基于Otsu算法的图像阀值自动选取算法研究与应用

Otsu图像分割算法及其在车型识别中应用研究摘 要图像分割是模式识别和计算机视觉领域的一个重要研究方向，具有广泛的实用价值。

在目标检测与分割的实际应用中，经常会遇到检测与分割后的图像轮廓模糊等情况，影响到目标检测和分割的效果以及实时应用。

本文在对图像分割的国内外研究现状进行深入探讨的基础上，研究自适应Otsu图像分割算法，并将其应用在与虚拟线圈相结合的交通视频车型识别中。

全文主要内容如下：1．本文在分析和总结国内外研究成果和最新研究技术的基础上，选取基于阈值图像分割技术作为研究的重点，前期进行了大量的调研分析与研究，比较各种基于阈值的图像分割技术的特点。

2．针对传统二维Otsu算法得不足，本文将绝对差和平均离差引入到阈值判别函数的设计中。

先统计图像目标类与背景类各自类内的绝对差，得到总体类内绝对差之和；再统计目标类和背景类两类之间的总体平均离差；然后把总体类内绝对差之和和类间总体离差的商作为阈值识别函数。

实验结果表明，与其它阈值判别函数相比，通过优化新的阈值判别函数得到的二维阈值，具有了较好的分割效果，能够更好地保留了目标物的轮廓，而且计算量小。

3．传统遗传算法对交叉和变异做统一的操作，对收敛性有很大影响，往往会陷入局部最优解，这是一个经典难题，目前有很多学者都针对这个问题进行研究，本文根据不同的适应度值对种群进行分类，对不同的种群采用不同的交叉方法和变异概率，即采用基于海明距离判别的交叉方式、基于动态变化的变异概率，一定程度上避免了陷入局部最优。

实验结果也表明了应用改进的遗传算法所得到的最优阈值显然要好于传统遗传算法能够更早的得到最优解，也更加接近全局最优解，一定程度上克服了传统GA算法的“早熟”问题。

4．通过对图像采集卡采集到的视频序列的车道位置设置虚拟线圈，提出了一种基于多帧考虑的线圈区域内灰度变化来检测车辆的到达，并运用Otsu算法对特定区域运动的车辆进行目标提取，获得车辆的几何特征，通过对几何特征的分析，从而实现的对车型的识别。

基于新遗传算法的 Otsu图像阈值分割方法王宏文;梁彦彦;王志华【摘要】Maximum between-class variance ( Otsu ) image segmentation method is a common image threshold segmentation method based on statistical theory , but Otsu image segmentation method has some disadvantages , such as more time-consuming , low segmentation accuracy and false image segmentation .Combining the principles of monkey king genetic algorithms, with Otsu algorithm, image gray, just as optimal threshold, was found.The results show that combined method not only improves the quality of image segmentation but also reduce the computation time .It is very suitable for real-time image processing .%最大类间方差（ Otsu）图像分割法是常用的一种基于统计原理的图像阈值分割方法。

为了改善Otsu耗时较多、分割的精度低、易产生图像误分割等不足，将猴王遗传算法与Otsu算法结合，运用猴王遗传算法的原理，寻找图像灰度的最大类间方差，即最佳阈值。

结果表明，结合后的方法不仅提高了图像的分割质量、缩短了运算时间，而且非常适合图像的实时处理。

【期刊名称】《激光技术》【年(卷),期】2014(000)003【总页数】4页(P364-367)【关键词】图像处理;最佳阈值;猴王遗传算法;最大类间方差【作者】王宏文;梁彦彦;王志华【作者单位】河北工业大学控制科学与工程学院，天津300130;河北工业大学控制科学与工程学院，天津300130;河北工业大学控制科学与工程学院，天津300130【正文语种】中文【中图分类】TN919.73图像分割是数字图像处理中的关键技术，它通常是为了简化或者改变图像的表示形式，使图像更容易理解和分析［1］。

otsu阈值法Otsu阈值法是一种基于图像直方图的自适应阈值分割算法，能够将图像分成两类，一类为目标，一类为背景。

Otsu阈值法适用于二值化、图像分割等领域，其较其他阈值法具有更高的分类精度和更好的适应性。

一、Otsu阈值法原理Otsu阈值法基本原理是寻找一条阈值，使得选定阈值后，目标和背景之间的类间方差最大，而目标内部的类内方差最小。

具体实现步骤如下：1.计算图像直方图以及归一化直方图，得到每个灰度级的像素数分布占比。

2.设图像总像素数为N，计算每个灰度级的平均值以及总平均灰度值。

3.遍历每个灰度级，计算在此处取阈值后的类内方差和类间方差。

4.找到使类间方差最大的灰度值作为最终阈值，实现图像分割。

二、Otsu阈值法优点1. Otsu阈值法是一个自适应的阈值选择方法，无需人工干预，能够自动适应图像的复杂度及灰度分布的变化。

2. Otsu阈值法分割效果较好，比一般的基于灰度的阈值选择方法有更高的分类精度和更好的适应性。

该算法分割结果明显，重要结构清晰。

3. Otsu阈值法计算简单，算法复杂度较低，可快速实现。

三、Otsu阈值法应用1. 对于基于形态学等运算的图像分析方法，通常要求目标区域和背景在灰度值上有较明显的差异，Otsu阈值法可用于实现灰度二值化，将图像转化为黑白格式，方便后续处理。

2. Otsu阈值法可用于实现形态学滤波操作，改善图像质量，可用于实现去噪、平滑等操作。

3. Otsu阈值法可用于实现形态学变形操作，改变目标形态，实现图像增强、特征提取等功能。

四、Otsu阈值法的不足1. 当图片存在较多噪点时，Otsu阈值法对噪点敏感，可能会产生误分割。

2. 当图像存在较多亮度变化时，Otsu阈值法可能无法有效分割，影响分割效果。

3. 阈值的选择过程可能会受到灰度值分布不均等因素影响，因此需要对图像的灰度值分布情况进行加以考虑。

综上可知，Otsu阈值法是一种简单而又实用的图像分割方法，具有较高的分类精度和较好的适应性。

数字图像处理实验自动阈值迭代法及Otsu法姓名：学好：指导老师：王韬时间：2012年5月自动阈值迭代法及Otsu法实验报告一、实验原理大津法由大津于1979年提出，对图像Image，记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。

图像的总平均灰度为：u=w0*u0+w1*u1。

从最小灰度值到最大灰度值遍历t，当t使得值g=w0*(u0-u)2+w1*(u1-u)2 最大时t即为分割的最佳阈值。

对大津法可作如下理解：该式实际上就是类间方差值，阈值t分割出的前景和背景两部分构成了整幅图像，而前景取值u0，概率为 w0，背景取值u1，概率为w1，总均值为u，根据方差的定义即得该式。

因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。

二、实验步骤自动阈值（迭代法）步骤（1）估计一个阈值T（比如均值）（2）用阈值T将灰度直方图分割成两个区域R1、R2（3）分别计算两个区域R1、R2内的灰度平均值u1和u2（4）选择新阈值T=(u1+u2)/2（5）重复上述工作3~5次，直到前后两次的阈值不变自动阈值（Otsu法）步骤（1）.计算直方图（2）.设置初值：wi(0)以及ui(0)（3）.从1到最大值设置阈值T。

更新wi (t)以及ui (t)。

计算σb(t) * σb(t)。

（4）.选取最大σb(t) * σb(t)对应的T三、实验程序#include <afx.h>#include <windows.h>#include <iostream.h>#include <stdlib.h>#include <math.h>int nWidth; //图像宽度int nHeight; //图像高度int nColorBits; //每个像素所占位数int nColor; //图像颜色数int nLen; //图像文件大小，以字节数计int nByteWidth; //图像每行字节数BYTE *lpBitmap; //指向图像首字节的指针BYTE *lpBits; //指向图像实际数据的指针void OpenFile(CString FileName);void SaveFile(CString FileName);void OtusTHreshold(void);/*函数名称OpenFile() 功能：读取一幅BMP图像*/void OpenFile(CString FileName){//创建文件语句HANDLEhFile=::CreateFile(FileName,GENERIC_READ,FILE_SHARE_READ,NULL,OPEN _EXISTING,FILE_ATTRIBUTE_NORMAL,NULL);if(hFile==0){printf("不能打开文件，请重新选择！\n");return;}//读取图像文件DWORD WriteNum;BITMAPFILEHEADER BFH;//文件头ReadFile(hFile,&BFH,14,&WriteNum,NULL);//读取文件头，共14个字节if((BFH.bfType!='MB')||(WriteNum!=sizeof(BITMAPFILEHEADER))){printf("不是BMP位图文件或数据有误！\n");return;}nLen=GetFileSize(hFile,NULL)-sizeof(BITMAPFILEHEADER);//获取文件的长度lpBitmap=new BYTE[nLen];//存放图像，包括图像的信息头、调色板和像素数据ReadFile(hFile,lpBitmap,nLen,&WriteNum,NULL);//读取图像数据//设置全局变量的值BITMAPINFOHEADER *BIH=((BITMAPINFOHEADER *)lpBitmap);//图像文件的信息头nWidth=BIH->biWidth;//图像的宽度nHeight=BIH->biHeight;//图像的高度nColorBits=BIH->biBitCount;//图像的颜色数nByteWidth=(nWidth*nColorBits+31)/32*4;//图像的扫描宽度nColor=(nColorBits>8)?0:(1<<nColorBits);//调色板中的颜色数lpBits=lpBitmap+sizeof(BITMAPINFOHEADER)+sizeof(RGBQUAD)*nColor;//指向图像数据的实际位置CloseHandle(hFile);//关闭文件句柄}/*函数名称SaveFile() 功能：保存一幅BMP图像*/void SaveFile(CString FileName){//创建一个文件来保存图像文件HANDLEhFile=::CreateFile(FileName,GENERIC_WRITE,FILE_SHARE_WRITE,NULL,CR EATE_ALWAYS,FILE_ATTRIBUTE_NORMAL,NULL);if(hFile==0){printf("不能创建文件，请重新选择！\n");return;}//创建一个文件头，并保存到创建的文件中unsigned long WriteNum;BITMAPFILEHEADER BFH;BFH.bfType='MB';BFH.bfSize=nLen+sizeof(BITMAPFILEHEADER);BFH.bfOffBits=sizeof(BITMAPFILEHEADER)+sizeof(BITMAPINFOHEADER)+n Color*sizeof(RGBQUAD);BFH.bfReserved1=BFH.bfReserved2=0;WriteFile(hFile,&BFH,sizeof(BITMAPFILEHEADER),&WriteNum,NULL);//保存改变的位图文件数据WriteFile(hFile,(BITMAPINFOHEADER*)lpBitmap,nLen,&WriteNum,NULL);CloseHandle(hFile);//关闭文件句柄}/*图像分割Otsu法*/void Otus(void){int i,j;//循环变量int nGrayHistogram[256];//灰度直方图数组，并初始化memset(nGrayHistogram,0,sizeof(nGrayHistogram));//统计各个灰度级对应的像素个数，并存放到灰度直方图数组中int nPixel;for(j=0;j<nHeight;j++){for(i=0;i<nWidth;i++){nPixel=lpBits[nByteWidth*j+i];//获取当前像素点的灰度值nGrayHistogram[nPixel]++;//对灰度值统计计数}}float u0,u1;//c0组和c1组的均值float w0,w1;//c0组和c1组的概率int nCount0;//c0组的像素总数int nT,nBestT;//阈值和最佳阈值（对应方差最大时的阈值）float fVaria,fMaxVaria=0;//方差和最大方差//统计直方图中像素点的总数，并存放到nSum中int nSum=0;for(i=0;i<256;i++)nSum+=nGrayHistogram[i];//令阈值nT从0遍历到255for(nT=0;nT<256;nT++){//当阈值为nT时，计算c0组的均值和概率u0=0;nCount0=0;for(i=0;i<=nT;i++){u0+=i*nGrayHistogram[i];nCount0+=nGrayHistogram[i];}u0/=nCount0;w0=(float)nCount0/nSum;//当阈值为nT时，计算c1组的均值和概率u1=0;for(i=nT+1;i<256;i++)u1+=i*nGrayHistogram[i];u1/=(nSum-nCount0);w1=1-w0;fVaria=w0*w1*(u0-u1)*(u0-u1);//计算两组间的方差if(fVaria>fMaxVaria)//记录最大方差和最佳阈值{fMaxVaria=fVaria;nBestT=nT;}}//利用最佳阈值对源图像作分割处理for(j=0;j<nHeight;j++){for(i=0;i<nWidth;i++){if(lpBits[j*nByteWidth+i]<nBestT)lpBits[j*nByteWidth+i]=0;elselpBits[j*nByteWidth+i]=255;}}}void main(){char OpenFileName[200];char SaveFileName[200];cout<<"请输入图像路径"<< endl;gets(OpenFileName);cout<<"请输入保存图像路径"<< endl;gets(SaveFileName);OpenFile(OpenFileName);Otus();cout<<"已完成!"<< endl;SaveFile(SaveFileName);delete []lpBitmap;}四、实验结果原图像：处理后图像：。

otsu大津法阈值分割图像处理中的阈值分割是将图像分成两个或多个部分的一种方法，其中关键是选择适当的阈值。

Otsu大津法阈值分割是一种自动阈值选取算法，能够有效地辨识图像背景和前景，被广泛应用于各种图像分割任务。

一、Otsu大津法的原理及步骤Otsu大津法是基于最大类间方差的阈值选取算法。

其原理是通过找到使得类间方差最大的阈值来实现图像的分割。

这种方法被广泛应用于简单的图像分割任务，其步骤如下：1.计算图像的灰度直方图，获得各个灰度级下的像素数量。

2.根据像素数量计算各个灰度级的占比。

3.在灰度级范围内循环迭代，计算每个灰度级作为阈值分割后的类间方差。

4.选取使得类间方差最大的灰度级作为最优阈值。

5.根据最优阈值对图像进行二值化处理，将图像分为两个部分：背景和前景。

二、Otsu大津法的优点Otsu大津法有以下几个优点：1.自动化：Otsu大津法能够自动选择最佳阈值，无需人工干预，大大减少了人工处理的工作量。

2.可靠性：Otsu大津法通过最大化类间方差选择阈值，使得图像分割结果更加准确可靠。

3.适应性：Otsu大津法适用于各种类型的图像，无论是单一目标或多目标，都能有效实现分割。

三、Otsu大津法的应用领域Otsu大津法广泛应用于图像处理领域的各个方面，包括但不限于以下几个方面：1.医学图像分割：在医学影像学中，Otsu大津法常用于对CT、MRI 等图像进行分割，辅助医生进行病变诊断。

2.人脸识别：在人脸识别中，Otsu大津法可以将人脸与背景分离，提取人脸特征，以用于人脸识别算法中。

3.字符识别：在光学字符识别(OCR)中，Otsu大津法常用于图像的二值化处理，提高字符识别的准确性。

4.物体检测：在计算机视觉中，Otsu大津法可以实现物体的前景与背景的分割，用于物体检测与跟踪。

5.图像增强：Otsu大津法能够提取图像的前景与背景，为后续的图像增强算法提供更好的处理基础。

四、Otsu大津法的改进和扩展虽然Otsu大津法在图像分割任务中表现出色，但也存在一些限制。

㊀第４９卷第１期煤炭科学技术Ｖｏｌ ４９㊀Ｎｏ １㊀㊀２０２１年１月ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ㊀Ｊａｎ．２０２１㊀移动扫码阅读王㊀刚，陈雪畅，韩冬阳，等．基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究［Ｊ］．煤炭科学技术，２０２１，４９（１）：２６４－２７１ ｄｏｉ：１０ １３１９９／ｊ ｃｎｋｉ ｃｓｔ ２０２１ ０１ ０２３ＷＡＮＧＧａｎｇ，ＣＨＥＮＸｕｅｃｈａｎｇ，ＨＡＮＤｏｎｇｙａｎｇ，ｅｔａｌ．ＲｅｓｅａｒｃｈｏｎｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｃｏａｌＣＴｉｍ⁃ａｇｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＯｔｓｕ［Ｊ］．ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２１，４９（１）：２６４－２７１ ｄｏｉ：１０ １３１９９／ｊ ｃｎｋｉ ｃｓｔ ２０２１ ０１ ０２３基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究王㊀刚１，２，陈雪畅２，韩冬阳２，秦相杰２，冯㊀净２（１．山东科技大学矿山灾害预防控制国家重点实验室培育基地，山东青岛㊀２６６５９０；２．山东科技大学安全与环境工程学院，山东青岛㊀２６６５９０）摘㊀要：煤体ＣＴ图像阈值选取的准确性对于三维重建的模型能否还原真实煤体结构至关重要㊂Ｏｔｓｕ阈值分割法（简称Ｏｔｓｕ法）对煤体ＣＴ图像中孔裂隙结构的过分割，使得三维重建的煤体模型与实际不符㊂为克服该缺陷，首先探究了Ｏｔｓｕ法对煤体ＣＴ图像阈值分割失效的机理，并据此确定合适的权重因子修正Ｏｔｓｕ最佳阈值选择公式，提出了一种改进的Ｏｔｓｕ阈值分割法（ＭＰ－Ｏｔｓｕ阈值分割法，简称ＭＰ－Ｏｔｓｕ法）㊂最后利用ＭａｔＬａｂ软件检测ＭＰ－Ｏｔｓｕ法对煤体ＣＴ图像的二维分割效果，同时利用Ａｖｉｚｏ软件对煤体孔裂隙结构进行三维重建并对比改进前后孔裂隙参数的变化㊂结果表明：煤体内部矿物含量与Ｏｔｓｕ法确定的阈值两者之间呈正相关关系㊂煤体内部矿物组分的存在导致目标和背景区域方差差异大，低孔隙率导致煤体ＣＴ图像灰度分布直方图呈单峰分布且不能提供足够的方差信息，这些特征是Ｏｔｓｕ法对煤体ＣＴ图像阈值分割失效的主要原因㊂ＭＰ－Ｏｔｓｕ法引入矿物含量与Ｏｔｓｕ阈值的拟合曲线斜率，目标在图像中所占的大致比例等３个权重因子改进Ｏｔｓｕ阈值分割法，得到的二值图像与原图像高度契合，能够准确提取孔裂隙目标区域㊂三维重建的模型孔隙率和最大喉道尺寸与Ｏｔｓｕ法相比分别下降了９６．１８％和８０．０７％，有效克服了Ｏｔｓｕ法对煤体ＣＴ图像过分割的缺陷㊂此研究能为进一步探究与孔裂隙结构相关的煤体物理特性提供基础㊂关键词：ＭＰ－Ｏｔｓｕ法；阈值分割；煤体ＣＴ图像；矿物含量；孔裂隙结构中图分类号：ＴＱ５３１㊀㊀㊀文献标志码：Ａ㊀㊀㊀文章编号：０２５３－２３３６（２０２１）０１－０２６４－０８ＲｅｓｅａｒｃｈｏｎｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｃｏａｌＣＴｉｍａｇｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＯｔｓｕＷＡＮＧＧａｎｇ１，２，ＣＨＥＮＸｕｅｃｈａｎｇ２，ＨＡＮＤｏｎｇｙａｎｇ２，ＱＩＮＸｉａｎｇｊｉｅ２，ＦＥＮＧＪｉｎｇ２（１．ＭｉｎｉｎｇＤｉｓａｓｔｅｒＰｒｅｖｅｎｔｉｏｎａｎｄＣｏｎｔｒｏｌ－ＭｉｎｉｓｔｒｙｏｆＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙＢｒｅｅｄｉｎｇＢａｓｅ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ㊀２６６５９０，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＳａｆｅｔｙａｎｄＥｎｖｉｒｏｎｍｅｎｔａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｄｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｑｉｎｇｄａｏ㊀２６６５９０，Ｃｈｉｎａ）收稿日期：２０２０－１０－１２；责任编辑：朱恩光基金项目：国家自然科学基金资助项目（５１６７４１５８，５１９７４１７６，５１３０４１２８）；山东省高校青年创新科技支持计划资助项目（２０１９ＫＪＨ００６）作者简介：王㊀刚（１９８４ ），男，山东临沂人，教授，博士生导师，博士㊂Ｅ－ｍａｉｌ：ｇａｎｇ．ｗａｎｇ＠ｓｄｕｓｔ．ｅｄｕ．ｃｎＡｂｓｔｒａｃｔ：ＴｈｅａｃｃｕｒａｃｙｏｆＣＴｉｍａｇｅｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎｉｓｖｅｒｙｉｍｐｏｒｔａｎｔｆｏｒｔｈｅ３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｍｏｄｅｌｔｏｒｅｓｔｏｒｅｔｈｅｒｅａｌｃｏａｌｓｔｒｕｃｔｕｒｅ．ＥｘｃｅｓｓｉｖｅｓｅｇｍｅｎｔａｔｉｏｎｏｆｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓｉｎｃｏａｌＣＴｉｍａｇｅｓｂｙＯｔｓｕｒｅｓｕｌｔｓｉｎｔｈｅｍｏｄｅｌｓｔｒｕｃｔｕｒｅｎｏｔｃｏｎｆｏｒｍｉｎｇｔｏｔｈｅｒｅａｌｉｔｙ．Ｔｏｏ⁃ｖｅｒｃｏｍｅｔｈｉｓｄｅｆｅｃｔ，ｗｅｆｉｒｓｔｅｘｐｌｏｒｅｄｔｈｅｆａｉｌｕｒｅｍｅｃｈａｎｉｓｍｏｆＯｔｓｕｍｅｔｈｏｄｏｎｃｏａｌＣＴｉｍａｇｅｓ，ａｎｄｔｈｅｎａｍｏｄｉｆｉｅｄｍｅｔｈｏｄ，ｃａｌｌｅｄＭＰ－Ｏｔｓｕ，ｗａｓｐｒｅｓｅｎｔ．Ｆｉｎａｌｌｙ，Ｍａｔｌａｂｓｏｆｔｗａｒｅｗａｓｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅ２ＤｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｏｆＭＰ－ＯｔｓｕｍｅｔｈｏｄｏｎＣＴｉｍａｇｅｓ．Ｍｅａｎｗｈｉｌｅ，Ａｖｉｚｏｓｏｆｔｗａｒｅｗａｓｕｓｅｄｔｏｃａｒｒｙｏｕｔ３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｃｏａｌｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓａｎｄｃｏｍｐａｒｅｄｔｈｅｃｈａｎｇｅｓｏｆｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓｐａｒａｍｅ⁃ｔｅｒｓｂｅｆｏｒｅａｎｄａｆｔｅｒｉｍｐｒｏｖｅｍｅｎｔ．ＲｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｍｉｎｅｒａｌｓｉｎｃｏａｌａｎｄｔｈｅｔｈｒｅｓｈｏｌｄｄｅｔｅｒｍｉｎｅｄｂｙＯｔｓｕｓｈｏｗｅｄｓｉｇｎｉｆｉｃａｎｔｐｏｓｉ⁃ｔｉｖｅｃｏｒｒｅｌａｔｉｏｎ．Ｔｈｅｖａｒｉａｎｃｅｏｆｔａｒｇｅｔａｎｄｂａｃｋｇｒｏｕｎｄｗａｓｖｅｒｙｄｉｆｆｅｒｅｎｔｄｕｅｔｏｔｈｅｅｘｉｓｔｅｎｃｅｏｆｉｎｔｅｒｎａｌｍｉｎｅｒａｌｃｏｍｐｏｎｅｎｔｓ．Ｗｈａｔ ｓｍｏｒｅ，ｌｏｗｐｏｒｏｓｉｔｙｃｏｎｔｒｉｂｕｔｅｄｔｏｔｈｅｕｎｉｍｏｄａｌｄｉｓｔｒｉｂｕｔｉｏｎｏｆＣＴｉｍａｇｅｓ ｇｒａｙｓｃａｌｅｄｉｓｔｒｉｂｕｔｉｏｎｈｉｓｔｏｇｒａｍａｎｄｃａｎｎｏｔｐｒｏｖｉｄｅｅｎｏｕｇｈｖａｒｉ⁃ａｎｃｅｉｎｆｏｒｍａｔｉｏｎ．ＡｌｌｔｈｅｓｅｆｅａｔｕｒｅｓｏｆｃｏａｌｗｅｒｅｒｅａｓｏｎｓｔｈａｔＯｔｓｕｆａｉｌｅｄｔｏｓｅｇｍｅｎｔｔｈｅＣＴｉｍａｇｅｓ．ＴｈｅＭＰ－ＯｔｓｕｍｅｔｈｏｄｉｎｔｒｏｄｕｃｅｄｔｈｒｅｅｗｅｉｇｈｔｆａｃｔｏｒｓｓｕｃｈａｓｔｈｅｆｉｔｔｉｎｇｃｕｒｖｅｓｌｏｐｅｏｆｍｉｎｅｒａｌｃｏｎｔｅｎｔａｎｄＯｔｓｕｔｈｒｅｓｈｏｌｄａｎｄａｐｐｒｏｘｉｍａｔｅｐｒｏｐｏｒｔｉｏｎｏｆｔｈｅｔａｒｇｅｔｉｎｔｈｅｉｍａｇｅ，ｔｏｉｍｐｒｏｖｅｔｈｅＯｔｓｕｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｍｅｔｈｏｄ．Ｔｈｅｂｉｎａｒｉｚａｔｉｏｎｉｍａｇｅｓｏｂｔａｉｎｅｄｗｅｒｅｈｉｇｈｌｙｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｅｏｒｉｇｉｎａｌｉｍａｇｅｓａｎｄｃｏｕｌｄａｃｃｕｒａｔｅｌｙｓｅｇｍｅｎｔｔｈｅｔａｒｇｅｔａｒｅａｏｆｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓ．ＣｏｍｐａｒｅｄｗｉｔｈＯｔｓｕｍｅｔｈｏｄ，ｔｈｅｐｏｒｏｓｉｔｙａｎｄｍａｘｉｍｕｍｔｈｒｏａｔｓｉｚｅｏｆ３Ｄ４６２王㊀刚等：基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究２０２１年第１期ｒｅｃｏｎｓｔｒｕｃｔｉｏｎｍｏｄｅｌｗｅｒｅｒｅｄｕｃｅｄｂｙ９６．１８％ａｎｄ８０．０７％ｒｅｓｐｅｃｔｉｖｅｌｙ，ｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｏｖｅｒｃａｍｅｔｈｅｄｅｆｅｃｔｏｆＯｔｓｕ ｓｏｖｅｒｓｅｇｍｅｎｔａｔｉｏｎｏｆｃｏａｌＣＴｉｍａｇｅｓ．Ｔｈｉｓｓｔｕｄｙｍａｙｃｏｎｔｒｉｂｕｔｅｔｏｆｕｒｔｈｅｒｅｘｐｌｏｒｉｎｇｔｈｅｐｈｙｓｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｃｏａｌｒｅｌａｔｅｄｔｏｐｏｒｅｓａｎｄｆｒａｃ⁃ｔｕｒｅｓ．Ｋｅｙｗｏｒｄｓ：ＭＰ－Ｏｔｓｕ；ｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎ；ｃｏａｌＣＴｉｍａｇｅｓ；ｍｉｎｅｒａｌｃｏｎｔｅｎｔ；ｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓ０㊀引㊀㊀言煤主要由煤基质㊁矿物组分和孔裂隙组成，其中煤基质和矿物组分统称为煤体骨架㊂虽然孔裂隙结构在煤体内部所占比例很小，但其在很大程度上影响煤体物理力学性质和渗透率大小，进而影响煤层气的采收和煤层注水等过程［１－４］㊂近年来，ＣＴ作为一种无损探测技术被广泛应用于观测煤体内部孔裂隙结构特征，王刚等［５］通过ＣＴ三维重建技术得到煤体孔裂隙模型，并对煤样的孔径㊁孔体积㊁孔隙率㊁配位数㊁喉道长度等孔裂隙结构参数进行了统计分析；ＪＵ等［６］提出了一种结合ＣＴ和伺服控制三轴加载技术的新方法，实现了对围压和轴压作用下煤样内部三维裂隙网络连续演化的实验室原位观测；冯子军等［７］利用工业ＣＴ试验机探究了不同温度下褐煤㊁气煤的孔裂隙结构演化特征㊂在进行三维重建时，模型的真实性依赖于图像的分割效果，而合适的阈值是准确分割图像的前提条件［８］㊂以往学者多借助可视化软件确定煤体ＣＴ图像阈值实现人机交互的孔裂隙提取，刘向军等［９］在已知实测孔隙度的情况下确定阈值并用Ａｖｉｚｏ软件对图像进行分割；ＪＵ等［１０］通过ＬＢＭ法分析了微观孔隙结构对ＣＨ４渗流性质的影响㊂这些方法受主观因素影响较大，导致阈值选取不准确影响后续的数据处理过程㊂迭代法㊁ＤＴＭ阈值分割方法㊁Ｏｔｓｕ法等能够有效克服人工确定阈值的主观性，被应用于数字图像处理领域［１１－１３］，其中Ｏｔｓｕ法因简单易行被广泛使用［１４－１５］㊂但煤体ＣＴ图像的灰度分布较为复杂，且多呈单峰分布使得Ｏｔｓｕ阈值分割法出现偏差［１６］㊂其中Ｏｔｓｕ法对孔裂隙的过分割使得模型孔隙㊁喉道半径增大，孤立的孔㊁裂隙结构连通，在此基础上建立模型进行后续研究，得到的煤体物理力学规律等与实际不符㊂目前，诸多学者通过调整最佳阈值选择公式对Ｏｔｓｕ法加以改进㊂ＦＡＮ［１７］利用阈值灰度像素出现的频率增加权重，使得Ｏｔｓｕ法同时适用于单峰和多峰图像；周迪等［１８］综合类内方差和类间方差调节最佳阈值选择公式，改善了Ｏｔｓｕ法的过分割现象；ＹＵＡＮ等［１９］利用缺陷发生累计概率的参数加权目标方差，保证了Ｏｔｓｕ法在各种缺陷检测中的有效性㊂以上方法能在一定程度上克服Ｏｔｓｕ法分割误差，但不适合孔隙率较低的煤体ＣＴ图像，特别是矿物组分较多时，很难对ＣＴ图像实现准确分割㊂笔者以４种不同的煤样为例，基于Ｏｔｓｕ法的基本原理，提出基于矿物组分和孔裂隙结构改进Ｏｔｓｕ最佳阈值选择公式的ＭＰ－Ｏｔｓｕ阈值分割法，并进一步提取孔裂隙结构进行三维重建，结合孔裂隙结构参数分析了ＭＰ－Ｏｔｓｕ法对煤体ＣＴ图像的适用性，旨在提高ＣＴ技术在观测煤体微观组分领域的准确性㊂１㊀Ｏｔｓｕ阈值分割法及其对ＣＴ图像的适用性１．１㊀ＣＴ扫描试验ＣＴ检测技术的基本原理是利用射线穿透煤体截面，由于煤体内不同密度的微观结构对射线的吸收率不同，使得射线经过各截面衰减后的信息不同，ＣＴ技术即是将收集到的密度变化信息转化为灰度信息记录在ＣＴ图像中以辨别不同的煤体微观结构［２０］㊂因此ＣＴ图像的灰度大小反映了煤体内部的密度变化，灰度大的区域密度大，代表煤体骨架；灰度小的区域密度小，代表孔裂隙结构㊂阈值分割即选取合适的灰度，将图像分为孔裂隙和煤骨架２部分㊂采用的ＣＴ扫描设备为蔡司公司生产的Ｘｒａｄｉａ５１０Ｖｅｒｓａ三维Ｘ射线显微镜，如图１ａ所示，主要由Ｘ射线发射源㊁样品台㊁探测器３部分组成，并采用二级放大技术获取煤样ＣＴ图像，如图１ｂ所示㊂图１㊀ＣＴ扫描试验Ｆｉｇ．１㊀ＣＴｓｃａｎｎｉｎｇｅｘｐｅｒｉｍｅｎｔ试验采用的煤样分别选自陕西旬邑县宋家沟煤矿（煤样１），肥矿集团曹庄煤矿（煤样２），内蒙古巴彦高勒煤矿（煤样３）和新疆金塔大黄山煤矿（煤样４）㊂为了检测Ｏｔｓｕ法对不同精度ＣＴ图像的适用５６２２０２１年第１期煤炭科学技术第４９卷性，利用钻取机将煤样制成不同尺寸的标准圆柱体，其中煤样１㊁２的直径为２ｍｍ，煤样３㊁４的直径为９ｍｍ㊂用砂纸将煤柱表面研磨光滑，试验过程严格按照国际标准执行㊂得到煤样１㊁２的ＣＴ图像分辨率为０．７μｍ，煤样３㊁４的分辨率为９．５μｍ㊂在试件切割和研磨过程中由于人为因素不可避免地造成煤样边缘孔裂隙破坏，因此选择３００张连续ＣＴ图像裁剪为１００ｐｉｘˑ１００ｐｉｘ的图像进行研究㊂１．２㊀Ｏｔｓｕ阈值分割原理Ｏｔｓｕ阈值分割法于１９７９年由日本学者大津提出，又称大津法㊁最大类间法［２１］㊂算法采用聚类的基本思想，选择不同的阈值将所有的像素分为Ｃ０和Ｃ１两组，并采用最佳阈值选择公式计算其类间方差，即σ２（Ｔ）＝ω０（μ０－μ）２＋ω１（μ１－μ）２（１）式中：Ｔ为阈值；σ２（Ｔ）为当阈值为Ｔ时的类间方差；ω０㊁ω１分别为Ｃ０和Ｃ１的概率；μ０㊁μ１分别为Ｃ０和Ｃ１灰度的均值；μ为整体图像灰度均值㊂在图像灰度范围内选择合适的阈值Ｔ，使得式（１）取得最大值，即类间方差最大，这样的Ｔ值即为最优阈值㊂当一副图像的灰度分布直方图呈双峰时，最佳阈值Ｔ应落在两峰之间的谷底区域，如图２所示㊂对于从煤体ＣＴ图像中提取孔裂隙结构而言，由于孔裂隙结构的灰度较小，则小于阈值Ｔ的区域为孔裂隙目标区域，大于Ｔ的区域为煤体骨架背景区域㊂代表孔裂隙的灰度区域Ｚ１ Ｔ的范围和像素频率均较小，这是煤体内含有的孔裂隙较少导致的㊂Ｚ１㊁Ｚｉ㊁Ｔ㊁Ｚｊ㊁Ｚｋ 目标或背影区域不同出现概率的灰度图２㊀最佳阈值划分目标与背景区域Ｆｉｇ．２㊀ＴａｒｇｅｔａｎｄｂａｃｋｇｒｏｕｎｄａｒｅａｓｄｉｖｉｄｅｄｂｙｏｐｔｉｃａｌｔｈｒｅｓｈｏｌｄＭａｔｌａｂ能够利用Ｏｔｓｕ法计算阈值的同时得到二值图像，与原图像进行对比可直观判断分割效果㊂将获取的ＣＴ图像用Ｍａｔｌａｂ进行处理，原始ＣＴ图像㊁Ｏｔｓｕ法计算的阈值Ｔ和阈值分割后的二值图像如图３所示㊂原始ＣＴ图像中，白色区域即是煤体内的矿物组分，灰色区域为煤基质，灰度较小的黑色区域为孔隙和裂隙结构㊂煤样１和煤样２杂乱分布着较多形状不规则的孔隙结构，裂隙结构在煤样３和煤样４中较为明显㊂图３㊀Ｏｔｓｕ阈值分割效果Ｆｉｇ．３㊀ＳｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｂｙＯｔｓｕ㊀㊀Ｏｔｓｕ法计算的４个煤样阈值分别为１７０㊁１０８㊁２１１和１７８，由此进行阈值分割得到的二值图像中，黑色代表孔裂隙结构，白色代表煤体骨架㊂对比阈值分割前后的图像发现，４个煤样均出现了不同程度的过分割现象，其中煤样１和煤样３的过分割程度最严重，除孔裂隙外，大部分灰度较大的煤基质被误分割为孔裂隙，仅有矿物组分被分割成煤骨架㊂煤样４左侧的裂隙由于煤基质的误分割变得模糊，６６２王㊀刚等：基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究２０２１年第１期利用Ｏｔｓｕ法确定的阈值Ｔ＝１７８得到的面孔隙率达到７４．８３％，远高于实际煤样合理的孔隙率范围㊂煤样２过分割现象不显著，但仍能观察到分割出的孔裂隙范围大于原ＣＴ图像，且原图像中左下角的少部分煤基质被误分割为孔裂隙㊂综上所述，Ｏｔｓｕ法对ＣＴ图像阈值分割的适用性较差，其对孔裂隙结构过分割使得二值图像不能准确分割真实煤体孔裂隙结构㊂２㊀ＭＰ－Ｏｔｓｕ阈值分割法Ｏｔｓｕ法提取孔裂隙的过程中，ＣＴ图像中矿物组分越多㊁越接近煤基质含量，Ｏｔｓｕ法确定的阈值就越大，过分割现象越严重㊂为进一步说明该现象，对矿物含量较大的煤样１取２０张图像分析矿物含量与Ｏｔｓｕ阈值的关系，如图４所示㊂矿物含量与Ｏｔｓｕ阈值大致呈线性分布，拟合曲线表达式为ｙ＝２．４０４ｘ＋１０６．２，相关系数为０．８５㊂这在一定程度上说明矿物含量越大，Ｏｔｓｕ越容易出现过分割㊂对于同一煤样而言，最佳阈值应该是唯一确定的，Ｏｔｓｕ阈值随矿物含量的变化而改变的现象表明矿物组分的存在对Ｏｔｓｕ阈值的选取有一定的影响㊂图４㊀矿物含量与Ｏｔｓｕ阈值的拟合曲线Ｆｉｇ．４㊀ＦｉｔｔｉｎｇｃｕｒｖｅｏｆｍｉｎｅｒａｌｃｏｎｔｅｎｔａｎｄＯｔｓｕｔｈｒｅｓｈｏｌｄ阈值分割过程中，需要将煤体内部的矿物组分与煤基质共同划分为背景区域㊂矿物组分的灰度相对于煤基质大得多，且对于煤样１而言，其直方图分布的区域大，说明煤样中煤基质和矿物所占的比例接近，这使得背景区域的类内方差较大；而孔裂隙结构灰度较为集中，类内方差较小㊂这些因素使得目标和背景的类间方差差异显著㊂而只有图像的目标和背景方差相近时，Ｏｔｓｕ阈值分割可以取得理想的分割效果［２１］㊂综合以上分析，矿物组分的存在是导致Ｏｔｓｕ阈值分割法失效的重要因素㊂针对Ｏｔｓｕ法出现的阈值偏离问题，确定合适的权重调节最佳阈值选择公式是一种简单可行的方法㊂考虑到背景区域方差较大对Ｏｔｓｕ阈值分割法的影响，首先基于矿物组分增加权重因子α０㊁β０调节目标和背景的方差差异，对Ｏｔｓｕ阈值分割法加以改进㊂在式（２）中令α０为矿物含量与Ｏｔｓｕ阈值拟合曲线（图４）的斜率ｋ＝２．４０４；当矿物含量在２０％ ３０％时，β０取０．０５ ０．１３，当矿物含量在５％ ２０％时，β０约取０．０５，对于矿物含量相对较少的煤样２㊁３㊁４，β０的取值范围为０．００１ ０．０５０㊂σ２（Ｔ）＝α０ω０（Ｔ）＋β０[]μ０（Ｔ）－μ（Ｔ）[]２＋ω１（Ｔ）μ１（Ｔ）－μ（Ｔ）[]２（２）改进后煤样１的阈值Ｔ＝１１０，相对于Ｏｔｓｕ法减小３５．２９％，具体的分割情况如图５所示㊂图５㊀基于矿物含量改进的Ｏｔｓｕ法图像分割效果Ｆｉｇ．５㊀ＩｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｂｙｉｍｐｒｏｖｅｄＯｔｓｕｍｅｔｈｏｄｂａｓｅｄｏｎｍｉｎｅｒａｌｃｏｎｔｅｎｔ利用改进后的方法进行分割后大部分煤基质划分为背景，在一定程度上优化了Ｏｔｓｕ法的分割效果，但此方法不能完全消除Ｏｔｓｕ法的过分割现象，如Ａ区域矿物周围误划分出面积较大的孔隙，Ｂ区域的孔隙面积明显大于原图像㊂由此可知，孔裂隙和煤骨架的类间方差差别显著，仅考虑矿物含量时权重调节强度较弱，不能完全平衡目标和背景的方差㊂除矿物组分的存在导致目标与背景方差差异显著外，孔隙率也是影响阈值准确性的重要因素㊂物体的目标区域由大到小，导致图像的直方图分布由双峰到单峰变化［１９］，Ｏｔｓｕ阈值分割法仅对单峰分布的图像具有较好的分割效果㊂煤岩体的孔隙率多在３％２５％［２２－２３］，根据相关学者的统计信息，列出不同煤种的孔隙率情况见表１［２４］㊂虽然不同煤种孔隙率不同，但一般不超过２０％，且多分布在１０％以内，在煤体中所占比例小㊂这使得煤样１ ４的灰度分布直方图大致呈单峰分布，且孔隙率小，不能提供足够的方差信息，因此Ｏｔｓｕ阈值分割法较难取得精确阈值㊂综合考虑以上影响Ｏｔｓｕ阈值分割法准确性的因素，最终确定了α０㊁β０和α１阈值调节因子见式（３），得到基于煤体内矿物和孔裂隙结构的改进Ｏｔｓｕ阈值分割法 ＭＰ－Ｏｔｓｕ法，并且令α１为孔裂７６２２０２１年第１期煤炭科学技术第４９卷隙在图像中所占的大致比例㊂σ２（Ｔ）＝α０ω０（Ｔ）＋β０[]μ０（Ｔ）－μ（Ｔ）[]２＋α１ω１（Ｔ）μ１（Ｔ）－μ（Ｔ）[]２（３）表１㊀不同煤种的孔隙率［１５］Ｔａｂｌｅ１㊀Ｐｏｒｏｓｉｔｙｏｆｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｃｏａｌ煤种长焰煤气煤肥煤焦煤弱黏结煤瘦煤无烟煤孔隙率最小值／％７．９３．６３．０２．２４．２４．８６．０孔隙率最大值／％１３．１１５．１１８．９１４．９１８．３９．６１１．４３㊀ＭＰ－Ｏｔｓｕ法检验３．１㊀二维ＣＴ图像分割效果利用Ｍａｔｌａｂ软件采用ＭＰ－Ｏｔｓｕ法对图３中过分割的图像重新计算阈值并得到二值图像如图６所示，由前文得α０＝２．４０４㊂ＭＰ－Ｏｔｓｕ法计算的４个煤样阈值分别为８７㊁９０㊁１７１和１５０，原ＣＴ图像中黑色区域被划分为孔裂隙结构，灰度较大的煤基质和矿物区域被完全划分为煤骨架㊂与Ｏｔｓｕ法分割效果相比，ＭＰ－Ｏｔｓｕ法对图像中的孔裂隙能够精准识别，煤样１㊁３㊁４被Ｏｔｓｕ法误分割的煤基质经ＭＰ－Ｏｔｓｕ法分割后，被划分为煤骨架，有效改善了Ｏｔｓｕ法的过分割现象㊂煤样３ Γ 型裂隙的Ａ㊁Ｂ区域由于矿物组分的嵌入导致不连通，通过ＭＰ－Ｏｔｓｕ阈值分割法，这些不连通的区域均可以准确体现出来㊂这表明ＭＰ－Ｏｔｓｕ阈值分割法对煤体ＣＴ图像具有较好的适用性㊂图６㊀ＭＰ－Ｏｔｓｕ法阈值分割效果Ｆｉｇ．６㊀ＴｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎｅｆｆｅｃｔｂｙＭＰ－Ｏｔｓｕｍｅｔｈｏｄ㊀㊀需要指出的是，虽然改进算法能在一定程度上优化图像分割效果，但在计算过程中仍有极少数图像存在不同程度的过分割或欠分割现象，如图７所示㊂综合分析ＭＰ－Ｏｔｓｕ法未准确分割的图像发现，这些图像中含有的孔隙结构尺度极小，考虑到从这类图像中分割孔裂隙结构意义不大，因此计算煤体ＣＴ图像阈值时，可优先对孔隙率大的图像进行阈值分割，得到的最佳阈值对于所有ＣＴ图像的适用性更强㊂图７㊀ＭＰ－Ｏｔｓｕ法的过分割现象Ｆｉｇ．７㊀ＥｘｃｅｓｓｉｖｅｓｅｇｍｅｎｔａｔｉｏｎｐｈｅｎｏｍｅｎｏｎｂｙＭＰ－Ｏｔｓｕｍｅｔｈｏｄ８６２王㊀刚等：基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究２０２１年第１期３．２㊀煤体孔裂隙结构的三维重建为比较ＭＰ－Ｏｔｓｕ与Ｏｔｓｕ法分割效果差距，说明合理确定阈值对准确获取煤体微细观结构进而分析煤体物理特性的重要性，利用Ａｖｉｚｏ软件对煤体ＣＴ图像中孔裂隙进行三维重建，并提取孔裂隙参数进行定量分析㊂理论上相同灰度在同一煤样中代表相同组分，因此选取的阈值对于同一煤样而言具有普适性，即适用于任何尺寸的图像㊂为完整表示煤体中较大尺寸裂隙，除１００ｐｉｘˑ１００ｐｉｘ的图像外，采用２００ｐｉｘˑ２００ｐｉｘ和３００ｐｉｘˑ３００ｐｉｘ的图像，利用Ｏｔｓｕ和ＭＰ－Ｏｔｓｕ法分别确定阈值进行三维重建，其中图像尺寸为３００ｐｉｘˑ３００ｐｉｘ的煤体孔裂隙结构的三维图像如图８所示㊂图８㊀阈值改进前后孔裂隙三维重构对比Ｆｉｇ．８㊀３Ｄｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｒｅｓｈｏｌｄｉｍｐｒｏｖｅｍｅｎｔ㊀㊀模型中不同颜色代表不同连通性的孔裂隙，因此通过对比Ｏｔｓｕ法改进前后得到的模型颜色可以清晰看出两者连通性差异㊂利用Ｏｔｓｕ法计算阈值得到的模型颜色与ＭＰ－Ｏｔｓｕ法相比较为单一，特别是煤样１和煤样４的模型呈现出单一颜色，这说明Ｏｔｓｕ法计算的阈值偏大使得所有孔裂隙连通㊂改进阈值后两煤样内部的孔裂隙结构能够清晰呈现出来，煤样１模型颜色更加复杂，不同形态㊁连通性的孔隙结构分布在煤体内部，与煤样１相似，改进阈值后煤样２的模型能够显示出更多不同连通性的孔裂隙㊂当煤样３的阈值为１８６时，模型中的所有裂隙颜色相同，即相同连通性的裂隙贯穿在煤体内部，改进后的模型中贯穿煤体的 Γ 型裂隙可以明显看出，另有１条裂隙仅出现在模型边缘，并未延伸到内部㊂且在３．１节对煤样３的分析中，ＭＰ－Ｏｔｓｕ法分割出的 Γ 型裂隙由于矿物组分的嵌入导致不连通㊂为验证该分割效果的合理性，仅对煤体内 Γ 型裂隙采用半自动的分水岭算法进行提取并进行三维重建如图９所示㊂图９ｂ中裂隙上方红色框内的区域即是因矿物组分导致的不连续㊂由此可知Ｏｔｓｕ法能够克服分水岭算法操作的复杂性并取得理想的分割效果㊂为了进一步分析分割前后模型微观结构变化，提取模型的孔裂隙结构参数进行比较，见表２㊂以孔隙率为例，分别得到Ｏｔｓｕ和ＭＰ－Ｏｔｓｕ法的不同尺寸图像的孔隙率曲线如图１０所示㊂图９㊀煤样３ Γ 型裂隙提取Ｆｉｇ．９㊀ Γ ｆｒａｃｔｕｒｅｅｘｔｒａｃｔｉｏｎｏｆｃｏａｌＳａｍｐｌｅ３利用Ｏｔｓｕ法得到的煤样１㊁３㊁４模型的孔隙率可达６０％以上，而ＭＰ－Ｏｔｓｕ法得到的模型孔隙率多在３．６％ １５．１％，可比改进前低７０％㊂配位数是表征孔隙结构连通性的参数，配位数越大，代表孔隙的连通性越好㊂基于Ｏｔｓｕ法得到的模型平均配位数㊁最大孔隙半径和最大喉道半径多大于改进阈值后的模型，表明Ｏｔｓｕ法过分割增大了孔裂隙结构的连通性，但煤样２和煤样３中出现了ＭＰ－Ｏｔｓｕ法得到的模型平均配位数更大的情况，出现该现象的原因主要有以下２方面：①阈值增大后模型新增了较多的孤立孔隙结构，它们不通过喉道与其他孔裂隙连通；９６２２０２１年第１期煤炭科学技术第４９卷表２㊀基于Ｏｔｓｕ和ＭＰ－Ｏｔｓｕ法的模型参数Ｔａｂｌｅ２㊀ＭｏｄｅｌｐａｒａｍｅｔｅｒｓｂａｓｅｄｏｎＯｔｓｕａｎｄＭＰ－Ｏｔｓｕｍｅｔｈｏｄ煤样图像尺寸／（ｐｉｘˑｐｉｘ）孔隙率／％最大孔隙半径／μｍ最大喉道半径／μｍ平均配位数㊀㊀ＯｔｓｕＭＰ－ＯｔｓｕＯｔｓｕＭＰ－ＯｔｓｕＯｔｓｕＭＰ－ＯｔｓｕＯｔｓｕＭＰ－Ｏｔｓｕ１１００ˑ１００７４．７３１０．０２４８．３０２２．３１４６．４６１．１１１．３００００．０７８２２００ˑ２００６３．７７１０．３７１０５．６５２１．０６２２．０９０．５６０．０５９７０．０５４０３００ˑ３００６６．１３１０．３０１６１．８７６１．７０３８．９４２．９１０．０２２１０．０４３５２１００ˑ１００１３．３９７．８８３４．６８２２．７７０．７４２．０５０．０９８８０．０８７０２００ˑ２００１４．１７７．８７５７．９２２１．４４０．６６０．４８０．０４６７０．０５８３３００ˑ３００１４．８９７．７６９２．７０５２．８６７．１６２．９２０．０３０２０．０３７３３１００ˑ１００９７．８３５．５７５７．２６２４．７９５５．０１０．７６４．５００００．０９６４２００ˑ２００８．４５２．２９５７．１０１８．５５１．０２０．２９０．０２０３０．０２４３３００ˑ３００１９．９２２．２６８８．１６４５．９７６４．５８１．０００．０５０８０．０３０４４１００ˑ１００６５．０２２．５６５６．５４１７．２６１．７４１．０４０．０７７４０．０１２６２００ˑ２００７６．７７４．３０９７．５０４１．４１５２．２２１．０４０．０３３１０．００５９３００ˑ３００７５．５９２．６９１５３．６７５２．６９１２０．１２０．８５０．０５４２０．００３５图１０㊀各煤样孔隙率分布Ｆｉｇ．１０㊀Ｐｏｒｏｓｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｃｏａｌｓａｍｐｌｅ②２个连通的孔隙结构由于阈值过大被划分为１个孔隙结构，这也使得Ｏｔｓｕ法得到的模型最大孔隙半径㊁最大喉道半径增大㊂改进后两者分别减小了９９．２９％和８０．０７％，有效改善了Ｏｔｓｕ法的过分割现象㊂综上所述，与Ｏｔｓｕ阈值分割法相比，利用ＭＰ－Ｏｔｓｕ法对ＣＴ图像阈值分割后进行三维重建能够满足煤体孔裂隙模型真实性的要求，准确确定煤体微观孔裂隙参数㊂而孔隙率㊁最大孔隙半径和最大喉道半径等参数是合理表征煤体渗透率等的关键，因此ＭＰ－Ｏｔｓｕ法的提出对探究煤体的物理力学性质具有重要意义㊂４㊀结㊀㊀论１）高亮度矿物组分的存在导致背景灰度方差较大，而孔裂隙结构灰度较为集中导致目标区域方差较小，且较小的煤体孔隙率不能提供足够的方差信息，使得Ｏｔｓｕ阈值分割法确定的阈值偏向背景，从而对孔裂隙结构过分割㊂２）基于煤体内部孔裂隙结构和矿物组分确定３个权重因子α０㊁α１㊁和β０改进最佳阈值选择公式，其中，α０＝２．４０４；α１为孔裂隙在煤体ＣＴ图像中所占的大致比例；当矿物含量在２０％ ３０％时，β０取０．０８ ０．１３，当矿物含量在５％ ２０％时，β０取０．０５ ０．０８，对于矿物含量相对较少的煤样２㊁３㊁４，β０取０．００１ ０．０５０㊂３）ＭＰ－Ｏｔｓｕ法建立的孔裂隙模性能真实反映煤体内部的孔裂隙结构及分布，准确分割ＣＴ图像内部的孔裂隙结构，提取的孔裂隙参数与实际更为贴近㊂参考文献（Ｒｅｆｅｒｅｎｃｅｓ）：［１］㊀吕蓬勃．不同加载速率下煤样破坏力学特性及损伤规律研究［Ｄ］．焦作：河南理工大学，２０１８．ＬＹＵＰｅｎｇｂｏ．Ｓｔｕｄｙｏｎｍｅｃｈａｎｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｄａｍａｇｅｌａｗｓｏｆｃｏａｌｓａｍｐｌｅｓｕｎｄｅｒｄｉｆｆｅｒｅｎｔｌｏａｄｉｎｇ［Ｄ］．Ｊｉａｏｚｕｏ：ＨｅｎａｎＰｏｌｙ⁃ｔｅｃｈｎｉｃＵｎｉｖｅｒｓｉｔｙ，２０１８．［２］㊀李波波，成巧耘，李建华，等．含水煤岩裂隙压缩特征及渗透特性研究［Ｊ］．岩石力学与工程学报，２０２０，３９（１０）：２０６９－２０７８．㊀ＬＩＢｏｂｏ，ＣＨＥＮＧＱｉａｏｙｕｎ，ＬＩＪｉａｎｈｕａ，ｅｔａｌ．Ｓｔｕｄｙｏｎｆｒａｃｔｕｒｅｃｏｍｐｒｅｓｓｉｏｎａｎｄｐｅｒｍｅａｂｉｌｉｔｙｏｆｃｏａｌｗｉｔｈｄｉｆｆｅｒｅｎｔｍｏｉｓｔｕｒｅｃｏｎｔｅｎｔｓ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＲｏｃｋＭｅｃｈａｎｉｃｓａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０２０，３９（１０）：２０６９－２０７８．［３］㊀高㊀正，马东民，陈㊀跃，等．含水率对不同宏观煤岩类型甲烷吸附／解吸特征的影响［Ｊ］．煤炭科学技术，２０２０，４８（８）：９７－１０５．㊀ＧＡＯＺｈｅｎｇ，ＭＡＤｏｎｇｍｉｎ，ＣＨＥＮＹｕｅ，ｅｔａｌ．Ｅｆｆｅｃｔｏｆｗａｔｅｒｃｏｎ⁃０７２王㊀刚等：基于改进Ｏｔｓｕ的煤体ＣＴ图像阈值分割算法的研究２０２１年第１期ｔｅｎｔｏｎａｄｓｏｒｐｔｉｏｎ／ｄｅｓｏｒｐｔｉｏｎｏｆｍｅｔｈａｎｅｏｆｄｉｆｆｅｒｅｎｔｍａｃｒｏｓｃｏｐｉｃｌｉｔｈｏｔｙｐｅｓ［Ｊ］．ＣｏａｌＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２０２０，４８（８）：９７－１０５．㊀［４］㊀姜爱伟，胡㊀皓，芮㊀君．煤层分区高压注水抑尘技术的应用试验研究［Ｊ］．矿业研究与开发，２０２０，４０（１）：９０－９４．ＪＩＡＮＧＡｉｗｅｉ，ＨＵＨａｏ，ＲＵＩＪｕｎ．Ａｐｐｌｉｃａｔｉｏｎｔｅｓｔｓｔｕｄｙｏｎｈｉｇｈ－ｐｒｅｓｓｕｒｅｗａｔｅｒｉｎｊｅｃｔｉｏｎａｎｄｄｕｓｔｓｕｐｐｒｅｓｓｉｏｎｔｅｃｈｎｏｌｏｇｙｉｎｃｏａｌｓｅａｍａｒｅａ［Ｊ］．ＭｉｎｉｎｇＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２０２０，４０（１）：９０－９４．［５］㊀王㊀刚，沈俊男，褚翔宇，等．基于ＣＴ三维重建的高阶煤孔裂隙结构综合表征和分析［Ｊ］．煤炭学报，２０１７，４２（８）：２０７４－２０８０．㊀ＷＡＮＧＧａｎｇ，ＳＨＥＮＪｕｎｎａｎ，ＣＨＵＸｉａｎｇｙｕ，ｅｔａｌ．Ｃｈａｒａｃｔｅｒｉｚａ⁃ｔｉｏｎａｎｄａｎａｌｙｓｉｓｏｆｐｏｒｅｓａｎｄｆｉｓｓｕｒｅｓｏｆｈｉｇｈ－ｒａｎｋｃｏａｌｂａｓｅｄｏｎＣＴｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｉｎａＣｏａｌＳｏｃｉｅｔｙ，２０１７，４２（８）：２０７４－２０８０．［６］㊀ＪＵＹａｎｇ，ＸＩＣｈａｏｄｏｎｇ，ＺＨＡＮＧＹａｎｇ，ｅｔａｌ．ＬａｂｏｒａｔｏｒｙＩｎｓｉｔｕｃｔｏｂｓｅｒｖａｔｉｏｎｏｆｔｈｅｅｖｏｌｕｔｉｏｎｏｆ３ｄｆｒａｃｔｕｒｅｎｅｔｗｏｒｋｓｉｎｃｏａｌｓｕｂｊｅｃｔｔｏｃｏｎｆｉｎｉｎｇｐｒｅｓｓｕｒｅｓａｎｄａｘｉａｌｃｏｍｐｒｅｓｓｉｖｅｌｏａｄｓ：ａｎｏｖｅｌａｐｐｒｏａｃｈ［Ｊ］．ＲｏｃｋＭｅｃｈａｎｉｃｓａｎｄＲｏｃｋＥｎｇｉｎｅｅｒｉｎｇ，２０１８，５１：３３６１－３３７５．［７］㊀冯子军，赵阳升．煤的热解破裂过程：孔裂隙演化的显微ＣＴ细观特征［Ｊ］．煤炭学报，２０１５，４０（１）：１０３－１０８．ＦＥＮＧＺｉｊｕｎ，ＺＨＡＯＹａｎｇｓｈｅｎｇ．Ｐｙｒｏｌｙｔｉｃｃｒａｃｋｉｎｇｉｎｃｏａｌ：Ｍｅｓｏ－ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｐｏｒｅａｎｄｆｉｓｓｕｒｅｅｖｏｌｕｔｉｏｎｏｂｓｅｒｖｅｄｂｙｍｉｃｒｏ－ＣＴ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｉｎａＣｏａｌＳｏｃｉｅｔｙ，２０１５，４０（１）：１０３－１０８．［８］㊀张青成，左建民，毛灵涛．基于体视学原理的煤岩裂隙三维表征试验研究［Ｊ］．岩石力学与工程学报，２０１４，３３（６）：１２２７－１２３２．㊀ＺＨＡＮＧＱｉｎｇｃｈｅｎｇ，ＺＵＯＪｉａｎｍｉｎ，ＭＡＯＬｉｎｇｔａｏ．Ｅｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｆｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｃｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆｃｏａｌｆｒａｃｔｕｒｅｓｂａｓｅｄｏｎｓｔｅｒｅｏｌｏｇｙ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＲｏｃｋＭｅｃｈａｎｉｃｓａｎｄＥｎｇｉ⁃ｎｅｅｒｉｎｇ，２０１４，３３（６）：１２２７－１２３２．［９］㊀刘向军，朱洪林，梁利喜．基于微ＣＴ技术的砂岩数字岩石物理实验［Ｊ］．地球物理学报，２０１４，５７（４）：１１３３－１１４０．ＬＩＵＸｉａｎｇｊｕｎ，ＺＨＵＨｏｎｇｌｉｎ，ＬＩＡＮＧＬｉｘｉ．Ｐｙｒｏｌｙｔｉｃｃｒａｃｋｉｎｇｉｎｃｏａｌ：Ｍｅｓｏ－ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｐｏｒｅａｎｄｆｉｓｓｕｒｅｅｖｏｌｕｔｉｏｎｏｂｓｅｒｖｅｄｂｙｍｉｃｒｏ－ＣＴ［Ｊ］．ＣｈｉｎｅｓｅＪｏｕｒｎａｌｏｆＧｅｏｐｈｙｓｉｃｓ，２０１４，５７（４）：１１３３－１１４０．［１０］㊀ＪＵＹａｎｇ，ＷＡＮＧＪｉｎｂｏ，ＧＡＯＦｅｎｇ，ｅｔａｌ．Ｈｅｐｉｎｇ．Ｌａｔｔｉｃｅ－Ｂｏｌｔ⁃ｚｍａｎｎｓｉｍｕｌａｔｉｏｎｏｆｍｉｃｒｏｓｃａｌｅＣＨ４ｆｌｏｗｉｎｐｏｒｏｕｓｒｏｃｋｓｕｂｊｅｃｔｔｏｆｏｒｃｅ－ｉｎｄｕｃｅｄｄｅｆｏｒｍａｔｉｏｎ［Ｊ］．ＣｈｉｎｅｓｅＳｃｉｅｎｃｅＢｕｌｌｅｔｉｎ，２０１４，５９（２２）：２１２７－２１３６．［１１］㊀张日升，袁明亭，丁军航，等．基于图像阀值分割的浒苔图像提取［Ｊ］．自动化技术与应用，２０２０，３９（２），８３－８６．ＺＨＡＮＧＲｉｓｈｅｎｇ，ＹＵＡＮＭｉｎｇｔｉｎｇ，ＤＩＮＧＪｕｎｈａｎｇ，ｅｔａｌ．Ｅｎｔｅｒ⁃ｏｍｏｒｐｈａｉｍａｇｅｅｘｔｒａｃｔｉｏｎｂａｓｅｄｏｎｉｍａｇｅｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］．ＴｅｃｈｎｉｑｕｅｓｏｆＡｕｔｏｍａｔｉｏｎａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２０２０，３９（２）：８３－８６．［１２］㊀宋党育，何凯凯，吉小峰，等．基于ＣＴ扫描的煤中孔裂隙精细表征［Ｊ］．天然气工业，２０１８，３８（３）：４１－４９．ＳＯＮＧＤａｎｇｙｕ，ＨＥＫａｉｋａｉ，ＪＩＸｉａｏｆｅｎｇ，ｅｔａｌ．Ｆｉｎｅｃｈａｒａｃｔｅｒｉｚａ⁃ｔｉｏｎｏｆｐｏｒｅｓａｎｄｆｒａｃｔｕｒｅｓｉｎｃｏａｌｂａｓｅｄｏｎａＣＴｓｃａｎ［Ｊ］．ＮａｔｕｒａｌＧａｓＩｎｄｕｓｔｒｙ，２０１８，３８（３）：４１－４９．［１３］㊀ＮＩＥＢａｉｓｈｅｎｇ，ＦＡＮＰｅｎｇｈｏｎｇ，ＬＩＸｉａｎｇｃｈｕｎ．Ｑｕａｎｔｉｔａｔｉｖｅｉｎ⁃ｖｅｓｔｉｇａｔｉｏｎｏｆａｎｉｓｏｔｒｏｐｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｍｅｔｈａｎｅ－ｉｎｄｕｃｅｄｓｔｒａｉｎｉｎｃｏａｌｂａｓｅｄｏｎｃｏａｌｐａｒｔｉｃｌｅｔｒａｃｋｉｎｇｍｅｔｈｏｄｗｉｔｈＸ－ｒａｙ⁃ｃｏｍｐｕｔｅｒｔｏｍｏｇｒａｐｈｙ［Ｊ］．Ｆｕｅｌ，２０１８，１５：２７２－２８４．［１４］㊀刘㊀敏．基于煤岩体ＣＴ图像裂隙三维重建及其特性研究［Ｄ］．徐州：中国矿业大学，２０１７．ＬＩＵＭｉｎ．Ｓｔｕｄｙｏｎ３ＤＲｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｆｒａｃｔｕｒｅｂａｓｅｄｏｎｃｏａｌＣＴｉｍａｇｅａｎｄｉｔｓｃｈａｒａｃｔｅｒｉｓｔｉｃｓ［Ｄ］．Ｘｕｚｈｏｕ：ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１７．［１５］㊀张㊀飞，周海东，姜军周．岩石ＣＴ断层序列图像裂纹三维重建及其损伤特性的研究［Ｊ］．黄金，２０１０，３１（７）：２５－２９．ＺＨＡＮＧＦｅｉ，ＺＨＯＵＨａｉｄｏｎｇ，ＪＩＡＮＧＪｕｎｚｈｏｕ．Ｒｅｓｅａｒｃｈｏｎｔｈｅｃｒａｃｋ３ＤｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｒｏｃｋＣＴｆａｕｌｔｓｅｒｉｅｓｉｍａｇｅｓａｎｄｒｏｃｋｄａｍａｇｅｃｈａｒａｃｔｅｒｓ［Ｊ］．Ｇｏｌｄ，２０１０，３１（７）：２５－２９．［１６］㊀ＭＵＴＨＵＫＵＭＡＲＡＮＭａｌａｒｖｅｌ，ＧＯＰＡＬＡＫＲＩＳＨＮＡＮＳｅｔｈｕｍａｄ⁃ｈａｖａｎ，ＰＵＲＮＡＣｈａｎｄｒａＲａｏＢｈａｇｉ，ｅｔａｌ．ＡｎｉｍｐｒｏｖｅｄｖｅｒｓｉｏｎｏｆＯｔｓｕ ｓｍｅｔｈｏｄｆｏｒｓｅｇｍｅｎｔａｔｉｏｎｏｆｗｅｌｄｄｅｆｅｃｔｓｏｎＸ－ｒａｄｉｏｇｒａｐｈｙｉｍａｇｅｓ［Ｊ］．Ｏｐｔｉｋ，２０１７，１４２：１０９－１１８．［１７］㊀ＦＡＮＪｉｕｌｕｎ，ＬＥＩＢｏ．Ａｍｏｄｉｆｉｅｄｖａｌｌｅｙ－ｅｍｐｈａｓｉｓｍｅｔｈｏｄｆｏｒａｕ⁃ｔｏｍａｔｉｃｔｈｒｅｓｈｏｌｄｉｎｇ［Ｊ］．ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎＬｅｔｔｅｒｓ，２０１２，３３（６）：７０３－７０８．［１８］㊀周㊀迪，夏哲雷．一种改进的Ｏｔｓｕ阈值分割算法［Ｊ］．中国计量大学学报，２０１６，２７（３）：３１９－３２３，３４４．ＺＨＯＵＤｉ，ＸＩＡＺｈｅｌｅｉ．ＡｎｉｍｐｒｏｖｅｄＯｔｓｕｔｈｒｅｓｈｏｌｄｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｅｔｒｏｌｏｇｙ，２０１６，２７（３）：３１９－３２３，３４４．［１９］㊀ＹＵＡＮＸｉａｏｃｕｉ，ＷＵＬｕｓｈｅｎ，ＰＥＮＧＱｉｎｇｊｉｎ．ＡｎｉｍｐｒｏｖｅｄＯｔｓｕｍｅｔｈｏｄｂｙｔｈｅｗｅｉｇｈｔｅｄｏｂｊｅｃｔｖａｒｉａｎｃｅｆｏｒｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎ［Ｊ］．ＡｐｐｌｉｅｄＳｕｒｆａｃｅＳｃｉｅｎｃｅ，２０１５，３４９（１５）：４７２－４８４．［２０］㊀ＷＡＮＧＧａｎｇ，ＣＨＵＸｉａｎｇｙｕ，ＹＡＮＧＸｉｎｘｉａｎｇ．Ｎｕｍｅｒｉｃａｌｓｉｍｕ⁃ｌａｔｉｏｎｏｆｇａｓｆｌｏｗｉｎａｒｔｉｆｉｃｉａｌｆｒａｃｔｕｒｅｃｏａｌｂｙｔｈｒｅｅ－ｄｉｍｅｎｓｉｏｎａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎｂａｓｅｄｏｎｃｏｍｐｕｔｅｄｔｏｍｏｇｒａｐｈｙ［Ｊ］．ＪｏｕｒｎａｌｏｆＮａｔ⁃ｕｒａｌＧａｓＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，２０１６，３４：８２３－８３１．［２１］㊀ＯＴＳＵＮ．Ａｔｈｒｅｓｈｏｌｄｓｅｌｅｃｔｉｏｎｍｅｔｈｏｄｆｒｏｍｇｒａｙｌｅｖｅｌｈｉｓｔｏｇｒａｍｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｙｓｔｒｅｍｓ，Ｍａｎ，ａｎｄＣｙｂｅｒｎｅｔｉｃｓ，１９７９，９：６２－６６．［２２］㊀何选明．煤化学［Ｍ］．北京：冶金工业出版社：２０１０．［２３］㊀马丕梁．煤矿瓦斯灾害防治技术手册［Ｍ］．北京：化学工业出版社，２００７．［２４］㊀王茂林．井下瓦斯抽采实用技术［Ｍ］．北京：煤炭工业出版社，２０１５．１７２。

otsu 双阈值算法Otsu双阈值算法是一种常用的图像分割算法，通过自适应选取合适的阈值，将图像分割为前景和背景。

本文将介绍Otsu双阈值算法的原理和应用。

一、算法原理Otsu双阈值算法是由日本学者大津秀一于1979年提出的。

该算法基于图像的灰度直方图，通过最大类间方差的准则确定两个阈值，将图像分为三个部分：背景、前景和中间部分。

具体步骤如下：1. 计算图像的灰度直方图，统计每个灰度级别的像素数量。

2. 计算总体均值μ和总体方差σ^2。

3. 遍历所有可能的阈值t，计算背景和前景的像素数量和均值。

4. 根据公式计算类间方差σ_b^2 = w_0 * w_1 * (μ_0 - μ_1)^2，其中w_0和w_1分别为背景和前景的像素比例，μ_0和μ_1分别为背景和前景的均值。

5. 找到类间方差最大的阈值作为分割阈值。

6. 根据分割阈值将图像分为背景、前景和中间部分。

二、算法应用Otsu双阈值算法在图像处理领域有广泛的应用，主要用于图像分割和目标提取。

以下是算法在实际应用中的几个示例：1. 血管分割：在医学图像处理中，通过Otsu双阈值算法可以实现血管分割，将血管和其他组织分割出来，提取出感兴趣的血管区域。

2. 文字识别：在文字识别中，Otsu双阈值算法可以将文字和背景分割开，提高文字识别的准确性和效果。

3. 目标检测：在目标检测中，Otsu双阈值算法可以将目标物体和背景分割开，提取出目标物体的特征，用于后续的目标识别和分类。

4. 图像增强：在图像增强中，Otsu双阈值算法可以将图像分割为背景、前景和中间部分，对不同部分的像素进行不同的增强处理，提高图像的质量和清晰度。

总结：Otsu双阈值算法是一种简单而有效的图像分割算法，通过自适应选取阈值，将图像分割为背景、前景和中间部分。

该算法在图像处理和计算机视觉领域有广泛的应用，可以用于血管分割、文字识别、目标检测和图像增强等方面。

通过深入理解和应用Otsu双阈值算法，可以提高图像处理的效果和准确性，为后续的图像分析和处理提供有力支持。

基于多种改进Otsu图像分割方法的应用研究[摘要] Otsu图像分割方法是一种很受重视并经常使用的方法,本文对比几种改进的Otsu方法,分析各自的应用方向,为今后的深入研究打下基础。

[关键词] 图像分割Otsu局部最佳阈值图像方差分类1.引言图像分割是图像处理和计算机视觉中基本而关键的技术之一,也是图像理解与模式识别的前提,在现实生活中也有着很广泛的应用。

在这些应用中,图像分割质量的好坏直接影响后续图像处理的效果,甚至决定其成败,因此,图像分割的作用是至关重要的。

其中Otsu[1] 提出的方法是很受重视并经常使用的方法，人们从不同的角度对Otsu 法进行了说明。

如J. Kittler[2]指出Otsu算法实际是一种聚类分析法。

A. D. Brink[3]指出可以从原图像灰度分布与分割后的灰度分布二者之间的概率相关角度来解释。

T. Kurita[4]用条件最大相关原则解释了Otsu算法。

付忠良[5-7] 分别从不同的角度对Otsu 法进行了推广。

刘健庄[8]将一维Otsu阈值法推广到二维,使其抗噪性得到改善。

范九伦[9]将二维Otsu算法推广到三维。

SAHOO P K使用邻域中心像素的灰度值和邻域全部像素灰度均值来构成二维直方图,再进行分割。

本文将对比几种改进的Otsu方法,分析各自的应用方向。

2.经典OTSU阈值方法原理OTSU提出的最大类间方差法,是在判决分析最小二乘法原理的基础上,推导得出最佳阈值的方法。

该方法首先计算基于直方图的各分割特征值的发生概率，并以阈值变量k将分割特征值分为两类，然后求出每一类的类内方差及类间方差，选取使得类间方差最大，类内方差最小的k作为最佳阈值[1]。

方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小,这便是大津方法的真正含义。

接下来，就是选取使得类间方差最大，类内方差最小的k作为最佳阈值。

基于改进的Otsu 算法的遥感图像阈值分割韩青松1,贾振红1,杨 杰2,庞韶宁31.新疆大学信息科学与工程学院,新疆乌鲁木齐 830046;2.上海交通大学图像处理与模式识别研究所,上海 200240;3.新西兰奥克兰理工大学知识工程与开发研究所,新西兰奥克兰 1020提要:传统的Otsu 算法仅仅适用于目标与背景分布均匀的图像,在处理遥感图像时具有一定的局限性。

本文在分析传统的Otsu 算法原理的基础上,结合遥感图像灰度级多、信息量大和边界模糊的实际情况,提出了一种改进的O ts u 算法,用图像的方差信息代替均值信息计算最佳的分割阈值,实现遥感图像阈值分割。

实验仿真结果表明,与传统的Otsu 算法以及其它的一些改进的Otsu 算法相比,本文算法具有明显的优越性。

关键词:Otsu 算法;方差信息;均值信息;遥感图像阈值分割中图分类号:TP391.41 文献标识码:A 文章编号:0253-2743(2010)06-0033-02Remote sensing image thresholding segmentation based on the modified Otsu algorithmHAN Qing-s ong 1,JIA Zhen-hong 1,YA NG Jie 2,PA NG Shao-ning 31.College of Information Science and Engineering,Xi njiang Uni versity,Urumqi 830046,China;2.Ins titute of Image Processing and Pattern Recogniti on,Shanghai Jiaotong University,Shanghai 200240,China;3.Knowledge Engi neering and Dis covery Res earch Ins ti tute,Auckland Universi ty of Technology,Auckland 1020,Ne w ZealandAbs tract:The traditional Otsu algorithm only sui t w ell-di stributed images in target and background.When us ed in processing the remote sensi ng i mages,it exis ts s ome limitati ons.Based on the traditi onal Ots u .s princi ples,this paper proposes a modified Otsu algorithm which combines the charac ters of the remote sensing image:more gray-scale ,great information and fuzz y boundaries.In order to calculate the optimum thres hold of the re mote sensi ng image,thi s paper uses the variance information ins tead of the mean information.Co mpared with the tradi ti onal Otsu algorithm and other modified algorithms,the experi mental resul t show that this al gori thm has obvious advantages.K ey words :Otsu al gori thm;variance information;mean information;remote s ensing i mage thresholdi ng segmentati on收稿日期:2010-10-11基金项目:科技部国际科技合作项目(项目编号;2009DF A12870)作者简介:韩青松(1983-),男,硕士研究生,主要研究方向:数字图像处理。