灰度图像的最佳阈值分割算法

第26卷第3期

Vol126No13济宁师范专科学校学报JournalofJiningTeachers’College2005年6月Jun12005

文章编号:1004-1877(2005)03-0006-03

灰度图像的最佳阈值分割算法

郭　娟1,王广阔2

(1.济宁贸易学校,山东济宁　272117;2.济宁市自考中心,山东济宁　272117)

　　摘　要:图像的分割是图像识别的前提和基础。在图像识别技术日益发展的今天,图像的分割技术自然倍受瞩目。本文提出了灰度图像的最佳阈值法分割算法。实验结果表明:该方法能够从图像中获取较为理想的目标图像,并具有一定的抗噪声性能。

关键词:图像分割;最佳阈值化;灰度图像

中图分类号:T391.41　　　　　文献标识码:A

　　11引　　言

图像的分割是图像识别的前提和基础。在图像识别技术日益发展的今天,图像的分割技术自然倍受瞩目。所谓图像分割[1]是将数字图像分成互不重叠的各个区域的过程,除一个称为背景的区域外,其它各个区域称为目标。然后,将待识别的目标从背景中分离出来。在灰度图像分割中,待处理图像往往含有一定的噪声。因此,在对图像作分割以前,要先对它作预处理。本文提出了灰度图像的最佳阈值法分割算法。实验结果表明:该方法能够从图像中获取较为理想的目标图像,并具有一定的抗噪声性能。

　　21最佳阈值分割

211　阈值分割[2][3]

所谓阈值分割,就是所有灰度值小于(或大于)某一阈值的象素均属于目标,而灰度值大于等于(或小于等于)该阈值的象素组成背景。设输入图像信号为f(m,n),输出信号为g(m,n),则二者之间存在下列关系[4]:

g(m,n)=I1　　　　0Φf(m,n)<S　　　　　　　　　　(2.1)I2　　　　SΦf(m,n)<fmax

其中I1及I2为两任意值,但是I1≠I2(通常取I1=0及I2=1),而S为所取的光强门限值(即阈值)。通过选取适当的S值,则输出图像中正好代表目标物,而具有I2值的象素恰恰代表背景,或者与此相反。阈值分割的关键是如何选择最佳的阈值。

212　最佳阈值

为了划分背景与目标,一般选择门限值在背景灰度分布中心之间的中间值。选取门限值的依据是图像灰度分布的直方图。图像的直方图可以视为亮度分布的概率密度函数的估计。假设图像中只含有两种主要的亮度区域,则整个密度函数可以看做是两个具有单峰的密度函数的总和或混合,一个对应白色区域,另一个对应黑色区域。反应混合程度的参数,比例于每种亮度在图中所占面积的大小。若密度函数已知,

则可以找到一个最佳的门限值来划分两个不同亮度的区域。所谓的最佳是指在分割出现错误的概率为最小的条件下求出的门限值。

213　最佳阈值的选取[5]

设图像中含有两种亮度Λ1及Λ2,分别加上高斯噪声,则其混合概率密度函数可以表示如下:

p(x)=P1p1(x)+P2p2(x)(2.2)

式中p1,p2分别为:

收稿日期:2005-03-20

作者简介:郭娟(1970-),女,山东汶上人,济宁贸易学校讲师,山东师大信息管理学院在读硕士。

—6—

www.99jianzhu.com/包含内容：建筑图纸、PDF/word/ppt 流程，表格，案例，最新,免费下载,施工方案、工程书籍、建筑论文、合同表格、标准规范、CAD图纸等内容。