资源描述：
《改进otsu局部递归算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、改进的局部递归OTSU分割算法.1．引言图像阈值自动选取方法的研究长期以来吸引着众多学者,寻找简单实用、自适应强的阈值自动选取方法是这些研究者们的共同目标。N.Otsu在1979年提出的最大类间方差法(有时也称之为大津方法)一直被认为是阈值自动选取方法的最优方法，该方法计算简单、自适应强，并且在一定条件下不受图像对比度与亮度变化的影响,因而在一些实时图像处理系统中得到了很广泛的应用。本文通过对该方法的分析提出了改进的局部递归OTSU分割方法,实验结果证明该方法具有较强的鲁棒性和较好的分割效果。2．OTSU算法及其局限性选取门限是基于这样一个假
2、设:能够被很好地分割的各类在灰度级上是可分的。因此,最佳门限应该是能最好地将两类分开的门限,OTSU正是通过计算最大类间方差而得到分割门限的。因为方差是灰度分布均匀性的一种度量,方差值越大,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背景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,这便是大津方法的真正含义。具体地说，它把图像像素按灰度级用阈值划分为两类和，即，，其中{}为图像的灰度级。若用分别表示类内、类间和总体方差，那么通过使以下关于的等价的判决准则函数达到最大来确定最佳阈值：在这三个准则函数中
3、，最为简便，又因为已知，与值无关，故这里的，式中，，，,表示图像中灰度级出现的概率。这种方法计算简单，稳定有效，且很实用。然而，我们仔细地分析OTSU准则的门限获取过程后不难发现,即使在较为理想的“双峰”条件下,对于某些情况,用OTSU准则得到的门限与理想门限也会存在着较大的差异。例如,当图像中目标区域和背景区域的像素数量相差太大时6,表现在直方图上就是一个波峰要比另一个波峰大得多。此时,若利用OTSU准则来求取门限,则由于原理的局限性,所得到的门限不可避免地向较大的波峰方向“漂移”，导致目标区域分割的失败[2]。实验结果如图1，图2，图3所
4、示。图1红外飞机全景图像图2红外飞机全景图像直方图图3简单OTSU算法分割结果图3．改进的局部递归OTSU算法如前所述，采用简单的OTSU算法，如果目标与背景所占的区域大小相差悬殊，就不能有效的分割出目标区域。要解决这个问题，必须对OTSU算法进行改进。在这里，我们提出了一种改进的局部递归OTSU分割的方法，较好地解决了这个问题[3]、[4]。在红外飞机图像中[5]6，飞机目标的灰度级比较高，而且目标区域的面积往往要比背景区域的面积要小一些，当两者面积相差悬殊的时候，门限不可避免地向背景波峰方向“漂移”，错误地将部分背景划分到目标区域像，如图
5、3所示。我们可以这样考虑，简单的一次OTSU分割不能达到理想的效果，分割结果图象可以分为两部分:背景区域和（含有部分背景的）目标区域，由于我们只对目标区域感兴趣，把背景区域去掉并不会丢失目标信息。那么，我们可以对结果图像的（含有部分背景的）目标区域进行OTSU分割得到新的结果图像，同样，把新的结果图像中背景区域去掉，如果目标区域还包含有部分背景，那么，我们再对（含有部分背景的）目标区域进行OTSU分割，就这样依次不断递归下去，直到分割图像达到理想的效果为止。我们称这种方法为局部递归OTSU分割方法，具体算法如下：首先，将整幅图像的所有像素看成
6、是点集，找到一个阈值对作OTSU分割，将其分为和两个点集，其中的灰度级较低，的灰度级较高，此时的分割还不能达到提取飞机目标区域的目的；接着，考虑到飞机目标灰度级比较高，目标区域的像素应该包含在点集里，所以我们舍弃点集，仅留下点集；然后找到一个比t大的阈值对点集进行OTSU分割，将分割为和两个点集，再舍弃较低灰度级的点集，留下点集，找到一个比大的阈值对点集做OTSU分割。就这样，依次用越来越大的阈值对保留下来的点集进行OTSU分割，不断的递归下去，直到满足特定的条件为止，最后所得到的像素点集就是飞机目标区域。现在的问题是如何确定这个递归停止条件
7、。根据模式识别原理可知，对两类识别问题，当样本个数相差越大，且类间距离越近的时候，出现错分的概率越大。由于图像分割问题实质上也是一个模式识别问题，所以相应地，我们在进行图像分割的时候，如果目标区域和背景区域的像素数量相差太大且两区域平均灰度比较接近时，就很可能把目标划分到背景或者把背景划分为目标。反过来，我们可以利用这两个参数对分割效果的影响来确定局部递归OTSU分割的递归停止条件。设每一次对新图像分割所得到的目标区域和背景区域的像素点个数为和，对原图像用某个门限值分割所得的目标和背景区域平均灰度值分别为和，那么两区域的面积比之差为，平均灰度
8、差的绝对值为，实验证明，当越大，越小时，图像的分割效果越好，门限也就越接近理想门限。在我们提出的改进的局部递归OTSU分割过程中，对每一次保留下来的含有目标的点集中
