基于自适应阈值的不规则光照下图像提取方法

2012-12-17张思俊王乐乐陆振宇

电子科技 2012年7期

张思俊，王乐乐，宦海，陆振宇

(南京信息工程大学电子与信息工程学院，江苏南京 210044)

随着智能手机的普及，信息分享的速度越来越快。很多人喜欢用手机随时拍下自己的所见所闻。例如，在课堂上，如果来不及记录老师的PPT，很多同学会用手机直接拍下黑板上的影像回去再慢慢整理。不过，由于手机的拍摄功能远没有相机专业，加之多是在1～2 s的短时间内迅速完成的拍照，更无暇考虑光线的问题，因而导致拍摄的内容不清晰。这种在不规则光线下拍摄的图片上会出现大块的阴影、噪声点或者是局部出现高光，直接影响了有效信息的读取。针对这些问题，提出了自适应阈值处理分割的有效信息提取方法，较好地解决了问题。

1 原始图像预处理

对于原始图像首先是进行前期处理，这样可以滤除一部分噪声的影响以及其他一些无关信息，增强图像的品质以便于之后的分割。通常图像预处理过程包括:数字化、几何变换、归一化、平滑、复原和增强等步骤［1］。但文中的预处理主要是进行图像灰度化处理，将彩色的原始图像转换为灰度图。此时颜色并不是目标信息，灰度处理能降低需要处理的信息量，排除不必要的干扰。在处理后图像的基础上再进行前景背景的分割，效果会更好。图1是原始图像和经过预处理后的图像。

图1 原始图片与预处理图片对比

2 阈值分割

通常图像二值化是一种特殊的阈值分割法。设原始图像为f(x，y)，按一定的准则在原始图像f(x，y)中找到特征值T，将图像分割为两个部分。如指定b0=0(黑)，b1=1(白)，得出的就是二值化的图像［2］。阈值分割方法是在区域图像分割技术的基础上，像上述这样通过设定不同的特征阈值，对图像像素点进行分类，再按照特征阈值进行分割的方法。阈值分割方法分为:基于点的全局阈值方法、基于区域的全局阈值方法、局部阈值方法以及多阈值方法［3］。针对不规则光照下的图像，由于阴影、噪声、局部高光和不规则边缘等复杂因子的存在，并不能找到一个有效的单一阈值，这时如仍采用单一的全局阈值分割方法，会将目标区域和背景区域混淆，导致错误划分。

3 方法实现

3.1 自适应阈值分割方法

自适应阈值分割的思想，即图像中的每个像素点对应的阈值有可能不相同。一个比较简单的自适应阈值选取方法是:每个像素的阈值由以自身为中心的一个邻域内的窗口确定，该邻域的中值、均值、或者高斯卷积都可以作为阈值，另外还可以在此基础上加上一个常量等。

自适应阈值分割是建立在局部多阈值方法上。将图像划分成若干个子图像(F1，F2，F3，…，Fn)，每个子图像再根据自身的颜色分布等特征划分多个邻域(M1，M2，M3，…，Mn)，这样划分出来的邻域足够小并具有一定的代表性，整个大图就有很多个阈值(a1，a2，a3，…，an)，图2所示是这种方法的原理示意图。若划分够多，每个阈值近乎可以代表原来那个像素点的灰度值。采用自适应划分阈值的方法，对于照明不均而使画面变得复杂的图像，它的多个局部特征得到保留，就可有效地避免背景和有效信息的错误划分［4－5］。

图2 自适应阈值划分原理示意图

文中设计的算法包含两个Matlab代码，将自适应阈值分割算法作为函数调用。图3是分割后的结果。

图3 提取出的前景图像

3.2 目标图像增强

进一步对初步提取的目标图像进行图片质量增强。分割后的图片中可能还存在一些噪声，可以通过中值滤波去除独立存在的噪声，如果噪声比较多而且分布得较分散，则采用均值滤波，一般采用3×3的窗口再进行二值化增强效果较好。如果目标图像中的字母，文字等比较模糊，可以采用Sobel算子进行锐化处理。图4是使用图片的实际效果进行增强后的结果。