幾種常見圖像二值化方法的結果對比與分析

曾潔

摘 要：在圖像處理中，圖像二值化可以說是非常關鍵的一步。圖像二值化能夠幫助我們濾除掉原始圖像中由于光照不均等因素造成的影響，此外，還能夠是圖像的數據量變小，有利于我們的后續操作。目前，圖像二值化的方法目前有很多種，本次設計將分別通過幾種主要的二值化方法：全局均值閾值、伯恩森算法（Bernsen）、大津算法（OUTS），對圖像進行二值化，并針對其結果進行對比分析。

關鍵詞：圖像預處理；二值化；全局均值閾值；伯恩森算法（Bernsen）；大津算法（OUTS）

一、研究背景

我們已經知道，圖像在計算機中以矩陣的形式存儲，而矩陣中每個點的值則對應該點的像素值，一般絕大多數圖像的像素值在0到255之間，其顏色隨著像素值的變化逐漸由黑到白。那么圖像二值化的原理是：通過對圖像選取閾值，使圖像中高于這個閾值的像素全為白色（像素值設為255），而低于這個閾值的像素全為黑色（像素值設為0）。圖像二值化能夠減少我們對圖像處理的數據，加快圖像處理的速度。那么如何設定閾值呢？針對這一問題，各國的研究學者們提出了很多的圖像二值化的算法。而本次設計，則是通過對幾個常見的二值化算法進行結果對比和分析，從中得出一些結論。

二、原圖像及處理圖像

（一）全局均值閾值法

顧名思義，全局均值閾值法是對圖像像素做全局處理，求出所有像素的均值，將這個均值作為閾值。然后對圖像所有像素一分為二，高于閾值的像素值為255，即為白色；低于閾值的像素值為0，即為黑色。

全局均值閾值法的實現過程很簡單，通過尋訪圖像矩陣中所有的像素值，并且對其求和再平均，即可得出所有像素值的均值，其處理結果見圖2。

（二）伯恩森算法（Bernsen）

在我們獲取所需要處理的圖像時，經常會遇到很多的問題，而其中光照的不均就是一個典型的問題。針對這一問題也應運而生了Bernsen算法，該算法主要的目的就是為了解決圖像處理中由于光照分布不均勻而導致的問題。

其原理主要是在圖像中設定一個像素點，并且計算出在該點（2k+1）*（2k+1）的區域內的所有像素點的最大值max和最小值min（這里k根據需要取整數），計算兩者的均值t作為圖像分割的閾值。

可能有人會有疑問，如果讀取的圖像矩陣不能恰好的分成若干個（2k+1）*（2k+1）的區域呢？所以，在我們使用這種算法時，我們通常需要對圖像矩陣進行擴展，再次基礎上再進行。對于擴展出來的矩陣行和列，我們有多種方法對其賦值，例如：全設為某一常數，或者取臨近行和列的值等方法。此外，在Bernsen算法中，還需要我們認為設定兩個值，一個是圖像灰度級的差值S，一個是圖像前景和后景的差值T。當max和min的差大于S時，說明圖像灰度級差異良好，可以采用求取的閾值進行二值化，小于S時，說明灰度級差異過小，則判斷閾值t和T的大小，當t大于T時，說明其是目標區域，像素值設為255，小于T時，像素值設為0。當然，這里的S和T，應根據自身處理圖像的不同選取不同的值。

（三）大津算法（OUTS）

OUTS是一種最大類間方差法。對于任意的一副圖像f（x，y），我們將T1作為圖像前景和背景的分割值。圖像中所有想書點里屬于前景的像素點的比例記為ω0，其平均灰度μ0，背景像素點數占整幅圖像的比例為ω1，其平均灰度為μ1。圖像的總平均灰度記為μ，類間方差記為g。那么我們容易得到以下公式：

g=ω0（μ0-μ）^2+ω1（μ1-μ）^2 公式1

那么我們的任務即轉換到了去求取出一個T1的值，使得g值最大。圖4是通過OUTS算法對圖像二值化的結果。

三、總結

通過以上結果的對比，我們不難發現，在對圖像進行二值化的處理時。采用不同的方法進行二值化，其結果會有較大的差異。Bernsens二值化和OUTS二值化，從算法上來分析都比全局均值閾值二值化效果更好，但是對于本次設計的簡單圖像，從直觀視覺上看來，似乎全局均值閾值二值化的效果更好。

參考文獻：

[1]陳丹，張蜂，賀貴明.一種改進的文本圖像二值化算法[J].計算機輔助設計與圖像學學報，2004，16（5）：697-700.

[2]黃志斌，面向車輛牌照的L快速二值化算法[J].華僑大學學報（自然科學版），2002，23（4）：427-430.