阈值分割的基本原理范例(3篇)

阈值分割的基本原理范文

关键词：图像分割；舌诊；最大类间方差

中图分类号：TP313文献标识码：A文章编号：1009-3044(2008)23-00711-03

BasedonAdvencedOtsuMethordSeparatingtheTongueCoatingandtheTongueImage

FANGHeng

(DepartmentofInformationandTechnology,HeyuanPolytechnic,Heyuan517000,China)

Abstract:Inautomaticanalysisofthetongueimage,toseparatingthetonguecoatingandthetongueimageisaimportantpretreatmentwork.TheOTSUmethodisasimpleandeffectivemethodforimagesegmentation,especialwhenthehistogramofwhichimagehassinglepeakvalue.Soitisveryuseful,toprocessthetongueimagebyOTSUmethod.Butwhichissensitivitytothenoiseandimagefrequencydistribution,Andbecomesintoahotspotnow.Anewformulaisputforwardinthispaper,andtheexperimentindicatedthatthefragmentarydistribution“noise”inhistogramareinhibitedstronglybythenewmethod.Thebestthresholdvaluegetbythispaperbecomemoresteady,andthemethodhasthereferencesignificance.

Keywords:ImageSegmentation;tonguediagnosis;OTSU

1引言

运用现代科技及信息科学的理论和方法，进行中医信息获取和处理的信息化研究，实现中医学中信息客观化、定量识别，是中医科研发展的必由之路。舌色舌质的研究是中医望诊中一个重要部分，舌苔是舌表面的一个附着层，把舌苔从舌表面的图象中分离出来，是一个基本的工作。这是一个图象分割的基本问题，分割的方法也很多，本文感兴趣于目前比较热门的，用基于最大类间方差进行分割[1]的方法，因为该方法以其简单有效，而赢得众多学者的青睐。但由于摘要中提到的缺点，人们从不同的角度对Otsu法进行了讨论和改进。最近，付忠良[2-4]分别从不同的角度对Otsu法进行了推广。不管如何改变公式，一个基本问题是方差的形成公式没有变化，这使得远离期望的点的作用较大，这是Otsu方法阈值不稳定的主要原因。此文提出一个新的计算公式，在解决舌苔、舌色的分离中取得稳定的效果。

2基本理论

2.1基于一维最大类间方差的阈值的确定

先定义一些符号：ni是灰度级为i的像素频数，N是图像的全部像素

各像素的概率为：pi=ni/N。阈值把图象分为两类C1和C2,其概率为:ωk=Pr(Ck)=■Pi(k=1,2)，灰度均值和方差分别为：

■

图像的整体灰度平均值μT、总体方差σ2T分别为：μT=■iPi，σ2T=■(i-μT)2Pi，可求得类内方差σ2w和类间方差σ2B分别为：σ2w=ω1σ21+ω2σ22，σ2B=σ2T-σ2w。则使σ2B/σ2w最大的灰度级T，即为

最佳分割阈值：

■（1）

2.2算法的实施

本分割算法基本思想是把彩色图象变换为单色图象，然后采用区域生长的方法进行区域分割，用最大类间方差求得区域生长的约束性条件，以提高分割的精度[5]。最后用分割的结果从彩色图象中提取需要留下的彩色信息部分。

令已生长得到的区域为R，μ、σ是均值及标准方差，作为衡量灰度一致性的特征量。

一维最大类间方差比确定的最佳分割阈值为T1,带约束条件的生长规则可用下式表示：

■（2）

T2是相似性准则的的容许误差，点的3×3领域的灰度均值f(i,j)与m接近，满足公式（2）的点视为通过了一致性测试，将其并入生长区域R，并更新μ与σ，反复执行，直到无法生长为止，完成对目标区域的分割。如果是提取舌苔，舌苔作为种子点，赋值255,其它部分留本色。最佳分割阈值T1相当于目标类与背景类像素的边界灰度值，由于有T1的限制作用，提高了分割精度。

2.3问题的提出

1）阈值的变化和结果的差异。图1是舌表面的彩色分部图灰度化后的图象，图2它的直方图，图3分割后的结果，表1是图3说明。从图3可见，由于阈值的变化分割出舌苔图象的面积有较大的变化。

■

图1分部舌表面原图图2图1的直方图图3结果图

表1图的数据

■

2）直方图分布对阈值的影响。表1显示出范围变化引起最佳阈值的变化的差等于6，造成分割图象明显不同。从公式(2)可见在直方图中远离数学期望的点对方差的贡献是不可忽视的。但从客观上讲上图中80-140范围内的少量的点不应该较大地左右最佳阈值。

2.4解决办法

有两种可选择的方法：

1）改造直方图，把很小数值或空格部分删除，以减少灰度和期望之间的差值大小。

2）建立一个新的公式[4，6]，或减少远离期望的点的作用，

此文采用第二种方法。从公式(1)可知，最佳阈值主要决定于类间方差σw，它的有关部分再述如下：

q1=σ21;q2=σ22，ω1=n1/N，ω2=n2/N,qw=q1*ω1+q2*ω2;qb=qt-qw;

为了抵消少量“噪声”，本文提出下面的最大类间方差修正公式(3)，λ是修正系数，减号后面的一项是修正项。

η(T)=(1-λ)*(qb/qw)-λ*(N/(n1-n2))(3)

当η(T)最大时的阈值T就是最佳的。

分析修正项可知，n1-n2随着阈值逐步增大会出现由负到正的过程，由于修正项前面是减号，所以它的作用是加大整体结果η(T)的值，如果n1很最接近n2时修正项的绝对值最大，加大的作用也最强。而Max(qb/qw)

2.5彩色图象的提取

上面的叙述已经提到，舌苔部分已经置以最高值255，这样用两个文件逻辑与的办法很容易把舌苔部分从彩色图象中去掉，留下舌底色部分，在这个基础上可比较方便的进行下一步工作。

3实验

3.1公式没有改变前的结果

文中对舌表面的彩色分部图象分离出绿色的成分，对A,B,C,D,E,F,G,H8张灰度图象进行分割处理。图A,d,e,f,g的分割结果还可以，最佳阈值的变化在1~2之间，而图c,b,h的最佳阈值的差距比较大，达到5~6以上，而且h图在取值范围较宽时出现反常现象

3.2新方法

对于上述8个图片用本文的新方法分割，发现结果很一致。几个问题突出的图片的数据汇总于表2。修正系数λ取0.005（λ有一个较宽的可取范围），在表2中范围一项虽然取得不全，但也足以说明最佳阈值的稳定性。

3.3对于修正公式的测试

为了透析修正项的作用，对公式（2）进行数据测试，汇总于表（3）中。从表3可知(1-λ)qb/qw的范围在0~1.042，随着阈值增加，公式（1）的值逐步增大，当n1接近n2的时候，达到最大，最佳阈值就发生在这里，图4显示最佳阈值附近η(T)分布图。

表3舌分部图片B的计算数据

■

3.4分割的结果

下面选择了3幅舌分部图进行彩色分割处理，它们分别是图5、图6、图7，从下面的结果中可以看到分割还是比较成功的。

4结论

本文方法对于公式的缺点进行修正，获得的结果还比较理想。数据表明本文方法使OTUS方法有比较稳定最佳分割阈值，方法简单可行，有参考价值。

参考文献：

[1]OtsuN.Athresholdselectionmethordfromgray-levelhistogram[J].IEEETransSMC-9(1),1979:62-66.

[2]付忠良.图象阈值选取方法-Otsu方法的推广[J].计算机应用,2000,20(5):37-39

[3]付忠良.一些新的图象阈值选取方法[J].计算机应用,2000,(10):13-15.

[4]付忠良.图象阈值选取方法的构造[J].中国图象图形学报,2000,(5)A(6):466-469.

阈值分割的基本原理范文篇2

关键词：图像分割；阈值；颜色空间；印刷电路板

中图分类号：TP391文献标识码：A文章编号：1009-3044（2013）15-3634-03

在印刷电路板（PrintedCircuitBoard，PCB）缺陷自动检测系统中，图像处理软件是重要的核心部分，它包括图像预处理、图像分割、缺陷检测和定位。图像分割是图像分析处理软件的核心。近年来，彩色图像分割[1]与边缘提取技术越来越为人们所重视，其中阈值法[2]是最具代表性的方法之一。该文在对印刷电路板彩色图像的颜色特征进行分析后，发现印刷电路板图像颜色种类较少，色彩不连续且边界变化明显，且焊盘层和碳路层与背景色差别很大，而线路层和背景颜色比较接近.针对以上特征，本文提出了针对不同对象而采取不同方法的一种阈值分割方法。

1颜色空间转

由于目前数码设备采集到的PCB图像是RGB图像，但在彩色图像处理的中，由于HSI颜色空间更接近人眼对颜色的感知，也与物体本身的特性有关，因此，该文PCB图像分割是在HSI空间进行。从RGB到SHI的转换关系为[3]：

2颜色量化

本文研究的印刷电路板彩色图像单层裸板，其图像是由有限块区域组成，并且相同区域内颜色相似相近，实际需要处理的颜色数目较少，因此本文采用颜色量化的方法将相似相近的颜色归类处理。量化后，图像由不超过256种颜色所组成。

3PCB图像分割算法

利用上述方法将RGB图像转换成HSI图像后，分别对电路板上的焊盘、线路以及碳线层进行分隔，具体方法如下：

3.1焊盘的双阈值分割算法

标准焊盘显金黄色，其图像在HSI空间下色调S的范围为17—32，HSI空间上下限为固定值，因此可以利用双阈值对其进行分割。具体算法如下：

1）获取图像在S分量上的直方图N（si）；并设置双阈值[T1]=17，[T2]=32；

2）具体处理过程如式（7）：

如果当前处理点的色调在17-32范围内，则保持该处理点不变；否则将该点修改为其它值，该文实际编程时，将其修改为白色。

3.2碳线分割算法

碳线层一般为黑色，通过分析碳线的直方图，得知可由HSI的饱和度和亮度这两个分量共同进行阈值分割。具体算法如下：

1）对S分量分割阈值的计算方法是：首先对S分量直方图进行平滑处理[5]，然后计算S分量的直方图HS和像素总数PS。

2）按照式（8）计算阈值数组T[i]：

3）在T[i]找出最大值[μmaxs]和最小值[μmins]，令sThreshold为初始阈值；[sThreshold=（μmax+μmin）/2]；

4）求出新阈值sThreshold+1=（t1+t2）/2；

5）若sThreshold=sThreshold+1，则所得即为阈值；否则转2，迭代计算。对I分量分割阈值lThreshold的计算方法与sThreshold相同，不在累述。

6）计算出sThreshold和lThreshold后，如果S>sThreshold或I>lThreshold，则将该点修改背景色；否则保持该点的值不变。

3.3线路分割算法

由于PCB裸板图像线路层的颜色和背景之间颜色非常相似，只是在饱和度上差别很大。而HSI空间下，颜色信息只与H、S分量有关，而I与颜色信息无关。因此，对线路层的分割，该文采用的方法是，先去除焊盘颜色及碳线颜色，此时，只剩下背景和线路，该文采用Otsu法对线路进行分割。

4实验结果与分析

随机选取了几幅印刷电路板彩色图像，采用以上方法进行了实验。针对PCB图像的焊盘层、碳线层以及线路成，分别利用本文提出的算法和传统的阈值分割算法，得到的效果如图1，2，3所示。其中（a）是原始图像，（b）是本文算法分割结果，（c）为传统阈值法分割结果。可以看出，一般阈值分割法分割的结果比较粗，很多地方存在分割不到位的情况。该文算法在一定程度上解决了该问题，分割效果比较理想。

参考文献：

[1]PalNR，PalSK.Areviewonimagesegmentationtechnique[J].PatternRecognition，1993，26（9）：1277～1294.

[2]马英辉.彩色图像分割方法综述[J].科技情报开发与经济，2006，16（4）：158-159.

[3]AshdownJ.OctreeColorQuantization[J].C/C++UsersJoumal，1995，13（3）：31-44.

阈值分割的基本原理范文

关键词：图像分割、阈值、边缘检测、区域分割

中图分类号：TN957.52文献标识码：A

1引言

随着图像分割技术研究的深入，其应用日趋广泛。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割结果的好坏直接影响对计算机视觉中的图像理解。现有的方法多是为特定应用设计的，有很大的针对性和局限性，到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。因此，对图像分割的研究目前还缺乏一个统一的理论体系，使得图像分割的研究仍然是一个极富有挑战性的课题。

2图像分割方法

图像分割(ImageSegmentation)，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等。而任何相邻区域之间其性质具有明显的区别。

2.1基于灰度特征的阈值分割方法

阈值分割技术是经典的、流行的图象分割方法之一，它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的像素是同一个物体。

这类方法主要包括以下几种：

(1)单阈值法，用一个全局阈值区分背景和目标。当一幅图像的直方图具有明显的双峰时，选择两峰之间的谷底作为阈值。

(2)双阈值法，用两个阈值区分背景和目标。通过设置两个阈值，以防单阈值设置阈值过高或过低，把目标像素误归为背景像素，或把背景像素误归为目标像素。

(3)多阈值法，当存在照明不均，突发噪声等因素或背景灰度变化较大时，整幅图像不存在合适的单一阈值，单一阈值不能兼顾图像不同区域的具体情况，这时可将图像分块处理，对每一块设一个阈值。

2.2边缘检测分割法

基于边缘检测技术可以按照处理的顺序分为并行边缘检测和串行边缘检测两大类。常见的边缘检测方法有：差分法、模板匹配法及统计方法等。由于边缘灰度变化规律一般体现为阶梯状或者脉冲状。边缘与差分值的关系可以归纳为两种情况，其一是边缘发生在差分最大值或者最小值处；其二是边缘发生在过零处。

2.3基于区域的分割方法

基于区域的分割方法利用的是图像的空间性质。该方法认为分割出来的某一区域具有相似的性质。常用的方法有区域生长法和区域分裂合并法。该类方法对含有复杂场景或自然景物等先验知识不足的图像进行分割，效果较好。

区域生长方法是把一幅图像分成许多小区域开始的，这些初始的小区域可能是小的邻域甚至是单个像素，在每个区域中，通过计算能反映一个物体内像素一致性的特征，作为区域合并的判断标准。区域合并的第一步是赋给每个区域一组参数，即特征。接下来对相邻区域的所有边界进行考查，如果给定边界两侧的特征值差异明显，那么这个边界很强，反之则弱。强边界允许继续存在，而弱边界被消除，相邻区域被合并。没有可以消除的弱边界时，区域合并过程结束，图像分割也就完成。

2.4结合特定工具的图像分割技术

20世纪80年代末以来，随着一些特殊理论的出现及其成熟，如数学形态学、分形理论、模糊数学、小波分析、模式识别、遗传算法等，大量学者致力于将新的概念、新的方法用于图像分割，有效地改善了分割效果。产生了不少新的分割算法。下面对这些算法做一些简单的概括。

2.4.1基于数学形态学的分割算法

分水岭算法是一种经典的借鉴了数学形态理论的分割方法。该方法中，将一幅图像比为一个具有不同高度值的地形，高灰度值处被认为是山脊，底灰度值处被认为是山谷，将一滴水从任一点流下，它会朝地势底的地方流动，最终聚于某一局部最底点，最后所有的水滴会分聚在不同的吸引盆地，由此，相应的图像就被分割成若干部分。分水岭算法具有运算简单、性能优良，能够较好提取运动对象轮廓、准确得到运动物体边缘的优点。但分割时需要梯度信息，对噪声较敏感。

2.4.2基于模糊数学的分割算法

目前，模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。

这类方法主要有广义模糊算子与模糊阈值法两种分割算法。

(1)广义模糊算子在广义模糊集合的范围内对图像处理，使真正的边缘处于较低灰度级，但还有一些不是边缘的像素点的灰度也在较低灰度级中，虽然算法的计算简明，且边缘细腻，但得到的边缘图会出现断线问题。

(2)模糊阈值法引入灰度图像的模糊数学描述，通过计算图像的模糊熵来选取图像的分割阈值，后用阈值法处理图像得到边界。

2.4.3基于遗传算法的分割方法

此算法是受生物进化论思想提出的一种优化问题的解决方法，它使用参数编码集而不是参数本身，通过模拟进化，以适者生存的策略搜索函数的解空间，它是在点群中而不是在单点进行寻优。遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作，它唯一需要的信息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过程。由于此法能进行能量函数全局最小优化搜索，且可以降低搜索空间维数，降低算法对模板初始位置的敏感，计算时间也大为减少。其缺点是容易收敛于局部最优。

2.4.4基于神经网络分割算法

人工神经网络具有自组织、自学习、自适应的性能和非常强的非线性映射能力，适合解决背景知识不清楚、推理规则不明确和比较复杂的分类问题，因而也适合解决比较复杂的图像分割问题。原则上讲，大部分分割方法都可用ANN(attificialneuralnetwork)实现。ANN用于分割的研究起步较晚，只有多层前馈NN，多层误差反传(BP)NN，自组织NN，HopfieldNN以及满足约束的NN(CSNN-ConstraintSatisfactionNeuratNetwork)等得到了应用。使用一个多层前向神经网络用于图象分割，输入层神经元的数目取决于输入特征数，而输出层神经元的数目等同于分类的数目。

2.5图像分割中的其他方法

前面介绍了4大类图像分割较常用的方法，有关图像分割方法和文献很多，新方法不断产生，这些方法有的只对特定的情形有效，有的综合了几种方法，放在一起统称为第5类。

(1)标号法(labeling)是一种基于统计学的方法，这种方法将图像欲分割成的几个区域各以一个不同的标号来表示，用一定的方式对图像中的每一个像素赋以标号，标号相同的像素就合并成该标号所代表的区域。

(2)基于Snak模型的分割方法，基于Snake模型的分割是通过对能量函数的动态优化来逼近图像目标的真实轮廓的

(3)纹理分割，由于新的数学工具的引入，纹理分割技术取得了一些进展，张蓬等人将小波分析应用于纹理基元提取。

(4)基于知识的图像分割方法，直接建立在先验知识的基础上，使分割更符合实际图像的特点。该方法的难度在于知识的正确合理的表示与利用。

3图像分割性能的评价

图像分割评价主要有两个方面的内容：一是研究各分割算法在不同情况下的表现，掌握如何选择和控制其参数设置，以适应不同需要。二是分析多个分割算法在分割同一图像时的性能，比较优劣，以便在实际应用中选取合适的算法。分割评价方法分为分析法和实验法两大类。分析法是直接分析分割算法本身的原理及性能，而实验法是通过对测试图像的分割结果来评价算法的。两种方法各有优劣，由于缺乏可靠理论依据，并非所有分割算法都能够通过分析法分析其性能。每种评价方法都是出于某种考虑而提出来的，不同的评价方法只能反映分割算法性能的某一性能。另一方面，每一种分割算法的性能是由多种因素决定的，因此，有可能需要多种准则来综合评价。

4图像分割技术的发展趋势

随着神经网络、遗传算法、统计学理论、小波理论以及分形理论等在图像分割中的广泛应用，图像分割技术呈现出以下的发展趋势：(1)多种特征的融合。(2)多种分割方法的结合。(3)新理论与新方法。

参考文献

[1][美]RC冈萨雷斯.数字图像处理（第二版）[M].阮秋琦，等译.北京：电子工业出版社，2003

[2]章毓晋．图像分割[M]．北京：科学出版社，2001．