谷點(diǎn)強(qiáng)調(diào)閾值分割法研究綜述

范九倫，靳 瑾

(西安郵電大學(xué) 通信與信息工程學(xué)院,陜西 西安 710121)

圖像分割是圖像處理領(lǐng)域的研究熱點(diǎn)之一，是一種重要的圖像處理與分析技術(shù)，也是計(jì)算機(jī)視覺(jué)檢測(cè)中的難點(diǎn)。圖像分割的目的是將目標(biāo)從圖像背景中提取出來(lái)，已廣泛應(yīng)用于工業(yè)自動(dòng)化、在線產(chǎn)品檢測(cè)、文檔圖像處理、遙感、生物醫(yī)學(xué)圖像分析，以及軍事、農(nóng)業(yè)工程等方面[1]。到目前為止，圖像分割已有上千種方法，各種綜述文章對(duì)這些分割方法的分類和評(píng)價(jià)不盡相同。圖像分割方法主要分為閾值選取法、邊緣檢測(cè)法以及區(qū)域增長(zhǎng)法[2]等3類。在圖像分割方法中，閾值法因其簡(jiǎn)單有效而被廣泛應(yīng)用。常見的單閾值法根據(jù)灰度分布從背景中提取目標(biāo)，其結(jié)果是輸出一個(gè)二值圖像，將背景與目標(biāo)分離。背景通常用灰度級(jí)255表示，輸出為白色，目標(biāo)用灰度級(jí)0表示，輸出為黑色。噪聲和光線對(duì)環(huán)境的影響、對(duì)比度不足以及物體大小與場(chǎng)景不相稱等眾多因素，使得閾值化操作復(fù)雜化[3]。因此，Otsu[4]提出了Otsu法，稱為最大類間方差法或最小類內(nèi)方差法。在眾多的閾值法中，Otsu法是應(yīng)用最廣泛的經(jīng)典閾值法，也是圖像閾值分割法的最佳選擇之一。對(duì)Otsu法進(jìn)行改進(jìn)以得到更好的自動(dòng)閾值算法，一直是眾多學(xué)者努力的方向。例如，Hou[5]提出了最小類方差閾值法，并與Otsu法進(jìn)行了比較。他們發(fā)現(xiàn)，在Otsu法中，得到的閾值偏向于類方差較大或類概率較大的成分。Xu[6]描述了當(dāng)兩個(gè)類的類內(nèi)方差不同時(shí)，Otsu法閾值偏向方差較大的類,并針對(duì)目標(biāo)與背景的方差差異較大的情況，提出了一種改進(jìn)的Otsu法約束灰度級(jí)搜索范圍。通過(guò)自動(dòng)閾值法找到第一個(gè)閾值,在第一個(gè)閾值范圍內(nèi)尋找第二個(gè)閾值，將灰度大于第二個(gè)閾值的像素分類作為目標(biāo)，改變了原來(lái)搜索范圍。Yang[7]等人提出了一種改進(jìn)的基于中值的方法，該方法用圖像中前景和背景的中值代替前景和背景的均值，最終在最大化類間方差的基礎(chǔ)上找到最優(yōu)閾值。

自動(dòng)閾值技術(shù)已經(jīng)在工業(yè)中廣泛用于缺陷的自動(dòng)視覺(jué)檢查[8]。自動(dòng)視覺(jué)檢測(cè)將節(jié)省很大的人力，減少檢測(cè)時(shí)間的浪費(fèi)，提高缺陷檢測(cè)的準(zhǔn)確性。大多數(shù)閾值分割法在實(shí)際應(yīng)用能得到較好的結(jié)果，但是沒(méi)有一種通用的方法可用于缺陷檢測(cè)[9-10]。缺陷檢測(cè)包括從無(wú)缺陷到小缺陷以及大缺陷檢測(cè)，圖像的灰度直方圖也就包括從單峰到雙峰。Otsu法對(duì)于直方圖呈雙峰或者接近雙峰的圖像分割效果較好，假設(shè)了圖像分布中的對(duì)象和背景的灰度等級(jí)是具有相等方差的高斯分布[11]，但一般圖像不具有這種特征。因此，在某些情況下，Otsu法對(duì)于直方圖呈單峰或者接近單峰的圖像分割效果一般，使得Otsu法并不能很好地應(yīng)用于缺陷檢測(cè)。基于這個(gè)原因，Ng[12]在Otsu法的基礎(chǔ)上進(jìn)行改進(jìn)，給出了新的分割準(zhǔn)則。在Otsu法目標(biāo)函數(shù)中加入1減去閾值概率的權(quán)重,當(dāng)概率閾值最小時(shí)，權(quán)重最大，以確保得到的閾值始終位于直方圖谷底處，并且同時(shí)讓類間方差最大化，并稱這個(gè)方法為谷點(diǎn)強(qiáng)調(diào)法。

該研究以谷點(diǎn)強(qiáng)調(diào)法為基礎(chǔ)，對(duì)相關(guān)衍生方法及其應(yīng)用進(jìn)行綜述，并對(duì)后續(xù)研究和發(fā)展提供參考。

1 谷點(diǎn)強(qiáng)調(diào)法

為了更好地了解谷點(diǎn)強(qiáng)調(diào)法，下面首先介紹Otsu法。設(shè)I是大小為M×N的灰度圖像，I(x,y)的值為[0,L-1]的整數(shù)，表示像素灰度值。若灰度i的像素?cái)?shù)為f(i)，則灰度i出現(xiàn)的概率為

如果圖像按照閾值t分為C0和C1兩類,則C0類的像素灰度區(qū)間為[0,t],C1類的像素灰度區(qū)間為[t+1,L-1]。設(shè)P0(t)和P1(t)表示C0和C1兩類的概率，其計(jì)算表達(dá)式分別為

C0和C1兩類的均值分別表示為

圖像的整體平均灰度為

則Otsu法將類間方差定義為

最佳閾值可通過(guò)計(jì)算最大類間方差得到，即

自動(dòng)閾值化的目標(biāo)是在直方圖中找到將前景與背景分開的谷。Otsu法更適用于灰度直方圖是雙峰或者接近雙峰的情況，而來(lái)自視覺(jué)檢查系統(tǒng)的圖像直方圖往往是單峰的。因?yàn)榕c圖像尺寸相比，缺陷區(qū)域較小，所以在檢測(cè)缺陷時(shí)，Otsu法不能得到合適的閾值[12]。對(duì)于單閾值的情況，這樣的閾值存在于兩個(gè)峰的波谷處，或者存在于單個(gè)峰的底邊，出現(xiàn)閾值的概率pt必須很小。基于以上的考慮，Ng在Otsu法的基礎(chǔ)上提出了谷點(diǎn)強(qiáng)調(diào)法。谷點(diǎn)強(qiáng)調(diào)法的思想是盡可能選擇一個(gè)概率很小的閾值點(diǎn)來(lái)逼近灰度直方圖的谷值。為此，在Otsu法中增加權(quán)重1-pt，pt的值越小權(quán)重越大[12]。此權(quán)重確保結(jié)果閾值始終是位于灰度分布的谷底或者單峰邊緣的值，并且使類間方差最大。Ng給出的目標(biāo)函數(shù)為

谷點(diǎn)強(qiáng)調(diào)法的最佳閾值計(jì)算公式為

t*=arg maxξ(t)

通過(guò)選擇一個(gè)概率較小的閾值，使權(quán)重變大，并且該閾值能夠最大化灰度直方圖中的類間方差。最小概率閾值要求確保得到的閾值始終是位于兩個(gè)峰值的谷值，或位于單個(gè)峰值的底緣[12]。因此，谷點(diǎn)強(qiáng)調(diào)法能夠?yàn)閱畏宸植己碗p峰分布選擇最佳閾值。當(dāng)圖像直方圖是雙峰或者接近雙峰時(shí)，谷點(diǎn)強(qiáng)調(diào)法和Otsu法獲得相似的閾值。

2 谷點(diǎn)強(qiáng)調(diào)法的衍生算法

谷點(diǎn)強(qiáng)調(diào)法一般情況下都能夠?qū)D像中的缺陷檢測(cè)出來(lái)，對(duì)于檢測(cè)圖像的缺陷具有很好的結(jié)果。自谷點(diǎn)強(qiáng)調(diào)法提出之后，很多學(xué)者對(duì)谷點(diǎn)強(qiáng)調(diào)法給予關(guān)注。關(guān)于谷點(diǎn)強(qiáng)調(diào)法的研究現(xiàn)狀主要包括以下3個(gè)方面。

2.1 谷點(diǎn)強(qiáng)調(diào)法的改進(jìn)算法

在某些圖像中，灰度直方圖的波谷難以被觀察到，即具有強(qiáng)重疊時(shí)，谷點(diǎn)強(qiáng)調(diào)法可能得不到最佳的閾值。為此，學(xué)者們基于谷點(diǎn)強(qiáng)調(diào)法提出了一些改進(jìn)算法。

谷點(diǎn)強(qiáng)調(diào)法在某些情況下分割效果很差，特別是在目標(biāo)方差與背景方差相差很大的情況下，原因是谷點(diǎn)強(qiáng)調(diào)法只以直方圖的谷點(diǎn)值衡量目標(biāo)函數(shù)。當(dāng)目標(biāo)的方差與背景的方差相差很大時(shí)，加權(quán)效應(yīng)表現(xiàn)并不是太明顯，使得谷點(diǎn)強(qiáng)調(diào)法在這種情況下不起作用?；谶@一問(wèn)題，鄰域谷點(diǎn)強(qiáng)調(diào)法[13]的提出，不僅考慮了谷點(diǎn)處的閾值信息，還利用谷點(diǎn)處閾值的鄰域信息確定最佳閾值。

在圖像直方圖中，灰度值k的鄰域灰度概率值之和為

鄰域谷點(diǎn)強(qiáng)調(diào)法的目標(biāo)函數(shù)為

最佳閾值計(jì)算公式為

鄰域谷點(diǎn)強(qiáng)調(diào)法也對(duì)高斯噪聲圖像具有較好的魯棒性，適合實(shí)際應(yīng)用。該方法需要考慮選擇適當(dāng)?shù)膮?shù)以獲得較好的結(jié)果，但是并不清楚如何確定適當(dāng)大小的鄰域，以實(shí)現(xiàn)最佳閾值的結(jié)果。

文獻(xiàn)[14]在谷點(diǎn)強(qiáng)調(diào)法的基礎(chǔ)上，提出了一種改進(jìn)的最佳閾值選擇方法，通過(guò)引入高斯加權(quán)方案增強(qiáng)加權(quán)效果。新的權(quán)重是選擇候選閾值附近的灰度概率之和乘以標(biāo)準(zhǔn)偏差σ的高斯窗口，即

基于谷點(diǎn)強(qiáng)調(diào)法改進(jìn)后的最佳閾值計(jì)算為

在谷點(diǎn)強(qiáng)調(diào)法中只考慮了閾值位置概率，高斯加權(quán)比谷點(diǎn)強(qiáng)調(diào)法的權(quán)重更重要。此外，在谷點(diǎn)強(qiáng)調(diào)法中并未考慮計(jì)算中噪聲的影響，而使用高斯加權(quán)方法計(jì)算權(quán)重可以利用高斯窗的平滑效果減少權(quán)重計(jì)算的噪聲影響。權(quán)重中σ的合適值可以通過(guò)實(shí)驗(yàn)確定。

谷點(diǎn)強(qiáng)調(diào)法不能有效地應(yīng)用于復(fù)雜紋理的分割。針對(duì)紋理復(fù)雜的織物圖像中缺陷的分割問(wèn)題，谷點(diǎn)強(qiáng)調(diào)法不能得到很好的分割結(jié)果。文獻(xiàn)[15]在谷點(diǎn)強(qiáng)調(diào)法的基礎(chǔ)上，基于Fisher線性判別分析，通過(guò)考慮類間方差和類內(nèi)方差計(jì)算最優(yōu)閾值提出改進(jìn)算法。Fisher線性判別是模式識(shí)別的經(jīng)典方法[16]，F(xiàn)isher準(zhǔn)則函數(shù)表示為

分子部分Q可表示為

Q=S1+S2

其中，S1和S2分別表示根據(jù)閾值t分為兩類的類內(nèi)方差。

改進(jìn)算法的最佳閾值可表示為

該算法不僅考慮了類間方差，并且考慮了類內(nèi)方差，將谷點(diǎn)強(qiáng)調(diào)法和類內(nèi)方差的比值最大化，只有兩者都取得相對(duì)較好的值時(shí)，才能得到更好地分割閾值。

文獻(xiàn)[17]通過(guò)修正谷點(diǎn)強(qiáng)調(diào)法的權(quán)重，將一個(gè)二階導(dǎo)數(shù)作為權(quán)重改進(jìn)Otsu法，直方圖的包絡(luò)曲線谷點(diǎn)處對(duì)應(yīng)于原始直方圖中的二階差分曲線中的一個(gè)峰值。其主要思想是考慮基于二階差分的谷值度量構(gòu)造更有效的目標(biāo)函數(shù)，使閾值更有可能位于圖像直方圖峰值的谷點(diǎn)處。將谷點(diǎn)強(qiáng)調(diào)法的權(quán)重修改為

其中：pt表示灰度t出現(xiàn)的概率；p·表示所有灰度出現(xiàn)的各自概率。由二階導(dǎo)數(shù)作為權(quán)重修改的谷點(diǎn)強(qiáng)調(diào)法最佳閾值的計(jì)算表達(dá)式為

將基于二階差分的權(quán)重加權(quán)Otsu法應(yīng)用于圖像分割時(shí)，在單峰直方圖和類內(nèi)方差較大的圖像分割方面，表現(xiàn)結(jié)果優(yōu)于比谷點(diǎn)強(qiáng)調(diào)法。

文獻(xiàn)[18]提出了一種光缺陷檢測(cè)的新技術(shù)，將谷點(diǎn)強(qiáng)調(diào)法應(yīng)用于缺陷對(duì)象閾值。在夜間圖像直方圖中，僅附加缺陷對(duì)象被限制在小于50的強(qiáng)度極限內(nèi)的最下側(cè)。將夜間圖像和白天圖像直方圖之間的差異作為谷值增強(qiáng)方法的輸入，對(duì)谷點(diǎn)強(qiáng)調(diào)法改進(jìn)，未在[0,255]中選取使類間方差最大的閾值，而是將閾值的取值限制在[0,50]，僅強(qiáng)調(diào)第一個(gè)谷點(diǎn)作為閾值。與谷點(diǎn)強(qiáng)調(diào)法相比，找到閾值的迭代算法的計(jì)算量顯著降低，閾值選取的速度明顯提升。

為了避免鄰域谷點(diǎn)強(qiáng)調(diào)法的逸出問(wèn)題，文獻(xiàn)[19]提出進(jìn)行鄰域均值加權(quán)。鄰域灰度值概率均值表示為

鄰域均值加權(quán)最大類間方差的目標(biāo)函數(shù)為

最佳閾值t*可計(jì)算為

文獻(xiàn)[20]認(rèn)為在谷點(diǎn)強(qiáng)調(diào)法中只考慮了谷點(diǎn)灰度值在直方圖中出現(xiàn)的概率，即谷點(diǎn)灰度值在直方圖中的高度，這樣選取的閾值不夠準(zhǔn)確，使得圖像在分割邊緣有瑕疵。最優(yōu)閾值應(yīng)當(dāng)是圖像中與目標(biāo)和背景整體灰度值相比具有最低概率出現(xiàn)的閾值，使算法所得到的閾值定位到與臨近谷峰具有較大高度差的位置。根據(jù)谷點(diǎn)鄰域灰度值和谷峰灰度值的相關(guān)關(guān)系，得到權(quán)值

其中,p[cL(t)]和p[cR(t)]分別表示直方圖中左右相鄰的波峰灰度值出現(xiàn)的頻率。

強(qiáng)調(diào)波谷算法的目標(biāo)函數(shù)為

最優(yōu)閾值計(jì)算表達(dá)式為

2.2 啟發(fā)于谷點(diǎn)強(qiáng)調(diào)法的一些閾值分割法

很多學(xué)者基于Otsu法和谷點(diǎn)強(qiáng)調(diào)法，提出了一些新的閾值分割法。文獻(xiàn)[21]中使用Otsu法和熵加權(quán)方案進(jìn)行圖像自動(dòng)閾值化以檢測(cè)表面缺陷。熵是一種隨機(jī)的統(tǒng)計(jì)特量，能夠表示圖像信息，熵越小表示信息量越少，在相似灰度值的像素中熵的值較小。熵的目標(biāo)函數(shù)表示為

式中，

將熵加權(quán)Otsu法的目標(biāo)函數(shù)，同時(shí)最大化圖像熵和閾值圖像的類間方差，取得最優(yōu)閾值

此方法可以檢測(cè)產(chǎn)品表面非常小的缺陷部分，得到合適的閾值，將小缺陷較好的從大的背景中分割出來(lái)。文獻(xiàn)[21]的實(shí)驗(yàn)表明將熵加權(quán)到Otsu法對(duì)于各種產(chǎn)品圖像具有魯棒性。

圖像有兩個(gè)或幾個(gè)直方圖，這些直方圖不一定具有相似的形狀或大小，當(dāng)直方圖中有能夠被識(shí)別為谷點(diǎn)的位置時(shí)，谷點(diǎn)強(qiáng)調(diào)法能夠較好地檢測(cè)出缺陷區(qū)域。但是，當(dāng)缺陷區(qū)域非常小，在直方圖中表現(xiàn)不明顯，分割效果不理想。文獻(xiàn)[22]提出一種通過(guò)背景直方圖模式范圍自動(dòng)檢測(cè)缺陷閾值，這種方法能夠?qū)⒈尘?無(wú)缺陷區(qū)域)和缺陷區(qū)域(包含缺陷的區(qū)域)自動(dòng)發(fā)現(xiàn)。通過(guò)研究背景和缺陷區(qū)域直方圖之間的差異，在背景直方圖模式的范圍內(nèi)自動(dòng)選擇合適的閾值。為了在背景不清晰的直方圖模式下，更好地估計(jì)直方圖的范圍，可以在分割具有非均勻背景的圖像和不具有可見雙峰或多峰行為的圖像中，以及在兩個(gè)峰之間不具有可見平坦區(qū)域或低概率區(qū)域的圖像中，有效地加入累積概率的百分比，準(zhǔn)確地分割開背景和缺陷區(qū)域。

文獻(xiàn)[23]利用威布爾分布改進(jìn)Otsu法，通過(guò)威布爾分布自動(dòng)選擇用于分割焊接缺陷的期望閾值。將整幅圖像灰度級(jí)的最小非零概率值作為Otsu法準(zhǔn)則背景的一個(gè)加權(quán)參數(shù)，選擇灰度最小概率加權(quán)背景，會(huì)影響類內(nèi)方差，按照最小類內(nèi)準(zhǔn)則選擇最合適的閾值。類內(nèi)方差表示為

威布爾分布定義為

其中：l表示分布的位置參數(shù)；α和β分別表示尺度和形狀參數(shù)。

將類間方差表示為

利用威布爾分布改進(jìn)Otsu法的目標(biāo)函數(shù)為

其中，Ω表示最小概率參數(shù)加權(quán)。

將改進(jìn)的目標(biāo)函數(shù)最小化得到最優(yōu)閾值

由于計(jì)算復(fù)雜性的指數(shù)增長(zhǎng)，圖像二值化所使用的目標(biāo)函數(shù)不適用于多級(jí)閾值，文獻(xiàn)[24]基于Otsu法提出了一種基于人工蜂群算法的多閾值分割算法，文獻(xiàn)[25]提出了一種基于谷點(diǎn)強(qiáng)調(diào)法和利用伽馬分布的圖像閾值分割方法,提高了處理小目標(biāo)的能力，同時(shí)還可以處理直方圖中的非對(duì)稱模式。

文獻(xiàn)[26]使用加權(quán)目標(biāo)方差改進(jìn)Otsu法，應(yīng)用于缺陷檢測(cè)。通過(guò)分析Otsu法，為了獲得期望的閾值，目標(biāo)方差對(duì)類間方差的貢獻(xiàn)應(yīng)該較小，閾值應(yīng)該主要由背景方差決定。在Otsu法中的類間方差中，目標(biāo)方差部分加入目標(biāo)的累積概率權(quán)重為

(1)

其中，w∈(0,1)。P0(t)的值隨著t的增加呈非線性增加。當(dāng)閾值位于圖像的單峰左下邊緣時(shí)，P0(t)接近0，閾值位于缺陷的兩個(gè)峰谷時(shí)，缺陷值越大，P0(t)越大，所以利用P0(t)代替式(1)中的w，得到

這個(gè)權(quán)重使得閾值位于雙峰的谷底處，或者單峰的左下邊緣，使分割更加準(zhǔn)確。

文獻(xiàn)[27]通過(guò)分析Otsu法與向量相關(guān)系數(shù)之間的關(guān)系，從圖像相似度最大化的角度，對(duì)Otsu法進(jìn)行了新的解釋。將Otsu法與最大圖像相似度概念相結(jié)合，構(gòu)造一個(gè)最大相似度閾值框架，得到最優(yōu)閾值

t*=arg max{S[T(χ),H(γ(t))]}

式中：χ代表原始灰度圖像；γ(t)代表二值圖像；T(·)和H(·)代表變換函數(shù)；S(·,·)表示相似度的估計(jì)。

以該框架為例，直接設(shè)計(jì)了一種新的最大相似度閾值方法。H(γ(t))定義為去除二值圖像γ(t)中物體的內(nèi)部像素。將T(χ)定義為在χ圖像上進(jìn)行多尺度梯度乘法變換，即

其中，

?和*分別代表求導(dǎo)和卷積。

文獻(xiàn)[28]分析了谷點(diǎn)強(qiáng)調(diào)法需要預(yù)處理步驟，針對(duì)其不能使用通用閾值處理多峰的缺陷，提出了一種新的自動(dòng)閾值分割算法。該方法基于缺陷區(qū)域直方圖的獲取，并選擇其極值邊緣作為閾值，從圖像背景中分割出前景中的所有缺陷對(duì)象。根據(jù)整個(gè)缺陷圖像的平均灰度值創(chuàng)建背景掩模，銳化圖像缺陷與背景的邊緣，從圖像本身減去掩碼，提取缺陷特征，計(jì)算處理后圖像的直方圖得到極值，選擇這個(gè)值作為圖像的閾值，可定義為

t=μ+zσ

式中：參數(shù)μ表示整個(gè)圖像像素的平均灰度級(jí)；參數(shù)σ表示缺陷圖像的平均灰度的標(biāo)準(zhǔn)偏差；z表示試錯(cuò)選擇因子，用來(lái)確定缺陷檢測(cè)的嚴(yán)格性。

文獻(xiàn)[10]針對(duì)軌道圖像單峰性和缺陷比例小的特點(diǎn)，提出了最大加權(quán)目標(biāo)相關(guān)閾值法。該方法通過(guò)優(yōu)化目標(biāo)相關(guān)性和表示閾值效應(yīng)比例的權(quán)重項(xiàng)的乘積選擇閾值,權(quán)值[1-P0(t)]是一種累積概率，可以在較低的水平上限制缺陷的產(chǎn)生，即

根據(jù)閾值t將圖像分為目標(biāo)和背景，目標(biāo)部分和背景部分的概率分布函數(shù)分別表示為

H0(t)和H1(t)的相關(guān)性分別表示為

選擇C0(t)作為一個(gè)權(quán)重，將目標(biāo)函數(shù)定義為

ο(t)=C0(t){[1-P0(t)]α}

文獻(xiàn)[29]考慮到最優(yōu)閾值通常位于直方圖的谷值處，因?yàn)樯焦鹊臄?shù)量遠(yuǎn)遠(yuǎn)小于直方圖的大小，提出了自適應(yīng)快速谷值強(qiáng)調(diào)多級(jí)Otsu閾值分割法,限制了直方圖的所有山谷位置的搜索空間。通過(guò)平滑直方圖降低噪聲，新的直方圖可表示為

如果灰度圖像根據(jù)l個(gè)閾值分為(C0,C1…Cl)l+1組，C0包含的灰度級(jí)為{0,1,…,t0}，C1包含的灰度級(jí)為{t0+1,…,t1}，Cl包含的灰度級(jí)為 {tl-1,…,L-1}，則Ck類的概率為

均值為

去除所有滿足下列條件之一的非谷值

p′i-1≤p′i≤p′i+1

(2)

p′i-1>p′i>p′i+1

(3)

p′i-1≤p′i≥p′i+1

(4)

|p′i-p′i-1|≤ε

(5)

|p′i+1-p′i|≤ε

(6)

式(2)-式(4)分別說(shuō)明了單調(diào)遞增、單調(diào)遞減和局部峰，式(5)和式(6)表示不變面積。在移除非谷值后的谷值的范圍內(nèi),通過(guò)最大化目標(biāo)函數(shù)獲得閾值

2.3 谷點(diǎn)強(qiáng)調(diào)法及衍生法的應(yīng)用

谷點(diǎn)強(qiáng)調(diào)法的提出使得Otsu法的研究進(jìn)一步拓展，許多學(xué)者將谷點(diǎn)強(qiáng)調(diào)法及其衍生法應(yīng)用在圖像處理的各個(gè)領(lǐng)域。

鑒于缺陷檢測(cè)時(shí)，存在依靠人眼檢測(cè)不夠準(zhǔn)確和會(huì)發(fā)生缺陷遺漏的情況，使得基于計(jì)算機(jī)視覺(jué)的檢測(cè)發(fā)揮著越來(lái)越重要的作用。在工業(yè)領(lǐng)域中運(yùn)用谷點(diǎn)強(qiáng)調(diào)法對(duì)電子元器件缺陷部位進(jìn)行檢測(cè)，取得了良好的效果[30-31]。文獻(xiàn)[32]提出將閾值法應(yīng)用到地基云的檢測(cè)。云是影響氣候的一個(gè)重要因素，正確將天空與云分離是分析氣候改變的一個(gè)重要的預(yù)處理環(huán)節(jié)。在原來(lái)的氣候研究中，對(duì)云的判斷主要依靠氣象觀測(cè)員的眼睛觀測(cè)，效率和效果較差，所以對(duì)云的自動(dòng)化檢測(cè)也成為一個(gè)重要的關(guān)注點(diǎn)。對(duì)零件表面的激光刻線檢測(cè)是一個(gè)新的研究領(lǐng)域，在激光刻寫零件瑕疵圖像在線檢測(cè)算法中[33]，提出了一種沿導(dǎo)向線生成采樣點(diǎn)檢測(cè)激光刻寫零件輪廓瑕疵的方法，對(duì)導(dǎo)向線生成采樣點(diǎn)，利用谷點(diǎn)強(qiáng)調(diào)法獲取閾值，以判斷采樣點(diǎn)所在模板的梯度值。

文獻(xiàn)[34]在原子層沉積法制備高鉀介電性二維晶體中，提出使用谷點(diǎn)強(qiáng)調(diào)方法區(qū)分二維氮化硼(BN)或二硫化鉬(MoS2)薄片上“有”或“沒(méi)有”氧化鋁(Al2O3)增長(zhǎng)區(qū)域的邊界。文獻(xiàn)[35]在廣義梯度矢量流場(chǎng)的連續(xù)力場(chǎng)分析中，通過(guò)谷點(diǎn)強(qiáng)調(diào)法找到創(chuàng)建灰度連續(xù)取向力場(chǎng)分析圖像的上閾值和下閾值。文獻(xiàn)[36]利用二維高斯函數(shù)對(duì)待處理圖像進(jìn)行卷積操作，構(gòu)建一個(gè)高斯尺度空間,在此空間下進(jìn)行背景估計(jì),并采用背景差法消除非均勻光照干擾,從而提取出目標(biāo)圖像，并對(duì)增強(qiáng)后的目標(biāo)圖像通過(guò)谷點(diǎn)強(qiáng)調(diào)法進(jìn)行全局分割，得到最終的二值圖像。文獻(xiàn)[37]將閾值法應(yīng)用在乳房影像檢測(cè)中，發(fā)現(xiàn)在異常組織(乳腺腫瘤)中，谷點(diǎn)強(qiáng)調(diào)法能更好地檢測(cè)出惡性腫瘤。文獻(xiàn)[38]在多層次模糊增強(qiáng)邊緣檢測(cè)算法中,使用谷點(diǎn)強(qiáng)調(diào)法計(jì)算閾值參數(shù),根據(jù)閾值定義的凸非線性隸屬函數(shù)對(duì)待測(cè)灰度圖進(jìn)行模糊特征平面映射,再對(duì)模糊域進(jìn)行平滑處理和模糊增強(qiáng)。文獻(xiàn)[39]提出了一種從多序列磁共振成像中檢測(cè)多發(fā)性硬化病變的自動(dòng)算法，建立了一個(gè)概率分類器，分類器用于計(jì)算表征每個(gè)體素成為病變的可能性的概率，該概率用谷點(diǎn)強(qiáng)調(diào)算法識(shí)別病變體素。

基于Fisher準(zhǔn)則改進(jìn)的谷點(diǎn)強(qiáng)調(diào)算法應(yīng)用于紡織物的瑕疵點(diǎn)檢查[15]，該方法可以適合背景是復(fù)雜紋理的分割，能夠獲得期望的分割結(jié)果，可以很好地檢測(cè)出疵點(diǎn)。文獻(xiàn)[23]將基于Otsu法改進(jìn)的方法應(yīng)用于X射線對(duì)于縫隙焊接的缺陷檢測(cè)，該方法比傳統(tǒng)的谷點(diǎn)強(qiáng)調(diào)法對(duì)于焊接缺陷檢測(cè)表現(xiàn)更好。文獻(xiàn)[10,26]分析了鋼軌表面灰度分度不均，基于谷點(diǎn)強(qiáng)調(diào)法進(jìn)行了改進(jìn)，改進(jìn)的算法對(duì)鋼軌表面缺陷的檢測(cè)有良好的結(jié)果。文獻(xiàn)[40]將鄰域谷點(diǎn)強(qiáng)調(diào)法應(yīng)用于太陽(yáng)能電池瑕疵特征的提取，解決了目標(biāo)和背景的灰度值不易區(qū)分的問(wèn)題。文獻(xiàn)[41]在光強(qiáng)圖像處理時(shí)，為了獲取圖像中有用的信息，同時(shí)去除光強(qiáng)圖像的背景噪聲，用鄰域谷點(diǎn)強(qiáng)調(diào)算法將灰度圖像轉(zhuǎn)換為二值圖像，微創(chuàng)手術(shù)中組織觸診的光學(xué)觸覺(jué)陣列探頭中的光纖會(huì)捕獲光強(qiáng)度分布的圖像。這些應(yīng)用研究使得對(duì)谷點(diǎn)強(qiáng)調(diào)法的研究具有很好的實(shí)際意義。

3 結(jié)語(yǔ)

自從谷點(diǎn)強(qiáng)調(diào)法提出以來(lái)，很多學(xué)者不斷對(duì)谷點(diǎn)強(qiáng)調(diào)法提出改進(jìn)，期望在不斷的改進(jìn)中使自動(dòng)閾值分割變得更準(zhǔn)確、高效。目前來(lái)看，谷點(diǎn)強(qiáng)調(diào)法及其相關(guān)閾值分割法具有很好的應(yīng)用前景。對(duì)谷點(diǎn)強(qiáng)調(diào)法的改進(jìn)并不局限于文中所列舉的閾值分割法，該文只是對(duì)現(xiàn)有相關(guān)方法進(jìn)行了梳理，期望為該類方法的研究和應(yīng)用起到促進(jìn)作用。