计算机视觉
图像处理

OTSU算法及其改进算法

这篇文章还是来自斯坦福课后作业hw2_3,主要是结合一个例子介绍OTSU算法【亦称为大律算法,小日本】及其改进算法。 本文将先介绍老外的题目、解题思路及maltab解答,然后分析otsu算法步骤,末了给出opencv实现。

老外的题目:Binarization of Scanned Book Pages

 

题目大意:

网上图书服务,比如百度文库需要将大量藏书数字化。首先,书的每一页将被扫描。然后,这些扫描图片将被二值化,并通过字符识别引擎OCR处理,即图片转字 符。对于传统书籍【由于装订原因,如果在不破坏书的情况下】,书的每一页被扫描时,由于纸张被弯曲导致扫描结果的光照不均匀。如下图所示:

现在要求:

1.     对每一幅图像使用otsu算法执行全局二值化处理,计算原始图像的直方图,并在该直方图上标注OTSU阈值

2.     对每一幅图像执行局部自适应阈值,根据局部变化区分对待均匀和非均匀区域。

 

解题思路:

第一题,直接使用matlab的graythresh函数,通过最大类间方差法【OTSU】找到图片的一个合适的阈值(threshold)。末了,用imhist求取直方图便是。

第二题,使用一个水平滑窗,大小为21列宽*图像原始高度,从左往右逐像素滑动。对于窗口内的像素,计算局部变化【方差或平均值,代码用的是方 差】。若窗口内方差大于阈值,使用otsu算法计算窗口内局部阈值,并二值化该窗口内像素;若方差小于阈值,则是书页上的空白区域,将该窗口内所有像素设 为白色。如下图所示:

 

【题外话,本题的意思就是在对图书使用OCR进行字符识别前,优化二值化结果,使得OCR结果更精确。】

matlab代码:

  1. clc; clear all;
  2. imageFiles = {‘hw2_book_page_1.jpg’, ‘hw2_book_page_2.jpg’};
  3. for nImage = 1:length(imageFiles)
  4.     % Load image
  5.     img = im2double(imread(imageFiles{nImage}));
  6.     figure(1); clf;
  7.     imshow(img);
  8.     [height, width] = size(img);
  9.    % [pathStr, name, ext] = fileparts(imageFiles{nImage});
  10.     % Global thresholding
  11.     globalThresh = graythresh(img);
  12.     imgBinGlobal = im2bw(img, globalThresh);%Convert image to binary image, based on threshold
  13.     figure(2); clf;
  14.     imshow(imgBinGlobal);
  15.     figure(3); clf; set(gcf, ‘Color’, ‘w’);
  16.     imhist(img); hold on;
  17.     histCounts = imhist(img);
  18.     h = plot(globalThresh*ones(1,100), linspace(0,max(histCounts)), ‘r-‘);
  19.     set(h, ‘LineWidth’, 2);
  20.     set(gca, ‘FontSize’, 26);
  21.     h = text(globalThresh+0.01, max(histCounts)/4, …
  22.         sprintf(‘T = %.2f’, globalThresh));
  23.     set(h, ‘FontSize’, 26);
  24.     ylabel(‘Frequency’);
  25.    % imwrite(imgBinGlobal, [‘Global_’ name ‘.jpg’]);
  26.     % Locally adaptive thresholding
  27.     imgBinLocal = imgBinGlobal;
  28.     winHalfWidth = 10;
  29.     localVarThresh = 0.002;
  30.     for col = 1:width
  31.         inCols = max(1,col-winHalfWidth) : min(width,col+winHalfWidth);
  32.         inRows = 1:height;
  33.         inTile = img(inRows, inCols);
  34.         localThresh = graythresh(inTile);
  35.         %localMean = mean2(inTile);
  36.         localVar = std(inTile(:))^2;    %方差
  37.         if localVar > localVarThresh
  38.             imgBinLocal(:,col) = im2bw(img(:,col), localThresh);
  39.         else
  40.             imgBinLocal(:,col) = 1;
  41.         end
  42.     end % col
  43.     figure(4); clf;
  44.     imshow(imgBinLocal);
  45.    % imwrite(imgBinLocal, [‘Local_’ name ‘.jpg’]);
  46.     if nImage == 1
  47.         pause
  48.     end
  49. end % nImage

实验结果:

hw2_book_page_1.jpg 原始图像:

全局阈值化处理结果,即全局otsu结果:

 

全局OTSU结果在灰度直方图中的位置【注意这里所有的灰度都被缩放到0-1之间,包括阈值才0.65,我后面自己实现的要167】:

局部OTSU效果:

可以明显发现大片黑色木有了,得,另一副图片的结果,大家自己去斯坦福下载学习吧。

下面着重介绍OTSU算法原理及实现:

内容参考原文《A Threshold Selection Method from Gray-Level Histograms》

最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出,是一种自适应的阈值确定方法。算法假设图像像素能够根据阈值,被分成背景[background]和目标[objects]两部分。然后,计算该最佳阈值来区分这两类像素,使得两类像素区分度最大【用方差表达,具体公式见后】。OTSU的扩展算法,可进行多级阈值处理,称为“Multi Otsu method”【题外话】

设原始灰度级为M,灰度级为i的像素点个数为ni,对灰度直方图进行归一化:

 


opencv实现代码:

// m_otsu.cpp : 定义控制台应用程序的入口点。
//

#include "stdafx.h"
#include "cv.h"
#include "highgui.h"

int _tmain(int argc, _TCHAR* argv[])
{
	int i,j,nThresh;
	int nHistogram[256] = {0};
	double fStdHistogram[256] = {0.0};
	double fGrayAccu[256] = {0.0};
	double fGrayAve[256] = {0.0};
	double fAverage = 0;
	double fTemp = 0;
	double fMax = 0;
	IplImage *src,*dst;
	
	
	src = cvLoadImage("test.jpg",CV_LOAD_IMAGE_GRAYSCALE);
	dst = cvCreateImage(cvSize(src->width,src->height),IPL_DEPTH_8U,1);

	//统计直方图
	// 每行
	for(i = 0; i < src->height; i++)
	{
		// 每列
		for(j = 0; j < src->width; j++)
		{
		
			nHistogram[(unsigned char)src->imageData[i*src->width+j]] ++;
		}
	}
	
	//归一化直方图
	for(i = 0; i <= 255;i++)
	{
		fStdHistogram[i] = nHistogram[i]/(double)(src->width * src->height);	//Pi
		//printf("%f\n",fStdHistogram[i]);
	}
	
	for(i=0;i<=255;i++)
	{
		for(j=0;j<=i;j++)
		{
			fGrayAccu[i] += fStdHistogram[j];									//所有灰度级,关于w0的数组							
			fGrayAve[i] += j*fStdHistogram[j];									//所有灰度级,关于u(t)的数组
		}

		fAverage += i*fStdHistogram[i];											//uT
		//printf("%f\n",fAverage);
	}


	//计算OSTU
	for(i=0;i<=255;i++)
	{
		fTemp=(fAverage*fGrayAccu[i]-fGrayAve[i])*(fAverage*fGrayAccu[i]-fGrayAve[i])/(fGrayAccu[i]*(1-fGrayAccu[i]));

		if(fTemp>fMax)
		{
			fMax=fTemp;
			nThresh=i;
		}
	}

	//计算二值图像
	for (i=0;iheight;i++)
	{
		for (j=0;jwidth;j++)
		{
			if ((unsigned char)src->imageData[i*src->width+j]imageData[i*src->width+j] = 0;
			}else{
				dst->imageData[i*src->width+j] = 255;
			}
		}
	}
	printf("%d",nThresh);
	cvNamedWindow("otsu",0);
	cvShowImage("otsu",dst);
	cvSaveImage("otsu_result.jpg",dst);
	cvWaitKey(0);
	return 0;
}


实验结果:【全局OTSU】

阈值为167.

转载注明来源:CV视觉网 » OTSU算法及其改进算法

分享到:更多 ()
扫描二维码,给作者 打赏
pay_weixinpay_weixin

请选择你看完该文章的感受:

1不错 0超赞 0无聊 0扯淡 1不解 0路过

评论 4

评论前必须登录!