一种具有广泛适应性的图像二值化方法与流程
本发明涉及一种具有广泛适应性的图像二值化方法。
背景技术：
二值化是图像分割的常用方法，通过将图像各个像素点分别置为前景和背景，即可得到用户关注的内容。传统的二值化方法可以分为全局阈值法和局部阈值法两大类。下面以车牌图像的二值化为例，说明两类方法的优缺点。
全局阈值是指整幅图像所有像素点采用相同的二值化阈值，常用方法有均值阈值、中值阈值、迭代迭代法和Ostu方法。
全局阈值的优点是二值化后的图像噪声较少，几乎不存在伪影，伪影是指原图像中明显的背景被二值化成的前景。
全局阈值的缺点包含三点：(1)不能处理光照不均匀的情况；(2)不能用于特殊区域(如车牌中的红色字符)的二值化；(3)对于分辨率较低的图像，二值化出来的字符笔划较粗，会对识别造成影响。
局部阈值是指整幅图像不同区域或不同像素点采用不同的二值化阈值，常用方法有Bernsen算法和LEVBB、组合阈值等改进的局部阈值法
局部阈值的优点是对光照不均、阴影明显的图像二值化效果较好。
局部阈值的缺点主要体现在两个方面：(1)速度较慢；(2)容易出现伪影，改进的局部阈值法虽然针对伪影问题作了些改进，但是相对于全局阈值法来说，仍然会留下较多噪声。
技术实现要素：
本发明的目的在于克服现有技术的不足，提供一种具有广泛适应性的图像二值化方法，该算法对于各种情况的图像都有较好的适应性，对图像中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。
本发明的目的是通过以下技术方案来实现的：一种具有广泛适应性的图像二值化方法，它包括如下步骤：
S01：将输入图像灰度化；
S02：计算灰度图像的平滑阈值，生成平滑阈值表T1；
S03：使用平滑阈值表T1对灰度图像进行二值化，生成二值图；
S04：根据二值图搜索特殊区域；
若存在特殊区域，则计算特殊区域的平滑阈值表T2，完成后跳转步骤S05；
若不存在特殊区域，则平滑阈值表T1为最终图像平滑阈值表，跳转步骤S07；
S05：使用T2替换T1的对应部分，得到最终图像平滑阈值表T3；
S06：使用最终图像平滑阈值表对灰度图像进行二值化；
S07：输出图像二值化结果。
所述的平滑阈值表的计算方法为：设置高winHeight×宽winWidth的滑动窗口在灰度图像中滑动，每次窗口横向偏移量为OffsetX，纵向偏移量为OffsetY，分别计算每个窗口局部图像的迭代阈值，各个OffsetY×OffsetX大小的小区域存在于N个窗口中，则将这N个迭代阈值取中值作为该小区域的平滑阈值，同理计算图像上其余小区域的平滑阈值，生成平滑阈值表。
所述的迭代阈值的计算方法为：计算滑动窗口内的图像的最大灰度值和最小灰度值，分别记为gMax和gMin，令初始阈值T＝(gMax+gMin)/2，令Tlast＝T，根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值GMfront和GMback，更新阈值T′＝(GMfront+GMback)/2，若T′＝Tlast，则即为最终所求的二值化阈值；若T′≠Tlast，则令Tlast＝T′，重复迭代计算。
所述的特殊区域的搜索采用投影法，即对二值图进行按列求和得到投影曲线，较大的波谷区间对应的列即为特殊区域。
所述的滑动窗口的大小与图像尺寸相关，若图像宽和高分别为W和H，图像中兴趣目标的宽和高分别为和w和h，滑动窗口宽或高的上下限分别为：
winWidthmax＝min(0.5W,2w)
winWidthmin＝0.5w
winHeightmax＝min(0.5H,2h)
winHeightmin＝0.5h。
所述的横向偏移量OffsetX最小为1，最大为滑动窗口宽度的1/2；纵向偏移量OffsetY同理。
本发明的有益效果是：本发明提供了一种具有广泛适应性的图像二值化方法，该算法对于各种情况的图像都有较好的适应性，对图像中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。本方法兼有全局二值化和局部二值话的优点，处理效果优于两者，速度与局部阈值方法相当。在保证普通图像二值化效果的同时，对低分辨率和复杂光照场景的情况也能进行较好的处理。若用于车牌识别，则能够极大的提升特殊车牌和特殊场景下字符分割的准确性。
附图说明
图1为本方法的算法流程图；
图2为平滑阈值计算方法示意图；
图3为车牌二值化效果对比图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，一种具有广泛适应性的图像二值化方法，它包括如下步骤：
S01：将输入图像灰度化；
S02：计算灰度图像的平滑阈值，生成平滑阈值表T1；
S03：使用平滑阈值表T1对灰度图像进行二值化，生成二值图；
S04：根据二值图搜索特殊区域；
若存在特殊区域，则计算特殊区域的平滑阈值表T2，完成后跳转步骤S05；
若不存在特殊区域，则平滑阈值表T1为最终图像平滑阈值表，跳转步骤S07；
S05：使用T2替换T1的对应部分，得到最终图像平滑阈值表T3；
S06：使用最终图像平滑阈值表对灰度图像进行二值化；
S07：输出图像二值化结果。
所述的平滑阈值表的计算方法为：设置高winHeight×宽winWidth的滑动窗口在灰度图像中滑动，每次窗口横向偏移量为OffsetX，纵向偏移量为OffsetY，分别计算每个窗口局部图像的迭代阈值，各个OffsetY×OffsetX大小的小区域存在于N个窗口中，则将这N个迭代阈值取中值作为该小区域的平滑阈值，同理计算图像上其余小区域的平滑阈值，生成平滑阈值表。
如图2所示，假设图中每个小方格为一个像素，窗口高和宽都为两个像素，滑动窗口横向或纵向的偏移量Offset均为一个像素，对于图2中深灰色像素来说，共有四个滑动窗口包含了它，这四个窗口内提取到的迭代阈值分别为RC1～RC4，那么深灰色像素平滑过的二值化阈值即为RC1、RC2、RC3、RC4的中值。
所述的迭代阈值的计算方法为：计算滑动窗口内的图像的最大灰度值和最小灰度值，分别记为gMax和gMin，令初始阈值T＝(gMax+gMin)/2，令Tlast＝T，根据阈值T将图像分割为前景和背景，分别求出两者的平均灰度值GMfront和GMback，更新阈值T′＝(GMfront+GMback)/2，若T′＝Tlast，则即为最终所求的二值化阈值；若T′≠Tlast，则令Tlast＝T′，重复迭代计算。
所述的特殊区域的搜索采用投影法，即对二值图进行按列求和得到投影曲线，较大的波谷区间对应的列即为特殊区域。
在车牌二值化中，投影法指对车牌二值图像进行按列求和，得到投影曲线，较大的波谷区间对应的列即为特殊区域，区间的尺寸阈值设定可根据实际需求给出特定经验值。在车牌图像中可以先计算迭代阈值，再统计每列小于阈值点的个数，将此类点数较多的列合并起来，若合并区域宽度超过字符宽度，则为特殊区域。特殊区域的滑动窗口大小也根据实际需求确定。在高H×宽W的车牌图像中，对于特殊区域，窗口大小为OffsetX＝OffsetY＝2；对于普通区域，窗口大小为OffsetX＝OffsetY＝W/30。
所述的滑动窗口的大小与图像尺寸相关，若图像宽和高分别为W和H，图像中兴趣目标的宽和高分别为和w和h，滑动窗口宽或高的上下限分别为：
winWidthmax＝min(0.5W,2w)
winWidthmin＝0.5w
winHeightmax＝min(0.5H,2h)
winHeightmin＝0.5h。
所述的横向偏移量OffsetX最小为1，最大为滑动窗口宽度的1/2；纵向偏移量OffsetY同理。
如图3所示为采用本发明进行二值化，与传统方法对比如下，第一列是车牌图像，第二列是全局阈值方法结果，第三列是局部阈值方法结果，第四列是本专利方法结果。结果表明，该算法对于各种情况的图像都有较好的适应性，对车牌中特殊颜色字符、光照不均、噪声影响、图像模糊、对比度低的情况均能得到较好的二值化效果。
- 还没有人留言评论。精彩留言会获得点赞！