專利名稱：基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像二值化方法。特別是涉及一種基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法。
背景技術(shù)：
隨著高速計(jì)算機(jī)和大規(guī)模集成電路的發(fā)展，數(shù)字圖像處理技術(shù)取得了一系列可喜的突破和進(jìn)展，其成果被廣泛應(yīng)用于生物醫(yī)學(xué)工程、工業(yè)制造、空間探索、公共安全、文化藝術(shù)等眾多領(lǐng)域。然而，數(shù)字圖像處理技術(shù)本身依然存在的許多問題，阻礙了它的進(jìn)一步發(fā)展和推廣。其中，大數(shù)據(jù)量問題就是目前圖像處理技術(shù)面臨的一個(gè)主要難題。由于圖像是通過像素陣列形式來記錄場景信息，且每一個(gè)像素的量化精度一般達(dá)256級(8位灰度圖像) 或16777216級(M位彩色圖像)，數(shù)據(jù)量大是顯而易見，龐大的數(shù)據(jù)量給存儲(chǔ)、傳輸和處理都帶來巨大困難。如果能將每一個(gè)像素的量化精度減小至2級，即將圖像變換為二值圖像， 將極大地減小圖像的數(shù)據(jù)量，使之更有利于后續(xù)的存儲(chǔ)、傳輸?shù)忍幚?。近幾十年來，科研人員對二值化問題進(jìn)行了大量研究，并提出了多種有益的解決方案，這些算法大致可以分為以下兩類全局閾值方法和局部自適應(yīng)閾值方法。全局閾值方法首先依據(jù)某一優(yōu)化規(guī)則確定一個(gè)全局閾值，然后利用該閾值對整幅圖像的各像素進(jìn)行二值化處理，通常將大于該閾值的置為1，小于等于該閾值的置為0，其中較為典型算法的有Otsu方法(最大類間方差法)，雙峰法，迭代法等。局部自適應(yīng)閾值方法與全局閾值方法的主要區(qū)別是每一個(gè)像素位置的閾值僅與局部鄰近區(qū)域像素信息有關(guān)，通常圖像的局部信息存在一定的差異，因此各像素位置的閾值也不同，其中代表性的算法有Niblack方法和 Bernsen節(jié)法等。但時(shí)至今日圖像的二值化仍未有一種完美的解決方法。以O(shè)tsu算法為例，由于其優(yōu)化規(guī)則僅依賴圖像的直方圖信息，即選取類間方差最大的灰度作為全局閾值，因此該算法處理速度很快，目前被廣泛使用，但該算法也存在明顯的不足，由于圖像的灰度直方圖完全丟失了灰度級的位置信息僅是灰度級的數(shù)量統(tǒng)計(jì)結(jié)果，因此最大類間方差準(zhǔn)則并不能保證很好的區(qū)分前景和背景，甚至有可能造成大量細(xì)節(jié)信息的丟失。此外，對于背景或光照條件復(fù)雜的圖像現(xiàn)有的全局單閾值方法都僅能保留主要背景的細(xì)節(jié)信息而損失次要背景的細(xì)節(jié)信息。總而言之，全局閾值方法在圖像細(xì)節(jié)信息保留方面存在明顯缺陷。局部自適應(yīng)閾值算法可較好地克服上述問題，以Niblack算法為例，該方法逐點(diǎn)計(jì)算各像素局部鄰域的平均灰度值和方差來確定各像素位置的閾值，適用于背景或光照條件復(fù)雜的圖像，但該算法計(jì)算復(fù)雜度大，耗時(shí)長且噪聲問題明顯。需要強(qiáng)調(diào)一點(diǎn)，這些問題在其他自適應(yīng)算法中也普遍存在。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是，提供一種計(jì)算復(fù)雜度小、噪聲抑制能力強(qiáng)且能保留大量圖像重要細(xì)節(jié)信息的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法。
本發(fā)明所采用的技術(shù)方案是一種基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，是基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法，包括如下步驟1)采用Carmy邊緣檢測算子對輸入的灰度圖像進(jìn)行邊緣檢測；2)將所有灰度級的統(tǒng)計(jì)值初始化賦0 ；3)采用逐行掃描方式尋找邊緣點(diǎn)，測算邊緣點(diǎn)8鄰域及邊緣點(diǎn)位置共9個(gè)點(diǎn)的灰度變化范圍，將該范圍內(nèi)所有灰度級的統(tǒng)計(jì)權(quán)重增量賦1，對其他的邊緣點(diǎn)也做相同的操作，得到累積邊緣點(diǎn)可視灰度范圍直方圖；4)將累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為圖像二值化的最優(yōu)閾值；5)將原始灰度圖像中大于最優(yōu)閾值的灰度級置為1，小于或等于該閾值的灰度級置為0，得到二值化圖像。步驟1中選取Carmy邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為 0. 08。步驟4中若峰值不唯一，則取各個(gè)峰值對應(yīng)灰度級的平均值作為最優(yōu)閾值。一種基于所述的全局閾值圖像二值化方法的局部自適應(yīng)閾值圖像二值化方法，包括如下步驟1)讀取原始圖像；2)將輸入圖像劃分為nXm個(gè)等大的子區(qū)域；3)采用Carmy邊緣檢測算子對劃分后圖像進(jìn)行邊緣檢測；4)采用基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法獲得全局最優(yōu)二值化閾值，并分別測算各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖；5)將各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為各子區(qū)域中心像素的二值化閾值，如果子區(qū)域內(nèi)邊緣點(diǎn)少于設(shè)定數(shù)值時(shí)，則將全局閾值作為該區(qū)域中心像素的二值化閾值，對于其他非區(qū)域中心點(diǎn)的像素二值化閾值可通過相鄰的四個(gè)子區(qū)域的中心像素閾值雙線性插值獲得；6)將原始灰度圖像中各像素位置的灰度與對應(yīng)位置的閾值進(jìn)行比較，大于閾值的置為1，小于或等于閾值的置為0，得到二值化圖像。步驟2中，若圖像行和列恰能被整分，且各子區(qū)域的行與列包含的像素點(diǎn)個(gè)數(shù)都為偶數(shù)，不填充圖像；否則，填充圖像使該圖像滿足條件。步驟3中選取Carmy邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為 0. 08。本發(fā)明的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，具有如下特占.
^ \\\ ·1)采用本發(fā)明方法得到的二值化圖像細(xì)節(jié)信息豐富。由于本發(fā)明的核心技術(shù)累積邊緣點(diǎn)可視范圍直方圖能判斷不同閾值選取所能保留重要躍變信息的多少，因此當(dāng)閾值選取累積邊緣點(diǎn)可視范圍直方圖的峰值所對應(yīng)的灰度時(shí)，可以確保最大限度地保留圖像重要躍變信息。2)本發(fā)明所提自適應(yīng)方法處理速度快。區(qū)別其他自適應(yīng)算法采用逐點(diǎn)方式確定各像素位置閾值，本發(fā)明采用分塊方式確定區(qū)域中心像素的二值化閾值，然后通過相鄰的四個(gè)子區(qū)域的中心像素閾值雙線性插值獲得非區(qū)域中心點(diǎn)像素的二值化閾值，這樣大大減少了算法的計(jì)算復(fù)雜度，顯著提高了算法的效率。
3)本發(fā)明所提自適應(yīng)方法抗噪能力強(qiáng)，處理后的二值化圖像視覺效果好。噪聲抑制問題一直是自適應(yīng)算法設(shè)計(jì)面臨的主要難題，噪聲也主要集中在沒有邊緣點(diǎn)或者邊緣點(diǎn)很少的平滑子區(qū)域，對于這些區(qū)域本發(fā)明方法并不像其他自適應(yīng)方法采用統(tǒng)一的規(guī)則計(jì)算局部閾值，而僅僅將全局閾值作為這些區(qū)域中心像素的二值化閾值，這種處理方法一方面減少了計(jì)算量，另一方面有效地抑制了噪聲，同時(shí)由于多個(gè)平滑子區(qū)域采用了相同的全局閾值，使得圖像整體能獲得滿意的視覺效果。


圖1是本發(fā)明的基于累積邊緣點(diǎn)可視范圍直方圖的全局閾值方法流程圖2是本發(fā)明的基于累積邊緣點(diǎn)可視范圍直方圖的局部自適應(yīng)閾值方法流程圖3是本實(shí)施例的原始圖像效果圖4是本實(shí)施例采用全局閾值方法中利用Carmy算子提取的邊緣圖效果圖5是本實(shí)施例采用全局閾值方法的累積邊緣點(diǎn)可視灰度范圍直方圖6是本實(shí)施例采用全局閾值方法的二值化圖像效果圖7是本實(shí)施例采用全局閾值方法的可視邊緣點(diǎn)的效果圖8是本實(shí)施例采用全局閾值方法的不可視邊緣點(diǎn)的效果圖9是本實(shí)施例采用局部自適應(yīng)閾值方法時(shí)雙線性插值示意圖10是本實(shí)施例采用局部自適應(yīng)閾值方法的二值化圖像效果圖11是本實(shí)施例采用局部自適應(yīng)閾值方法的可視邊緣點(diǎn)的效果圖12是本實(shí)施例采用局部自適應(yīng)閾值方法的不可視邊緣點(diǎn)的效果圖13是本發(fā)明全局閾值方法與Otsu方法的比較結(jié)果
其中，圖al、bl、cl是原始圖像效果圖；圖a2、b2、c2是采用本發(fā)明的全局閾值法得到的圖像效果圖；圖a3、b3、c3是采用Otsu方法得到的圖像效果圖；圖a4、b4、c4累計(jì)邊緣可視灰度范圍直方圖14是本發(fā)明局部自適應(yīng)閾值方法與本發(fā)明全局閾值方法及Otsu法的比較
其中，圖al、bl、cl是原始圖像效果圖；圖a2、b2、c2是采用本發(fā)明的局部閾值法得到的圖像效果圖；圖a3、b3、c3是采用本發(fā)明的全局閾值法得到的圖像效果圖；圖a4、b4、 c4是采用Otsu法得到的圖像效果圖15是本發(fā)明局部自適應(yīng)閾值方法與Niblack方法的比較結(jié)果
其中，a列是原始圖像效果圖；b列是采用本發(fā)明的局部閾值法獲得的圖像效果圖；c列是采用Niblack法獲得的圖像效果圖。
具體實(shí)施方式
下面結(jié)合實(shí)施例和附圖對本發(fā)明的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法做出詳細(xì)說明。
采用常規(guī)邊緣檢測方法(如Carmy邊緣檢測方法)可確定圖像中邊緣的位置，構(gòu)成邊緣的基本元素是一個(gè)個(gè)的邊緣點(diǎn)，每一個(gè)邊緣點(diǎn)表明該點(diǎn)附近存在重要的灰度躍變信息，而這個(gè)躍變的主要能量集中在該點(diǎn)附近8鄰域范圍內(nèi)，測算8鄰域及邊緣點(diǎn)位置共9個(gè)點(diǎn)的灰度變化范圍(即最大灰度和最小灰度)，如果二值化閾值落在該范圍內(nèi)，表明邊緣點(diǎn) 8鄰域范圍內(nèi)必然存在0-1的變化，即該邊緣點(diǎn)附近的灰度躍變被保留了下來，通俗的說邊緣點(diǎn)附近躍變信息可視(可區(qū)分)，簡稱“邊緣點(diǎn)可視”。由于選取灰度變化范圍內(nèi)的任意灰度級定為閾值都可實(shí)現(xiàn)該邊緣點(diǎn)可視效果，因此我們將該范圍內(nèi)所有灰度級的統(tǒng)計(jì)權(quán)重增量賦1，對其他的邊緣點(diǎn)也做類似的操作，得到累積邊緣點(diǎn)可視灰度范圍直方圖，該直方圖橫坐標(biāo)為選取閾值的灰度級(與圖像的灰度級級數(shù)相同)縱坐標(biāo)的數(shù)值大小反映對應(yīng)灰度級閾值可實(shí)現(xiàn)邊緣點(diǎn)可視數(shù)量的多少，顯然數(shù)值越大邊緣點(diǎn)附近躍變信息保留越多，其相應(yīng)的二值化效果也越好，因此可將累積邊緣點(diǎn)可視灰度范圍直方圖的峰值作為圖像二值化的最優(yōu)閾值。由此可以看出，累積邊緣點(diǎn)可視灰度范圍直方圖一方面可以確定二值化的最優(yōu)閾值，另一方面可以評測其他全局閾值方法的性能。
本發(fā)明的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，包括基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法和基于所述的全局閾值圖像二值化方法的局部自適應(yīng)閾值圖像二值化方法。
本發(fā)明的基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法，包括如下步驟
1)讀取原始圖像，如圖4所示，采用Carmy邊緣檢測算子對輸入的灰度圖像進(jìn)行邊緣檢測，可選取Carmy邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為 0. 08 ；
2)將所有灰度級的統(tǒng)計(jì)值初始化賦0 ；
3)采用逐行掃描方式尋找邊緣點(diǎn)，測算邊緣點(diǎn)8鄰域及邊緣點(diǎn)位置共9個(gè)點(diǎn)的灰度變化范圍，將該范圍內(nèi)所有灰度級的統(tǒng)計(jì)權(quán)重增量賦1，對其他的邊緣點(diǎn)也做相同的操作，得到如圖5所示的累積邊緣點(diǎn)可視灰度范圍直方4)將累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為圖像二值化的最優(yōu)閾值，若峰值不唯一，則取各個(gè)峰值對應(yīng)灰度級的平均值作為最優(yōu)閾值；
5)將原始灰度圖像中大于最優(yōu)閾值的灰度級置為1，小于或等于該閾值的灰度級置為0，得到如圖6所示的二值化圖像。
本發(fā)明的基于所述的全局閾值圖像二值化方法的局部自適應(yīng)閾值圖像二值化方法，包括如下步驟
1)讀取原始圖像；
2)將輸入圖像劃分為nXm個(gè)等大的子區(qū)域，本實(shí)施例中區(qū)域劃分為15X15。 若圖像行和列恰能被整分，且各子區(qū)域的行與列包含的像素點(diǎn)個(gè)數(shù)都為偶數(shù)，不填充圖像；否則，填充圖像使該圖像滿足條件，本實(shí)施例中原圖大小481X321，填充后圖像大小 510X330 ；
3)采用Carmy邊緣檢測算子對劃分后圖像進(jìn)行邊緣檢測，可選取Carmy邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為0. 08 ；
4)采用前面所述的基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法獲得全局最優(yōu)二值化閾值，并分別測算各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖；5)將各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為各子區(qū)域中心像素的二值化閾值；如果子區(qū)域內(nèi)邊緣點(diǎn)少于設(shè)定數(shù)值時(shí)(該數(shù)值一般小于或等于子區(qū)域的行或列寬所對應(yīng)的較小像素?cái)?shù))，則將全局閾值作為該區(qū)域中心像素的二值化閾值，根據(jù)公式(1)，圖像各子區(qū)域非中心點(diǎn)的其他像素二值化閾值可通過相鄰的四個(gè)子區(qū)域的中心像素閾值雙線性插值獲得(如圖9所示)；6)將原始灰度圖像中各像素位置的灰度與對應(yīng)位置的閾值進(jìn)行比較，大于閾值的置為1，小于或等于閾值的置為0，得到如圖10所示的二值化圖像。 其中χ, y分別表示由四個(gè)相鄰子區(qū)域中心點(diǎn)所包圍的區(qū)域內(nèi)像素的橫縱坐標(biāo)，f(x，y)表示該像素點(diǎn)閾值，夢，歹分別表示像素點(diǎn)與f(0，0)所在子區(qū)域中心點(diǎn)歸一化的相對偏移量，f (0，0)，f (0，1)，f(l，0)，f (1，1)分別表示相鄰四個(gè)子區(qū)域中心像素的閾值。前面已經(jīng)提到如果閾值落在邊緣點(diǎn)可視灰度范圍內(nèi)，表明邊緣點(diǎn)8鄰域范圍內(nèi)必然存在0-1的變化，即該邊緣點(diǎn)附近的灰度躍變信息可視。因此，當(dāng)二值化方法確定了閾值后，可測算出不同的二值化方法的可視邊緣點(diǎn)和不可視邊緣點(diǎn)，通常可視邊緣點(diǎn)越多，二值化圖像的細(xì)節(jié)信息越豐富。圖7和圖8分別給出了依據(jù)邊緣點(diǎn)灰度可視范圍測算出的本發(fā)明所提全局二值化方法的可視邊緣點(diǎn)圖和不可視邊緣點(diǎn)圖。圖11和圖12分別給出了本發(fā)明所提局部二值化方法的可視邊緣點(diǎn)圖和不可視邊緣點(diǎn)圖。二值化的測試結(jié)果顯示局部方法(圖10)的細(xì)節(jié)信息明顯比全局方法(圖6)更豐富，這與依據(jù)邊緣點(diǎn)灰度可視范圍測算出的可視邊緣點(diǎn)的對比結(jié)果是一致的(圖11的可視邊緣點(diǎn)明顯多于圖7)。為了進(jìn)一步展示本發(fā)明提出的二值化方法的優(yōu)越性能，下面給出本發(fā)明的二值化方法與其他經(jīng)典方法的比較結(jié)果，算法運(yùn)行軟件為MATLAB(R2010a版)，機(jī)器配置為 windows 7系統(tǒng)、主頻2. 90GHz、內(nèi)存4GB的64位計(jì)算機(jī)。圖13給出了本發(fā)明全局閾值方法與Otsu方法比較結(jié)果，其中累積邊緣點(diǎn)可視灰度范圍直方圖中點(diǎn)虛線為直方圖峰值所確定的閾值，長虛線為Otsu方法確定的閾值。測試結(jié)果表明，本發(fā)明所提二值化方法能更好地保留圖像重要的細(xì)節(jié)信息，其中核心算法累積邊緣點(diǎn)可視灰度范圍直方圖不僅可確定二值化最優(yōu)閾值，同時(shí)還能有效評測其他全局閾值方法的性能。圖14給出了本發(fā)明局部自適應(yīng)閾值方法與本發(fā)明全局閾值方法及Otsu法的比較結(jié)果。測試結(jié)果表明，本發(fā)明局部自適應(yīng)閾值方法可以較好地克服全局閾值方法因背景或光照條件復(fù)雜造成丟失次要背景細(xì)節(jié)信息的問題。圖15給出了本發(fā)明局部自適應(yīng)閾值方法(劃分為15X15個(gè)子區(qū)域)與Niblack 方法的比較結(jié)果。測試結(jié)果表明，本發(fā)明局部自適應(yīng)閾值方法處理速度快(多數(shù)圖像能在 1秒內(nèi)完成，而Niblack方法等自適應(yīng)方法通常需要幾十秒)，且抗噪能力強(qiáng)，處理后的二值化圖像視覺效果好。
權(quán)利要求
1.一種基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，其特征在于，是基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法，包括如下步驟1)采用Carmy邊緣檢測算子對輸入的灰度圖像進(jìn)行邊緣檢測；2)將所有灰度級的統(tǒng)計(jì)值初始化賦0；3)采用逐行掃描方式尋找邊緣點(diǎn)，測算邊緣點(diǎn)8鄰域及邊緣點(diǎn)位置共9個(gè)點(diǎn)的灰度變化范圍，將該范圍內(nèi)所有灰度級的統(tǒng)計(jì)權(quán)重增量賦1，對其他的邊緣點(diǎn)也做相同的操作，得到累積邊緣點(diǎn)可視灰度范圍直方圖；4)將累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為圖像二值化的最優(yōu)閾值；5)將原始灰度圖像中大于最優(yōu)閾值的灰度級置為1，小于或等于該閾值的灰度級置為 0，得到二值化圖像。
2.根據(jù)權(quán)利要求1所述的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，其特征在于，步驟1中選取Carmy邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為0. 08。
3.根據(jù)權(quán)利要求1所述的基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，其特征在于，步驟4中若峰值不唯一，則取各個(gè)峰值對應(yīng)灰度級的平均值作為最優(yōu)閾值。
4.一種基于權(quán)利要求1所述的全局閾值圖像二值化方法的局部自適應(yīng)閾值圖像二值化方法，其特征在于，包括如下步驟1)讀取原始圖像；2)將輸入圖像劃分為nXm個(gè)等大的子區(qū)域；3)采用Carmy邊緣檢測算子對劃分后圖像進(jìn)行邊緣檢測；4)采用基于累積邊緣點(diǎn)可視灰度范圍直方圖的全局閾值圖像二值化方法獲得全局最優(yōu)二值化閾值，并分別測算各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖；5)將各子區(qū)域范圍內(nèi)的累積邊緣點(diǎn)可視灰度范圍直方圖的峰值所對應(yīng)的灰度級作為各子區(qū)域中心像素的二值化閾值，如果子區(qū)域內(nèi)邊緣點(diǎn)少于設(shè)定數(shù)值時(shí)，則將全局閾值作為該區(qū)域中心像素的二值化閾值，對于其他非區(qū)域中心點(diǎn)的像素二值化閾值可通過相鄰的四個(gè)子區(qū)域的中心像素閾值雙線性插值獲得；6)將原始灰度圖像中各像素位置的灰度與對應(yīng)位置的閾值進(jìn)行比較，大于閾值的置為 1，小于或等于閾值的置為0，得到二值化圖像。
5.根據(jù)權(quán)利要求4所述的局部自適應(yīng)閾值圖像二值化方法，其特征在于，步驟2中，若圖像行和列恰能被整分，且各子區(qū)域的行與列包含的像素點(diǎn)個(gè)數(shù)都為偶數(shù)，不填充圖像；否則，填充圖像使該圖像滿足條件。
6.根據(jù)權(quán)利要求4所述的局部自適應(yīng)閾值圖像二值化方法，其特征在于，步驟3中選取 Canny邊緣強(qiáng)度閾值范圍為0. 05 0. 15，默認(rèn)Carmy邊緣強(qiáng)度閾值為0. 08。
全文摘要
一種基于累積邊緣點(diǎn)可視灰度范圍直方圖的圖像二值化方法，有全局閾值法對輸入的灰度圖像進(jìn)行邊緣檢測；將所有灰度級的統(tǒng)計(jì)值初始化賦0；得到累積邊緣點(diǎn)可視灰度范圍直方圖；將直方圖的峰值所對應(yīng)的灰度級作為圖像二值化的最優(yōu)閾值；根據(jù)最優(yōu)閾值得到二值化圖像。還有局部自適應(yīng)閾值法將輸入圖像劃分為n×m個(gè)等大的子區(qū)域；對劃分后圖像進(jìn)行邊緣檢測；采用全局閾值法獲得全局最優(yōu)二值化閾值，并測算直方圖；設(shè)定二值化閾值；根據(jù)最優(yōu)閾值得到得到二值化圖像。本發(fā)明可以確保最大限度地保留圖像重要躍變信息，大大減少了算法的計(jì)算復(fù)雜度，顯著提高了算法的效率，使得圖像整體能獲得滿意的視覺效果。
文檔編號(hào)G06K9/46GK102496020SQ201110339559
公開日2012年6月13日 申請日期2011年10月31日 優(yōu)先權(quán)日2011年10月31日
發(fā)明者孟慶浩, 曾明, 白正彪, 韓鐵錨 申請人:天津大學(xué)