图像二值化技术与性能评估综述

"这篇文档是关于图像二值化技术及其定量性能评估的综合调查，作者Mehmet Sezgin和Bulent Sankur探讨了6大类上百种图像阈值算法，并进行了统一的公式表述和性能比较。这些方法根据它们所利用的信息进行分类，如直方图形状、测量空间聚类、熵、对象属性、空间相关性和局部灰度级表面。通过非破坏性测试应用和文档图像的实验，比较了40种精选的阈值方法，基于综合性能指标进行评估，并找出了在不同应用场景中表现优异的阈值算法。该研究版权归属于2004年SPIE." 图像二值化是图像处理中的关键步骤，它将图像转换为黑白两色，便于后续分析和处理。这个过程的核心是确定一个合适的阈值，将像素分为两类：低于阈值的归为黑色，高于阈值的归为白色。在本文中，作者详细总结了六类主要的图像二值化阈值计算方法： 1. **基于直方图形状的方法**：这类方法主要依赖于图像直方图的特征，如峰点、谷点、面积等，以找到最佳分割点。例如，Otsu's 方法就是通过最大化类间方差来确定阈值。 2. **基于测量空间聚类的方法**：这些方法利用像素的统计特性，通过聚类技术寻找合适的阈值，如K-means聚类。 3. **基于熵的方法**：熵是衡量信息不确定性的量，通过最大化或最小化图像的熵，可以找到最佳阈值，以使图像信息最丰富或最简明。 4. **基于对象属性的方法**：考虑图像中的目标物体特性，如大小、形状、纹理等，以优化阈值选择。 5. **基于空间相关性的方法**：考虑像素间的邻域关系，通过空间一致性的分析来决定阈值。 6. **基于局部灰度级表面的方法**：考虑像素的局部环境，如局部平均、局部最大值或最小值，以适应图像的局部变化。 文章还对40种不同的阈值方法进行了实际应用的性能对比，特别是针对非破坏性测试和文档图像这两种场景。通过结合多种性能指标（如清晰度、边缘保持、噪声抑制等），评估了每种方法的优劣，并指出了在不同应用中表现出色的算法。 这篇论文提供了一个全面的图像二值化阈值算法的参考框架，对于研究人员和工程师来说，是理解并选择适合特定任务的二值化方法的重要资源。