局部自适应阈值分割方法

github地址：https://github.com/radishgiant/ThresholdAndSegment.git

Local_Yanowitz

由于光照的影响，图像的灰度可能是不均匀分布的，此时单一阈值的方法分割效果不好。Yanowitz提出了一种局部阈值分割方法。结合边缘和灰度信息找到阈值表面（treshhold surface）。在阈值表面上的就是目标。

算法的主要步骤如下：
- step1：均值平滑图像
- step2：求平滑图像的梯度图
- step3：运用Laplacian算子，找到具有局部最大阈值的点，这些点的原始灰度值就是候选的局部阈值。

- step4 ：采样候选点，灰度值替换。将平滑图像中的候选点灰度值替换为原始图像中的灰度值或者更大一点的值。这么做的目的是不会检测到虚假目标，因而会损失一部分真实的目标。
- step5：插值灰度点，得到阈值表面。

$$lim_{n \to \infty}P_n(x,y)=P_{n-1}(x,y)+\frac{\beta\cdot R_n(x,y)}{4}$$
$$R(x,y)=P(x,y+1)+P(x,y-1)+P(x-1,y)+P(x+1,y)-4P(x,y)$$
其中，只有当 $\beta=0$时，残差消失(residual vanish)。 $1< \beta <2$时收敛更快。 $R(x,y)$为拉普拉斯算子，强迫任意点 $R(x,y)=0$的几何意义是使得曲线光滑。光滑曲线的梯度是连续变化的，因而其二次导数为0。
- step6：阈值表面分割图像
- step7：校正。由于光照和噪声，阈值表面和原始原始灰度曲线可能相交如下图所示。可以看到分割结果中出现 “ghost” 目标，应该予以去除。去除的原理是，这些虚假的目标边缘梯度值应该较小。因而，可以根据分割的结果，标记所有连通区域，注意背景和目标应该分开标记。比较标记部分边缘在梯度图中的值，如果某个目标的边缘梯度的平均值不超过某个阈值，则去除这个目标。

matlab 代码

function [P_new,label]=Local_Yanowitz(I,varargin);
% local adaptive  treshold segment by Yanowitz
% input:
%       I is Image M by N
% writed by radishgiant
% github:https://github.com/radishgiant/ThresholdAndSegment.git
%reference:S. D. Yanowitz and A. M. Bruckstein, "A new method for image
% segmentation," Comput. Graph. Image Process. 46, 82–95 ,1989.
dbstop if error
if nargin<=1||isempty(varargin{1});
    hsize=[3,3];
end
if nargin<=2||isempty(varargin{2});
    MaxInterNum=15500;
end
if nargin<=3||isempty(varargin{3});
    InterTreshhold=10e-6;
end
if nargin<=4||isempty(varargin{4});
    GradTresh=20;
end
% I=double(I);
[M,N]=size(I);
% step1:smooth the image
h1=fspecial('average',hsize);
SI=imfilter(I,h1);
%step2: calculate gradiant map
[Fx,Fy]=gradient(double(SI));
F=sqrt(Fx.^2+Fy.^2);
%step3 :Laplacian Image
h2=fspecial('laplacian',0);
LI=imfilter(SI,h2);
%step4:sample the smoothed image at the places which the maximal
%gradiant-mask points
P_new=zeros(M,N);
P_new(LI==0)=I(LI==0);

% step5: interpolate the sampled gray level over the image
Residual=InterTreshhold+1;
InterNum=0;
while (Residual>InterTreshhold)
    if(InterNum>MaxInterNum)
        fprintf('up to MaxInterNum without diveregence');
        break;
    end
    InterNum=InterNum+1;
    P_last=P_new;
    R=imfilter(P_new,h2);
    P_new=P_new+R./4;
    Residual=mean(abs(P_new(:)-P_last(:)));

end

% step:6 segment the Image
bw=zeros(M,N);
bw(I>P_new)=255;%background
figure,imshow(bw);title('first segment result')
% step:7 validation progress
label=bwlabel(bw,4);
RGBLabel=label2rgb(label);
figure,imshow(RGBLabel);title('connected component');
lable_n=length(unique(label));
gradientmean=zeros(lable_n,1);
toglabel=zeros(lable_n,1);
for ci=0:lable_n-1
    temp=zeros(size(I));
    temp(label==ci)=255;
    eg=edge(temp);
    gradientmean(ci+1)=mean(F(eg==1));
    [egr,egc]=find(eg==1);
    [~,mingI]=min(F(eg>=1));% find the location of gradient of min value in eg
    mingr=egr(mingI);%find the location of gradient of min value  over image
    mingc=egc(mingI);

        nearborlabel=[mingr+1,mingc;mingr-1,mingc;mingr,mingc+1;mingr,mingc-1];
    nearborlogical=ones(4,1);
        if (mingr==1)
        nearborlogical(2)=0;
        end
        if (mingr==M)
        nearborlogical(1)=0;
        end
    if (mingc==1)
         nearborlogical(4)=0;
    end
    if mingc==N
       nearborlogical(3)=0;
    end
    nearborlabel=nearborlabel(nearborlogical==1,:);
    nearborlabel=label(sub2ind([M,N],nearborlabel(:,1),nearborlabel(:,2)));
    dlilabel=label(mingr,mingc);
    if nnz(nearborlabel~=dlilabel)
        toglabel(ci+1)=mode(nearborlabel(nearborlabel~=dlilabel));
    else
        toglabel(ci+1)=dlilabel;
    end
end
dli=find(gradientmean<GradTresh);
% find background label
bl=mode(label(bw==255));
for di=1:length(dli)

    label(label==dli(di))=toglabel(dli(di));
end
RGBLabel=label2rgb(label);
figure,imshow(RGBLabel);title('segment result after valiation');
figure,plot(1:N,I(mingr,:),1:N,P_new(mingr,:));
legend('gray level','Treshold surface');
end

参考文献

[1]S. D. Yanowitz and A. M. Bruckstein, “A new method for image
segmentation,” Comput. Graph. Image Process. 46, 82–95 ,1989.