[发明专利]基于大津法与K均值聚类算法联合优化的图像二值化方法

权利要求书

1.一种基于大津法与K均值聚类算法联合优化的图像二值化方法，其特征是，该方法首先利用OTSU算法给定初始的二值化阈值，然后将图像中像素大于阈值和小于阈值的所有像素分别取平均值；再将采用K-means算法对图像聚两簇，聚类中心为上述的两个平均值；最后，采用DBSCAN算法对图像进行滤波，剔除图像中局部过曝的前景，实现了复杂测量环境下图像的有效二值化；

该方法的具体步骤如下：

步骤一，采用OTSU算法对图像进行处理；

首先将待测物(3)安装在支架(5)上，并在待测物(3)上均匀布置若干个特征标志点(4)；然后，搭建测量系统，采用固定在固定架(1)上的相机(2)对待测物(3)进行拍摄；然后，对于拍摄到的图像I(x,y)，其像素为x×y，前景和背景的分割阈值记为T，在阈值T下，属于前景的像素点个数为N₀，占整幅图像比例记为ω₀，前景的平均灰度记为μ₀；属于背景的像素点个数为N₁，占整幅图像比例记为ω₁，背景的平均灰度记为μ₁，图像的总平均灰度记为μ，类间方差记为g；那么有：

ω₀＝N₀/(x×y) (1)

ω₁＝N₁/(x×y) (2)

N₀+N₁＝x×y (3)

ω₀+ω₁＝1 (4)

μ＝ω₀×μ₀+ω₁×μ₁ (5)

g＝ω₀×(μ₀-μ)²+ω₁×(μ₁-μ)² (6)

采用逐个计算的方式，求得前景和背景的分割阈值T满足公式(7)，并使类间方差g最大；

步骤二，获取K-means聚类中心；

逐个查看图像的像素值，若像素值大于等于分割阈值T，则记为I₀，像素个数为N₀，若像素值小于阈值T，则记为I₁,像素个数为N₁；于是聚类中心x₀为聚类中心x₁为：

步骤三，对图像进行K-means聚类；

基于上述给定的初值，对于图像中的每个像素根据其到初始聚类中心的距离，将图像分为两个簇，簇Ⅰ和簇Ⅱ，若像素p到x₀的距离小于像素p到x₁的距离，则像素p属于簇Ⅰ，若像素p到x₀的距离大于等于像素p到x₁的距离，则像素p属于簇Ⅱ；以此方式迭代更新簇Ⅰ和簇Ⅱ，通过迭代公式(8),求使得最终距离E最小的x₀和x₁；

x₀,x₁＝argmin(E|x₀,x₁) (9)

将新得到的簇Ⅰ的全部像素点像素赋值为255，簇Ⅱ的全部像素点像素赋值为0；

步骤四，采用DBSCAN算法对图像进行滤波；

设置邻域的半径为ε，邻域最小像素数量为MinPts，则若以ε为半径的邻域内像素数量大于等于MinPts，则该像素为一个核心对象；若该像素的邻域内存在其他核心对象，则这些核心对象不断连接延伸成为一个簇；将经过步骤三赋值后得到的新图像中对像素值为255的像素，按照上述方式进行DBSCAN聚类；设置像素数量范围为[m,n]，逐个计算得到的所有簇；若一个簇中像素数量小于m，或者像素数量大于n，则将该簇的所有像素值设置为0，获得最终的二值化图像；

通过以上步骤实现了复杂测量环境下获取的具有局部过曝特性的图像的有效，精准二值化。