基于MATLAB的图像分割系统[GUI界面]

摘 要：图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。其中图像二值化又是图像分割的重点。本文对全局和局部阈值二值化法的几种常用的算法和基本自适应阈值二值化进行了综述。每基于一定理论和算法的图像二值化方法都有各自不同的优势和缺点，在实际应用当中应根据不同使用目的和使用标准采取不同的方法以达到最佳效果。本文在MATLAB 编程技术及其GUI 图形用户界面设计的基础上，开发了具有交互式特点的数字图像处理GUI软件，界面操作简单方便，实现了图像二值化的功能。

关键词：二值化；全局阈值法；局部阈值法；基本自适应阈值法；图像分割；

MATLAB GUI

0 引言

图像分割技术作为图像处理领域中极为重要的内容之一，是实现图像分析和理解的基础，而图像二值化又是图像分割的重点。只有在其基础上才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。二值化是图像处理和分析的关键技术，也是个经典难题。随着实际应用的需要，对图像二值化进行深入的研究，不断改进原有方法，提出新方法具有重要的意义。

1 图像二值化

二值化是图像处理中的一个重要的问题，广泛应用于图像分割，图像增强，图像识别等领域。根据其运算的范围不同，图像的二值化方法可分为全局阈值方法和局部阈值方法。它利用了图像中要提取的目标物与其背景在灰度特性上的差异，把原图像变为仅用两个灰度值表示的图像目标和背景的二值图像。其处理思想是，假设一副灰度图像中的灰度级范围是(0，255)，则图像中每一点像素的灰度值为f(x，y)，f(x，y)∈{0，1，…，255)，设阈值为T(0≤T≤255)则：

其中：g(x，y)表示二值化后图像中各个像素点的值，若g(x，y)=1表示改点为目标；若g(x，y)=0，表示改点为背景。

2 GUI设计

图形用于界面（GUI）是提供人机交互的工具和方法。MATLAB的GUI为开发者提供了一个不脱离MATLAB的开发环境，有助于MATLAB 程序的GUI集成。

本文设计的程序有以下功能：

1. 实现图像的读取及显示其灰度直方图功能，保存功能及退出时“是否保存处理后图像”的提醒功能。
   2）设计图形用户界面， 让用户能够对图像进行全局阈值分割，可选方法为迭代法、Otsu法及改进的Otsu法，同时显示该方法选取的阈值。
   3）设计图形用户界面， 让用户能够对图像进行局部阈值分割，可选方法为Bernsen法、Niblack法及改进的Bernsen法，同时关闭选取阈值的显示（因为此时每个像素点均有对应的阈值）。
   4）编写程序对图像进行基本自适应阈值分割，即将用户所选取的图像进行分块后对每块图像用Otsu法进行二值化，并实现调整分块大小时实时显示处理后的图像功能。

具体GUI设计的程序代码及模块、菜单配置过程不在此赘述。MATLAB中运行相应的m文件，会出现如下图所示的初始界面：

图2.1 初始界面

可以看到，在图像没有打开之前图像分割功能是不可选的，这是在GUI编程中考虑到为避免对空白图像进行二值化可能会产生全黑图像的错误而设计的。

点击如下选项，可以打开指定图像，并显示其对应的灰度直方图：

图2.2 “打开”图像

现在“图像分割”菜单变为可选，选择相应算法可以得到不同效果的阈值分割结果图，相应可选方法如图：

图2.3 “图像分割”菜单

阈值分割完毕后，点击图标 ，可以对处理后的图像进行保存。若不保存直接选择“退出”菜单，程序会弹出如下图所示选框，提醒用户是否保存已更改的图片，可以根据用户需求进行选择，同时避免了错误的发生。

图2.4 “保存”与“退出”

3 阈值分割算法与实验分析

3.1 全局阈值分割

全局阈值法根据文本图像的直方图或灰度空间分布确定一个阈值，以此实现灰度文本图像到二值图像的转化。此方法的优点在于算法简单，对目标和背景明显分离、直方图分布呈双峰的图像效果良好，但是由于对整幅图使用一个阈值处理，因此其对输入图像有噪声或不均匀光照等情况抵抗能力差，应用受到极大限制，不能广泛地应用于实际。典型的全局阈值分割方法有迭代法、Otsu方法等。在此引入光照均匀的图3.1和光照不均匀的图3.2，本节将用下述全局阈值方法对其进行处理。

图3.1 原始图像1 图3.2 原始图像2

3.1.1 迭代法

迭代法的主要思想是利用循环迭代的方法 ，逐步逼近最佳阈值 ，其计算步骤主要是：

1. 对图像进行灰度化，找出图像灰度的最大值和最小值，分别记为

和

，令初始阈值为：

2) 根据当前的阈值T以及图像的各像素的灰度值，将图像像素分成前景与背景两组。

3) 分别求出当前前景与背景两组像素的平均灰度值，记为

和

。

4) 求出新阈值：

循环2)-4)步，直到两组的平均灰度值不再发生新的变化，此时即获得了所需要的阈值。这种方法运算很简单，因此处理图片的速度是很快的。处理光照均匀的图3.1后，得到阈值为0.5312的图3.3，可以看到效果还是比较好的；但是在处理光照不均匀的原图3.2后，得到阈值为0.49393的图3.4，可见只使用一个阈值，已经没有办法兼顾到所有细节情况了。

图3.3 迭代法处理图1 图3.4 迭代法处理图2

3.1.2 Otsu方法

二值化的算法之一Otsu法，也称大津法，是全局二值化算法的经典算法之一。它是1979年由Otsu提出的，其基本思想是求取最佳门限阈值，此阈值将图像灰度直方图分割成黑白(前景与背景)两部分，使两部分类间方差取得最大值，并使类内方差值最小，即类间分离性最大，而类内的相似性最大，因此，Otsu法也称最大类间方差法。对于某图像的灰度直方图，设T为区分前景灰度与背景灰度的二值化阈值，设

为前景像素所占图像总像素的比例，令

为所有前景像素的平均灰度，设

为背景点数所占图像总像素的比例，令

为所有背景像素的平均灰度，则图像的所有像素的平均灰度为

。在进行程序运算时，T的取值可从图像的最小灰度值到图像的最大灰度值依次遍历，当T取某值时，类间方差公式

能取得最大，此时T即为二值化的最佳阈值。使类间方差最大的二值化意味着错分概率最小。

同样，我们采用Otsu算法对图3.1和图3.2进行处理，分别得到图3.5和图3.6。图3.5所选阈值为0.49804，可以看到效果依旧很好；图3.4所选阈值为0.49412，效果很不理想。

图3.5 Otsu法处理图1 图3.6 Otsu法处理图2

3.1.3 改进的Otsu方法

图像二值化是建立在物体和背景可以区分的基础上的，如亮度色调等不同，从而根据这些已知信息分出前背景。而一般的全局二值化如用Otsu方法获取最优阈值的方法，都是建立在图像前背景亮度有一定差距的基础上的，即图像直方图有双峰结构。如果对于一幅亮度不均匀的图像这种方法就不适用，解决的方法可以把图像根据整体亮度变化来分成若干小区域，而各区域的直方图中有两个峰，这样就能自适应得时整幅图都比较好的二值化。但是，这样对于一些复杂的图像就难处理，而且可能存在分块邻接缺陷，因此，本程序中先将整幅图的亮度调均匀，然后再用整体二值化就能得到很好的结果。这里使用Retinex算法把图像的整体亮度调均匀后（此法能很好得将各种照度不均的图调整成直方图中明显有双峰的均匀图），再用Otsu方法取阈值二值化。对光照不均匀图3.2进行处理，得到图3.7，可见此时的图像轮廓得到了还原，取得了较好效果。

图3.7 改进的Otsu法处理图1

3.1.4 全局阈值法小结

下面，我们对全局阈值法做一些总结。一般说来，全局阈值法想法都比较简单，实现起来也很高效简单，但这种也是有代价的。它的适用范围相对有限，擅长处理简单图像，比如目标与背景明显分离的，直方图分布呈双峰的图像。但是对于光照不均，模糊的文档及多边缘的图像，就会丢失很多的信息。在此引入文本图像图3.8。可以看到下半部分是清晰的文字，但是上半部分的表格，则具有淡淡的底，使得字迹看起来变淡了，也就是说模糊了。由于Otsu算法在全局阈值二值化方法中具有很好的评价，在这里仅使用法对其进行处理，来看一看效果。

图3.8 原始图像3

使用Otsu方法处理图3.8，所得阈值为0.7451，处理结果为图3.9。可以看到，图中下半部分还是比较清楚的，但是上半部分表中的文字显示很不理想。对于这种光照均匀地图像，改进的Otsu方法处理结果如图3.10，其细节丢失更为严重。这正是全局阈值二值化的简单性所付出的代价。由于该类方法只关心整幅图像的灰度值分布特征，然后就迅速进行处理它是高度宏观化的，因而对于局部的变化反映不够灵敏。因此，使用该方法会丢失图像的许多细节信息。

图3.9 Otsu法处理图2

图3.10 改进的Otsu法处理图2

由于全局阈值法的这一缺点，引出了关注细节的局部阈值二化算法。

3.2 局部阈值分割

局部阈值法通过定义考察点的邻域，比较考察点与其邻域的灰度值来确定当前考察点的阈值。非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，使得局部阈值法较全局阈值法有更广泛的应用。局部阈值法虽然能够根据局部灰度特性来自适应地选取阈值，有较大的灵活性，但局部阈值存在速度慢，对文本图像进行二值化处理时，可能导致出现笔画断裂现象以及伪影等问题，直接影响后面的识别工作。常用的局部阈值法有Bernsen算法、Niblack算法。

3.2.1 Bernsen算法

Bernsen算法是一种典型的局部阈值算法，其将窗口中各个像素灰度级最大值和最小值的平均值作为一个窗口的中心像素的阈值，因此此方法不存在预定阈值，适应性较全局阈值法广，不受非均匀光照条件等情况的影响。

设图像在像素点(i，j)处的灰度值f(i，j)，考虑以像素点(i，j)为中心的

窗口，则Bernsen算法可以描述为：

图像中各个像素点(i，j)的阈值T对图像中各个像素点(i，j)用b(i，j)值逐点进行二值化：

在实现算法的过程中会遇到一个不可避免的问题。当一个像素点处于整幅图像的边界处，或是其他距图像边界不足一个像素点单位的位置时，若以它为中心取的小块，那么所取得的小块就会有一部分是缺失的。这里，本文选取的处理方式是对原图像加边，新的边灰度值全赋值为0。

在使用Bernsen算法进行图像二值化的时候，是需要选择窗口的大小的，现在结合算法来具体讨论该因素的影响。从Bernsen算法求局部阈值公式来看，对于一个固定的像素点(x，y)，当窗口尺度很小的时候，该像素点周围有细微的明暗变化即有少量像素点的灰度变化就会影响到阈值的选取；当窗口尺度变大的时候，更多的像素点会进入到窗口中，原窗口内的像素点只是现在的一部分，对于阈值所产生的影响就相对弱化了，原有的细节就有可能丢失。现引入一幅光照不均但像素点相对较少的图3.11，这样改变窗口大小进行测试时可以节约程序运行时间。

图3.11 原始图像4

现取窗口为3*3，效果如图3.12所示。图中出现了大量斑点噪声，文字被淹没了。这是因为窗口选得太小，二值化时像素点附近出现的细微明暗变化都被

图3.12 Bernsen法处理图1 图3.13 Bernsen法处理图2

识别出来了。将窗口放大为9*9，效果见图3.13。可以看到，效果好多了，许多斑点状噪声消失了，文字变得清楚了，但是字间噪声没有完全消除且粗笔状况也比较明显的。查阅相关文献表明，应该选取15*15的窗口，原因是这样所带来的噪声会显著的减少。同时，处理图片的时间则相应增加。鉴于此，在此后的处理中，大多取窗口为15*15。对于Bernsen法取窗口为15*15，所得的结果如图3.14。

图3.14 Bernsen法处理图3

下面对图3.8用Bernsen法进行二值化，看看效果如何。如图3.15，与Otsu法处理图2相比，列表中的文字变得相对清晰了，但是列表下方的文字出现了断笔现象，而且背景噪声问题同样不能忽视。

图3.15 Bernsen法处理图5

3.2.2 Niblack算法

Niblack方法也是一种应用很广泛的二值化算法。它根据局部均值和局部标准差，确定图像中不同的阈值。在像素点(x，y)的阈值的计算是:

其中T(x，y)为阈值，m(x，y)为样本均值，s(x，y)为标准差，k为参数。对于邻域的选择需要满足能保存局部细节同时抑制噪声的产生。和Bernsen方法相似，使用Niblack方法进行图像二值化处理时，窗口大小的选择也是很重要的。理由相同，如果窗口选得很小，处理速度比较快，但是给二值图带来的噪声也是很严重的，导致前景淹没在噪声中，无法很容易的辨识；如果窗口选得大，会大幅地降低二值图中的噪声，但是处理的时间也变得更长了。窗口一般也取15*15，下面对图3.8进行分割，结果见图3.16。

图3.16 Niblack法处理图1

使用Niblack方法进行图像二值化处理，由于需要计算标准差，需要进行平方开方运算，所以速度是比较慢的，我们看一下Bernsen方法，它比方法的速度要快些。但是从处理效果来看，它比Otsu法和Bernsen法效果优秀。不仅列表中文字细节得到了很好地还原，列表下方的文字也没出现断笔现象，很清晰，唯一需要改善的就是图像背景噪声问题。

3.2.3 对局部阈值法的一点思考

由于局部阈值法充分考虑到了每一个像素点及其附近像素点的灰度分布情况，能兼顾图像的细节变化，因此使用局部阈值二值化方法对图像进行分割处理，一般说来，会得到更好的效果。很容易这么想，如果对一幅质量很好的图片进行二值化分割，那么局部阈值法对其进行分割所得的效果应该比全局阈值法的效果好，即使不能更好，至少一样好。现在看一个例子，引入图3.17，它足够简单，背景与前景相比分离得很明显。图3.18是使用Otsu方法进行阈值分割的结果，

图3.17 原始图像5

图3.18 Otsu算法处理图3 图3.19 Niblack算法处理图2

而图3.19是使用Niblack法进行阈值分割的结果。局部阈值法处理效果在这里反而的质量却降低了，它把没有文字的空白背景，错误地识别成文字像素点。能对付复杂问题的工具，却不能处理简单的。回头看Bernsen法和Niblack法阈值分割处理的结果图3.15~3.16，也存在相同问题。表格右侧空白背景，以及没有足够文字填充的一小段空白行，都被错误地识别成了前景。这说明，这个问题应该不是偶然出现的，可能是一个共性的问题。为了避免出现这种情况，在进行图像二值化处理时，当每选取一个小窗口，就应该先进行判定。如果这个小窗口内同时混有前景和背景，那么就进行该中心点的二值化；否则，小窗口内就只含有前景或是只有背景，就不应该进行阈值分割了，而应该采取一种方法去判断它是属于背景还是前景。至于具体实现方案，这也是未来对局部阈值分割进行进一步研究的方向。

3.3 基本自适应阈值分割

全局阈值存在的问题是不均匀亮度无法有效分割，解决办法除了像局部阈值法对图像每一个像素进行处理外，还可以将整幅图像化整为零，划分为许多个小块，分别进行处理，得到它的阈值。小块特点是彼此分离没有重叠，这也是与局部阈值法的区别。那么这个阈值相对于整体的全局阈值来说，就是与相应小块中的像素更加关联的，对于局部应该也是更好的。其中每一个小块，可以简单的将它看作一幅图像，这样，要得到与这个小块相关的局部阈值，可以简单地使用全局阈值值法来对每个小块做出处理，进行二值化。

我们将图像划分成许多小块，如果称小块的长和宽为尺度的话，那么选取时，若尺度太大，对图像的局部还不够好；但是若尺度太小，小块内可能就只有前景或只有背景了，此时的二值化是不合理的。所以，给小块选择一个合适的尺度是很讲究的，本文目前只能通过不断尝试来确定。现引入图3.20，对其进行基本自适应阈值分割。

图3.20 原始图像6 图3.21 基本自适应阈值处理图1

经过尝试，现选用处理效果较好的115*115的分块对图3.20进行处理，所得结果如图3.21所示。我们发现，对于这种水平方向上光照不均的图像的处理，原图的细节得到了很好的保留，其处理效果还是很不错的。

事实上，一幅图划分成的子块是图像的一部分，它们的阈值应该是有所关联的。如果就这样一个个孤立开的话，就会发生阈值灰度跃变的问题，即由于每一个小块内的各自阈值都相差很大，可能导致块与块交界处的图像像素灰度值不连续，出现明显间断或不一致。解决办法有两个：要么对这些边界处的像素点做出处理，要么对这些阈值做出处理。具体实现办法还没有一个清晰的框架，只能等课程结束以后对其进行进一步的研究和学习。

4 结束语

本文利用不同算法对不同图像进行了阈值分割处理，对处理所得到的二值图进行了比较。对于一些简单图像，全局阈值法能很好的保持原图的主要信息，且实现简单、运行速度快，但对复杂图像的处理效果不佳。对于光照不均或较复杂的图像，局部阈值法可以保留更多细节，但是背景噪声比较严重，且运行速度较慢。基本自适应阈值方法也能对光照不均的图像进行处理，但是分块大小的确定还没有一个准则，只能称之为半自适应阈值分割。实践工作中遇到的需要进行二值化的图像是纷繁复杂的，上面提到的算法尚有许多方面可以改善。本次程序设计，无论在数字图像处理的理论知识还是MATLAB软件中GUI的掌握上还是对算法的编程实现上，都有了更深刻的了解与进步。并且对图像处理有了很大的兴趣，希望在今后的学习中能够更加深入的学习。