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技术

本发明专利技术基于大津法与K均值聚类算法联合优化的图像二值化方法属于计算机视觉测量领域，涉及一种基于大津法与K均值聚类算法联合优化的图像二值化方法。该方法首先对图像采用OTSU算法得到图像的OTSU算法阈值；然后对OTSU阈值下的图像前景和背景分别取像素平均值。接下来将上述求得前景和背景的像素平均值作为K‑means的聚类中心，并对图像进行聚类操作。最后，采用DBSCAN算法进行滤波得到最终的图像二值化结果。该方法有效解决了复杂测量环境下具有局部过曝特性图像二值化效果差、难以有效提取特征标志点的问题。实现了图像的有效、精准二值化，能快速完成K‑means聚类过程。

【技术实现步骤摘要】
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
本专利技术属于计算机视觉测量领域，涉及一种基于大津法与K均值聚类算法联合优化的图像二值化方法。
技术介绍
随着现代工业的进步和计算机科学的不断发展，视觉测量技术在航空航天、精密制造、产品质量检测等工业领域得到了广泛应用。其中相机测量系统图像的有效二值化是实现特征点准确提取、三维重建、获取测量信息的前提和基础。而工业测量现场环境复杂，存在各种光源干扰，且图像背景多存在反光情况，进而使得图像容易出现局部过曝。面对上述问题，准确实现相机测量系统获得图像的二值化具有很大难度。因此，专利技术一种面向工业测量环境中具有局部过曝特性图像的图像二值化方法具有重要意义。目前常用的图像二值化方法有很多，最常用的自适应二值化算法为日本学者大津提出的大津法(OTSU),其原理为采用其阈值进行图像二值化分割后，前景与背景图像的类间方差最大，优点是计算简单，不受图像亮度和对比度的影响，但是对于灰度直方图没有明显的双峰或者噪声比例过大的图像二值化效果并不明显。K均值聚类算法(K-means)算法是一种最常用的聚类算法，在图像处理中经常用于图像分割，特别地，当k值选为2时，可以看作图像二值化。但是K-means算法的缺点在于初始聚类中心的选择，随机选择不当则可能造成程序运行时间过长、二值化结果较差等问题。而通过OTSU算法为K-means算法提供初值既能解决噪声比例大的图像中OTSU算法无法柔性处理噪声的问题，又能加速K-means聚类过程。哈尔滨理工大学的卢迪等人，在专利号：201610842687.2，专利《基于支持向量机的自适应图像二值化方法》中提出了一种基于支持向量机的自适应图像二值化方法。该方法以图像灰度直方图的特征属性作为特征向量，以其对应的图像二值化方法作为标签采用支持向量机进行训练，训练结果可以实现针对不同图像选取最佳的二值化方法的效果。但是该方法需要人工预先提供不同的二值化方法。
技术实现思路
本专利技术一种基于大津法与K均值聚类算法联合优化的图像二值化方法要解决的是工业测量环境中相机获取的原始图像易出现由于局部高光产生的过曝进而二值化处理效果较差这一问题。该方法基于OTSU算法的分割结果为K-means聚类提供聚类中心，并采用K-means完成图像二值化的技术方式。首先对图像采用OTSU算法得到图像的OTSU算法阈值，然后对OTSU阈值下的图像前景和背景分别取像素平均值。再将上述求得前景和背景的像素平均值作为K-means算法的聚类中心，并对图像进行聚类操作。最后，采用DBSCAN算法进行滤波得到最终的图像二值化结果。此方法基于OTSU算法为K-means聚类提供聚类中心，并用DBSCAN滤掉无效像素，实现了图像的有效二值化。本方法采用的技术方案是一种基于大津法与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)，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。本专利技术的有益效果是该方法基于OTSU算法的分割结果为K-means聚类提供聚类中心，并采用K-means完成图像二值化的技术方式，采用DBSCAN算法对图像进行滤波，滤掉图像中过曝区域。该方法有效解决了复杂测量环境下具有局部过曝特性图像二值化效果差，难以有效提取特征标志点的问题。通过采用上述的图像二值化方法实现了复杂测量环境下具有局部过曝特性图像的有效，精准二值化，能快速完成K-means聚类过程。附图说明图1为相机测量系统。其中，1-固定架，2-相机，3-待测物，4-特征标志点，5-支架。图2为基于OTSU与K-means联合优化的图像二值化方法的流程图。具体实施方式以下结合技术方案和附图详细叙述本专利技术的具体实施方式。本实施例中，视觉测量系统中相机2型号为vieworksVA-50MX-30相机，分辨率：7920×6004。图像传感器：CMOS，帧率：全画幅，最高30.9fps，镜头采用蔡司35mm定焦镜头，光圈：F5.6。拍摄条件如下：图片像素为7920×6004，镜头焦距为35mm，物距为1200mm，视场约为600mm×600mm。本专利技术基于OTSU算法为K-means算法提供初值对图像进行聚类，通过DBS本文档来自技高网...

【技术保护点】
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；/n该方法的具体步骤如下：/n步骤一，采用OTSU算法对图像进行处理；/n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N

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：刘巍，张彦泽，于斌超，马大智，周志龙，程习康，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21