開大學,2014:34-61.(ZHANGJ.Researchonthetextdetectionandextractionfromcompleximages[D].Tianjin:NaikaiUniversity, 2014: 34-61.)

[5] 吳銳,黃劍華,唐降龍,等.基于灰度直方圖和譜聚類的文本圖像二值化方法[J].電子與信息學報,2009,31(10):2460-2464.(WUR,HUANGJH,TANGXL,etal.Methodoftextimagebinarizationprocessingusinghistogramandspectralclustering[J].JournalofElectronicsandInformationTechnology, 2009, 31(10): 2460-2464.)

[6] 張龍,喬鐵柱.一種紅外圖像的二值化分割算法研究[J].紅外技術,2014,36(8):649-651.(ZHANGL,QIAOTZ.Anbinarysegmentationalgorithmforinfraredimage[J].InfraredTechnology, 2014, 36(8): 649-651.)

[7] 孟立娜,韓其睿.一種全局和局部相結合的二值化方法研究[J].計算機技術與發(fā)展,2012,22(11):116-119.(MENGLN,HANQR.Animprovedbinarizationmethodcombinedglobalthresholdingwithlocalthresholding[J].ComputerTechnologyandDevelopment, 2012, 22(11): 116-119.)

[8] 郭佳,劉曉玉,吳冰,等.一種光照不均勻圖像的二值化方法[J].計算機應用與軟件,2014,31(3):183-186.(GUOJ,LIUXY,WUB,etal.Binarizationmethodforimagesacquiredundernon-uniformillumination[J].ComputerApplicationsandSoftware, 2014, 31(3): 183-186.)

[9]OTSUN.Athresholdselectionmethodfromgray-levelhistograms[J].IEEETransactionsonSystems,Man,andCybernetics, 1979, 9(1): 62-66.

[10]TALABAMA,HUANGZ,WANGJ.AnenhancedBernsenalgorithmapproachesforvehiclelogodetection[J].InternationalJournalofSignalProcessing,ImageProcessingandPatternRecognition, 2014, 7(4): 203-210.

[11] 王駿飛,黃樟燦,TALABAMA.一種針對圖像細節(jié)優(yōu)化的BM二值化方法[J].武漢理工大學學報,2014,36(8):127-132.(WANGJF,HUANGZC,TALABAMA.NewbinarizationmethodcalledBMaimtooptimizedetailofimage[J].JournalofWuhanUniversityofTechnology, 2014, 36(8): 127-132. )

[12] 魯周迅,張彬彬.一種新的手背靜脈分割方法[J].微電子學與計算機,2014,31(8):25-28.(LUZX,ZHANGBB.Anewsegmentationmethodofhanddorsalveinimage[J].MicroelectronicsandComputer, 2014, 31(8): 25-28.)

[13] 申森,李艾華,姚良,等.基于小波包和Niblack法的槍號圖像二值化算法[J].光子學報,2013,42(3):354-358.(SHENS,LIAH,YAOL,etal.GuncodebinaryimagealgorithmbasedonwaveletpacketandNiblackmethod[J].ActaPhotonicaSinica, 2013, 42(3): 354-358.)

[14]MADHURILG,CHAKRAVARTHYG.AnimprovedBernsenalgorithmapproachesforlicenseplaterecognition[J].JournalofElectronicsandCommunicationEngineering, 2012, 3(4): 1-5.

[15] 王珺,彭進業(yè),吳俊,等.復雜光照下的車牌圖像二值化新方法[J].電子設計工程,2011,19(22):147-150.(WANGJ,PENGJY,WUJ,etal.Binarizationoflicenseplateimagesundercomplexillumination[J].ElectronicDesignEngineering, 2011, 19(22): 147-150.)

[16]GATOSB,NTIROGIANNISK,PRATIKAKISI.ICDAR2009:DocumentImageBinarizationContest(DIBCO2009) [C]//Proceedingsofthe2009 10thInternationalConferenceonDocumentAnalysisandRecognition.Washington,DC:IEEEComputerSociety, 2009: 1375-1382.

ThisworkissupportedbytheNationalNaturalScienceFoundationofChina(61501522).

ZHANG Jieyu, born in 1980, Ph.D., lecturer. Her research interests include image processing, pattern recognition.

Binarization method with local threshold based on image blocks

ZHANG Jieyu*

(SchoolofScience,ChinaPharmaceuticalUniversity,NanjingJiangsu211198,China)

Aiming at the defects of local threshold binarization methods resulting in false or broken targets, a local threshold binarization method based on image blocks was proposed. Firstly, the image was divided into several sub-blocks and the distribution of gray-value in each block was analyzed. Then, a local window of a certain size was moved within the image and the gray-value variation of the pixels in this local window was compared with that in a larger area including aforementioned local window. The larger area consists of all the sub-blocks currently covered by the window template to determine whether the window is gray-value flat (or violent). Finally, a specific binarization scheme was given according to different regions. Seven different algorithms were used to binarize four different types of four sets of images. The experimental results show that the proposed algorithm has the best performance in masking the background noise and preserving the target details. In particular, the algorithm can get the highest recall rate and accuracy rate through quantitative analysis of the license plate image binarization results.

image binarization; image blocking; gray level change; local threshold

2016- 09- 07;

2016- 11- 07。 基金項目:國家自然科學基金資助項目(61501522)。

張潔玉(1980—),女,山西大同人，講師,博士,主要研究方向：圖像處理、模式識別。

1001- 9081(2017)03- 0827- 05

10.11772/j.issn.1001- 9081.2017.03.827

TP

A