CN110348452B - 一种图像二值化处理方法及其系统 - Google Patents

Abstract

本发明提供一种图像二值化处理方法及其系统，包括如下步骤：提供待处理图像，通过区域生长算法将待处理图像分割为若干区域，对所有区域进行平滑度处理，对待处理图像分割后的每块区域进行数据分析，获取每块区域内的图像数据，通过全局阈值方法得到每块区域的全局阈值，基于全局阈值设置每块区域的全局前景阈值上限，通过领域自适应方法获取每块区域的二值矩阵，对所有区域的二值矩阵进行分析，获取整个图像的二值图像；通过区域生长算法，将图像分割成各个区域，通过Sauvalo算法和Kittler算法解决了使用聚类二值化方法和领域自适应二值化方法时，无法对图像中的细节做准确处理，使用领域自适应二值化方法观察到的图像不同区域明暗度存在差异的问题。

Description

一种图像二值化处理方法及其系统

技术领域

本发明属于图像分析领域，具体涉及一种图像二值化处理方法及其系统。

背景技术

图像二值化是光学字符识别的重要步骤，通常图像二值化过程为：首先针对待处理图像计算阈值，然后根据阈值将待处理图像中的各像素点进行二值分割。

目前较为成熟的图像二值化处理方法有很多种，其中主要有两种:聚类二值化方法和领域自适应二值化方法，其中聚类二值化方法在对图像进行二值化处理时，无法对图像中的细节做准确处理，且对汉字的字迹处理得十分模糊，而领域自适应二值化方法观察到的图像不同区域明暗程度会存在差异，且领域自适应二值化方法如果使用一个全局阈值，在不同区域将会产生不同的结果。

发明内容

本发明在于提供一种图像二值化处理方法，以解决使用聚类二值化方法和领域自适应二值化方法时，无法对图像中的细节做准确处理，且对汉字的字迹处理得十分模糊，使用领域自适应二值化方法观察到的图像不同区域明暗度会存在差异，且领域自适应二值化方法如果使用一个全局阈值，在不同区域将会产生不同的结果的问题。

本发明是这样实现的，本发明提供一种图像二值化处理方法，包括如下步骤：

步骤S1：提供待处理图像，

步骤S2：通过区域生长算法将待处理图像分割为若干区域，

步骤S3：对所有区域进行平滑度处理，

步骤S4：对待处理图像分割后的每块区域进行数据分析，获取每块区域内的图像数据，

步骤S5：通过全局阈值方法得到每块区域的全局阈值，

步骤S6：基于全局阈值设置每块区域的全局前景阈值上限，

步骤S7：根据每块区域的全局前景阈值上限，通过领域自适应方法获取每块区域的二值矩阵，

步骤S8：对所有区域的二值矩阵进行分析，获取整个图像的二值图像。

优选的，所述区域生长算法包括如下步骤，

步骤A：选择合适的生长点，其中所述生长点为单个像素，

步骤B：将与生长点性质相似的相邻像素和生长点进行合并，形成新的生长点，其中，生长点和相邻区域的相似性判断依据为像素值、图像纹理、颜色等对种图像信息，

步骤C：重复生长过程至生长点停止生长，完成对图像区域的分割。

优选的，通过卷积运算对图像各区域进行平滑度处理。

优选的，所述全局阈值方法为Kittler算法。

优选的，所述全局前景阈值上限计算公式为，

h(g)＝count_if(I(i,j)＝g)，

t_{max_adpt}＝t_Kittler+k·(u_b-t_kittler)，

其中h(g)表示像素值等于g时的统计直方图函数，即这种像素的个数，I(i,j)表示图像区域中的第i行第j列的像素点，M表示图像中每一块区域的宽度，n表示图像中每一块区域的高度，t为阈值，p(g)表示像素值等于g时的概率密度函数，即这种像素在图像中每一块区域上出现的几率，u_b为使用t_Kittler分割时全局背景的亮度，t_Kittler为Kittler的阈值，t_{max_adpt}为全局前景阈值上限，k为常数。

优选的，所述领域自适应方法采用Sauvola算法。

一种图像二值化处理系统，包括区域分割模块、数据分析模块和二值化处理模块，

所述区域分割模块用于将待处理图像进行区域分割，

所述数据分析模块对待处理图像每块区域进行平滑度处理，并提取图像每块区域中的图像信息，

所述二值化处理模块用于生成图像每块区域的二值矩阵，并对二值矩阵进行分析，获取待处理图像的二值图像。

优选的，所述区域分割模块包括扫描单元和区域生长算法单元，

其中，所述扫描单元用于对待处理图像进行扫描，

所述区域生长算法单元通过区域生长算法对待处理图像进行区域切割。

优选的，所述数据分析模块包括平滑度处理单元和信息提取单元，

其中，所述平滑度处理单元用于降低待处理图像每块区域中的噪点，

所述信息提取单元用于对待处理图像每块区域进行信息提取。

优选的，所述二值化处理模块包括二值矩阵生成单元和二值图像生成单元，

其中，所述二值矩阵生成单元用于对待处理图像每块区域进行处理，生成待处理图像每块区域的二值矩阵，

所述二值图像生成单元用于对图像每块区域的二值矩阵进行分析，生成待处理图像的二值图像。

与现有的技术相比，本发明的有益效果是：区域生长算法根据图像的像素值、图像纹理、颜色、各区域明暗程度等多种图像信息，将待处理图像分割为若干区域，通过卷积运算对图像区域的像素灰度进行平均化，对图像各区域进行平滑度处理以实现对图像各区域的降噪，防止外部环境噪声对图像区域生成的二值矩阵产生影响，通过Kittler算法获取图像各区域的全局阈值，Kittler算法对于图像区域的整体阈值把握准确，同时具有很好的抗污损和抗噪声干扰能力，Sauvola算法可以对图像中的细节进行精确处理，同时通过Sauvola算法生成图像各区域的二值矩阵，并通过各区域二值矩阵的融合生成图像的二值图像，解决了使用聚类二值化方法和领域自适应二值化方法时，无法对图像中的细节做准确处理，且对汉字的字迹处理得十分模糊，使用领域自适应二值化方法观察到的图像不同区域明暗度会存在差异，且领域自适应二值化方法如果使用一个全局阈值，在不同区域将会产生不同的结果的问题。

附图说明

图1为本发明的流程示意图；

图2为本发明的链码技术流程示意图；

图3为本发明的系统流程图；

具体实施方式

下面将结合发明实施例中的附图，对发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是发明一部分实施例，而不是全部的实施例。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。

实施例1

请参阅图1和图2，本发明提供一种图像二值化处理方法，包括如下步骤：

步骤S1：提供待处理图像，

步骤S2：通过区域生长算法将待处理图像分割为若干区域，

步骤S3：对所有区域进行平滑度处理，

步骤S4：对待处理图像分割后的每块区域进行数据分析，获取每块区域内的图像数据，

步骤S5：通过全局阈值方法得到每块区域的全局阈值，

步骤S6：基于全局阈值设置每块区域的全局前景阈值上限，

步骤S7：根据每块区域的全局前景阈值上限，通过领域自适应方法获取每块区域的二值矩阵，

步骤S8：对所有区域的二值矩阵进行分析，获取整个图像的二值图像。

在本实施方式中，通过区域生长算法对待处理图像进行区域分割，然后，对待处理图像各区域进行平滑度处理，防止在后续的处理中，因为外部因素影响各区域二值矩阵的准确性，获取待处理图像各区域的像素点、像素值、像素灰度、区域高度和区域宽度，根据获取到的图像数据通过全局阈值方法获取各区域的全局阈值，并根据全局阈值设置各区域的全局前景阈值上限，防止最后生成的二值化结果出现大面积的黑色前景。

进一步的，所述区域生长算法包括如下步骤，

步骤A：选择合适的生长点，其中所述生长点为单个像素，

步骤B：将与生长点性质相似的相邻像素和生长点进行合并，形成新的生长点，其中，生长点和相邻区域的相似性判断依据为像素值、图像纹理、颜色等对种图像信息，

步骤C：重复生长过程至生长点停止生长，完成对图像区域的分割。

在本实施方式中，区域生长算法通过选择单个像素作为生长点，将与生长点性质相似区域的相邻像素和生长点进行合并，形成新的生长点，重复合并生长过程，将待处理图像按照待区域明暗程度分割成多个区域，防止后续对各区域进行二值矩阵生成处理时，因为区域图像各部分明暗程度不同使区域的二值矩阵不准确。

进一步的，通过卷积运算对图像各区域进行平滑度处理。

在本实施方式中，图像产生、传输和复制过程中，常常会因为多方面原因而被噪声干扰或出现数据丢失，降低了图像的质量，列如某一像素，如果它与周围像素点相比有明显的不同，则该点被噪声所感染，这就需要对图像进行一定的增强处理以减小这些缺陷带来的影响，通过使用卷积运算对图像领域的像素灰度进行平均化，减少图像因为外部环境而造成的数据丢失。

进一步的，所述全局阈值方法为Kittler算法。

在本实施方式中，通过使用Kittler算法获取获取图像各区域的全局阈值，Kittler算法对于图像区域的整体阈值把握准确，同时具有很好的抗污损和抗噪声干扰能力，同时Kittler算法对图像各区域的明暗分界把握准确。

进一步的，所述全局前景阈值上限计算公式为，

h(g)＝count_if(I(i,j)＝g)，

t_{max_adpt}＝t_Kittler+k·(u_b-t_kittler)，

其中h(g)表示像素值等于g时的统计直方图函数，即这种像素的个数，I(i,j)表示图像区域中的第i行第j列的像素点，M表示图像中每一块区域的宽度，n表示图像中每一块区域的高度，t为阈值，p(g)表示像素值等于g时的概率密度函数，即这种像素在图像中每一块区域上出现的几率，u_b为使用t_Kittler分割时全局背景的亮度，t_Kittler为Kittler的阈值，t_{max_adpt}为全局前景阈值上限，k为常数。

在本实施方式中，通过获取到的图像区域中的像素点位置信息计算图像区域内的统计直方图函数，即获取图像内该种像素的个数，之后根据像素个数和图像区域面积大小，计算像素值的概率密度函数，根据密度函数的期望值获取图像区域内全局背景的亮度，最后计算出图像区域内全局前景阈值上限，k常数取值为0.25，通过实验证明，当设置k常数的值为0.25时，全局前景阈值上限计算的准率最高。

进一步的，所述领域自适应方法采用Sauvola算法。

在本实施方式中，Sauvola算法的输入是灰度图像，它以当前像素点为中心，根据当前像素点邻域内的灰度均值与标准方差来动态计算该像素点的阈值，通过Sauvola算法对图像各区域的细节和图像各区域中的字符进行处理，并生成图像各个区域的二值矩阵，通过对图像各个区域的二值矩阵进行分析，完成对图像的二值化处理。

在本实施方式中，先通过区域生长算法将待处理图像分割为多个区域，所述多个区域内各位置明暗亮度一直，然后收集每个区域内的像素数据，并对图像中各个区域进行平滑度处理，接着通过Kittler算法计算出图像中各区域的全局阈值，基于全局阈值设置图像各区域的全局前景阈值上限，并基于全局前景阈值通过Sauvola算法获取各个区域的二值矩阵，对图像各个区域的二值矩阵进行分析，获取图像的二值图像。

实施例2

请参阅图3，本发明提供一种图像二值化处理系统，包括区域分割模块、数据分析模块和二值化处理模块，

所述区域分割模块用于将待处理图像进行区域分割，

所述数据分析模块对待处理图像每块区域进行平滑度处理，并提取图像每块区域中的图像信息，

所述二值化处理模块用于生成图像每块区域的二值矩阵，并对二值矩阵进行分析，获取待处理图像的二值图像。

在本实施方式中，通过区域分割模块对待处理图像进行扫描，并对待处理图像进行区域分割，通过数据分析模块通过卷积运算对每块区域进行平滑度处理，防止外部环境对图像各区域图像数据产生影响，并对待处理图像各区域进行数据提取，获取每块区域中的的像素点、像素值、像素灰度、区域高度和区域宽度，所述二值化处理模块对图像各区域进行分析获取图像每块区域的二值矩阵，并对二值矩阵进行分析获取图像的二值图像。

进一步的，所述区域分割模块包括扫描单元和区域生长算法单元，

其中，所述扫描单元用于对待处理图像进行扫描，

所述区域生长算法单元通过区域生长算法对待处理图像进行区域切割。

在本实施方式中，扫描单元对待处理图像进行扫描，区域生长算法单元在待处理图像中选择合适的生长点，将与生长点性质相似的相邻像素和生长点进行合并，形成新的生长点，其中，生长点和相邻区域的相似性判断依据为像素值、图像纹理、颜色等对种图像信息，重复生长过程完成对待处理图像进行分割，其中各个分割区域内明暗亮度一致。

进一步的，所述数据分析模块包括平滑度处理单元和信息提取单元，

其中，所述平滑度处理单元用于降低待处理图像每块区域中的噪点，

所述信息提取单元用于对待处理图像每块区域进行信息提取。

在本实施方式中，通过平滑度处理单元对待处理图像每块区域中的噪点进行降噪处理，通过平滑度处理单元减少图像各区域因为外部环境所造成的的图像数据丢失，通过信息提取单元，对待处理图像每块区域进行信息填补，提取图像各区域中的像素点、像素值、像素灰度、区域高度和区域宽度。

进一步的，所述二值化处理模块包括二值矩阵生成单元和二值图像生成单元，

其中，所述二值矩阵生成单元用于对待处理图像每块区域进行处理，生成待处理图像每块区域的二值矩阵，

所述二值图像生成单元用于对图像每块区域的二值矩阵进行分析，生成待处理图像的二值图像。

在本实施方式中，二值矩阵生成单元通过全局阈值方法生成待处理图像每块区域的全局阈值，然后基于待处理图像每块区域的全局阈值，设置每块区域的全局前景阈值上限，根据每块区域的全局阈值上限，获取每块区域的二值矩阵，二值图像生成单元通过对每块区域的二值矩阵进行分析，获取待处理图像的二值图像。

在本实施方式中，扫描单元对待处理图像进行扫描，区域生长算法单元在待处理图像中选择合适的生长点将图像分割为多个区域，其中各个分割区域内明暗亮度一致，通过平滑度处理单元对待处理图像每块区域进行降噪处理，减少图像各区域因为外部环境所造成的的图像数据丢失，通过信息提取单元，对待处理图像每块区域进行信息填补，提取图像各区域中的像素点、像素值、像素灰度、区域高度和区域宽度，二值矩阵生成单元根据提取到的图像信息通过全局阈值方法生成待处理图像每块区域的全局阈值，然后基于待处理图像每块区域的全局阈值，设置每块区域的全局前景阈值上限，根据每块区域的全局阈值上限，获取每块区域的二值矩阵，二值图像生成单元通过对每块区域的二值矩阵进行分析，获取待处理图像的二值图像。

尽管已经示出和描述了发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种图像二值化处理方法，其特征在于：包括如下步骤：

步骤S1：提供待处理图像，

步骤S2：通过区域生长算法将待处理图像分割为若干区域，

步骤S3：对所有区域进行平滑度处理，

步骤S4：对待处理图像分割后的每块区域进行数据分析，获取每块区域内的图像数据，

步骤S5：通过全局阈值方法得到每块区域的全局阈值，

步骤S6：基于全局阈值设置每块区域的全局前景阈值上限，

步骤S7：根据每块区域的全局前景阈值上限，通过领域自适应方法获取每块区域的二值矩阵，

步骤S8：对所有区域的二值矩阵进行分析，获取整个图像的二值图像；

其中：所述全局阈值方法为Kittler算法，

所述全局前景阈值上限计算公式为，

h(g)＝count_if(I(i,j)＝g)，

t_{max_adpt}＝t_Kittler+k·(u_b-t_kittler)，

其中h(g)表示像素值等于g时的统计直方图函数，即这种像素的个数，I(i,j)表示图像区域中的第i行第j列的像素点,m表示图像中每一块区域的宽度，n表示图像中每一块区域的高度，t为阈值，p(g)表示像素值等于g时的概率密度函数，即这种像素在图像中每一块区域上出现的几率，u_b为使用t_Kittler分割时全局背景的亮度，t_Kittler为Kittler的阈值，t_{max_adpt}为全局前景阈值上限，k为常数。

2.如权利要求1所述的一种图像二值化处理方法，其特征在于：所述区域生长算法包括如下步骤，

步骤A：选择生长点，其中所述生长点为单个像素，

步骤B：将与生长点性质相似的相邻像素和生长点进行合并，形成新的生长点，其中，生长点和相邻区域的相似性判断依据为像素值、图像纹理、颜色，

步骤C：重复生长过程至生长点停止生长，完成对图像区域的分割。

3.根据权利要求1所述的一种图像二值化处理方法，其特征在于：通过卷积运算对图像各区域进行平滑度处理。

4.根据权利要求1所述的一种图像二值化处理方法，其特征在于，所述领域自适应方法采用Sauvola算法。

5.一种图像二值化处理系统，其特征在于，应用权利要求1-4中任一项的一种图像二值化处理方法，包括区域分割模块、数据分析模块和二值化处理模块，

所述区域分割模块用于将待处理图像进行区域分割，

所述数据分析模块对待处理图像每块区域进行平滑度处理，并提取图像每块区域中的图像信息，

所述二值化处理模块用于生成图像每块区域的二值矩阵，并对二值矩阵进行分析，获取待处理图像的二值图像。

Images