非均匀光照条件下局部阈值分割算法研究

李汶轩，张云佐，姚慧松

(石家庄铁道大学 信息科学与技术学院，河北 石家庄 050043)

0 引言

随着社会科学技术的飞速发展，信息化成为社会发展的必要趋势，图像能够给人最为生动直观的信息，利用计算机对图像进行处理变得尤为重要。由于工业外部环境复杂，光照不均匀，含有噪声等情况，传统的阈值分割已不能满足工业需求。本文研究的是非均匀光照条件下的局部阈值分割算法,是根据图像局部灰度直方图的特征，来选择适合的局部分割算法。该算法在一定程度上能够克服传统阈值分割算法在光照不均匀，含有噪声等情况下对局部信息选取不足，造成阈值选取不当的缺陷。

1 基础理论

1.1 自适应中值滤波

自适应中值滤波[1-4]是一种平滑的非线性的技术，其基于排序理论，可以抑制噪声，是数字图像预处理的一种重要技术，自适应中值滤波算法的基本原理是把数字序列或图像中的一点的灰度值用该点的周围邻域各点的灰度的中值来代替，如公式（1），其中 (, )f i j 为原灰度值， ( , )g x y 为滤波后灰度值，k 为窗口宽度，这样便会消除孤立的噪声点。中值滤波是常用的经典的平滑噪声和边缘的方法，可以用来保护边缘信息，也可以用来消除椒盐噪声等。

1.2 图像阈值分割

阈值的分割，是根据图像的灰度直方图灰度的分布特性将图像进行分割。根据直方图选择合适的分割阈值，大于阈值的归为一类区域，小于阈值的归为另一类。阈值分割方法计算简单，速度较快，执行效率高。

2 局部自适应分割算法

当图像灰度直方图为单峰时，全局阈值很难达到分割的目的。局部自适应分割[2-3]算法便能较为理想的解决这一问题，它会根据全局阈值没有考虑到局部图像特征来对每一个像素点的阈值进行计算，算法步骤如下：

（1）选择大小为n*n（一般情况为奇数）的窗口，窗口从左上角依次遍历目标图像，并计算窗口内像素点的均值[5]。

（2）根据需要选择一个适合的微调量[6]，让步骤（1）中求出的均值减去这个微调量。所得的结果即为该点的阈值，如公式（2），其中T 为该像素点的阈值，Z 为个像素点的灰度值，d 为微调量。

（3）图像遍历结束便可得到一个阈值矩阵。利用得到的阈值矩阵对图像进行分割，图像边缘忽略不计可全部赋值为0。

3 本文Otsu 算法的改进

当图像光照不均匀时，由于全局阈值分割不能够充分考虑到图像的局部特征，针对这一问题，本文首先对Otsu[7-8]算法进行了改进，将图像分成多个子图像后，根据每个子图像的灰度特征选择子图像合适的阈值，算法实现如下：

（1）利用中值滤波对原图像进行去噪处理。

（2）将图像分割成n*m 个小块，将强光照部分和暗光照部分分离开来，分别对每一块使用Otsu算法求阈值[9-10]，使每个阈值的选取都充分考虑到局部特征。

（3）对灰度图像分为n*m 个小图像，若长度或高度不能平均分配，则将余数平均分配给前边的小图像。

（4）对于每个小图像使用Otsu 算法来寻找对应的阈值，从而得到一个n*m 的阈值矩阵。

（5）使用插值的方法来保证每个小图像之间由于阈值不连续而产生的分块问题。将步骤（2）计算出来的阈值分别赋值给每一个小图像的左上角第一个像素点。计算其右边小块的阈值与该阈值的差d，并让该像素点后的每个像素点分别加上，l 为子图像的宽，使阈值矩阵的宽得到扩充，如图1，并用相同的方法扩充阈值矩阵的高。最后一列和最后一行的图像小块区域每一行等于该行最后一个阈值，每一列等于该列最后一个阈值。于是便可以得到一个与原图像相同大小的阈值矩阵。并用得到的阈值矩阵进行图像分割[11]。

图1 插值法示意图 Fig.1 Schematic diagram of interpolation

4 本文算法的结合

4.1 算法原理

在实际的图像阈值分割过程中，2 中局部自适应阈值分割适于分割图像灰度直方图为单峰的情况，对图像细节分割较好，但是图像的整体分割效果不佳；3 中的改进的算法能够较为理想的分割光照不均匀的图像，但是对于某些局部图像直方图为单峰时会将前后景错分，细节分割效果不理想；所以本文根据图像局部灰度直方图特征对以上两种算法进行了结合，算法实现步骤 如下：

（1）将图像分成n*n 个小图像，并求得每个小图像的灰度直方图。

（2）判断直方图是否为单峰。

（3）根据步骤（2）所得的结果来确定小图像所适合的阈值分割算法。

4.2 算法实现

算法结合流程如图2 所示。

图2 算法流程图 Fig.2 Algorithm flow chart

5 实验结果及分析

2 中局部自适应算法，3 中本文对Otsu 算法的改进以及4 中本文对以上两种算法的结合的分割结果如下所示。

图3 原图a Fig.3 Original image a

图4 原图b Fig.4 Original image b

图5 局部自适应a Fig.5 Local adaptation a

图6 局部自适应b Fig.6 Local adaptation b

图7 Otsu 的改进a Fig.7 Otsu's improvement a

图8 Otsu 的改进b Fig.8 Otsu's improvement b

图9 算法结合a Fig.9 Algorithm combination a

图10 算法结合b Fig.10 Algorithm combination b

通过以上分割结果的对比，可以清晰的看到，局部自适应分割算法对于文本图像这种细节较多的图像具有较好的分割效果，但是图像分割的整体效果不佳；3 中对于Otsu 改进的算法能够比较好的分割出光照不均匀的图像，但是对于光照不均匀且注重细节的文本图像来说，分割效果不佳。而本文对于两种算法结合的方法，汲取了两种算法的优势，能够将两种类型的图像都进行较为理想的分割，具有更加广泛的应用价值。

6 结论

该文分析局部自适应分割算法和Otsu 分割算法的优劣，利用子图像灰度直方图特性，并充分考虑图像的局部特征，对Otsu 算法进行改进后，将局部自适应算法与改进后的Otsu 算法进行有机的结合，通过实验仿真比较，得出该算法能够较好的将光照不均匀的图像进行有效分割，且分割错误情况较少，但仍存在一些前景后景分割错误的情况，在下一步的研究中，可考虑对光照区域进行定位，进一步提高分割效果和准确度。