2010年--外文翻譯---使用閾值技術(shù)的圖像分割（譯文）

1、<p>　　中文2855字,1840單詞，9500英文字符</p><p>　　出處：Al-Amri S S, Kalyankar N V. Image segmentation by using threshold techniques[J]. arXiv preprint arXiv:1005.4020, 2010.</p><p>　　使用閾值技術(shù)的圖像分割1</p&

2、gt;<p>　　SS Al-Amri, NV Kalyankar</p><p><b>　　摘要</b></p><p>　　本文試圖通過(guò)5閾值法作為平均法，P-tile算法，直方圖相關(guān)技術(shù)（HDT），邊緣最大化技術(shù)（EMT）和可視化技術(shù)進(jìn)行了分割圖像技術(shù)的研究，彼此比較從而選擇合的閾值分割圖像的最佳技術(shù)。這些技術(shù)適用于三個(gè)衛(wèi)星圖像選擇作為

3、閾值分割圖像的基本猜測(cè)。</p><p>　　關(guān)鍵詞：圖像分割，閾值，自動(dòng)閾值</p><p><b>　　1 引言</b></p><p>　　分割算法是基于不連續(xù)性和相似性這兩個(gè)基本屬性之一的強(qiáng)度值。第一類是基于在強(qiáng)度的突然變化，如在圖像的邊緣進(jìn)行分區(qū)的圖像。第二類是根據(jù)預(yù)定義標(biāo)準(zhǔn)基于分割的圖像轉(zhuǎn)換成類似的區(qū)域。直方圖閾值的方法屬于這一類。

4、本文研究第二類（閾值技術(shù)）在這種情況下，通過(guò)這項(xiàng)課題可以給予這些研究簡(jiǎn)要介紹。閾分割技術(shù)可分為三個(gè)不同的類：</p><p>　　首先局部技術(shù)基于像素和它們臨近地區(qū)的局部性質(zhì)。其次采用全局技術(shù)分割圖像可以獲得圖像的全局信息（通過(guò)使用圖像直方圖，例如;全局紋理屬性）。并且拆分，合并，生長(zhǎng)技術(shù)，為了獲得良好的分割效果同時(shí)使用的同質(zhì)化和幾何近似的概念。最后的圖像分割，在圖像分析的領(lǐng)域中，常用于將像素劃分成區(qū)域，以確定一

5、個(gè)圖像的組成[1][2]。</p><p>　　他們提出了一種二維（2-D）的直方圖基于多分辨率分析（MRA）的自適應(yīng)閾值的方法，降低了計(jì)算的二維直方圖的復(fù)雜而提高了多分辨率閾值法的搜索精度。這樣的方法源于通過(guò)灰度級(jí)和靈活性的空間相關(guān)性的多分辨率閾值分割方法中的閾值的尋找以及效率由二維直方圖閾值分割方法所取得的非凡分割效果。實(shí)驗(yàn)的結(jié)果表明，這種方法可以得到的分割結(jié)果與詳盡二維直方圖方法相類似，而計(jì)算復(fù)雜度與分辨率

6、等級(jí)的增加而呈指數(shù)下降[3]。</p><p>　　圖像的閾值問(wèn)題，被視為在圖像處理的一個(gè)重要問(wèn)題，它不僅可以減少圖像數(shù)據(jù)，同時(shí)也奠定了多目標(biāo)識(shí)別和圖像認(rèn)知提供了良好的基礎(chǔ)。全局閾值分割和局部閾值的字符圖像分割進(jìn)行了分析。一個(gè)新的閾值統(tǒng)計(jì)迭代算法，提出要克服的直接閾值，針對(duì)一些光照不對(duì)稱和明顯的缺陷，或者更大的數(shù)字比例在各種各樣的背景灰度圖像中。統(tǒng)計(jì)迭代閾值分割，基于圖像灰度直方圖和高斯分布的統(tǒng)計(jì)，獲得統(tǒng)計(jì)迭代法

7、理論表達(dá)和最值得閾值法和步驟。航空?qǐng)D像通過(guò)分別使用統(tǒng)計(jì)迭代算法，直方圖技術(shù)和自適應(yīng)方法進(jìn)行閾值分割。比較三種閾值結(jié)果，它表明統(tǒng)計(jì)迭代方法大大提高了圖像分割的抗噪能力，并且有更好的圖像結(jié)果，并且不容易在閾值方法中分段[4]。</p><p>　　模糊C均值改進(jìn)算法和遙感圖像分割策略，可以提供較少的迭代次數(shù)收斂到全局最優(yōu)解。同時(shí)，它具有良好的穩(wěn)定性和魯棒性。其良好的分割效果可提高精度和遙感圖像閾值分割的效率[5]。&

8、lt;/p><p>　　閾值技術(shù)可分為兩類：全局閾值和局部（自適應(yīng)）閾值。在全局閾值中，單個(gè)閾值用于整個(gè)圖像。在局部閾值，閾值被分配給每個(gè)像素，使用周圍的象素的局部信息以確定它是屬于前景還是背景。由于簡(jiǎn)單和容易實(shí)施的優(yōu)點(diǎn)，全局閾值技術(shù)一直流行許多年[6] [7] [8]。</p><p><b>　　2 閾值</b></p><p>　　閾值是廣泛

9、地用于圖像分割的方法之一，在從背景分離出前景中非常有效，通過(guò)選擇一個(gè)適當(dāng)?shù)拈撝礣，將灰度級(jí)圖像可轉(zhuǎn)換為二進(jìn)制圖像。二進(jìn)制圖象應(yīng)該包含所有的興趣目標(biāo)（前景）中的位置和形狀的基本信息。二進(jìn)制圖像的優(yōu)點(diǎn)是它減少了數(shù)據(jù)的復(fù)雜性，并簡(jiǎn)化了識(shí)別和分類的過(guò)程?；叶燃?jí)圖像轉(zhuǎn)換為二進(jìn)制圖像的最常見(jiàn)的方法是選擇一個(gè)單一閾值（T）。然后所有低于這個(gè)T中的灰度等級(jí)值將被歸類為黑色（0），高于T的定義為白色（1）。分割問(wèn)題變成一個(gè)選擇合適的閾值T問(wèn)題。一個(gè)常用的

10、方法適用于選擇T是通過(guò)分析想要分割的圖像的直方圖類型。理想的情況是，當(dāng)柱狀圖呈現(xiàn)只有兩個(gè)主要的模式和清晰的山谷（雙峰）。在這種情況下，T的值被選擇在兩個(gè)模式之間的谷點(diǎn)。在實(shí)際應(yīng)用中的直方圖是更復(fù)雜的，具有許多峰和不明確的山谷，所以不總是容易選擇T的值。</p><p><b>　　3自動(dòng)閾值</b></p><p>　　每個(gè)圖像由系統(tǒng)自動(dòng)選擇閾值而無(wú)需人工干預(yù)的方法被

11、稱為一個(gè)自動(dòng)閾值方案。這就要求有關(guān)的對(duì)象的強(qiáng)度特性、對(duì)象的大小、圖像中各種不同類型部分出現(xiàn)的目標(biāo)的級(jí)分知識(shí)。</p><p><b>　　4 閾值技術(shù) </b></p><p>　　閾值技術(shù)是圖像分割的重要技術(shù)之一。這種技術(shù)可以表示為：</p><p>　　T =[X，Y，P（X，Y），f（X，Y] （1）</p>

12、<p>　　其中：T是閾值。x，y是所述閾值點(diǎn)的坐標(biāo)。P（X，Y），F(xiàn)（X，y）是圖中像素點(diǎn)的灰度。</p><p>　　閾值圖像 g(x,y)可以是如下定義：</p><p><b>　?。?）</b></p><p>　　這篇文章采用了5種閾值技術(shù)：</p><p><b>　　4.1均值技術(shù)&

13、lt;/b></p><p>　　該技術(shù)中使用的像素的平均值作為閾值，并在嚴(yán)格的情況下即有大約一半到屬于目標(biāo)，而另一半屬于背景像素的圖像的工作得很好。這種技術(shù)很少發(fā)生。</p><p>　　4.2 P-Tile技術(shù)</p><p>　　P—Tile技術(shù)使用的知識(shí)是所關(guān)注對(duì)象在整個(gè)閾值的圖像的面積尺寸。P—Tile方法是基于灰度直方圖的最早的閾值方法之一[5]。

14、它假定在圖像中的目標(biāo)比背景更亮，并占據(jù)圖像面積的固定百分比。圖像區(qū)域的這個(gè)固定的百分比也被稱為P％。閾值被定義為大多對(duì)應(yīng)于映射到至少P%上的灰度級(jí)到目標(biāo)的灰度級(jí)。設(shè)n是最大灰度級(jí)值，H(i)是圖像的直方圖（i= 0…n），而P是該目標(biāo)的面積比。P-Tile算法方法如下：</p><p>　　其中：s的圖像總面積，f是初始化所有區(qū)域作為目標(biāo)區(qū)域，T是最終閾值‘</p><p>　　此方法操作

15、簡(jiǎn)單，適合對(duì)象的所有尺寸。它產(chǎn)生良好的抗噪聲能力;然而，如果對(duì)象面積比率為未知的或從圖象變化到圖像，這顯然是不適用的[6]。</p><p>　　4.3直方圖相關(guān)技術(shù)（HDT）</p><p>　　直方圖技術(shù)是依賴于估算分隔圖像的對(duì)象和背景的兩個(gè)同質(zhì)區(qū)域的閾值的成功。這就要求，圖像組成是兩種同質(zhì)的并且能夠存在一個(gè)閾值分離這些區(qū)域。</p><p>　　所述（HDT）

16、是適于圖像具有很大同質(zhì)性并且將分離這些區(qū)域，其中的對(duì)象和背景的面積都是同質(zhì)的并且不包括對(duì)象和背景之間的區(qū)域。</p><p>　　這種技術(shù)可以表示為：</p><p><b>　　其中：</b></p><p>　　C（T）為所述組內(nèi)方差。是組值小于T. 的概率。是組值小于T 的概率. 為像素組的方差小于或等于T的概率。為像素組的方差大于T的概

17、率。</p><p><b>　　4.4 EMT技術(shù)</b></p><p>　　使用邊緣最大化技術(shù)（EMT）的閾值圖像被用于當(dāng)在圖象超過(guò)一個(gè)均勻區(qū)域或有目標(biāo)和背景之間的照明的變化有改變。在這種情況下，目標(biāo)的部分可以被合并到背景或者背景可以作為一個(gè)目標(biāo)。出于這個(gè)原因，任何的自動(dòng)閾值選擇技術(shù)的性能得都要變得更好在大的同質(zhì)和分離的區(qū)域。此技術(shù)分割取決于有關(guān)圖像中的最大邊緣

18、閾研究并且開(kāi)始分割有邊緣檢測(cè)技術(shù)操作的圖像（例如kiresh操作技術(shù)）。</p><p><b>　　4.5可視化技術(shù)</b></p><p>　　這些技術(shù)改善人們的準(zhǔn)確搜索目標(biāo)項(xiàng)目的能力。這些技術(shù)是類似于另一個(gè)使用原始圖像的分量區(qū)段的P-tile技術(shù)，他們以新穎的方式，以提高視覺(jué)搜索性能，但是p-tile是不太有效當(dāng)不同的噪聲中存在于圖像中。</p>

19、<p><b>　　5次實(shí)驗(yàn)試驗(yàn)驗(yàn)證</b></p><p>　　5.1Testing程序</p><p>　　閾值分割，采用（MATLAB R2007a，7.4A）實(shí)現(xiàn)并測(cè)試了在圖1所示的三幅圖像分割技術(shù)</p><p><b>　　圖1.原始圖像</b></p><p>　　五種閾值分

20、割技術(shù)：平均技術(shù)，P-tile技術(shù)，可視化技術(shù)，HDT技術(shù)和EMT技術(shù)。</p><p><b>　　5.2 仿真結(jié)果</b></p><p>　　圖2. 原始圖像閾值從左到右，可視化技術(shù)，T =127，平均技術(shù)，P-tile T =127，HDT技術(shù)與EMT技術(shù)。</p><p>　　圖3. 原始圖像閾值從左到右，可視化技術(shù)，T =167，平

21、均技術(shù)，P-tile T =167，HDT技術(shù)與EMT技術(shù)。</p><p>　　圖4. 原始圖像閾值從左到右，可視化技術(shù)，T =43，平均技術(shù)，P-tile T =43，HDT技術(shù)與EMT技術(shù)。</p><p><b>　　6 結(jié)論</b></p><p>　　在本文中，比較適用于研究了5種閾值分割技術(shù)的圖像方法：平均法，P-tile法，直方

22、圖相關(guān)技術(shù)（HDT），邊緣最大化技術(shù)（EMT）和視覺(jué)技術(shù)在如圖所示的三個(gè)衛(wèi)星圖像上。圖1.解釋與實(shí)驗(yàn)進(jìn)行了不同的技術(shù)的HDT和EMT技術(shù)分別是用于閾值的技術(shù)的圖像的最好的技術(shù)。這個(gè)結(jié)果從圖1，2，3得到。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] Gonzalez and Woods, "Digital image proce

23、ssing", 2nd Edition, prentice hall, 2002.</p><p>　　[2] Kenneth R. Castelman, "Digital image processing", Tsinghua Univ Press, 2003.</p><p>　　[3] Shuqian He, Jiangqun Ni, Lihua Wu,

24、 Hongjian Wei , Sixuan Zhao.," Image threshold segmentation method with 2-D histogram based on multi-resolution analysis", Computer Science & Education, ICCSE, 25-28 July 2009, PP.753 – 757, Nanning, China.

25、</p><p>　　[4] Guang Yang, Kexiong Chen, Maiyu Zhou, Zhonglin Xu, Yongtian Chen, "Study on Statistics Iterative Thresholding Segmentation Based on Aviation Image," snpd, vol. 2, pp.187-188, Eighth A

26、CIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing (SNPD 2007), 2007.</p><p>　　[5] Du Gen-yuan,Miao Fang,Tian Sheng-li,Guo Xi-rong.,

27、"Remote Sensing Image Sequence Segmentation Based on the Modified Fuzzy C-means", Journal of Software, Vol. 5, No. 1, PP.28-35, 2009.</p><p>　　[6] A.S. Abutaleb, “Automatic Thresholding of Gray-Lev

28、el Pictures Using Two Dimensional Entropy”, Computer Vision, Graphics, and Image Processing, Vol.47, PP.22-32, 1989.</p><p>　　[7] J. Kittler and J. Illingworth, “Minimum Error Thresholding”, Pattern Recognit

29、ion, Vol.19, No.1, PP.41-47, 1986.</p><p>　　[8] K.H. Liang and J.J.W Mao, “Image Thresholding by Minimizing the Measures of Fuzziness”, Pattern Recognition, Vol.28, No.1, PP.41-51, 1995.</p><p>