Question

几种经典的二值化方法及其vb.net实现

Answer 1

　　图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。
　　本文针对几种经典而常用的二值发放进行了简单的讨论并给出了其vb.net 实现。
　　
　　1、P-Tile法
　　
　　Doyle于1962年提出的P-Tile (即P分位数法)可以说是最古老的一种阈值选取方法。该方法根据先验概率来设定阈值，使得二值化后的目标或背景像素比例等于先验概率，该方法简单高效，但是对于先验概率难于估计的图像却无能为力。

　　2、OTSU 算法（大津法）
　　
　　OSTU算法可以说是自适应计算单阈值（用来转换灰度图像为二值图像）的简单高效方法。1978 OTSU年提出的最大类间方差法以其计算简单、稳定有效，一直广为使用。

　　
　　3、迭代法（最佳阀值法）
　　
　　(1)． 求出图象的最大灰度值和最小灰度值，分别记为Zl和Zk，令初始阈值为：
　　
　　(2)． 根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值Z0和ZB:
　　
　　

　　式中，Z(i,j）是图像上(i,j)点的象素值，N(i,j)是(i,j)点的权值，一般取1。

　　
　　(3)． 若TK=TK+1，则所得即为阈值，否则转2，迭代计算。

　　4、一维最大熵阈值法
　　它的思想是统计图像中每一个灰度级出现的概率 ，计算该灰度级的熵 ,假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体（O），高于灰度级T的像素点构成背景（B），那么各个灰度级在本区的分布概率为：

　　O区： i=1,2……,t

　　B区： i=t+1,t+2……L-1

　　上式中的 ,这样对于数字图像中的目标和背景区域的熵分别为：
　　
　　对图像中的每一个灰度级分别求取W=H0 +HB，选取使W最大的灰度级作为分割图像的阈值，这就是一维最大熵阈值图像分割法。