基于阈值分割方法实际上是输入图像f到输出图像g的变换:
其中,T为阈值,对于物体的图像元素g(i,j)=1,对于北京图像元素g(i,j)=0。
阈值分割技术可分为全局阈值和局部自适应阈值分割。
全局阈值是指整幅图像使用同一个阈值进行分割处理,适用于背景和前景有明显对比的图像。这种方法只考虑像素本身的灰度值,一般不考虑空间特征,因而对噪声很敏感。
下面以最大类间方差分割算法(OTSU)来说明全局分割阈值的应用。最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法。它是按图像的灰度特性,将图像分成北京和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分北京错分为目标都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
对于图像I(x,y),前景(目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像比例记为ω0,其平均灰度记为μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度记为μ1;图像的总平均灰度记为μ,类间方差记为g。假设图像的背景较暗,并且图像大小为MxN,图像中像素的灰度值小于阈值T的像素个数记作N0,若把图像中像素的灰度值大于阈值T的像素个数记作N1,则有
全局阈值分割算法简单,对于双峰直方图图像有很好的分割效果,然而全局阈值分割的特点也显而易见:对于图像噪声和光照不均匀性十分敏感,在这种情况下,采用全局阈值分割往往会失败。
局部自适应阈值分割根据像素邻域块的像素值分布来确定该像素位置上的二值化阈值,这样做得好处在于每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常较高,而亮度较低的图像区域则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
常用的局部自适应阈值是局部邻域块的均值和局部邻域块的高斯加权和。
首先给出局部自适应高斯分割的定义:将处理窗口设为矩形移动窗,设r为处理窗口半径,T为窗口内的局部分割后阈值,μ为窗口内像素均值,δ2为窗口内像素方差,I(x,y)为输入像素值,g(x,y)为分割后的像素值,K为一个大于0的常熟。有如下定义:
通常情况下,根据不同的图像,K为0~4的常数。选取合适的窗口尺寸可以保证窗口内像素直方图有明显的分割门限,可以很好地达到预期分割效果。