[发明专利]基于大津法与K均值聚类算法联合优化的图像二值化方法

说明书

本发明基于大津法与K均值聚类算法联合优化的图像二值化方法属于计算机视觉测量领域，涉及一种基于大津法与K均值聚类算法联合优化的图像二值化方法。该方法首先对图像采用OTSU算法得到图像的OTSU算法阈值；然后对OTSU阈值下的图像前景和背景分别取像素平均值。接下来将上述求得前景和背景的像素平均值作为K‑means的聚类中心，并对图像进行聚类操作。最后，采用DBSCAN算法进行滤波得到最终的图像二值化结果。该方法有效解决了复杂测量环境下具有局部过曝特性图像二值化效果差、难以有效提取特征标志点的问题。实现了图像的有效、精准二值化，能快速完成K‑means聚类过程。

技术领域

本发明属于计算机视觉测量领域，涉及一种基于大津法与K均值聚类算法联合优化的图像二值化方法。

背景技术

随着现代工业的进步和计算机科学的不断发展，视觉测量技术在航空航天、精密制造、产品质量检测等工业领域得到了广泛应用。其中相机测量系统图像的有效二值化是实现特征点准确提取、三维重建、获取测量信息的前提和基础。而工业测量现场环境复杂，存在各种光源干扰，且图像背景多存在反光情况，进而使得图像容易出现局部过曝。面对上述问题，准确实现相机测量系统获得图像的二值化具有很大难度。因此，发明一种面向工业测量环境中具有局部过曝特性图像的图像二值化方法具有重要意义。

目前常用的图像二值化方法有很多，最常用的自适应二值化算法为日本学者大津提出的大津法(OTSU),其原理为采用其阈值进行图像二值化分割后，前景与背景图像的类间方差最大，优点是计算简单，不受图像亮度和对比度的影响，但是对于灰度直方图没有明显的双峰或者噪声比例过大的图像二值化效果并不明显。K均值聚类算法(K-means)算法是一种最常用的聚类算法，在图像处理中经常用于图像分割，特别地，当k值选为2时，可以看作图像二值化。但是K-means算法的缺点在于初始聚类中心的选择，随机选择不当则可能造成程序运行时间过长、二值化结果较差等问题。而通过OTSU算法为K-means算法提供初值既能解决噪声比例大的图像中OTSU算法无法柔性处理噪声的问题，又能加速K-means聚类过程。

哈尔滨理工大学的卢迪等人，在专利号：201610842687.2，专利《基于支持向量机的自适应图像二值化方法》中提出了一种基于支持向量机的自适应图像二值化方法。该方法以图像灰度直方图的特征属性作为特征向量，以其对应的图像二值化方法作为标签采用支持向量机进行训练，训练结果可以实现针对不同图像选取最佳的二值化方法的效果。但是该方法需要人工预先提供不同的二值化方法。

发明内容

本发明一种基于大津法与K均值聚类算法联合优化的图像二值化方法要解决的是工业测量环境中相机获取的原始图像易出现由于局部高光产生的过曝进而二值化处理效果较差这一问题。该方法基于OTSU算法的分割结果为K-means聚类提供聚类中心，并采用K-means完成图像二值化的技术方式。首先对图像采用OTSU算法得到图像的OTSU算法阈值，然后对OTSU阈值下的图像前景和背景分别取像素平均值。再将上述求得前景和背景的像素平均值作为K-means算法的聚类中心，并对图像进行聚类操作。最后，采用DBSCAN算法进行滤波得到最终的图像二值化结果。此方法基于OTSU算法为K-means聚类提供聚类中心，并用DBSCAN滤掉无效像素，实现了图像的有效二值化。

本方法采用的技术方案是一种基于大津法与K均值聚类算法联合优化的图像二值化方法，其特征是，该方法首先利用OTSU算法给定初始的二值化阈值；然后将图像中像素大于阈值和小于阈值的所有像素分别取平均值；再将采用K-means算法对图像聚两簇，聚类中心为上述的两个平均值；最后，采用DBSCAN算法对图像进行滤波，剔除图像中局部过曝的前景，实现了复杂测量环境下图像的有效二值化；该方法具体步骤如下：

步骤一，采用OTSU算法对图像进行处理；