图像识别算法研究(1)---二值化概述

 我们遇到的识别图片，经常被认为的加入杂色干扰，形成一个浓淡分布不均的多值图像。把这样一幅多灰度值的图像(Gray Level Image)转化为只有黑(前景文字部分)白(背景部分)分布的二值图像(Binary Image)的工作叫做二值化处理(Binariztion)。对于一般256级灰度的灰度图，0级灰度对应于黑色，255级对应于白色。二值化后0对应于黑色前景文字，1对应于白色背景。

    一般来说，二值化方法可以分为： 全局二值化 和 局部自适应二值化。

    全局二值化方法(Global Binariztion Method)对每一幅图计算一个单一的阀值。灰度级大于阈值的像素被标记为背景色，否则为前景。

    局部二值化方法(Local Adaptive Binarization Method)以像素的邻域的信息为基础来计算每一个像素的阈值。其中一些方法还会计算整个图像中的一个阈值面。如果图像中的一个像素(x,y)的灰度级高于在(x,y)点的阈值面的计算值，那么把像素(x,y)标记为背景，否则为前景字符。

    常用的二值化的方法包括：

    1. 双峰直方图阈值分割法和平均灰度法【Hu 94】【Xia 99】

    2. 微分直方图【Hu 94】

    3. Ostu 方法【XZhang 01】【Xia 99】

    4. Abutaleb 方法【Abutaleb 98】

    5. Kapur 等人的方法【Kapur et al. 85】

    6. Kittler 和 Illingworth 方法【Kittler and Illingworth 86】

    7. Otsu 方法【Otsu 79】

    8. Bernsen 方法【Bernsen 86】

    9. Chow 和 Kaneko 方法【Chow and Kaneko 72】【Nakagawa and Rosenfeld 79】

  10. Eikvil 等人的方法【Eikvil et al. 91】

  11. Markia 和 Hainsworth 方法【Mardia and Hainsworth 88】

  12. Niblack 方法【Niblack 86】

  13. Taxt 等人的方法【Taxt et al. 89】

  14. Yanowitz 和 Bruckstein 方法【Yanowitz and Bruckstein 89】

  15. White 和 Rohrer 的动态阈值算法【White and Rohrer 89】

  16. Parker 方法【Parker 91】

  17. White 和 Rohrer 的集成函数算法【White and Rohrer 89】

  18. Trier 和 Taxt 方法【Trier and Taxt 95】

  其中 1---7是全局二值化方法，8---18是局部自适应二值化方法。

1. 阈值

      对

                                  |-- 1 ; F(i,j) >= t 时

                     Ft(i,j) = 

                                  |-- 0 ; F(i,j) < t   时

 

     中， t 称为二值化的阈值

 

2. 直方图

      对应于每个灰度值，求出在图像中具有该灰度值的像素数的图形叫做灰度直方图，简称直方图

 

3. 直方图的表示方法

       用横轴代表灰度值，纵轴代表像素数，统计一幅图像的像素按灰度分布的图形就是该幅图像的灰度直方图。

       也可以用纵轴代表该灰度值像素数对整幅画面上的总像素的比率，这种直方图又称灰度概率直方图。

       若灰度值在Qi以下的像素数为A(Qi)，则以横轴代表灰度值，纵轴代表A(Qi)的分布，称为积累直方图。

       若纵轴代表A(Qi)与总像素的比率，也称为积累概率分布图。