基于紅外多目標(biāo)圖像序列的自動判讀技術(shù)

1．2 圖像二值化分割批處理
在進(jìn)行減背景運(yùn)算后，噪聲方差由σ2降為1／Mσ2，均方差降為原來的差值圖像就只含有目標(biāo)和能量減少后的噪聲，更利于圖像分割。
1．2．1 基于直方圖的OTSU最大類問方差法
OTSU最大類間方差法是在最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的。它通過利用直方圖零階、一階累積矩來最大化判別函數(shù)，選擇最佳閾值。設(shè)輸入圖像為f(x，y)，二值化后的圖像為g(x，y)，閾值為T，那么圖像二值化過程如下：
計(jì)算輸入圖像灰度級的歸一化直方圖，用h(i)表示。
計(jì)算灰度均值μT：

求σB(k)(k=0，1，2，…，255)的最大值，并將其所對應(yīng)的k值作為最佳閾值T，對輸入圖像進(jìn)行二值化批處理：

這樣可以簡單快速的分割出只含目標(biāo)和能量減少的噪聲的差值圖像。
1．2．2 自適應(yīng)閾值分割方法
對于復(fù)雜圖像，背景的灰度值并不是常數(shù)，物體和背景的對比度在圖像中也有變化。這時(shí)，一個(gè)在圖像中某一區(qū)域效果良好的閾值在其他區(qū)域可能效果很差。當(dāng)圖像中有陰影、背景灰度變化時(shí)，只用一個(gè)固定閾值對整幅圖像進(jìn)行閾值化處理，則會由于不能兼顧圖像各處的情況而使分割效果受到影響。因此對于分割復(fù)雜圖像，要充分考慮圖像局部區(qū)域特性，將閾值選取成一個(gè)隨圖像中位置變化的函數(shù)值是比較合適的，這就是自適應(yīng)閾值。
自適應(yīng)閾值的原理是將原始圖像分為幾個(gè)子圖像，對每一個(gè)圖像分別求出最優(yōu)分割閾值。常用的方法有：
Chow和Kandeko將圖像均勻劃分成若干不相重疊的7×7子圖像，對每個(gè)具有雙峰直方圖的子圖像用最小誤差法確定閾值，而對于具有單峰直方圖的子圖像，由內(nèi)差得到分割閾值。
Bernsen給出一種比較簡單的局部閾值算法。它是對每個(gè)像素確定以它為中心的一個(gè)窗口，計(jì)算窗口內(nèi)灰度級的最大值和最小值，并取其平均值作為閾值。
具體實(shí)現(xiàn)步驟是：
(1)取圖像的四角為圖像的背景，取其平均值作為背景值，大于此值的作為目標(biāo)，目標(biāo)灰度的平均值作為目標(biāo)值。
(2)在第t步，分別計(jì)算背景和目標(biāo)的灰度均值EB’和Eo’，其中在第t步將圖像分割為背景和目標(biāo)的閾值是T’，它是在前一步確定的。