图像预处理——二值化(大律法)
2015-05-08 11:19
295 查看
1.Otsu最大类间方差法原理
大律法是在1979年提出,主要是利用最大类间方差,将图片分为前景和背景两个部分。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。
2.最大类间方差法(otsu)的性能
类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。
3.最大类间方差法(otsu)的公式推导
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。
则图像的总平均灰度为:u=w0*u0+w1*u1。
前景和背景图象的方差:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式。
可参照概率论课本上面的g的公式也就是下面程序中的sb的表达式。当方差g最大时,可以认为此时前景和背景差异最大,此时的灰度t是最佳阈值sb= w1*w2*(u1-u0)*(u0-u1)
4.程序实现
在本程序中类间方差用sb表示,最大类间方差用fmax。利用阈值将原图像分成前景,背景两个图象。
前景:用n1,csum,m1分别表示在当前阈值下的前景的点数,质量矩,平均灰度
后景:用n2,sum-csum,m2分别表示在当前阈值下的背景的点数,质量矩,平均灰度
二值化,利用大律法实现自适应二值化,自动求出二值化阈值
大律法是在1979年提出,主要是利用最大类间方差,将图片分为前景和背景两个部分。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。
2.最大类间方差法(otsu)的性能
类间方差法对噪音和目标大小十分敏感,它仅对类间方差为单峰的图像产生较好的分割效果。当目标与背景的大小比例悬殊时,类间方差准则函数可能呈现双峰或多峰,此时效果不好,但是类间方差法是用时最少的。
3.最大类间方差法(otsu)的公式推导
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。
则图像的总平均灰度为:u=w0*u0+w1*u1。
前景和背景图象的方差:
g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式。
可参照概率论课本上面的g的公式也就是下面程序中的sb的表达式。当方差g最大时,可以认为此时前景和背景差异最大,此时的灰度t是最佳阈值sb= w1*w2*(u1-u0)*(u0-u1)
4.程序实现
在本程序中类间方差用sb表示,最大类间方差用fmax。利用阈值将原图像分成前景,背景两个图象。
前景:用n1,csum,m1分别表示在当前阈值下的前景的点数,质量矩,平均灰度
后景:用n2,sum-csum,m2分别表示在当前阈值下的背景的点数,质量矩,平均灰度
二值化,利用大律法实现自适应二值化,自动求出二值化阈值
int BinarizeImageByOTSU (IplImage * src) { assert(src != NULL); //get the ROI CvRect rect = cvGetImageROI(src); //information of the source image int x = rect.x; int y = rect.y; int width = rect.width; int height = rect.height; int ws = src->widthStep; int thresholdValue=1;//阈值 int ihist [256] ; // 图像直方图, 256个点 int i, j, k,n, n1, n2, Color=0; double m1, m2, sum, csum, fmax, sb; memset (ihist, 0, sizeof (ihist)) ; // 对直方图置 零... for (i=y;i< y+height;i++) // 生成直方图 { int mul = i*ws; for (j=x;j<x+width;j++) { //Color=Point (i,j) ; Color = (int)(unsigned char)*(src->imageData + mul+ j); ihist [Color] +=1; } } sum=csum=0.0; n=0; for (k = 0; k <= 255; k++) { sum+= (double) k* (double) ihist [k] ; // x*f (x) 质量矩 n +=ihist [k]; //f (x) 质量 } // do the otsu global thresholding method fmax = - 1.0; n1 = 0; for (k=0;k<255;k++) { n1+=ihist [k] ; if (! n1) { continue; } n2=n- n1; if (n2==0) { break; } csum+= (double) k*ihist [k] ; m1=csum/ n1; m2= (sum- csum) /n2; sb = ( double) n1* ( double) n2* ( m1 - m2) * (m1- m2) ; if (sb>fmax) { fmax=sb; thresholdValue=k; } } //binarize the image cvThreshold( src, src ,thresholdValue, 255, CV_THRESH_BINARY ); return 0; }
相关文章推荐
- 【OPENCV】图像的预处理(灰度图、二值化、字符矫正(旋转))
- 图像预处理——自适应二值化
- 基于直方图的图像全局二值化算法原理、实现--OSTU大律法
- 一些基本的opencv图像预处理函数直接用法(灰度化,otsu二值化,腐蚀膨胀,canny)
- Emgu&openCV二值化图像,对不为零的区域进行检测
- TensorFlow 图像预处理(二) 图像翻转,图像色彩调整
- 【opencv】统计图像二值化后白色像素点个数
- OpenCV【3】---二值化图像
- 求基于指纹识别预处理--图像增强有关资料
- 灰度图像二值化-大津法
- 图像处理之常见二值化方法汇总
- Halcon-图像处理-二值化-binary_threshold
- 16 利用scipy.misc等库对jpg以及png等图像数据预处理(用于深度学习喂数据)
- 基于直方图的图像全局二值化算法原理、实现--百分比阈值(P-Tile)
- 利用python opencv实现图像自适应二值化
- NYOJ ~ 92 ~ 图像有效区域(BFS+预处理)
- 【图像处理】人脸预处理工具FaceTools
- c#图像灰度化、灰度反转、二值化
- 转载-图像处理的灰度化和二值化
- 图像的预处理——tensorflow实践