模糊阈值分割（2）

根据模糊阈值分割的原理，本文在“模糊阈值分割代码（1）"的基础上进行了拓展，主要是利用图像直方图，搜索最佳波谷阈值，实现多阈值分割。

其过程主要如下：

1. 获取图像直方图

2. 进行直方图平滑，以去毛刺

3. 进行波峰搜索。这部分比较复杂，需要考虑的问题也多。包括波峰的判定准则、伪峰值的去除、半峰值的判断等等。

一般来说，一个峰值包括起始位置（上坡段）、终止位置（下坡段）和峰值位置。本文上、下坡段判断是通过连续增长（下降）的数量来判断的，比如连续超过10个增长的就认为是上坡段，而连续10个下降的就是下坡段。当然了，有些峰值非常小，这个就需要缩小判定阈值。峰值的位置是在上下坡段的区间内取重心的方式得到的（见函数GetPeaks）。

4. 在波峰之间采用S函数的模糊化（MemshipFunc），获得模糊曲线。我们知道，模糊化的过程窗口的宽度很重要，一般窗宽取峰值距离的0.3~0.8。由于上一步把峰值取到了，所以这一步就可以根据峰值间的距离设定窗宽，达到自适应的目的。

5. 获得模糊率曲线后，搜索不同峰值间的最小值就可以获得分割阈值。

struct Peack
{
	int nStat;
	int nEnd;
	int nValue;
	Peack():nStat(0),nEnd(0),nValue(0)
	{}
};


/*
名称：BlurCure
参数：lpBmp - 图像数据指针
      lSrcWidth - 图像宽度
      lSrcHeight - 图像高度
      dLineBites - 图像单行数据量
说明：获取模糊阈值分割的模糊曲线dBlurData
*/
void BlurCurve(LPSTR lpBmp, long lSrcWidth, long lSrcHeight, DWORD dLineBites)
{
	if(lpBmp == NULL)
		return;
	int i,j;
	LPSTR lpSrcPtr = NULL;
	BYTE btTempValue = 0;
	int nTistogram[256] = {0};
	for (i = 0;i < lSrcHeight; ++i)
	{
		lpSrcPtr = lpBmp + i * dLineBites;
		for (j = 0;j  vctPeak;
	GetPeaks(nTistogram,nMaxTtg/500,vctPeak);
	int nNum = vctPeak.size();
	if(nNum > 1)
	{
		int arrThesh[255] = {0};
		int nSetScop = 255/(nNum -1);
		for (i=0; i 0.5)
						dGetMemship = 1 - dGetMemship;
					if(dGetMemship < 0)
						dGetMemship = 0;//-dGetMemship;
					dOutData += nTistogram[j]*dGetMemship;
				}
				//dOutData *= 2.0/(lSrcHeight*lSrcWidth);
				if(dMinData > dOutData)
				{
					dMinData = dOutData;
					arrThesh[i] = nGrayPos;
				}
			}
		}
		//---------
		for (i = 0;i < lSrcHeight; ++i)
		{
			lpSrcPtr = lpSrcData + i * dLineBites;
			lpDstPtr = lpDstData + i * dLineBites;
			for (j = 0;j 

}

/*
函数:GetPeaks
参数: pTistogram - 图像直方图
      nLowValue - 谷底最小值
      vctPeak - 返回的峰值列表

说明：函数主要对处理过的直方图查找谷峰
*/
void GetPeaks(const int pTistogram[256], const int nLowValue,vector &vctPeak)
{
	int arrPos[2] = {0};
	int nSratMin = 0xFFFFFF,nContinueNum=0;
	int nPreValue = pTistogram[0];
	int nSetThres = 8;
	for (int i=1; i<256; i++)
	{
		if(nSratMin > pTistogram[i])
		{
			nSratMin = pTistogram[i];
			if(nSratMin <= nLowValue)
				nSetThres = 5;
		}
		//-------------------------------
		if(arrPos[0] != 0)
		{
			if(pTistogram[i] < nPreValue)
			{
				nContinueNum ++;
				if(nContinueNum >= nSetThres)
					arrPos[1] = i;
			}
			else// if(nTistogram[i] > nPreValue)
			{
				if(arrPos[1] != 0)//data out
				{
					Peack pk;
					pk.nStat = arrPos[0];
					pk.nEnd = arrPos[1];
					vctPeak.push_back(pk);
					//--------
					arrPos[0] = arrPos[1] =0;
					nSratMin = 0xFFFFFF;
					nSetThres = 10;
				}
				nContinueNum = 0;
			}
		}
		else
		{
			if(pTistogram[i] > nPreValue)
			{
				nContinueNum ++;
				if(nContinueNum >= nSetThres)
					arrPos[0] = i-nSetThres;
			}
			else //if(nTistogram[i] < nPreValue)
			{
				static int s_nLowNum = 0;
				if(pTistogram[i] < nPreValue)
				{
					s_nLowNum ++;
					if(s_nLowNum == i && s_nLowNum > 10)
						arrPos[0] = 1;
				}
				else if(nContinueNum > 2)
					nContinueNum ++;
				else
					nContinueNum = 0;
			}
		}
		/
		nPreValue = pTistogram[i];
	}
	//============峰值计算==============
	int nSum = 0,nTistoSum = 0;
	vector::iterator it=vctPeak.begin();
	while (it != vctPeak.end())
	{
		nSum = nTistoSum = 0;
		for (int i=(*it).nStat; i<=(*it).nEnd; i++)
		{
			nSum += i*pTistogram[i];
			nTistoSum += pTistogram[i];
		}
		(*it).nValue = nSum/nTistoSum;
		it++;
	}
}

 

下面是“模糊阈值分割代码（1）”中的瓶底图像获得的峰值信息：

 

三个阈值信息：

 

 

最终的分割结果：

 

 

 

从图上可以看出，该种方法还是比较准确的得到了分割的阈值，结果还是比较理想的。

当然，这是针对的多峰值的情况，对于单峰值的情况也是适用的。

其实这种算法在上世纪80年代就已经推出了，之所以没有推广开，问题是在求解的过程中有很多不确定性。比如峰值的确定，本身峰值怎么求的准确就是一个困难的问题，特别是在复杂的情况下，比如弱灰度、有噪音的情况，峰值往往并不明显。而要获得自私应的模糊阈值的，其窗宽又依赖于峰值选取的结果，结果可想而知，通用性就大大降低了！要解决这类算法的通用性问题，首先要减小不确定性，这也是现在依旧在探讨的问题。