基于直方图的迭代式自动阈值分割技术研究

基于直方图的迭代式自动阈值分割技术研究作者：汪丹平唐勇

来源：《软件导刊》2011年第08期

摘要：首先介绍了直方图及其实现，进行了灰度处理，最后对迭代式自动阈值法技术进行了研究，介绍了其核心思想以及算法的实现，完成了图像阈值分割。

关键词：迭代式；自动阈值；图像分割

中图分类号：TP301 文献标识码：A 文章编号：1672-7800（2011）08-0032-

作者简介：汪丹平（1988-），女，江西乐平人，安徽理工大学计算机科学与工程学院硕士研究生，研究方向为数据库；唐勇（1987-），男，安徽池州人，安徽理工大学计算机科学与工程学院硕士研究生，研究方向为嵌入式开发。

0 引言

图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。分割出来的各区域对某种性质例如灰度、纹理而言具有相似性，区域内部是连通的且没有过多小孔；区域边界是明确的；相邻区域对分割所依据的性质有明显的差异。图像分割算法一般是基于亮度值的两个基本特性之一：不连续性和相似性。不连续性的应用途径是基于亮度的不连续变化分割图像，比如图像的边缘。相似性的主要应用途径是依据事先制定的准则将图像分割为相似的区域。门限(阈值)处理、区域生长、区域分离和聚合都是这类方法的实例。本文研究了一种传统的图像分割方法——阈值法，通过迭代方法选取阈值。

由于直方图能够很好地反映图像中目标和背景在灰度特征上的差异等灰度分布特征, 和使用直方图进行阈值化的简单性和直观性, 利用直方图进行图像阈值化一直是图像分割的一个主流。基于直方图的图像分割主要研究直方图构造和阈值选择两个问题。

1 获取直方图

在数字图像处理中，灰度直方图是最简单且最有用的工具，可以说，对图像的分析与观察直到形成一个有效的处理方法，都离不开直方图。

灰度直方图是灰度级的函数，描述的是图像中该灰度级的像素个数或该灰度级像素出现的频率。有时我们需要知道一幅图中的灰度分布情况，这时就可以采用灰度直方图来表示，即横坐标表示灰度级，纵坐标表示图像中该灰度出现的个数或该灰度级像素出现的频率，它只能反映图像灰度分布的情况，而不能反映图像像素的位置，即所有的空间信息全部丢失。用来判断一幅图像是否合理的利用了全部被允许的灰度级范围，一般一幅图应该利用全部或几乎去哪不可能的灰度级，否则等于增加了量化间隔，丢失的信息将不能恢复。

下面是获取直方图的算法实现：

// 指向源图像倒数第j行，第i个象素的指针

//修改最大，最小灰度值

2 基于直方图的灰度处理

灰度处理过程只与像素的灰度有关系，与像素的位置无关，假设对横坐标为，纵坐标为y的像素f（x,y）=g，经过灰度处理，其输出的灰度值为f`(x,y)=T(g)。这里f`(x,y)是处理后图像的像素，T表示灰度处理函数。

直方图处理的步骤：①针对原始灰度分布范围内的每一个灰度g，计算其经过T处理后的灰度值，获得灰度映射表；②遍历图像中的所有像素，将每个像素根据灰度值映射表更新为新灰度。

图1 直方图处理过程

3 迭代法进行阈值分割

基本思想：开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生

阈值优于上一次的阈值。

（1）运用迭代法进行阈值分割，迭代法阈值分割是基于逼近的思想，其步骤如下如下：

①求出图象的最大灰度值和最小灰度值，分别记为iMinGrayValue 和 iMaxGrayValue，令初始阈值iThreshold=0；

②根据阈值iThreshold将图象分割为前景和背景，分别求出两者的平均灰度值

iMean1GrayValue 和iMean2GrayValue；

③求出新阈值i New Threshold=(iMean1 Gray Value+iMean2 Gray Value)/2；

④若iThreshold !=iNew Threshold，则所得即为阈值；否则转2，迭代计算

//迭代求最佳阈值

for(iIterationTimes=0;iThreshold !=iNewThreshold && iIterationTimes

//求两个区域的灰度平均值

lP1 += lHistogra

iMea

经过阈值化之后的图像，只有前景和背景二元的信息，图像上的所有点的灰度值只用两种可能，不为"0"就为"255"，也就是整个图像呈现出明显的黑白效果。采用阈值分割技术可以得到理想的二值图像，它对物体与背景有较强对比的图像的分割特别有效，它计算简单而且总能用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判决为属于物体，灰度值用"255"表示，否则这些像素点被排除在物体区域以外，灰度值为"0"，表示背景。

// 指向源图像倒数第j行，第i个象素的指针

lpSrc=(char *)lpDIBBits + lL

// 指向目标图像倒数第j行，第i个象素的指针

if(pixel

4 结束语

经过图像结果分析我们可以发现，迭代所得的阈值分割的图象效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在。

原始图像迭代阈值二值化图像

参考文献：

[1] 崔屹.数字图像处理技术与应用[M].北京：电子工业出版社，

[2] 付忠良.图像阈值选取方法[J].计算机应用，

[3] 吴冰,秦志远.自动确定图像二值化最佳阈值的新方法[J].绘测学院学报，

[4] 刘俊敏，黄忠全，王世耕，等.医学图像处理技术的现状及发展方向[J].医疗卫生设备，2005（12）

[5] AHMED MN，FARAG A.Two-stage Neural Network for Volume Segmentation of Medical Images[C].Proceedings of IEEE International Conference on Neural Networks，1997.

（责任编辑：余晓）