非均勻光照條件下局部閾值分割算法研究

李汶軒，張云佐，姚慧松

(石家莊鐵道大學 信息科學與技術學院，河北 石家莊 050043)

0 引言

隨著社會科學技術的飛速發展，信息化成為社會發展的必要趨勢，圖像能夠給人最為生動直觀的信息，利用計算機對圖像進行處理變得尤為重要。由于工業外部環境復雜，光照不均勻，含有噪聲等情況，傳統的閾值分割已不能滿足工業需求。本文研究的是非均勻光照條件下的局部閾值分割算法,是根據圖像局部灰度直方圖的特征，來選擇適合的局部分割算法。該算法在一定程度上能夠克服傳統閾值分割算法在光照不均勻，含有噪聲等情況下對局部信息選取不足，造成閾值選取不當的缺陷。

1 基礎理論

1.1 自適應中值濾波

自適應中值濾波[1-4]是一種平滑的非線性的技術，其基于排序理論，可以抑制噪聲，是數字圖像預處理的一種重要技術，自適應中值濾波算法的基本原理是把數字序列或圖像中的一點的灰度值用該點的周圍鄰域各點的灰度的中值來代替，如公式（1），其中 (, )f i j 為原灰度值， ( , )g x y 為濾波后灰度值，k 為窗口寬度，這樣便會消除孤立的噪聲點。中值濾波是常用的經典的平滑噪聲和邊緣的方法，可以用來保護邊緣信息，也可以用來消除椒鹽噪聲等。

1.2 圖像閾值分割

閾值的分割，是根據圖像的灰度直方圖灰度的分布特性將圖像進行分割。根據直方圖選擇合適的分割閾值，大于閾值的歸為一類區域，小于閾值的歸為另一類。閾值分割方法計算簡單，速度較快，執行效率高。

2 局部自適應分割算法

當圖像灰度直方圖為單峰時，全局閾值很難達到分割的目的。局部自適應分割[2-3]算法便能較為理想的解決這一問題，它會根據全局閾值沒有考慮到局部圖像特征來對每一個像素點的閾值進行計算，算法步驟如下：

（1）選擇大小為n*n（一般情況為奇數）的窗口，窗口從左上角依次遍歷目標圖像，并計算窗口內像素點的均值[5]。

（2）根據需要選擇一個適合的微調量[6]，讓步驟（1）中求出的均值減去這個微調量。所得的結果即為該點的閾值，如公式（2），其中T 為該像素點的閾值，Z 為個像素點的灰度值，d 為微調量。

（3）圖像遍歷結束便可得到一個閾值矩陣。利用得到的閾值矩陣對圖像進行分割，圖像邊緣忽略不計可全部賦值為0。

3 本文Otsu 算法的改進

當圖像光照不均勻時，由于全局閾值分割不能夠充分考慮到圖像的局部特征，針對這一問題，本文首先對Otsu[7-8]算法進行了改進，將圖像分成多個子圖像后，根據每個子圖像的灰度特征選擇子圖像合適的閾值，算法實現如下：

（1）利用中值濾波對原圖像進行去噪處理。

（2）將圖像分割成n*m 個小塊，將強光照部分和暗光照部分分離開來，分別對每一塊使用Otsu算法求閾值[9-10]，使每個閾值的選取都充分考慮到局部特征。

（3）對灰度圖像分為n*m 個小圖像，若長度或高度不能平均分配，則將余數平均分配給前邊的小圖像。

（4）對于每個小圖像使用Otsu 算法來尋找對應的閾值，從而得到一個n*m 的閾值矩陣。

（5）使用插值的方法來保證每個小圖像之間由于閾值不連續而產生的分塊問題。將步驟（2）計算出來的閾值分別賦值給每一個小圖像的左上角第一個像素點。計算其右邊小塊的閾值與該閾值的差d，并讓該像素點后的每個像素點分別加上，l 為子圖像的寬，使閾值矩陣的寬得到擴充，如圖1，并用相同的方法擴充閾值矩陣的高。最后一列和最后一行的圖像小塊區域每一行等于該行最后一個閾值，每一列等于該列最后一個閾值。于是便可以得到一個與原圖像相同大小的閾值矩陣。并用得到的閾值矩陣進行圖像分割[11]。

圖1 插值法示意圖 Fig.1 Schematic diagram of interpolation

4 本文算法的結合

4.1 算法原理

在實際的圖像閾值分割過程中，2 中局部自適應閾值分割適于分割圖像灰度直方圖為單峰的情況，對圖像細節分割較好，但是圖像的整體分割效果不佳；3 中的改進的算法能夠較為理想的分割光照不均勻的圖像，但是對于某些局部圖像直方圖為單峰時會將前后景錯分，細節分割效果不理想；所以本文根據圖像局部灰度直方圖特征對以上兩種算法進行了結合，算法實現步驟 如下：

（1）將圖像分成n*n 個小圖像，并求得每個小圖像的灰度直方圖。

（2）判斷直方圖是否為單峰。

（3）根據步驟（2）所得的結果來確定小圖像所適合的閾值分割算法。

4.2 算法實現

算法結合流程如圖2 所示。

圖2 算法流程圖 Fig.2 Algorithm flow chart

5 實驗結果及分析

2 中局部自適應算法，3 中本文對Otsu 算法的改進以及4 中本文對以上兩種算法的結合的分割結果如下所示。

圖3 原圖a Fig.3 Original image a

圖4 原圖b Fig.4 Original image b

圖5 局部自適應a Fig.5 Local adaptation a

圖6 局部自適應b Fig.6 Local adaptation b

圖7 Otsu 的改進a Fig.7 Otsu's improvement a

圖8 Otsu 的改進b Fig.8 Otsu's improvement b

圖9 算法結合a Fig.9 Algorithm combination a

圖10 算法結合b Fig.10 Algorithm combination b

通過以上分割結果的對比，可以清晰的看到，局部自適應分割算法對于文本圖像這種細節較多的圖像具有較好的分割效果，但是圖像分割的整體效果不佳；3 中對于Otsu 改進的算法能夠比較好的分割出光照不均勻的圖像，但是對于光照不均勻且注重細節的文本圖像來說，分割效果不佳。而本文對于兩種算法結合的方法，汲取了兩種算法的優勢，能夠將兩種類型的圖像都進行較為理想的分割，具有更加廣泛的應用價值。

6 結論

該文分析局部自適應分割算法和Otsu 分割算法的優劣，利用子圖像灰度直方圖特性，并充分考慮圖像的局部特征，對Otsu 算法進行改進后，將局部自適應算法與改進后的Otsu 算法進行有機的結合，通過實驗仿真比較，得出該算法能夠較好的將光照不均勻的圖像進行有效分割，且分割錯誤情況較少，但仍存在一些前景后景分割錯誤的情況，在下一步的研究中，可考慮對光照區域進行定位，進一步提高分割效果和準確度。