图像处理之常见二值化方法汇总

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了图像处理之常见二值化方法汇总相关的知识,希望对你有一定的参考价值。

图像处理之常见二值化方法汇总

 

图像二值化是图像分析与处理中最常见最重要的处理手段,二值处理方法也非常多。越

精准的方法计算量也越大。本文主要介绍四种常见的二值处理方法,通常情况下可以满

足大多数图像处理的需要。主要本文讨论的方法仅针对RGB色彩空间。

 

方法一:

该方法非常简单,对RGB彩色图像灰度化以后,扫描图像的每个像素值,值小于127的

将像素值设为0(黑色),值大于等于127的像素值设为255(白色)。该方法的好处是计算

量少速度快。缺点更多首先阈值为127没有任何理由可以解释,其次完全不考虑图像的

像素分布情况与像素值特征。可以说该方法是史最弱智的二值处理方法一点也不为过。

 

方法二:

最常见的二值处理方法是计算像素的平均值K,扫描图像的每个像素值如像素值大于K

像素值设为255(白色),值小于等于K像素值设为0(黑色)。该方法相比方法一,阈值的

选取稍微有点智商,可以解释。但是使用平均值作为二值化阈值同样有个致命的缺点,

可能导致部分对象像素或者背景像素丢失。二值化结果不能真实反映源图像信息。

 

方法三:

使用直方图方法来寻找二值化阈值,直方图是图像的重要特质,直方图方法选择二值

化阈值主要是发现图像的两个最高的峰,然后在阈值取值在两个峰之间的峰谷最低处。

该方法相对前面两种方法而言稍微精准一点点。结果也更让人可以接受。

 

方法四:http://en.wikipedia.org/wiki/Thresholding_(image_processing)

使用近似一维Means方法寻找二值化阈值,该方法的大致步骤如下:

1.      一个初始化阈值T,可以自己设置或者根据随机方法生成。

2.      根据阈值图每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2。(n为

行,m为列)

3.      G1的平均值是m1, G2的平均值是m2

4.      一个新的阈值T’ = (m1 + m2)/2

5.      回到第二步,用新的阈值继续分像素数据为对象与北京像素数据,继续2~4步,

直到计算出来的新阈值等于上一次阈值。

前面三种在以前的博文中都有涉及,最后一种二值化方法的代码如下:

 

[java] view plaincopy
 
 
  1. package com.gloomyfish.filter.study;  
  2.   
  3. import java.awt.image.BufferedImage;  
  4. import java.util.ArrayList;  
  5. import java.util.List;  
  6.   
  7. public class ThresholdBinaryFilter extends GrayFilter {  
  8.   
  9.     @Override  
  10.     public BufferedImage filter(BufferedImage src, BufferedImage dest) {  
  11.         int width = src.getWidth();  
  12.         int height = src.getHeight();  
  13.   
  14.         if ( dest == null )  
  15.             dest = createCompatibleDestImage( src, null );  
  16.   
  17.         int[] inPixels = new int[width*height];  
  18.         int[] outPixels = new int[width*height];  
  19.         src = super.filter(src, null); // we need to create new one  
  20.         getRGB( src, 0, 0, width, height, inPixels );  
  21.         int index = 0;  
  22.         int means = getThreshold(inPixels, height, width);  
  23.         for(int row=0; row<height; row++) {  
  24.             int ta = 0, tr = 0, tg = 0, tb = 0;  
  25.             for(int col=0; col<width; col++) {  
  26.                 index = row * width + col;  
  27.                 ta = (inPixels[index] >> 24) & 0xff;  
  28.                 tr = (inPixels[index] >> 16) & 0xff;  
  29.                 tg = (inPixels[index] >> 8) & 0xff;  
  30.                 tb = inPixels[index] & 0xff;  
  31.                 if(tr > means) {  
  32.                     tr = tg = tb = 255; //white  
  33.                 } else {  
  34.                     tr = tg = tb = 0; // black  
  35.                 }  
  36.                 outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;  
  37.             }  
  38.         }  
  39.         setRGB( dest, 0, 0, width, height, outPixels );  
  40.         return dest;  
  41.     }  
  42.   
  43.     private int getThreshold(int[] inPixels, int height, int width) {  
  44.         // maybe this value can reduce the calculation consume;   
  45.         int inithreshold = 127;  
  46.         int finalthreshold = 0;  
  47.         int temp[] = new int[inPixels.length];  
  48.         for(int index=0; index<inPixels.length; index++) {  
  49.             temp[index] = (inPixels[index] >> 16) & 0xff;  
  50.         }  
  51.         List<Integer> sub1 = new ArrayList<Integer>();  
  52.         List<Integer> sub2 = new ArrayList<Integer>();  
  53.         int means1 = 0, means2 = 0;  
  54.         while(finalthreshold != inithreshold) {  
  55.             finalthreshold = inithreshold;  
  56.             for(int i=0; i<temp.length; i++) {  
  57.                 if(temp[i] <= inithreshold) {  
  58.                     sub1.add(temp[i]);  
  59.                 } else {  
  60.                     sub2.add(temp[i]);  
  61.                 }  
  62.             }  
  63.             means1 = getMeans(sub1);  
  64.             means2 = getMeans(sub2);  
  65.             sub1.clear();  
  66.             sub2.clear();  
  67.             inithreshold = (means1 + means2) / 2;  
  68.         }  
  69.         long start = System.currentTimeMillis();  
  70.         System.out.println("Final threshold  = " + finalthreshold);  
  71.         long endTime = System.currentTimeMillis() - start;  
  72.         System.out.println("Time consumes : " + endTime);  
  73.         return finalthreshold;  
  74.     }  
  75.   
  76.     private static int getMeans(List<Integer> data) {  
  77.         int result = 0;  
  78.         int size = data.size();  
  79.         for(Integer i : data) {  
  80.             result += i;  
  81.         }  
  82.         return (result/size);  
  83.     }  
  84.   
  85. }  

 

效果如下:

技术分享

 
 

以上是关于图像处理之常见二值化方法汇总的主要内容,如果未能解决你的问题,请参考以下文章

机器学习实战基础:sklearn中的数据预处理和特征工程 数据预处理 Preprocessing & Impute 之 处理分类特征:处理连续性特征 二值化与分段

机器学习实战基础:sklearn中的数据预处理和特征工程 数据预处理 Preprocessing & Impute 之 处理分类特征:处理连续性特征 二值化与分段

OpenCV教程之九平滑/模糊图片 Smooth / Blur Images及 彩色图转 灰度图和二值化

OpenCv之图像二值化(笔记12)

对图像进行二值化的处理方法,求源代码,最好是C++/C或者OPENCV

python验证码识别教程之灰度处理二值化降噪与tesserocr识别