[发明专利]一种灰度图像二值化的自适应全局阈值方法

说明书

技术领域

本发明属于图像处理技术领域，具体地说是涉及灰度图像的二值化处理方法。

背景技术

灰度图像的二值化处理旨在生成黑白图，有效地提取前景目标、剔除背景干扰，为进一步提取目标的边缘轮廓、乃至进行有效地为目标识别匹配提供必要的基础。灰度图的二值化处理在基于图像的模式识别应用里无处不在，车牌识别、光学字符识别（OCR）、人脸识别、指纹识别、和掌纹识别等等都需要用到图像二值化处理技术。

灰度图的二值化处理关键在于全局阈值的选取，自适应全局阈值的选取方法就是对于各种不同像素值分布的图像都能够自动找出合适的阈值进行二值化。获得阈值之后的图像二值化处理过程如（其中x,y是图像坐标；g(x,y)是图像灰度值； Tr是二值化阈值）。自适应二值化全局阈值方法一直是学术和技术领域研究的难点、热点。

在图像处理的经典理论里，二值化自适应阈值法有双峰法、P参数法、大津法（OTSU）、最大熵阈值法、和迭代法。其中双峰法对图像灰度呈准多峰分布时确定波谷有难度、P参数法也需要依赖目标占比的先验知识、大津法对背景和目标比较接近的图像处理失效、最大熵阈值法和迭代法的缺陷是计算复杂度略大。

发明内容

为解决现有技术中计算复杂、效果差的问题，提供一种灰度图像二值化的自适应全局阈值方法，这种方法能有效地进行二值化处理、计算简便。

为实现上述目的，本发明一种灰度图像二值化的自适应全局阈值方法，采用以下步骤：

第一步、首先对图像进行高斯低通滤波，以便消除高频噪声干扰；

第二步、计算图像的直方图，其中i是灰度级，h(i)是灰度级为i的图像像素的数目；

第三步、归一化直方图，得到，归一化的直方图曲线由这些二维点集组成，曲线上点的数目为256；

第四步、对上述256个点进行二元均值聚类，聚类的两个点集合P₀和P₁的初始中心各为，，其中，，即取从曲线两端开始的第一个纵坐标非零的点做初始聚类中心；

第五步、聚类迭代收敛后，输出两个聚类中心的横坐标之间的曲线部分中纵坐标数值最低的点的横坐标值乘以255倍；

第六步、根据步骤5得到的阈值再做二值化处理。

步骤三需要对直方图做归一化处理的理由是消除直方图纵坐标、横坐标由于物理意义不一样引发的差异性使得直方图曲线在聚类时依照欧式距离来计算。

步骤四采用固定机制的初始中心选取法，避免常用的聚类法使用随机初值中心造成结果的不稳定。

步骤五由于总的点数为256，经过较少的计算，聚类迭代即可收敛。

本发明的计算量少于迭代法、最大熵阈值法等在全图像像素数目上的迭代计算。

本发明从图像灰度直方图的分布出发，模拟人工肉眼判别阈值的经验，提出了一个基于归一化直方图的二维点集聚类的全局阈值选取方法，能够有效地进行二值化处理、计算复杂程度较小。

附图说明

图1为原始图像。

图2为经过高斯低通滤波后的结果图像。

图3为经本发明方法计算处理后的二值化结果。

图4为是原始直方图。

图5为归一化直方图。

具体实施方式

实施例一

以掌纹图预处理的二值化过程为例。

在学术文献里掌纹图的二值化都是根据经验设定一个固定阈值的方式处理的，在实际应用中会带来适应性的问题。

通过本发明步骤对掌纹图的二值化处理：

第一步、首先对图像进行高斯低通滤波，以便消除高频噪声干扰；

第二步、计算图像的直方图，

其中i是灰度级，h(i)是灰度级为i的图像像素的数目；

本例中i为，i范围是0<=i<=255，

i是一个变量，h(i)表征的是一个函数

第三步、归一化直方图，得到，归一化的直方图曲线由这些二维点集组成，曲线上点的数目为256个；

第四步、对上述256个点进行二元均值聚类，聚类的两个点集合P₀和P₁的初始中心各为，

和，

其中；

均值聚类算法收敛后的聚类中心坐标为（0.256863, 0.274890）和（0.758824, 0.416831）