图像处理之常见二值化方法汇总

图像处理之常见二值化方法汇总

图像二值化是图像分析与处理中最常见最重要的处理手段，二值处理方法也非常多。越

精准的方法计算量也越大。本文主要介绍四种常见的二值处理方法，通常情况下可以满

足大多数图像处理的需要。主要本文讨论的方法仅针对RGB色彩空间。

方法一：

该方法非常简单，对RGB彩色图像灰度化以后，扫描图像的每个像素值，值小于127的

将像素值设为0(黑色)，值大于等于127的像素值设为255(白色)。该方法的好处是计算

量少速度快。缺点更多首先阈值为127没有任何理由可以解释，其次完全不考虑图像的

像素分布情况与像素值特征。可以说该方法是史最弱智的二值处理方法一点也不为过。

方法二：

最常见的二值处理方法是计算像素的平均值K，扫描图像的每个像素值如像素值大于K

像素值设为255(白色)，值小于等于K像素值设为0(黑色)。该方法相比方法一，阈值的

选取稍微有点智商，可以解释。但是使用平均值作为二值化阈值同样有个致命的缺点，

可能导致部分对象像素或者背景像素丢失。二值化结果不能真实反映源图像信息。

方法三：

使用直方图方法来寻找二值化阈值，直方图是图像的重要特质，直方图方法选择二值

化阈值主要是发现图像的两个最高的峰，然后在阈值取值在两个峰之间的峰谷最低处。

该方法相对前面两种方法而言稍微精准一点点。结果也更让人可以接受。

方法四： http://en.wikipedia.org/wiki/Thresholding_(image_processing)

使用近似一维Means方法寻找二值化阈值，该方法的大致步骤如下：

1.      一个初始化阈值T，可以自己设置或者根据随机方法生成。

2.      根据阈值图每个像素数据P(n,m)分为对象像素数据G1与背景像素数据G2。(n为

行，m为列)

3.      G1的平均值是m1, G2的平均值是m2

4.      一个新的阈值T’ = (m1 + m2)/2

5.      回到第二步，用新的阈值继续分像素数据为对象与北京像素数据，继续2～4步，

直到计算出来的新阈值等于上一次阈值。

前面三种在以前的博文中都有涉及，最后一种二值化方法的代码如下：

package com.gloomyfish.filter.study;

import java.awt.image.BufferedImage;
import java.util.ArrayList;
import java.util.List;

public class ThresholdBinaryFilter extends GrayFilter {

	@Override
	public BufferedImage filter(BufferedImage src, BufferedImage dest) {
		int width = src.getWidth();
        int height = src.getHeight();

        if ( dest == null )
        	dest = createCompatibleDestImage( src, null );

        int[] inPixels = new int[width*height];
        int[] outPixels = new int[width*height];
        src = super.filter(src, null); // we need to create new one
        getRGB( src, 0, 0, width, height, inPixels );
        int index = 0;
        int means = getThreshold(inPixels, height, width);
        for(int row=0; row<height; row++) {
        	int ta = 0, tr = 0, tg = 0, tb = 0;
        	for(int col=0; col<width; col++) {
        		index = row * width + col;
        		ta = (inPixels[index] >> 24) & 0xff;
                tr = (inPixels[index] >> 16) & 0xff;
                tg = (inPixels[index] >> 8) & 0xff;
                tb = inPixels[index] & 0xff;
                if(tr > means) {
                	tr = tg = tb = 255; //white
                } else {
                	tr = tg = tb = 0; // black
                }
                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
        	}
        }
        setRGB( dest, 0, 0, width, height, outPixels );
        return dest;
	}

	private int getThreshold(int[] inPixels, int height, int width) {
		// maybe this value can reduce the calculation consume; 
		int inithreshold = 127;
		int finalthreshold = 0;
		int temp[] = new int[inPixels.length];
		for(int index=0; index<inPixels.length; index++) {
			temp[index] = (inPixels[index] >> 16) & 0xff;
		}
		List<Integer> sub1 = new ArrayList<Integer>();
		List<Integer> sub2 = new ArrayList<Integer>();
		int means1 = 0, means2 = 0;
		while(finalthreshold != inithreshold) {
			finalthreshold = inithreshold;
			for(int i=0; i<temp.length; i++) {
				if(temp[i] <= inithreshold) {
					sub1.add(temp[i]);
				} else {
					sub2.add(temp[i]);
				}
			}
			means1 = getMeans(sub1);
			means2 = getMeans(sub2);
			sub1.clear();
			sub2.clear();
			inithreshold = (means1 + means2) / 2;
		}
		long start = System.currentTimeMillis();
		System.out.println("Final threshold  = " + finalthreshold);
		long endTime = System.currentTimeMillis() - start;
		System.out.println("Time consumes : " + endTime);
		return finalthreshold;
	}

	private static int getMeans(List<Integer> data) {
		int result = 0;
		int size = data.size();
		for(Integer i : data) {
			result += i;
		}
		return (result/size);
	}

}

效果如下：