一种带掩膜的大津阈值化方法

摘要

本发明公开一种带掩膜的大津阈值化方法，包括如下步骤：步骤一，确定掩膜个数及掩膜内渗透区域数量，根据原图像制作等大小模板，并在模板中的屏蔽区域和渗透区域分别填充灰度屏蔽因子和渗透因子；步骤二，以图像和掩膜的Hadamard乘积作为提取的目标区域；步骤三，计算目标区域中的最大类间方差，得到目标区域阈值化操作的阈值；步骤四，以步骤三得到的阈值进行阈值二值化处理。此种方法首先通过个性化掩膜设计对图像进行遮罩和渗透，然后使用Hadamard乘积对目标区域进行提取，最后仅以掩膜区域为对象采用最大类间方差计算理论确定阈值，原理简单，实用性较好。

说明书

技术领域

本发明涉及属于机器视觉中的数字图像处理技术领域，特别涉及一种具有掩膜功能的大津阈值化方法。

背景技术

随着机器视觉、计算机视觉和人工智能等技术的快速发展，数字图像处理技术应用越来越广泛，如：工业非接触检测、医学图像处理、遥感图像处理、军事安全、智能交通和智能家居等领域。在数字图像处理过程中，由于分割结果的准确性对处理结果起着关键作用，因此从图像中分割出真实有效的目标信息是进行图像处理任务的重中之重。常用的传统图像分割方法有：区域分割、阈值分割和边缘检测等，其中阈值分割因为方法操作简单、计算速度快，所以应用范围最广。

在阈值分割中，阈值的确定尤为重要。阈值选取不恰当会导致目标分割不准确，产生过度分割即同一个体被阈值化分割成两个及以上部分和欠分割即两个或多个个体阈值化后黏连在一起形成一个整体的不良情况。当前，阈值的确定方法主要包括：固定阈值法、局部阈值法和全局阈值法。

固定阈值法以特定阈值对图像进行阈值化操作，其优点是方便、快捷，缺点是阈值选取受人的主观意识影响，合理性难以评估，算法鲁棒性欠佳。

局部阈值法将一幅图像分割成多个子图像，相应地为每一幅子图像确定阈值，或者将图像均分为规则的等大小区域进行自适应阈值计算。局部阈值的优点是可以减小光照不均和背景干扰等的影响，缺点是图像拆分和阈值化后合并这两个复杂操作增加了算法的计算量，且对图像面积占比相对较大且外形为非规则形态的目标适应性较差。

全局阈值法首先根据图像的整体灰度信息采用不同的数学理论进行阈值计算，然后基于此阈值进行阈值化操作。阈值的计算方法是算法的关键，常见的阈值计算理论包括最小误差、最大类间方差和最大熵等理论。Otsu全局阈值算法采用了最大类间方差理论，因为具有原理简单和操作方便等优点，所以在数字图像处理中被广泛使用。

Otsu算法以数字图像为应用对象，因受限于图像的获取方式和二维矩阵表示形式，其只对图像或者图像中矩形区域内的灰度值进行处理。同时，因为算法以最大类间方差值作为阈值计算结果的衡量标准，所以通常对具有“驼峰”分布特征的灰度集合产生较好的阈值化效果。然而，在实际应用中目标对象的几何形态和灰度分布往往比较复杂，“驼峰”分布特征在整幅图像或者矩形区域内难以获得满足，并且图像背景中经常存在较多干扰，因此算法的阈值化操作效果往往不太理想。

中国发明专利申请CN201811294422.9公开了一种使用掩膜提取感兴趣区域图像进行Otsu进行阈值化的方法，包括使用最小二乘拟合得到的钢管内外径参数制作环形掩膜；将环形掩膜与原图像进行交运算操作提取仅含端面不含倒角的感兴趣区域图像；对提取的感兴趣图像进行Otsu阈值化操作得到二值图像。但是，其设置掩膜的目的是为了提取环形感兴趣区域并将环形以外的图像背景化像素值置为0，提取后仍以整幅图像中的所有像素为对象进行Otsu计算，其只是运用Otsu算法而不涉及对算法的任何改进。背景中的0像素值分布仍旧作为一种客观存纳入到Otsu算法的计算过程中，虽然在实施案例中取得了良好的效果，但是经过分析是因为实施案例中缺陷的灰度值与0值的差距较大，0值分布对分割结果没有造成巨大影响。倘若缺陷部分的灰度值与0值比较接近，则该方法将造成严重的错误分割现象。综上所述，有必要对现有Otsu算法进行改进和创新。

发明内容

本发明的目的，在于提供一种带掩膜的大津阈值化方法，首先通过个性化掩膜设计对图像进行遮罩和渗透，然后使用Hadamard乘积对目标区域进行提取，最后仅以掩膜区域为对象采用最大类间方差计算理论确定阈值，原理简单，实用性较好。

为了达成上述目的，本发明的解决方案是：

一种带掩膜的大津阈值化方法，包括如下步骤：

步骤一，确定掩膜个数f

步骤二，以图像S

步骤三，计算目标区域中的最大类间方差，得到目标区域阈值化操作的阈值；

步骤四，以步骤三得到的阈值进行阈值二值化处理。

上述步骤一中，若原图像是RectN图像，根据该图像的灰度包含黑灰色、暗灰色和灰白色，目标对象为位于暗灰色图像块中的R个灰白色图形，设定f

上述步骤一中，若原图像是Branch图像，根据该图像包含暗灰色背景和灰白色前景，灰度分布呈“驼峰”特征；设定f

上述步骤一中，若原图像是Circle图像，首先根据目标对象性质和图像处理任务确定掩膜个数f

上述步骤二中，Hadamard乘积表示如下：

其中，p

上述步骤三的具体过程是：

步骤31，计算每个灰阶像素数量及概率分布；

步骤32，以参数t为阈值将目标区域灰度集合划分为C

步骤33，分别计算C

步骤34，分别计算C

步骤35，取t′作为阈值，t′∈[0,t)∪(t,255]，重复步骤32-34，直至出现最大类间方差，其对应值t即为所求阈值T；若f

上述步骤四中，若f

在理论层面，最大类间方差理论可以应用于任意数值集合的二分类任务。因此，本发明提出一种带有掩膜的最大类间方差阈值化算法，将其称为MaskOtsu算法。MaskOtsu算法在图像灰度最大类间方差计算过程中通过采用任意形状和数量的掩膜(Mask)对被处理图像进行遮罩和渗透，使其可以只处理用户最感兴趣的区域，能够实现任意形状区域的阈值化操作，降低背景灰度分布对前景灰度分布峰值的影响，简化灰度分布呈现为多峰分布特征的阈值化算法的复杂程度，从而改善现有Otsu算法的不足；并且通过使用掩膜也可以去除背景像素对最大类间方差计算的影响，大大降低算法在灰度穷举空间进行阈值搜索的计算量，提高算法的效率和准确性。

采用上述方案后，本发明原理简单，由于将最大类间方差求解的“注意力”集中在目标对象所在区域，算法的抗干扰能力、适应能力、准确性和运行效率等性能都能获得提升。

附图说明

图1是本发明的流程图；

图2是掩膜设计中的因子填充示意图；

其中，(a)是模板M

图3是实验一掩膜设计示意图；

其中，(a)是实验素材RectN图像，(b)是掩膜设计结果；

图4是实验二掩膜设计示意图；

其中，(a)是实验素材Branch图像，(b)是掩膜设计结果；

图5是实验三掩膜设计示意图；

其中，(a)是实验素材Circle图像，(b)是灰度分布直方图；

图6是图5中三张掩膜设计结果示意图；

图7是应用本发明的结果示意图；

其中，(a)是实验一的结果，(b)是实验二的结果，(c)是实验三的结果。

具体实施方式

以下将结合附图，对本发明的技术方案及有益效果进行详细说明。

如图1所示，本发明提供一种带掩膜的大津阈值化方法，在最大类间方差法(Otsu)的应用中结合掩膜，我们称之为MaskOtsu算法，其核心思想是通过使用掩膜对图像进行有选择性的屏蔽和渗透，使得算法在进行类间方差计算时只统计掩膜内部的像素值，掩膜以外的像素值不再输入算法，以实现在阈值化过程中分而治之的目的；本发明具体包括如下步骤：

步骤1，设计掩膜。

首先根据目标对象性质和图像处理任务确定掩膜个数，记为f

为说明掩膜的具体设计方法，在下列三个实验中分别介绍了规则区域、非规则区域和灰度多峰分布特征情况下的掩膜设计方法。

实验一：图像分割与定位

实验目的：使用MaskOtsu算法分割处在黑灰色背景中且镶嵌在暗灰色图像块内的5个灰白色小正方形；并借助连通域分析方法定位其位置，以验证算法分割准确性。实验素材图像如图3(a)所示，掩膜设计结果如图3(b)所示。

掩膜设计步骤如下：

(1).图像特性分析。由RectN图像可知，其灰度可分为三类：黑灰色、暗灰色和灰白色。目标对象主要位于暗灰色图像块中，因此黑灰色部分在阈值化操作中是干扰部分，需设计掩膜进行屏蔽。

(2).目标对象属性分析。各目标对象灰度分布相同，且所处局部背景相同，因此制作单张掩膜，即f

(3).目标对象位置分布。目标对象分布在图像的5个不同位置，因此掩膜内渗透区域数量r

(4).掩膜制作。目标对象较小且在图像中的概率密度较低，因此使用现有Otsu算法得到图像黑灰色与暗灰色部分的二值化结果，该结果经过一次图像闭运算后作为掩膜的模板M，在其白色区域填充w

实验二：图像分割与目标对象提取

实验目的：使用MaskOtsu算法从强干扰背景图像中分割提取不规则曲线。实验素材图像如图4(a)所示，掩膜设计结果如下图4(b)所示。

掩膜设计分析思路同实验一，由Branch图像特性分析可知，图像主要由暗灰色背景和灰白色前景构成，灰度分布呈“驼峰”特征，但是由于暗灰色背景中存在难以抑制的噪声干扰，因此阈值化时需要对该部分进行屏蔽；设计掩膜数量f

实验三：图像分割与几何特征计算

实验目的：使用MaskOtsu算法分割出三个圆中两两相交部分，并借助Blob分析计算其面积，以验证算法对图像灰度呈多峰分布特征的适用性。实验素材图像如图5(a)所示，其灰度分布直方图如图5(b)所示。

掩膜设计分析思路同上，由Circle灰度分布直方图可知，图像灰度呈多峰分布特征，若要取得较好的阈值化效果，需要添加多个掩膜。通过不同的掩膜作用将目标对象灰度分布调整为双峰分布。由于目标对象呈现三种灰度，因此掩膜数量f

步骤2，从原图像中提取目标区域。

将图像和掩膜分别表示为二维矩阵S

当w

当w

当w

当w

当w

经上述分析，为使掩膜设计结果具有现实意义，要求w

步骤3，掩膜下的最大类间方差计算，计算过程分为以下步骤：

(1).计算每个灰阶像素数量及概率分布。设原图像与掩膜进行哈达玛乘积后的灰阶数为L

当w

当w

当w

(2).计算类内概率分布。设参数t(t∈[0，255])，以t为阈值将提取目标区域灰度集合划分为C

(3).计算类内灰度均值。C

(4).计算类内方差。计算公式如下式：

(5).计算类间方差。计算公式如下：

步骤4，确定阈值。另取t′作为阈值，其中t′∈[0，t)∪(t,255]。重复执行步骤3中的步骤(2)～(5)，直至最大类间方差出现，其对应值t即为所求阈值T。若f

步骤5，阈值化目标区域图像。以步骤4求得阈值T作为目标区域阈值化操作的阈值进行阈值二值化处理，具体可选用阈值化函数cv::thershold()或其它阈值化方法。若f

实验结果可参考如图7所示。通过使用本发明提供的方法，在实验一中准确分割出灰白色正方形目标；在实验二中成功提取不规则曲线，虽然结果中仍旧存在零星干扰，但是通过进一步简单地分析处理便可以将之去除；在实验三中使用多个掩膜，采用分治思想将复杂对象简化成简单对象，取得显著效果。

参数w

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。