几种灰度图二值化处理的典型算法及vc++实现的代码

1、大律法

                      大津法又称最大类间方差法。对图像，记t为前景与背景的分割阈值，前景点数占图像比例为 w0， 平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。图像的总平均灰度为：u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t，        当t使 得值      g=w0*(u0-u)² +w1*(u1-u)² 最大时t即为分割的最佳阈值。阈值t分割出的前景和背景两部分构成了整幅图像，而前景取值u0，概率为w0，背景取值u1，概率为w1，总均值为u，根据 方差的定义即得该式。因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。直接应用大津法计算量较大，因此我们在实现时采用了等价的公式g=w0*w1*(u0- u1)² 。

实现的代码：

               BOOL OSTUThreshold(unsigned char *image1,   LONG   lWidth,   LONG   lHeight)   
 {
int a;
//得到灰度直方图，灰度的最大值和最小值
int i,j,t;
long lCount[256];                //各个灰度值的计数
int lMaxgrayvalue=0;
int lMingrayvalue=255;
int lThreshold; //阈值
long lLineBytes; //图像每行的字节数
lLineBytes=WIDTHBYTES(lWidth);
for(a=0;a<256;a++)
{
lCount[a]=0;
}
for(i=0;i<lHeight;i++)
{
for(j=0;j<lWidth;j++)
{
    //各个灰度值的计数
lCount[image1[i*lLineBytes+j]]++;
}
}
for(i=0;i<256;i++)
{
if (lCount[i]!=0)
{
lMingrayvalue=i;
break;
} 
}
for(i=255;i>=0;i--)
{
if(lCount[i]!=0)
{
lMaxgrayvalue=i;
break;
}
}


       //通过所有的灰度值找到阈值
float lMeangrayvalue1,lMeangrayvalue2;     //两个区域的平均灰度值
float w1,w2;       //前后两区灰度的百分比
float G;    //方差
float tempG=0;
int lP1,lP2,lS1,lS2;    //前景，后景点数
for(t=lMingrayvalue;t<=lMaxgrayvalue;t++)
{
lP1=0;
lP2=0;
lS1=0;
lS2=0;
for(a=lMingrayvalue;a<=t;a++)
{
lP1+=lCount[a]*a;
lS1+=lCount[a];
}
lMeangrayvalue1=(float) lP1/lS1;
w1=(float) lS1/(lHeight*lWidth);
for(a=t;a<lMaxgrayvalue;a++)
{
lP2+=lCount[a]*a;
lS2+=lCount[a];
}
      lMeangrayvalue2=(float) lP2/lS2;
w2=1-w1;
G=w1*w2*(lMeangrayvalue1-lMeangrayvalue2)*(lMeangrayvalue1-lMeangrayvalue2);
if(G>tempG)
{
tempG=G;
lThreshold=t;
}
}
for(i=0;i<lHeight;i++)
{
for (j=0;j<lWidth;j++)
{
if (image1[i*lLineBytes+j]>lThreshold)
{
image1[i*lLineBytes+j]=255;
}
else
{
image1[i*lLineBytes+j]=0;
}
}
}
return TRUE;
 }

2、迭代法

     

(1)．  求出图象的最大灰度值和最小灰度值，分别记为Z_l和Z_k，令初始阈值为：

                               
    (2)．  根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值Z₀和Z_B:

                                     

                                     

          式中，Z(i,j）是图像上(i,j)点的象素值，N(i,j)是(i,j)点的权值，一般取1。

(3)

                               
    (4)．  若T^K=T^K+1，则所得即为阈值，否则转2，迭代计算。

实现代码：

                 BOOL OSTUThreshold(unsigned char *image1,   LONG   lWidth,   LONG   lHeight)   
 {
int a;
//得到灰度直方图，灰度的最大值和最小值
int i,j,t;
long lCount[256];                //各个灰度值的计数
int lMaxgrayvalue=0;
int lMingrayvalue=255;
int lThreshold; //阈值
long lLineBytes; //图像每行的字节数
lLineBytes=WIDTHBYTES(lWidth);
for(a=0;a<256;a++)
{
lCount[a]=0;
}
for(i=0;i<lHeight;i++)
{
for(j=0;j<lWidth;j++)
{
    //各个灰度值的计数
lCount[image1[i*lLineBytes+j]]++;
}
}
for(i=0;i<256;i++)
{
if (lCount[i]!=0)
{
lMingrayvalue=i;
break;
} 
}
for(i=255;i>=0;i--)
{
if(lCount[i]!=0)
{
lMaxgrayvalue=i;
break;
}
}


       //通过所有的灰度值找到阈值
float lMeangrayvalue1,lMeangrayvalue2;     //两个区域的平均灰度值
float w1,w2;       //前后两区灰度的百分比
float G;    //方差
float tempG=0;
int lP1,lP2,lS1,lS2;    //前景，后景点数
for(t=lMingrayvalue;t<=lMaxgrayvalue;t++)
{
lP1=0;
lP2=0;
lS1=0;
lS2=0;
for(a=lMingrayvalue;a<=t;a++)
{
lP1+=lCount[a]*a;
lS1+=lCount[a];
}
lMeangrayvalue1=(float) lP1/lS1;
w1=(float) lS1/(lHeight*lWidth);
for(a=t;a<lMaxgrayvalue;a++)
{
lP2+=lCount[a]*a;
lS2+=lCount[a];
}
      lMeangrayvalue2=(float) lP2/lS2;
w2=1-w1;
G=w1*w2*(lMeangrayvalue1-lMeangrayvalue2)*(lMeangrayvalue1-lMeangrayvalue2);
if(G>tempG)
{
tempG=G;
lThreshold=t;
}
}
for(i=0;i<lHeight;i++)
{
for (j=0;j<lWidth;j++)
{
if (image1[i*lLineBytes+j]>lThreshold)
{
image1[i*lLineBytes+j]=255;
}
else
{
image1[i*lLineBytes+j]=0;
}
}
}
return TRUE;
 }

未完待续。。。。。