英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

使用阈值技术的图像分割¹

SS Al-Amri, NV Kalyankar

摘要：本文试图通过5阈值法作为平均法，P-tile算法，直方图相关技术（HDT），边缘最大化技术（EMT）和可视化技术进行了分割图像技术的研究，彼此比较从而选择合的阈值分割图像的最佳技术。这些技术适用于三个卫星图像选择作为阈值分割图像的基本猜测。

关键词：图像分割，阈值，自动阈值

1 引言

图像分割算法是基于不连续性和相似性这两个基本属性之一的强度值。第一类是基于在强度的突然变化，比如那些在图像的边缘进行分区的图像。第二类是根据预定义标准基于分割的图像转换成类似的区域。直方图阈值的方法属于这一类。本文研究第二类（阈值技术）在这种情况下，通过这项课题可以给予这些研究简要介绍。阈分割技术可分为三个不同的类：

首先局部技术基于像素和它们临近地区的局部性质来进行工作的。其次采用全局技术分割图像可以获得图像的全局信息（通过使用图像直方图，例如;全局纹理属性）。并且形成了拆分，合并，生长技术，为了获得良好的分割效果同时保持使用的同质化和几何近似的概念。最后的图像分割，在图像分析的领域中，常用于通过像素的大小划分成区域，以确定一个图像的组成[1][2]。

他们提出了一种二维（2-D）的直方图基于多分辨率分析（MRA）的自适应阈值的方法，降低了计算的二维直方图的复杂度而提高了多分辨率阈值法的搜索精度。这样的方法源于通过灰度级和灵活性的空间相关性的多分辨率阈值分割方法中的阈值的寻找以及效率由二维直方图阈值分割方法所取得的非凡分割效果。实验的结果表明，这种方法可以得到的分割结果与详尽二维直方图方法相类似，而计算复杂度与分辨率等级的增加而呈指数下降[3]。

图像的阈值的大小选择问题，被视为在图像处理中的一个重要问题，它不仅可以减少图像数据的复杂度，方便后期运算，同时也奠定了多目标识别和图像认知并为其提供了良好的基础。全局阈值分割和局部阈值的字符图像分割进行了分析。一个新的阈值统计迭代算法，提出要克服的直接阈值，针对图像中由于一些光照不对称和其他明显的缺陷，或者更大的数字比例在各种各样的背景灰度图像中。统计迭代阈值分割，基于图像灰度直方图和高斯分布的统计，获得统计迭代法理论表达和最值得阈值法和步骤。航空图像通过分别使用统计迭代算法，直方图技术和自适应方法进行阈值分割。比较三种阈值结果，它表明统计迭代方法大大提高了图像分割的抗噪能力，并且有更好的图像结果，并且不容易在阈值方法中分段[4]。

模糊C均值改进算法和遥感图像分割策略，可以提供较少的迭代次数收敛到全局最优解。同时，相比其他算法，模糊C均值改进算法和遥感图像分割策略具有更加良好的稳定性和鲁棒性。其良好的分割效果可提高精度和遥感图像阈值分割的效率[5]。

阈值技术可分为两类：全局阈值和局部（自适应）阈值。在全局阈值中，单个阈值适用用于整个图像。在局部阈值，面对每一个像素分配对应的阈值，通过使用周围的像素的局部信息以确定它是属于前景还是背景。由于相比其他技术方法更简单和容易实施的优点，全局阈值技术一直流行运用了许多年[6] [7] [8]。

2 阈值

根据阈值进行图像分割是广泛地用于图像分割的方法之一，在从背景分离出前景方面领域中操作效果非常有效，通过选择一个适当的阈值T，将灰度级图像可转换为二进制图像。二进制图象应该包含所有的兴趣目标（前景）中的位置和形状的基本信息。二进制图像的优点是它减少了数据的复杂性，并简化了识别和分类的过程，方便了后续的计算。灰度级图像转换为二进制图像的最常见的方法是选择一个单一阈值（T）。然后所有低于这个T中的灰度等级值将被归类为黑色（0），高于T的定义为白色（1）。分割问题即变成一个选择合适的阈值T便可以进行图像分割问题。一个常用的方法选择合适的T，是通过分析想要分割的图像的直方图类型及其灰度分布频率来决定的。理想的情况是，当柱状图呈现只有两个主要的模式和清晰的山谷（双峰）的情况的时候。在这种情况下，T的值通常被选择在两个模式或双峰之间的谷点。在实际应用中的直方图显现的是更复杂的，直方图中具有许多峰和不明确的山谷，所以不是非常容易就能选择到合适的T的值。

3 自动阈值

每个图像由系统自动选择阈值而无需人工干预的方法被称为一个自动阈值方案。这就要求有关的对象的强度特性、对象的大小、图像中各种不同类型部分出现的目标的级分知识。

4 阈值技术

阈值技术是图像分割的重要技术之一。这种技术的数学表达式可以表示为：

T =[X，Y，P（X，Y），f（X，Y] （1）

其中：T是阈值。x，y是所述阈值点的坐标。P（X，Y），F（X，y）是图中像素点的灰度。

阈值图像 g(x,y)的分割可以通过如下数学表达式来定义：

（2）

这篇文章采用了5种阈值技术并在下列展示出来。

4.1 均值技术

该技术中使用的阈值的取值是根据图像中像素的平均值，并在严格的情况下即有大约一半到属于目标，而另一半属于背景像素的图像的工作得很好。这种技术很少进行尝试发生。

4.2 P-Tile技术

P—Tile技术使用的知识是所关注对象在整个阈值的图像的面积尺寸。P—Tile方法是基于灰度直方图的最早的阈值分割方法之一[5]。它假定在图像中的目标比背景更亮，并占据图像面积的固定百分比。图像区域的这个固定的百分比也被称为P％。阈值被定义为大多对应于映射到至少P%上的灰度级到目标的灰度级。设n是最大灰度级值，H(i)是图像的直方图（i= 0hellip;n），而P是该目标的面积比。P-Tile算法方法如下：

其中：s的图像总面积，f是初始化所有区域作为目标区域，T是最终阈值

这种方法操作起来方便简单，能够适合选取对象的所有尺寸。它产生良好的抗噪声能力保持数据的稳定性和不受干扰性;然而，如果对象面积比率为未知的或从图象变化到图像，这显然是不适用的[6]。

4.3 直方图相关技术（HDT）

直方图技术是依赖于估算分隔图像的对象和背景的两个同质区域的阈值的方法来进行操作的。这就要求，图像是由两种同质成分组成的并且能够存在一个阈值分离这些区域从而达到目标。

所述（HDT）是适于图像具有很大同质性的特点并且将分离这些区域，其中的对象和背景的面积都是同质的并且不包括对象和背景之间的区域。

这种技术可以用数学表达式表示为：

其中：

C（T）为所述组内方差。是组值小于T. 的概率。是组值小于T 的概率. 为像素组的方差小于或等于T的概率。为像素组的方差大于T的概率。

4.4 EMT技术

使用边缘最大化技术（EMT）的阈值图像被用于当在图象超过一个均匀区域或有目标和背景之间的照明的变化有改变时的情况。在这种情况下，目标的部分成分可以被合并到背景或者背景可以作为一个目标。出于这个原因，任何的自动阈值选择技术的性能得都要变得更好能够适应在同质和分离程度较大的区域。此技术分割取决于有关图像中的最大边缘阈研究并且开始分割含有边缘检测技术操作的图像（例如kiresh操作技术）。

4.5 可视化技术

这些技术改善人们的能够准确搜索目标项目的能力。这些技术是类似于另一个使用原始图像的分量区段的P-tile技术，他们以新颖的方式，以提高视觉搜索性能，但是p-tile面对当不同的噪声中存在于图像中的情况时效果不是很有效。

5实验验证

5.1 Testing程序

阈值分割，采用（MATLAB R2007a，7.4A）实现并测试了在图1所示的三幅图像分割技术。

图1.原始图像

五种阈值分割技术：平均技术，P-tile技术，可视化技术，HDT技术和EMT技术。

5.2 仿真结果

图2. 原始图像阈值从左到右，可视化技术，T =127，平均技术，P-tile T =127，HDT技术与EMT技术。

图3. 原始图像阈值从左到右，可视化技术，T =167，平均技术，P-tile T =167，HDT技术与EMT技术。

图4. 原始图像阈值从左到右，可视化技术，T =43，平均技术，P-tile T =43，HDT技术与EMT技术。

6 结论

在本文中，通过比较适用于不同图像并研究了5种阈值分割技术的图像方法：平均法，P-tile法，直方图相关技术（HDT），边缘最大化技术（EMT）和视觉技术体现在如图所示的三个卫星图像上。图1.解释与实验证实针对进行了不同的技术的HDT和EMT技术分别是用于阈值的技术的图像的技术中是最好的技术。这个结果从图1，2，3的图像效果中得到。

参考文献

1. Gonzalez and Woods, 'Digital image processing', 2nd Edition, prentice hall, 2002.
2. Kenneth R. Castelman, 'Digital image processing', Tsinghua Univ Press, 2003.
3. Shuqian He, Jiangqun Ni, Lihua Wu, Hongjian Wei , Sixuan Zhao.,' Image threshold segmentation method with 2-D histogram based on multi-resolution analysis', Computer Science amp; Education, ICCSE, 25-28 July 2009, PP.753 – 757, Nanning, China.
4. Guang Yang, Kexiong Chen, Maiyu Zhou, Zhonglin Xu, Yongtian Chen, 'Study on Statistics Iterative Thresholding Segmentation Based on Aviation Image,' snpd, vol. 2, pp.187-188, Eighth ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD 2007), 2007.
5. Du Gen-yuan,Miao Fang,Tian Sheng-li,Guo Xi-rong.,'Remote Sensing Image Sequence Segmentation Based on the Modified Fuzzy C-means', Journal of Software, Vol. 5, No. 1, PP.28-35, 2009.
6. A.S. Abutaleb, “Automatic Thresholding of Gray-Level Pictures Using Two Dimensional Entropy”, Computer Vision, Graphics, and Image Processing, Vol.47, PP.22-32, 1989.
7. J. Kittler and J. Illingworth, “Minimum Error Thresholding”, Pattern Recognition, Vol.19, No.1, PP.41-47, 1986.
8. K.H. Liang and J.J.W Mao, “Image Thresholding by Minimizing the Measures of Fuzziness”, Pattern Recognition, Vol.28, No.1, PP.41-51, 1995.
9. F. Samopa, A. Asano.,'Hybrid Image Thresholding Method using Edge Detection', IJCSNS International Journal of Computer Science and Network Security, Vol.9 No.4, PP.292-299, April 2009.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[23009]，资料为PDF文档或Word文档，PDF文档可免费转换为Word