非均勻光照下文本圖像分割算法研究

黃毅凱

摘要：文本圖像分割是文本識別等重要技術(shù)的基礎(chǔ)，而文本圖像分割又常常因為光照不均勻、字跡模糊等原因?qū)е路指钚Ч睢⒆赃m應(yīng)差;本文針對目前存在的幾種全局閾值圖像分割法進(jìn)行分析其存在的缺陷;并分析一種基于局部分割的自適應(yīng)閾值分割法，該方法將圖像劃分成小區(qū)域，通過小區(qū)域內(nèi)單個像素點(diǎn)計算的閾值再對小區(qū)域進(jìn)行閾值分割，可以實(shí)現(xiàn)較好的分割效果。

關(guān)鍵詞：文本圖像分割;自適應(yīng)閾值

1引言

圖像分割是指通過簡化或者改變圖片的表達(dá)形式，將數(shù)字圖像分割成若干個特定的圖像子區(qū)域（像素的集合），使圖像更容易理解。圖像分割是計算機(jī)視覺、文字識別、圖像識別和視頻檢索等技術(shù)中的基礎(chǔ)。

文本圖像在進(jìn)行閾值分割時存在由于非均勻光照導(dǎo)致灰度直方圖亮部和暗部的背景和文本波峰的混淆、圖像采集中存在的圖像噪聲對文本分割造成的干擾、文本圖像由于紙張、墨汁或者其他因素的影響導(dǎo)致字跡模糊等現(xiàn)象、文本分割算法自適應(yīng)差，對參數(shù)依賴性高，分割效果合并差。

圖像分割技術(shù)是利用圖像中的某些特征信息（如亮度、梯度、顏色、紋理等），遵循一定的相似度準(zhǔn)則，將圖像劃分為若干內(nèi)部一致而特征不同的同質(zhì)連通區(qū)域，即該區(qū)域內(nèi)部各像素點(diǎn)在灰度、顏色、梯度、紋理等特征上具有高度相似度，而不同區(qū)域各像素點(diǎn)之間有顯著差異。目前，常用的圖像分割算法通常采用閾值進(jìn)行分割，閾值分割又存在OTSU分割法、雙峰直方圖分割法、最大熵法、迭代閾值法等全局分割算法，存在各自的局限性，本文將對這幾種方法進(jìn)行分析，并分析一種根據(jù)局部分割進(jìn)行的自適應(yīng)閾值分割法。

2常見閾值圖像分割方法

2.1 OTSU閾值分割法

OTSU閾值算法的關(guān)鍵是找到合適的閾值將圖像劃分為特定目標(biāo)和剩余背景兩部分。假設(shè)一幅紅外圖像的總點(diǎn)數(shù)為N，灰度級為L（L=256），灰度值為i的像素個數(shù)為Ni，先計算i出現(xiàn)的概率，再通過單閾值可以把目標(biāo)圖像分為C0和C1兩部分，計算兩個區(qū)域的概率w0和w1，然后計算C0和C1兩個區(qū)域的均值分別為μ0+μ1，那么紅外圖像的總均值T可以為w0μ0+w1μ1，得到C0和C1兩部分的類間方差為σ（t）。

當(dāng)兩個類間方差達(dá)到最大時，即（t）為最大值，那么此時的t即為最佳閾值。將OTSU單閾值擴(kuò)充到多閾值分割，當(dāng)一幅圖像被分為M層時，其中閾值為t1，t2，…，tM（0<t1<t2<…M-1）可以表示此時M層的類間方差可以表示為：

當(dāng)（ t1，t2，…，tM-1）取得最大值時，t1，t2，…，t M-1即為最佳閾值。

2.2 雙峰直方圖閾值分割

文本圖像的灰度直方圖通常為雙峰分布，表明圖像的內(nèi)容大致分為兩個部分，其灰度分別為灰度分布的兩個山峰附近對應(yīng)的值。谷底對應(yīng)的閾值就是將目標(biāo)與背景分割的最佳閾值。選擇閾值為兩峰間的谷底點(diǎn)對應(yīng)的灰度值，把圖像分割成兩部分，可以使文本圖像分割錯分概率最低。

2.3 最大熵閾值分割法

進(jìn)行圖像閾值分割，將圖像分為兩類，可以用熵作為分類的標(biāo)準(zhǔn)：兩類的平均熵之和為最大時，可以從圖像中獲取最大信息量，此時分類采用的閾值為最佳閾值。

對于數(shù)字圖像，假設(shè)閾值為T時，先計算目標(biāo)與背景兩個區(qū)域的熵H0（T）與HB（T），再計算評價用的熵函數(shù)J（T）=H0（T）+HB（T），當(dāng)熵函數(shù)取最大值時，對應(yīng)的閾值T就是所求的最佳閾值。

2.4迭代閾值法

迭代法求取閾值進(jìn)行圖像分割，圖像分割后的A、B兩部分的均值和基本保持穩(wěn)定。也就是說，隨著迭代的進(jìn)行，取 [mean（A）+mean（B）]/2 最終的收斂值作為分割閾值。先通過選取一個初始閾值T;再利用閾值T把給定圖像分割成兩組圖像，計算這兩組圖像均值μ1和μ2;再選擇新的閾值T，令T=（μ1+μ2）/2;重復(fù)上訴步驟，直到連續(xù)兩次T的差值小于一個設(shè)定的預(yù)設(shè)值。

2.5閾值分割算法結(jié)果分析

在閾值分割時，往往采取將彩色圖像轉(zhuǎn)化為灰度圖像進(jìn)行閾值分割，對預(yù)處理后的目標(biāo)圖像進(jìn)行單閾值分割，按照上述幾種閾值分割進(jìn)行實(shí)驗，得到的分割圖像如圖2-1所示。

經(jīng)過OTSU單閾值處理后的圖像文字與背景部分融為一體，無法辨認(rèn)，分割失敗，顯然是達(dá)不到預(yù)期目標(biāo)效果;雙峰直方圖閾值分割法由于在非均勻光照下的文本圖像背景與目標(biāo)區(qū)別較小，難以找到很好的谷底位置，導(dǎo)致分割結(jié)果失敗;最大熵函數(shù)法也難以達(dá)到圖像分割想要的標(biāo)準(zhǔn)，文本丟失更多;迭代閾值分割得到的結(jié)果，也達(dá)不到理想的效果。綜上分析可知全局閾值分割法并不能完成對非均勻光照下的圖像分割。

3 局部自適應(yīng)閾值分割方法

自適應(yīng)閾值法可以根據(jù)圖像不同區(qū)域亮度分布，計算小區(qū)域局部閾值，所以對于圖像不同區(qū)域，能夠自適應(yīng)計算不同的閾值，從而對圖像進(jìn)行小區(qū)域的分割。

自適應(yīng)閾值化先為每一個像素點(diǎn)單獨(dú)計算的閾值（每個像素點(diǎn)的閾值不同），再將每個像素點(diǎn)周圍固定區(qū)域內(nèi)的像素加權(quán)平均，然后減去一個常數(shù)，從而得到該點(diǎn)的閾值。用來計算區(qū)域閾值的鄰域塊大小是固定的，通常選擇為3、5、7......等;減去的常數(shù)是一個和自適應(yīng)閾值算法相關(guān)的參數(shù)，是一個從均值或加權(quán)均值提取的常數(shù)。局部閾值分割的詳細(xì)流程圖如圖3-1（a）所示。分割結(jié)果如圖3-1（b）所示。

4 結(jié)束語

從圖像分析結(jié)果來看，無論是OTSU、雙峰直方圖閾值分割、最大熵法、迭代閾值等全局這些分割算法，對于非均勻光照條件下文本，都不能夠?qū)⑽谋拘畔⑼暾姆指畛鰜恚指钍?而經(jīng)過局部閾值分割后，圖像背景與文本信息能夠很好的被區(qū)分開來，效果很好，滿足分割的要求;全局分割結(jié)果都未取得成功的主要原因是圖像的像素低，非均勻性光照下的文本信息，背景與目標(biāo)灰度值非常接近，因而在全局分割過程中，就會出現(xiàn)上面分割失敗;采取局部閾值分割，根據(jù)各個小區(qū)域的像素值，進(jìn)行局部的調(diào)整，就能在全局避免分割效果不佳的結(jié)果。

參考文獻(xiàn)

[1]黃蒞辰. 非均勻光照下文本圖像分割算法研究[D].湖南科技大學(xué)，2015.

[2]岡薩雷斯， R.C.）， 伍茲，等. 數(shù)字圖像處理：英文版[M]// 數(shù)字圖像處理：英文版. 電子工業(yè)出版社， 2010.

[3]王小彬. 基于機(jī)器視覺的SMT焊點(diǎn)自動光學(xué)檢測系統(tǒng)研究[D].蘇州大學(xué)，2009.

[4]楊帆， 王志陶， 張華. 精通圖像處理經(jīng)典算法：MATLAB版[M]. 北京航空航天大學(xué)出版社， 2014.

[5]Bhandarkar S M ， Zhang H . Image segmentation using evolutionary computation[J]. IEEE Transactions on Evolutionary Computation， 1999， 3（1）：1-21.