算法缺陷
尽管一文的OTSU方法与物体和背景的像素分布模型无关，整体分割效果较好、适用范围较广而得到广泛应用。但是，由于图像的一文灰度仅仅反映了每个图像像素的自身灰度分布情况，没有体现出图像像素之间的空间信息，因而当图像含有较多噪声时，体现不出物体与背景的明显区别，这时如果仅根据一文灰度特征来进行图像分割，则可能会产生比较严重的错误。如图3-2和3-3。
(a)参考图像 (b) T=83
高斯噪声
方差=0.1 (c) T=89
乘性噪声
方差=0.1 (d) T=95
椒盐噪声
方差=0.1
图 3-2 方块图像在各种噪声下的分割结果
(a)参考图像 (b) T=209
高斯噪声
方差=0.2 (c) T=150
乘性噪声
方差=0.2 (d) T=251
椒盐噪声
方差=0.2
图 3-3 战斗机图像在各种噪声下的分割结果
4 二文OTSU阈值分割算法
针对一文OTSU阈值分割的方法在抗噪能力上的缺陷，刘健庄[34]通过使用二文的灰度直方图将一文OTSU阈值选择方法扩展到了二文。由于二文OTSU算法由于充分利用了图像像素与其邻域的空间相关信息。因而相对于仅仅利用一文灰度直方图的OTSU阈值分割算法具有更强的抗噪声能力。4.1 算法原理
类同于一文OTSU算法，我继续假设一个输入的m×n大小的灰度图像可以表示为F(x,y)，
论文网http://www.751com.cn/ 其中{x|1≤x≤n}，{y|1≤y≤m}。而灰度图像的灰度级范围则是L={0，1，……，254，255}。首要的工作是先计算像素点的邻域平均灰度值，然后将其构成一个新的邻域平均灰度图G(x,y)。然后使用输入图像像素点的灰度值和它的邻域平均值构成一个二元组(i ,j)，设其出现的频数为 ，则其对应的联合概率密度 可以表示为公式（4-1）：（4-1）
其中i=[0，L]，j=[0，L]。
公式（4-1）中，N为图像像素点的总数，并且：（4-2）
在二文的直方图中，同样假设其右两种分类：分别代表背景 和物体 ，并且它们具有两个不同的概率密度函数分布。另设阈值为(s,t)，那么两类的出现的概率分别为：（4-3）（4-4）
则， 、 对应的均值矢量为：
上一页 [1] [2] [3] [4] [5] [6] [7] 下一页
三种OTSU阈值分割方法研究 第6页下载如图片无法显示或论文不完整，请联系qq752018766
