开发者社区> 贾志刚> 正文

图像处理之基于Otsu阈值二值化

简介: 图像处理之基于Otsu阈值实现图像二值化 一:基本原理 该方法是图像二值化处理常见方法之一,在Matlab与OpenCV中均有实现。 Otsu Threshing方法是一种基于寻找合适阈值实现二值化的方法,其最重 要的部分是寻找图像二值化阈值,然后根据阈值将图像分为前景(白色) 或者背景(黑色)。
+关注继续查看

图像处理之基于Otsu阈值实现图像二值化

一:基本原理

该方法是图像二值化处理常见方法之一,在Matlab与OpenCV中均有实现。

Otsu Threshing方法是一种基于寻找合适阈值实现二值化的方法,其最重

要的部分是寻找图像二值化阈值,然后根据阈值将图像分为前景(白色)

或者背景(黑色)。假设有6x6的灰度图像,其像素数据及其对应的直方

图如下图:


阈值寻找方法首先假设是为T=3,则背景像素的比重、均值、方差的计算

结果如下:


根据前景像素直方图,计算比重、均值、方差的过程如下:


上述整个计算步骤与结果是假设阈值T=3时候的结果,同样计算假设阈值为

T=0、T=1、T=2、T=4、T=5的类内方差,比较类内方差之间的值,最小类

内方差使用的阈值T即为图像二值化的阈值。上述是假设图像灰度值级别为

0~5六个值,实际中图像灰度值取值范围为0~255之间,所以要循环计算

使用每个灰度值作为阈值,得到类内方差,最终取最小类内方差对应的灰度

值作为阈值实现图像二值化即可。

二:代码实现

package com.gloomyfish.filter.study;

import java.awt.image.BufferedImage;

public class OtsuBinaryFilter extends AbstractBufferedImageOp {
	
	public OtsuBinaryFilter()
	{
		System.out.println("Otsu Threshold Binary Filter...");
	}

	@Override
	public BufferedImage filter(BufferedImage src, BufferedImage dest) {
		int width = src.getWidth();
        int height = src.getHeight();

        if ( dest == null )
            dest = createCompatibleDestImage( src, null );
        // 图像灰度化
        int[] inPixels = new int[width*height];
        int[] outPixels = new int[width*height];
        getRGB( src, 0, 0, width, height, inPixels );
        int index = 0;
        for(int row=0; row<height; row++) {
        	int ta = 0, tr = 0, tg = 0, tb = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		ta = (inPixels[index] >> 24) & 0xff;
                tr = (inPixels[index] >> 16) & 0xff;
                tg = (inPixels[index] >> 8) & 0xff;
                tb = inPixels[index] & 0xff;
				int gray= (int)(0.299 *tr + 0.587*tg + 0.114*tb);
				inPixels[index]  = (ta << 24) | (gray << 16) | (gray << 8) | gray;
        	}
        }
        // 获取直方图
        int[] histogram = new int[256];
        for(int row=0; row<height; row++) {
        	int tr = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
                tr = (inPixels[index] >> 16) & 0xff;
                histogram[tr]++;
        	}
        }
        // 图像二值化 - OTSU 阈值化方法
        double total = width * height;
        double[] variances = new double[256];
        for(int i=0; i<variances.length; i++)
        {
        	double bw = 0;
        	double bmeans = 0;
        	double bvariance = 0;
        	double count = 0;
        	for(int t=0; t<i; t++)
        	{
        		count += histogram[t];
        		bmeans += histogram[t] * t;
        	}
        	bw = count / total;
        	bmeans = (count == 0) ? 0 :(bmeans / count);
        	for(int t=0; t<i; t++)
        	{
        		bvariance += (Math.pow((t-bmeans),2) * histogram[t]);
        	}
        	bvariance = (count == 0) ? 0 : (bvariance / count);
        	double fw = 0;
        	double fmeans = 0;
        	double fvariance = 0;
        	count = 0;
        	for(int t=i; t<histogram.length; t++)
        	{
        		count += histogram[t];
        		fmeans += histogram[t] * t;
        	}
        	fw = count / total;
        	fmeans = (count == 0) ? 0 : (fmeans / count);
        	for(int t=i; t<histogram.length; t++)
        	{
        		fvariance += (Math.pow((t-fmeans),2) * histogram[t]);
        	}
        	fvariance = (count == 0) ? 0 : (fvariance / count);
        	variances[i] = bw * bvariance + fw * fvariance;
        }

        // find the minimum within class variance
        double min = variances[0];
        int threshold = 0;
        for(int m=1; m<variances.length; m++)
        {
        	if(min > variances[m]){
        		threshold = m;
        		min = variances[m];
        	}
        }
        // 二值化
        System.out.println("final threshold value : " + threshold);
        for(int row=0; row<height; row++) {
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
                int gray = (inPixels[index] >> 8) & 0xff;
                if(gray > threshold)
                {
                	gray = 255;
                	outPixels[index]  = (0xff << 24) | (gray << 16) | (gray << 8) | gray;
                }
                else
                {
                	gray = 0;
                	outPixels[index]  = (0xff << 24) | (gray << 16) | (gray << 8) | gray;
                }
				
        	}
        }
        setRGB(dest, 0, 0, width, height, outPixels );
        return dest;
	}

}

运行效果图:


转载文章请注明,博主在此祝各位2015年工作顺利,请继续关注!

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
图像分割—灰度阈值分割
图像分割—灰度阈值分割
10 0
CV10 图像模糊(均值、高斯、中值、双边滤波)
当我们只想得到感兴趣的物体时,通过图像模糊,可以将那些尺寸和亮度较小的物体过滤掉,较大的物体则易于检测。除了降低噪声,这就是图像平滑(模糊)的另一个重要应用:减少噪点,突出ROI,以便目标提取。
30 0
CV学习笔记-尺度不变特征变换(SIFT)
CV学习笔记-尺度不变特征变换(SIFT)
72 0
Matalb-图像均值滤波,中值滤波,梯度锐化(sobel算子)的实现
Matalb-图像均值滤波,中值滤波,梯度锐化(sobel算子)的实现
62 0
OpenCv 中的【图像阈值化处理】
正常一个图像分为 R、G、B、三个通道,彩色照片中的每个像素值(生活中的某一中颜色)都是由不同R、G、B的值组合在一起的,比如下面这种
119 0
高斯反向投影实现检测图像中的特定物
高斯反向投影实现检测图像中的特定物
89 0
Canny算法进行边缘检测,并在原图片上绘图
Canny算法进行边缘检测,并在原图片上绘图
96 0
图像处理之积分图应用四(基于局部均值的图像二值化算法)
图像处理之积分图应用四(基于局部均值的图像二值化算法) 基本原理 均值法,选择的阈值是局部范围内像素的灰度均值(gray mean),该方法的一个变种是用常量C减去均值Mean,然后根据均值实现如下操作: pixel = (pixel > (mean - c)) ? object : background 其中默认情况下参数C取值为0。
1445 0
+关注
贾志刚
2004毕业于山东大学齐鲁软件学院,软件工程专业。主要专注于图像处理算法学习与研究,计算机视觉技术开发应用,深度学习在计算机视觉领域应用。两本书籍《Java数字图像处理-编程技巧与应用实践》、《OpenCV On Android编程实践》作者
文章
问答
视频
文章排行榜
最热
最新
相关电子书
更多
低代码开发师(初级)实战教程
立即下载
阿里巴巴DevOps 最佳实践手册
立即下载
冬季实战营第三期:MySQL数据库进阶实战
立即下载