一種基于圖像特征的整體閾值二值化方法

1閾值選取原則圖像的二值化是研究灰度圖像的一般方法。也就是說，設置一個閾值threal。將灰色圖像數(shù)據(jù)分為兩部分：大閾值成像組和小閾值成像組。例如輸入灰度圖像函數(shù)為f(x,y),輸出二值圖像函數(shù)為g(x,y),則通過求解閾值Threshold,從而把灰度圖像f(x,y)分成特征物和背景兩個區(qū)域。閾值是把圖像和背景區(qū)分開的標尺,選取適當?shù)拈撝稻褪羌纫M可能保存圖像信息,又要盡可能減少背景和噪聲的干擾,這是選擇閾值的原則。按照這樣一種思想,可以將現(xiàn)有的二值化方法大致分成3大類。1.1圖像整體閾值的確定整體閾值法是指根據(jù)經驗或灰度圖像的直方圖分布為整幅圖像確定一個閾值。閾值的確定一般分為兩種:(1)人工設定閾值:這種方案中,先根據(jù)經驗或實驗設置一個固定的閾值。然后對每個像素按上述式子進行二值化處理。(2)由灰度直方圖確定整體閾值:利用原始圖像灰度分布的直方圖能給出圖像灰度值的概貌描述。設灰度值f取值是0～255之間的整數(shù),f=0為黑色,f=255為白色。p(f通常稱以p(f整體閾值方法一般只考慮到整體像素的平均灰度值,并未顧及到每個像素的不同之處,所以其二值化在總體執(zhí)行速度上較快,且算法簡單,易于理解,但因為其對輸入圖像量化噪音或不均勻光照等情況抵抗能力差,在一些有干擾的像素上會發(fā)生錯誤判斷,使整幅圖像的二值化效果達不到后續(xù)作業(yè)的要求,所以在應用上受到極大限制。比較典型的整體二值化算法有梯度均值法、微分直方圖法等。1.2局部閾值二值化方法對于目標和背景比較清楚的圖像,全局閾值化方法可以取得較好結果。但是如果圖像的背景不均勻,或是目標灰度變化率比較大,全局方法一般就不再適用了。由像素(x,y)的灰度值f(x,y)和周圍點局部灰度特性來確定像素(x,y)的閾值叫局部閾值二值化。局部閾值選取一般將圖像劃分為若干子圖像,根據(jù)每個子圖像確定相應的閾值,具體的閾值確定方法同全局閾值的確定類似。局部閾值一般用于識別干擾比較嚴重、品質較差的圖像,較整體閾值方法有更廣泛的應用,但也存在缺點和問題,如實現(xiàn)速度慢、不能保證字符筆畫連通性以及容易出現(xiàn)偽影現(xiàn)象(即在背景域受噪音干擾得到筆畫結果)等。比較典型的局部二值化算法有多閾值的梯度強度法、基于紋理圖像的方法、最大方差法等。1.3動態(tài)閾值選擇應用局部閾值法后,從圖像局部看來,目標特征物與背景是可分的,但是無法得到一個適用于整幅圖像的全局閾值。因此提出了動態(tài)的局部閾值化算法,也稱自適應閾值化算法。動態(tài)閾值選擇不僅取決于像素閾值以及其領域像素的灰度值,并且與該像素坐標位置有關。動態(tài)是指根據(jù)每個像素及其鄰域像素的灰度值情況動態(tài)地計算分割所需的閾值。動態(tài)閾值二值化能夠處理品質較差的圖像,甚至單峰直方圖,但因為動態(tài)閾值化方法常常需要對圖像中每個像素點都計算閾值,即對整幅圖像求出一個閾值面(通常是曲面),計算量很大,運算速度一般比較慢,由于具有比較費時和某些失真的缺點,這在一定程度上阻礙其發(fā)展。比較典型的動態(tài)閾值二值化方法有迭代法等。表1對以上算法比較了其優(yōu)缺點和適用情況。2圖像的濾波去噪在上面分析的基礎上,我們以身份證為例對多閾值動態(tài)二值化算法做了一下改進。對同一幅圖像采用3種不同的閾值進行處理以及修正處理,即通過3步二值化處理和1步二值化修正,步驟如下:(1)第1個閾值的運算將目標區(qū)域與背景區(qū)域進行大致的分離,使圖像中只呈現(xiàn)出兩種不同的顏色,即黑和白。(2)用第2個閾值對已經分離出來的目標區(qū)域進行再處理,由于第一個閾值在對圖像處理的過程中,會將部分背景區(qū)域誤認為是目標區(qū)域,導致分割的不準確。因此,第二個閾值的目的是將已知的目標區(qū)域中的背景區(qū)域分割出來,使目標區(qū)域進一步被分割。(3)在第(2)步的基礎上使用第3個閾值對已經經過再處理的目標區(qū)域進行第3次分割。(4)使用二值化修正算法對得到的圖像進行修正,使其此時達到身份證二值化所要求的水平?；诨叶鹊臄?shù)學期望的二值化方法是一種十分有價值的方法,在其基礎上進行進一步的處理是非常有效和便利的。因此取整幅圖像的灰度期望值,即作為第一步處理所需的閾值,對圖像整體上進行全局性的分割,圖像中考察點(x,y)的灰度值f(x,y)>μθ時,置f(x,y)=255,其他的點則要進一步處理。由于身份證的背景噪聲很大,經第一個閾值處理后仍難以滿足要求,需要濾波方法濾除噪聲?？紤]到身份證上的網格線絕大部分是傾斜的,很少是水平或垂直的,即使網格線上的點很暗,該點垂直方向和水平方向的領域點也會很亮。利用這個特點,我們提出了一種基于“+”型區(qū)域的近似于濾波的去噪音方法,即像素點的4領域法。設(x,y)是圖像中的一個像素點,以像素點(x,y)為中心的“+”領域如圖1所示。設f(x,y)是像素點(x,y)的灰度值,mean這時對整幅圖像內部的點已經作了“+”型領域的處理,但最外圍的點并不滿足具有4領域的條件,“+”算法已經不起作用。此時需要對最外圍的像素點采用新的算法。由圖像可知最外圍點所缺的是其“+”型領域中除中心點外的任意一點,這正符合運用“T”型領域算法及其變形算法的要求。如圖2。同樣在圖2(b),(c),(d)中采用類似形式可計算得各自的mean然而左上角、右上角、左下角、右下角的計算方式又與上面的兩種點不同,由于其的特殊位置用“?！毙皖I域算法來簡化計算的復雜度,是十分可行的,如圖3所示。在圖3(a),(b),(c)中采用類似的方式便可計算出其它3個各自的mean這時的圖像經過兩個閾值的處理,將明顯的目標區(qū)域和背景區(qū)域分離開來,且在此基礎上進行一次類似濾波除噪聲,使圖像中的大部分干擾被消除,但是殘留的噪聲仍能對后面的識別造成嚴重的影響,因此務必將其除去。通過第2個閾值的處理,目標區(qū)域已經縮小許多,可以對目標區(qū)域的每個像點進行更為復雜的處理。由于激光防偽陰影網格線及各種版面噪聲的影響使背景的灰度深淺不一,要想把字符筆畫清晰地從背景中提出,就要擴大范圍,考慮周圍點的特征。這里選用以考察點(x,y)為中心的7×7區(qū)域計算第3個閾值mean即mean此時的mean由于從外界傳入的圖像無論是彩色,還是黑白、偏暗的、偏亮的,在經過3步二值化處理后只有兩種點生成:黑點(0)和白點(255)。如果不考慮黑點與白點的比例,直接采用一種修正方法進行修正是盲目的,它只可能對部分比例產生良好的效果,但對其它的部分可能失去或減弱了修正能力。通過對3步二值化后的圖像的統(tǒng)計發(fā)現(xiàn),正常情況下黑點與白點的比例近似是1:3,由此可將二值化的修正算法分成兩部分,即當黑點與全部點的比例小于1:4時(無論采用什么樣的二值化算法和修正算法都不可能保證不產生干擾點),采用修正算法1(情況1);大于1:4時則采用修正算法2(情況2)。通過運用不同的修正算法,避免了單一的修正方法對一類圖像效果好,對另一類差的弊端,可以使不同比例的圖像在總體上產生令人滿意的效果。(1)情況1,當黑點與全部點的比例小于1:4時,圖像中黑點居少數(shù),干擾點周圍形成其他干擾點的幾率比較小,因此采用像素點(x,y)的8領域修正算法。即判斷1)如果其中有任意3個或更多點的灰度值為0時,該點(x,y)的灰度值為0;2)如果其中有任意4個或更多點的灰度值為255時,該點(x,y)的灰度值為255;(2)情況2,當黑點與全部點的比例大于或等于1:4時,圖中黑點數(shù)占相對多數(shù)(與情況1相比較),但白點數(shù)還是居于絕對多數(shù)。在一個干擾點周圍形成一個或多個其他干擾點的幾率高于情況1,在修正時要考慮的情況就比情況1更為復雜。仍然采用像素點(x,y)的8領域修正算法,在考慮到1個干擾點周圍極有可能存在其它干擾點的情況下:1)如果其中有任意4點或更多點的灰度值為0時,該點(x,y)的灰度值為0;2)如果其中有任意3點或更多點的灰度值為255時,該點(x,y)的灰度值為255。綜上所述,改進的圖像二值化的具體方法如下:(1)求出身份證圖像灰度的數(shù)學期望mean;(2)逐點二值化。如果考察點(x,y)的灰度值f(x,y)>mean,則置f(x,y)=255;否則求出以該點為中心的“+”型領域的平均灰度值mean(3)二值化的修正。如果黑點與全部點的比例小于1:4,則屬于情況1,運用其中的方法進行修正,否則(即黑點與全部點的比例大于或等于1:4),則屬于情況2,運用其中的方法進行修正。通過該算法二值化處理前后的效果如圖7、圖8所示。3值化對于文本圖像的二值化要盡量與一般圖像的二值化配合使用,以達到低時長和高精度工作要求的效果本文提出了改進的動態(tài)二值化算法,兼顧了圖像總體灰度水平和像素領域的特征,能夠適應灰度變化范圍比較大的圖像,不僅適合于小