C++基于图像的道路分割技术(4)
阈值法的几种阈值选择方法:
全局阈值法
（1）双峰法
对于目标与背景的灰度级有明显差别的图像,其灰度直方图的分布呈双峰状,两个波峰分别与图像中的目标和背景相对应,波谷与图像边缘相对应。当分割阈值位于谷底时,图像分割可取得最好的效果。该方法简单易行,但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像,不能使用该方法。
假设，一副图像只有物体和背景两部分组成，其灰度图直方图呈现明显的双峰值，如下图:
图2.1 双峰法灰度直方图
找出阈值T，则可以对整个图像进行二值化赋值。
程序的实现：
通过数组记录直方图中的各像素点值的个数， 再对逐个像素值进行扫描。记录每个像素能作为谷底的范围值，接着找出能作为谷底范围最大的点作为阈值。
实现流程图：图2.2 双峰法实现流程图
（2）灰度直方图变换法
该方法不是直接选取阈值,而是对灰度直方图进行变换,使其具有更深的波谷和更尖的波峰,然后再利用双峰法得到最优阈值。这种方法的一个共同特征是根据像素点的局部特性,对其进行灰度级的增强或减弱的变换。这种方法假设图像由目标和背景组成,并且目标和背景灰度直方图都是单峰分布[5]。
（3）迭代法（最优方法）
它基于逼近的思想，基本算法如下：
<1> 求出图像的最大灰度值和最小灰度值，分别记为Max和Min，令初始阈值为： ，根据阈值 将图像分割为前景和背景，分别求出两者的平均灰度值 和 ；
<2> 求出阈值 ；
<3> 如果 ；则所得即为阈值；否则转<2>迭代计算。
迭代所得的阈值分割图象的效果良好， 基于迭代的阈值能区分图象的前景和背景的主要区域所在，但是在图象的细微处还是没有很好的区分度，令人惊讶的是对某些特定图象，微小数据的变化会引起分割效果的巨大变化，两者的数据只是稍有变化，分割效果反差极大，具体原因还有待进一步研究[8]。
局部阈值法
原始图像被分为几个小的子图像,再对每个子图像分别求出最优分割阈值。
（1）自适应阈值
在许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化。这时，一个在图像中某一区域效果良好的阈值在其它区域却可能效果很差。另外，当遇到图像中有阴影、突发噪声、照度不均、对比度不均或背景灰度变化等情况时，只用一个固定的阈值对整幅图像进行阈值化处理，则会由于不能兼顾图像各处的情况而使分割效果受到影响。在这些情况下，阈值的选取不是一个固定的值，而是取成一个随图像中位置缓慢变化的函数值是比较合适的。这就是自适应阈值。
自适应阈值就是对原始图像分块，对每一块区域根据一般的方法选取局部阈值进行分割。由于各个子图的阈值化是独立进行的，所以在相邻子图像边界处的阈值会有突变，因此应该以采用适当的平滑技术消除这种不连续性，子图像之间的相互交叠也有利于减小这种不连续性。
总的来说，这类算法的时间和空间复杂度都较大，但是抗噪能力强，对一些使用全局阈值法不宜分割的图像具有较好的分割效果。
（2）多阈值分割
在多阈值分割中，分割是根据不同区域的特点得到几个目标对象，所以提取每一个目标需要采用不同的阈值，也就是说要使用多个阈值才能将它们分开，这就是多阈值分割。
在实际的应用中，由于噪声等干扰因素，直方图有时不能出现明显的峰值，此时选择的阈值不能得到满意的结果；另外一个就是阈值确定主要依赖于灰度直方图，很少考虑图像中象素的空间位置关系，因此当背景复杂，特别是在同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成图像分割的不完整[9]。
下一篇：ZigBee协议的研究+文献综述