基于四鄰域檢索的自適應閾值分割方法

錢蘇斌

(鹽城師范學院信息科學與技術學院,江蘇鹽城 224002)

0 引 言

在對圖像的研究中,研究人員往往只對圖像中的某一部分感興趣,這樣的區域稱之為目標區域,除此以外的區域則稱之為背景區域.為了能夠對目標區域進行針對性的研究與應用,常常需要將其從背景中分離出來,這就需要用到圖像分割技術,即將圖像按照灰度、顏色、紋理等性質分成各具特性的區域,從而提取出所需的目標區域.早期的圖像研究中,圖像分割技術主要包含邊界方法和區域方法[1].然而,隨著計算機視覺技術的發展,圖像分割技術已由上述兩種基本方法衍生出4種主要分割技術:并行邊界分割技術、串行邊界分割技術、并行區域分割技術、串行區域分割技術[2].其中,并行區域分割技術應用較為廣泛[3-4].同時,還出現了一些基于常用基本算法的圖像分割技術[5].由于圖像分割技術的難點在于圖像數據的模糊和噪聲的干擾,到目前為止仍然沒有一種或者幾種完善的圖像分割技術可以完全按照研究人員的意愿準確地分割任何一種圖像.比如,圖像的目標區域由于光照原因會存在若干個高光點,在對圖像進行分割后,目標區域依然會存在上述高光點,這一現象勢必會影響到圖像處理的最終效果.針對上述情況,本文提出一種基于并行區域分割技術的自適應閾值分割方法,并通過四鄰域檢索技術解決了圖像分割中廣泛存在的高光點問題,較好地實現了圖像分割.

1 自適應閾值分割方法

1.1 閾值分割

在實際應用中,圖像并行區域分割技術主要包含閾值化方法和特征空間聚類方法.其中,閾值化方法主要是確定一個處于圖像灰度取值范圍當中的灰度閾值,并通過該閾值將所有像素點歸為兩類,一類是灰度值大于該閾值的像素點集合,另一類是灰度值小于該閾值的像素點集合.一般情況下,兩類像素點集合分別屬于圖像中的目標與背景區域.

根據上述定義,閾值分割方法主要包含以下步驟[6]:灰度閾值的確定;將像素值與灰度閾值進行比較,并且精確分類.其中,閾值的確定是關鍵.

閾值一般分為局部閾值和全局閾值兩種.當圖像中出現照明不均勻或者背景灰度變化比較大的時候,單一的全局閾值不能夠兼顧圖像各個像素的實際情況.此時,應當考慮到對整幅圖像中的不同區域采用不同的閾值進行分割的方法.

1.2 自適應閾值分割方法

對于一幅由于照明不均而顯示多個局部特征的圖像,本文提出一種自適應的閾值分割方法,即根據圖像本身像素灰度值分布,將圖像分為如圖1所示的M1、M2、M3、M4 4個子圖像模塊,對每一個子圖像模塊按照灰度值均值計算該子模塊的閾值:首先,對左下圖像進行自下往上、自左往右的逐點掃描,并將各點灰度值存儲在相關變量中.當掃描結束后,利用該子模塊內的所有像素點灰度值累加和及像素點個數獲得該子模塊的局部閾值,即如圖1所示的Thd1、Thd2、Thd3、Thd4.然后,利用上述自適應閾值分割方法對如圖2(a)所示的對象進行閾值分割操作,得到如圖2(b)所示的效果.

圖1 子模塊劃分

圖2 自適應閾值分割方法

2 基于四鄰域檢索自適應閾值分割方法

通常,圖像的目標區域往往會由于光照原因存在若干個高光點,在對圖像進行分割后,目標區域依然會存在上述高光點,并且呈現出白光區.如圖3 (a)所示為一只具備光照效果的花瓶,對其運用上述自適應閾值分割操作后,效果如圖3(b)所示.顯然,經過分割后的目標區存在由于高光點而導致的白光區.

圖3 高光區效果示意圖

為了避免上述白光區的存在,在對圖像子模塊進行逐點掃描過程中,增加四鄰域檢索過程(見圖4).如圖4所示,currentpoint為當前掃描點,uppoint、downpoint、leftpoint、rightpoint分別為其上下左右4個鄰域點.按照自下向上、自左向右的掃描順序,根據當前掃描點的左鄰域、下鄰域點的掃描情況來判斷當前點的賦值情況.如果leftpoint和downpoint在掃描后均為目標區域像素點,則當前像素點也應當為目標區域像素點;如果leftpoint或downpoint中之一非目標像素點,則當前點為背景區域像素點.

圖4 四鄰域檢索示意圖

利用上述四鄰域檢索方法輔助自適應閾值分割過程,得到如圖5所示的分割效果.

圖5 四鄰域檢索輔助閾值分割效果示意圖

3 算法實現

我們以VC++6.0為開發工具,實現了本文所提出的基于四鄰域檢索的自適應閾值分割算法.以左下圖像子模塊為例,算法的部分代碼如下:

圖6(a)為經過Sony 707數碼照相機拍攝得到的24位真彩色花瓶圖片,將其轉換成256色灰度圖后進行閾值分割操作,最終得到如圖6(b)所示的效果.

圖6 基于四鄰域檢索的自適應閾值分割方法效果圖

4 結 論

本文所提出的基于四鄰域檢索的自適應閾值分割方法,可以方便快捷地實現物體的目標區域提取,并有效避免由于光照所產生的高光區的出現.但是,本算法也存在一定的局限,比如,處理對象形狀比較簡單,同時還存在時間復雜度和空間復雜度比較大的問題.在今后的研究過程中,將著力于解決以上問題,使得算法的性能得以進一步提高.

[1]章毓晉.圖象處理和分析[M].北京:清華大學出版社, 1999.

[2]岡薩雷斯.數字圖像處理[M].北京:電子工業出版社, 2007.

[3]陰國富.基于閾值法的圖像分割技術[J].現代電子技術, 2007,31(23):107-108.

[4]馬馳,張紅云,苗奪謙,等.改進的多閾值動態二值化方法[J].計算機工程,2006,32(6):203-208.

[5]鄭麗萍,李光耀,姜華.基于微粒群算法的灰度圖像閾值分割的改進[J].計算機工程與設計,2010,31(3):559-563.

[6]朱志剛.數字圖像處理[M].北京:電子工業出版社,2002.