宋俊芳

摘要：根據(jù)圖像處理中最基本的目標(biāo)檢測算法，用圖像的前景圖片信息減去背景圖片信息的方法就可以檢測到目標(biāo)。本文基于上述減背景的目標(biāo)檢測算法，進(jìn)行視頻序列的二值化處理。處理過程中不僅利用了圖像間的灰度差信息，還整合了分塊區(qū)域內(nèi)圖像的紋理方差信息，結(jié)果使二值化目標(biāo)更加充實(shí)飽滿，同時(shí)也消除了部分白噪聲。

關(guān)鍵詞：分塊二值化；灰度差異；紋理均衡

視頻序列中的圖像二值化在計(jì)算機(jī)模式識別，運(yùn)動目標(biāo)檢測等諸多應(yīng)用領(lǐng)域發(fā)揮著重要的作用。目前圖像二值化方法主要有以下幾種：（1）全局閾值法；（2）局部閾值法；（3）動態(tài)閾值法。它們都是以像素為最小單位的圖像二值化方法。全局閾值法方法實(shí)現(xiàn)簡單，對于具有明顯雙峰直方圖的圖像效果明顯，但對于低對比度和光照不均勻的圖像效果不佳，抗噪能力差，因而應(yīng)用范圍受到極大限制。局部閾值法能處理較為復(fù)雜的情況，但往往忽略了圖像的邊緣特征，容易出現(xiàn)偽影現(xiàn)象。動態(tài)閾值法充分考慮了像素的鄰域特征，能夠根據(jù)圖像的不同背景情況自適應(yīng)地改變閾值，可較精確地提取出二值圖像，但它過渡地夸大了像素的鄰域灰度的變化，會把不均勻灰度分布的背景分割到目標(biāo)中去，帶來許多不應(yīng)出現(xiàn)的假目標(biāo)。本文提出并重點(diǎn)討論了以小塊圖像為最小單位的圖像二值化方法。該方法最小單位為多像素的小塊圖像，同時(shí)，還整合了小塊圖像內(nèi)的紋理信息和紋理方差信息，在一定程度上解決了局部閾值法和動態(tài)閾值法所造成的偽影現(xiàn)象、邊緣不明顯和偽目標(biāo)等問題。

1 基于分塊內(nèi)紋理均衡和灰度差異的圖像二值化

分塊二值化的思想是將一幀圖像分成若干個小塊，然后分別以這樣的小塊圖像為最小單位對整幅圖像進(jìn)行二值化。采用分塊二值化方法的目的是利用圖像像素的鄰域綜合信息改進(jìn)具體應(yīng)用中的二值化效果，去除基于像素的二值化中存在的散點(diǎn)，增強(qiáng)二值化算法的抗干擾能力，通過選取合適的閾值努力增強(qiáng)二值化的目標(biāo)飽和度。分塊二值化算法流程圖如下圖所示：

1.1 基于塊灰度差異的二值化

為了分別詮釋灰度及紋理各自在二值化中所起的作用，本文先僅用每個塊的平均灰度去跟對應(yīng)背景塊的平均灰度作差，即按圖1中的第1條通路進(jìn)行判斷。

灰度差計(jì)算公式如下：

其中DiffGray表示背景和前景某對應(yīng)塊的灰度差異，iSumBackgrd表示背景圖像該塊內(nèi)所有像素灰度和，iSumFront表示前景對應(yīng)塊內(nèi)所有像素灰度和。如果兩塊圖像灰度差大于某一閾值1，可以直接判定該塊為目標(biāo)，將其置為255，否則置為0。但此方法使得車身跟道路灰度差異很大的區(qū)域以及車尾的陰影部分二值化效果明顯，而車身及其他跟道路背景灰度差異較小的部分得到的二值化白色塊數(shù)較少，有的目標(biāo)甚至被錯誤的消隱，這是因?yàn)檐圀w的某些地方整體灰度和背景對應(yīng)區(qū)域灰度相差無幾造成的，但通過分析知，它們的紋理特征卻存在明顯的差異。為此，在本文中結(jié)合了紋理特征進(jìn)行二值化。

1.2 結(jié)合紋理特征的二值化

為了保證算法的可靠性和合理性，讓紋理特征彰顯出其特有的效應(yīng)，在尋找紋理差異之前，本文先對前景和背景圖片進(jìn)行灰度歸一化預(yù)處理，將前景圖片的各像素灰度按照整體灰度拉升到背景的灰度級水平?；叶壤饺缦滤荆?/p>

其中G_Front_Convrt[pixId]為某塊內(nèi)第pixId個像素拉升之后的灰度值，G_Front[pixId]為該像素拉升之前的灰度值，iSumBackgrd[blkID]為背景對應(yīng)塊內(nèi)所有像素的灰度和，iSumFont[blkID]為前景對應(yīng)塊內(nèi)所有像素的灰度和，iSumBackgrd[blkID]/iSumFront[blkID]為灰度拉升比率。通過上述灰度拉升公式，可得到拉升之后的圖像IMAGE。本文將IMAGE各塊內(nèi)的像素跟背景像素對應(yīng)相減，即可求出各塊紋理差。試驗(yàn)證明此紋理差異來源于灰度卻能夠反應(yīng)灰度之外的圖像紋理特征，包含著豐富的圖像信息。同樣，根據(jù)經(jīng)驗(yàn)閾值法或邊緣檢測閾值法確定出紋理差異閾值，當(dāng)紋理差異大于該閾值時(shí)可判為255，否則判為0，其判斷過程如圖1的通道2所示。結(jié)果使得圖像內(nèi)部存在的邊緣、菱角部分很容易被檢測出來，這些地方通常包含了大量的有用信息，如車體的輪廓和車體內(nèi)部的邊緣及條紋信息。但是由于車輛上的擋風(fēng)玻璃等處紋理特性并不明顯，因此這些地方的二值化塊數(shù)可能較少，為了更好的檢測出運(yùn)動物體，本文進(jìn)一步提出利用拉伸之后的前景與背景的方差比進(jìn)行二值化檢測方法。

方差比理論的提出是基于如下這樣的一種思想。視頻圖像的二值化過程主要是為了檢測動態(tài)目標(biāo)。而視頻圖片中的無車區(qū)域一般是比較穩(wěn)定的，其整體灰度一般會穩(wěn)定在其均值左右，反映在數(shù)學(xué)上就是具有較小方差。而有車區(qū)域平均灰度會存在較大范圍的波動，這樣其方差值較大。本文在具體計(jì)算過程中用前景與背景塊中的較大方差比較小方差，這樣有利于擴(kuò)大差距。方差及方差比的計(jì)算公式如下：

其中公式（3）中VarcBkBlck[blkID]為背景中blkID塊的方差，G_Bk[pixId]為該塊內(nèi)pixId像素的灰度，G_BkAveBlck[blkID]為該塊的灰度平均值。公式（4）中，VarcFGBlck[blkID]為前景拉升后對應(yīng)塊的方差，G_Front_Convrt[pixId]為對應(yīng)像素的灰度，G_FGAveBlck_Convrt[blkID]為對應(yīng)塊的均值。公式（5）中的rate為方差比。

同樣，本文將得到的方差比跟一個設(shè)定的閾值去比較，大于該閾值的塊置為255，否則置為0，其判斷邏輯如圖1中的通道3所示。該方法能夠較好的檢測出運(yùn)動物體。但是由于車輛照明燈反射光線的不斷變化，隧道墻體和路面上出現(xiàn)了許多二值化散點(diǎn)。通過前面的介紹，我們發(fā)現(xiàn)基于紋理差異的二值化檢測算法能夠較好的消除這種影響，因此我們自然想到將這兩種方法加以結(jié)合，如果同時(shí)滿足紋理差異大于設(shè)定閾值和方差比也大于設(shè)定閾值則將該塊置為255，否則置為0，其為流程圖1中通道2和通道3相結(jié)合的結(jié)果，二值化效果可以被明顯改觀。但車尾的陰影及車體上的二值化部分顯得不夠飽滿，通過前面的分析可知這正好可以用前面介紹的僅用灰度差異的二值化方法加以彌補(bǔ)，因此，本文將上述方法與僅用灰度的方法相結(jié)合，只要其中有一個條件滿足，則置位該塊為255，否則為0。即綜合流程圖1所示1、2、3通道。

2 結(jié)論

本文所介紹的分塊二值化方法由于其可靠性，高效性和抗干擾性，在項(xiàng)目工程實(shí)踐中得到了廣泛的應(yīng)用，并具有廣闊的發(fā)展前景。如何進(jìn)一步提高二值化的目標(biāo)飽滿程度和抗干擾能力，去除陰影效應(yīng)將是我們下一步研究的重點(diǎn)所在。

參考文獻(xiàn)：

[1]喬萬波，曹銀杰.一種改進(jìn)的灰度圖像二值化方法[J].電子科技，2008，Vol.21 No.11：63～71.

[2]蔣曉紅，鄭秋梅，楊發(fā)科.一種基于分塊二值化思想的圖像檢索方法[J].微計(jì)算機(jī)應(yīng)用，Mar. 2008，Vol.29 No.3：47～50.

[3]胡會珍，黃晉英.基于Vc++的車輛運(yùn)動中的實(shí)時(shí)圖像處理[J].儀器儀表用戶，2008，No.2：100～101.

[4]方曉瑩，黃林偉，劉富強(qiáng).視頻監(jiān)控系統(tǒng)中的車輛斑塊分析算法[J].河南大學(xué)報(bào)，2007，37（2）：201～204.

[5]萬纓，韓毅，盧漢清.運(yùn)動目標(biāo)檢測算法的探討[J].計(jì)算機(jī)仿真，2006，Vol.23 No.10：221～226.