利用边缘改进全局阈值处理-c#实现-基于EmguCv
2016-09-22 02:40
2061 查看
关于边缘改进全局阈值处理基本实现是:
1.先计算其边界,利用拉普拉斯或者梯度变换都以。
2.计算变化后边界图像的绝对值
3.指定一个阈值(一般以百分比的形式指定,比如我指定90%,如果存在有灰度k,灰度小于K的像素总数占全部像素的90%,那么K就是我们要求的灰度)
4.对2中计算完的图像进行阈值变换,转化为2值图像
5.用4中计算得到的二值图像乘原始图像。
6.计算5中计算的到的图像中灰度大于0的直方图。
7.对6中得到的直方图进行全局分隔。
8.提出全局分隔出来的灰度,用该灰度对原始图片进行阈值分割,即可得到结果。
c#算法实现
主函数:
/// <summary>
/// 边界修饰自适应阈值变换
/// </summary>
/// <param name="image">输入图像</param>
/// <param name="percent">百分比</param>
/// <returns></returns>
public static Mat EdgeModifyOtsu(Mat image,double percent=0.99)
{
Mat _m = new Mat();//拉普拉斯变换后的图像
Mat _m1 = new Mat();
Mat _Rmat = new Mat();//要返回的图像
//拉普拉斯变换
CvInvoke.Laplacian(image, _m, Emgu.CV.CvEnum.DepthType.Cv16S,3);
//取绝对值
_m1 = AbsCv16s(_m);
//阈值变换
double max = PercentGary(_m1, percent);
CvInvoke.Threshold(_m1, _m1, max, 1, Emgu.CV.CvEnum.ThresholdType.Binary);
//转换为8字节
_m1 = Cv16sTo8u(_m1);
//与原图像相乘
CvInvoke.Multiply(_m1, image, _m1, 1, Emgu.CV.CvEnum.DepthType.Cv8U);
//寻找相乘后的图像灰度大于0的直方图的自适应阈值
int _K = OtsuThreshold(_m1, 1);
CvInvoke.Threshold(image, _Rmat, _K, 255, Emgu.CV.CvEnum.ThresholdType.Binary);
return _Rmat;
}
取绝对值函数:
/// <summary>
/// 将16位像素的灰度值绝对值化
/// </summary>
/// <param name="image">图片</param>
/// <returns>转换好的图片</returns>
public static Mat AbsCv16s(Mat image)
{
Mat _m_ = new Mat(image.Size, Emgu.CV.CvEnum.DepthType.Cv16S, 1);
unsafe
{
Int16* dataImage = (Int16*)image.DataPointer.ToPointer();
Int16* data_m_ = (Int16*)_m_.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data + row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
Int16 _ii = *dataImage;
* data_m_ = Math.Abs(_ii);
dataImage++;
data_m_++;
}
}
}
return _m_;
}
用百分比计算分割函数:
/// <summary>
/// 计算图片百分比像素的灰度值
/// </summary>
/// <param name="image">输入图片</param>
/// <param name="percent">百分比像素</param>
/// <returns>返回灰度值</returns>
public static double PercentGary(Mat image, double percent)
{
long[] _his = Histogram(image, 0,16);
long _count = 0;//表示在k中存在的像素
for (int _index = 0; _index < Math.Pow(2,16); _index++)//若所有像素都在k内,就将其方差置为0
{
_count += _his[_index];
if ((double)_count / image.Total.ToInt64() > percent)
{
return _index;
}
}
return Math.Pow(2, 16);
}
将16位有符号二值图像转换为8位无符二值图像函数:
/// <summary>
/// 将16有符号位二值图转化为8位
/// </summary>
/// <param name="image">图片</param>
/// <returns>返回转换好的图片</returns>
public static Mat Cv16sTo8u(Mat image)
{
Mat _m_ = new Mat(image.Size, Emgu.CV.CvEnum.DepthType.Cv8U, 1);
unsafe
{
Int16* dataImage = (Int16*)image.DataPointer.ToPointer();
byte* data_m_ = (byte*)_m_.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data + row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
*data_m_ = Convert.ToByte( Math.Abs(*dataImage));
dataImage++;
data_m_++;
}
}
}
return _m_;
}
寻找相乘后的图像灰度大于0的直方图的自适应阈值函数:
计算直方图函数:
/// <summary>
/// 图片灰度直方图计算
/// </summary>
/// <param name="image">图片</param>
/// <param name="depth">深度</param>
/// <param name="d">要跳过的灰度</param>
/// <returns></returns>
public static long[] Histogram(Mat image, int depth= 8,int d = 0)
{
if (image.NumberOfChannels != 1)
{
throw new Exception("通道必须为1");
}
//提取直方图------------------------------------
long[] _his = new long[(int) Math.Pow(2,depth)];
for (int i = d; i < (int)Math.Pow(2, depth); i++)
{
_his[i] = 0;
}
unsafe
{
byte* data = (byte*)image.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data +
987e
row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
if (*data >= d)
{
_his[*data]++;
}
data++;
}
}
}
return _his;
}
这是基于emgucv基本的实现函数.
下面是其处理效果:
原始图片:
先用均值滤波器滤波,再用普通的otsu 得到的是: 边界修饰后的:
原始图片:
普通Otsu处理结果: 边界修饰后:
1.先计算其边界,利用拉普拉斯或者梯度变换都以。
2.计算变化后边界图像的绝对值
3.指定一个阈值(一般以百分比的形式指定,比如我指定90%,如果存在有灰度k,灰度小于K的像素总数占全部像素的90%,那么K就是我们要求的灰度)
4.对2中计算完的图像进行阈值变换,转化为2值图像
5.用4中计算得到的二值图像乘原始图像。
6.计算5中计算的到的图像中灰度大于0的直方图。
7.对6中得到的直方图进行全局分隔。
8.提出全局分隔出来的灰度,用该灰度对原始图片进行阈值分割,即可得到结果。
c#算法实现
主函数:
/// <summary>
/// 边界修饰自适应阈值变换
/// </summary>
/// <param name="image">输入图像</param>
/// <param name="percent">百分比</param>
/// <returns></returns>
public static Mat EdgeModifyOtsu(Mat image,double percent=0.99)
{
Mat _m = new Mat();//拉普拉斯变换后的图像
Mat _m1 = new Mat();
Mat _Rmat = new Mat();//要返回的图像
//拉普拉斯变换
CvInvoke.Laplacian(image, _m, Emgu.CV.CvEnum.DepthType.Cv16S,3);
//取绝对值
_m1 = AbsCv16s(_m);
//阈值变换
double max = PercentGary(_m1, percent);
CvInvoke.Threshold(_m1, _m1, max, 1, Emgu.CV.CvEnum.ThresholdType.Binary);
//转换为8字节
_m1 = Cv16sTo8u(_m1);
//与原图像相乘
CvInvoke.Multiply(_m1, image, _m1, 1, Emgu.CV.CvEnum.DepthType.Cv8U);
//寻找相乘后的图像灰度大于0的直方图的自适应阈值
int _K = OtsuThreshold(_m1, 1);
CvInvoke.Threshold(image, _Rmat, _K, 255, Emgu.CV.CvEnum.ThresholdType.Binary);
return _Rmat;
}
取绝对值函数:
/// <summary>
/// 将16位像素的灰度值绝对值化
/// </summary>
/// <param name="image">图片</param>
/// <returns>转换好的图片</returns>
public static Mat AbsCv16s(Mat image)
{
Mat _m_ = new Mat(image.Size, Emgu.CV.CvEnum.DepthType.Cv16S, 1);
unsafe
{
Int16* dataImage = (Int16*)image.DataPointer.ToPointer();
Int16* data_m_ = (Int16*)_m_.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data + row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
Int16 _ii = *dataImage;
* data_m_ = Math.Abs(_ii);
dataImage++;
data_m_++;
}
}
}
return _m_;
}
用百分比计算分割函数:
/// <summary>
/// 计算图片百分比像素的灰度值
/// </summary>
/// <param name="image">输入图片</param>
/// <param name="percent">百分比像素</param>
/// <returns>返回灰度值</returns>
public static double PercentGary(Mat image, double percent)
{
long[] _his = Histogram(image, 0,16);
long _count = 0;//表示在k中存在的像素
for (int _index = 0; _index < Math.Pow(2,16); _index++)//若所有像素都在k内,就将其方差置为0
{
_count += _his[_index];
if ((double)_count / image.Total.ToInt64() > percent)
{
return _index;
}
}
return Math.Pow(2, 16);
}
将16位有符号二值图像转换为8位无符二值图像函数:
/// <summary>
/// 将16有符号位二值图转化为8位
/// </summary>
/// <param name="image">图片</param>
/// <returns>返回转换好的图片</returns>
public static Mat Cv16sTo8u(Mat image)
{
Mat _m_ = new Mat(image.Size, Emgu.CV.CvEnum.DepthType.Cv8U, 1);
unsafe
{
Int16* dataImage = (Int16*)image.DataPointer.ToPointer();
byte* data_m_ = (byte*)_m_.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data + row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
*data_m_ = Convert.ToByte( Math.Abs(*dataImage));
dataImage++;
data_m_++;
}
}
}
return _m_;
}
寻找相乘后的图像灰度大于0的直方图的自适应阈值函数:
/// <summary> /// 寻找图片大于d值像素集的最适应阈值 /// </summary> /// <param name="image">输入的图片</param> /// <param name="d"></param> /// <returns>返回最合适阈值</returns> public static int OtsuThreshold(Mat image, int d) { long[] his = Histogram(image,8,d); float _PK; float _MK;//第k级累加灰度均值; float _MG = 0;//整个图片的灰度均值 long _MN = 0;//图片的像素数目 float[] _Ks = new float[256];//存储类值最大方差 float _Max;//类间最大方差 List<int> _MaxKs = new List<int>();//存储使类间方差最大的多个K值; for (int _index = 0; _index < his.Length; _index++)//计算直方图中像素的总数 { _MN += his[_index]; } for (int i = 0; i < 256; i++)//计算图片平均灰度值 { _MG += (float)(i * (double)his[i] / _MN); } for (int k = 0; k < 256; k++)//计算 图片在不同K的类值最大方差 { long _count = 0;//表示在k中存在的像素 for (int _index = 0; _index <= k; _index++)//若所有像素都在k内,就将其方差置为0 { _count += his[_index]; } if (_count == _MN) { _Ks[k] = 0; continue; } else if (_count == 0) { _Ks[k] = 0; continue; } _PK = (float)((double)_count / _MN); _MK = 0; for (int i = d; i <= k; i++) { float p = (float)((double)his[i] / _MN); //_PK += p; _MK += i * p; } _Ks[k] = (float)Math.Pow(_MG * _PK - _MK, 2) / (_PK * (1 - _PK)); } _Ks[0] = 0; _Max = _Ks.Max(); for (int i = 0; i < 256; i++) { if (_Ks[i] == _Max) _MaxKs.Add(i); } int _K = (int)_MaxKs.Average(); return _K; }
计算直方图函数:
/// <summary>
/// 图片灰度直方图计算
/// </summary>
/// <param name="image">图片</param>
/// <param name="depth">深度</param>
/// <param name="d">要跳过的灰度</param>
/// <returns></returns>
public static long[] Histogram(Mat image, int depth= 8,int d = 0)
{
if (image.NumberOfChannels != 1)
{
throw new Exception("通道必须为1");
}
//提取直方图------------------------------------
long[] _his = new long[(int) Math.Pow(2,depth)];
for (int i = d; i < (int)Math.Pow(2, depth); i++)
{
_his[i] = 0;
}
unsafe
{
byte* data = (byte*)image.DataPointer.ToPointer();
for (int row = 0; row < image.Height; row++)
{
//data = data +
987e
row * image.Cols;
for (int col = 0; col < image.Width; col++)
{
if (*data >= d)
{
_his[*data]++;
}
data++;
}
}
}
return _his;
}
这是基于emgucv基本的实现函数.
下面是其处理效果:
原始图片:
先用均值滤波器滤波,再用普通的otsu 得到的是: 边界修饰后的:
原始图片:
普通Otsu处理结果: 边界修饰后:
相关文章推荐
- 多阈值处理利用双Otsu阈值-C#实现-基于EmguCv
- 边缘改进全局阈值处理
- Otsu最佳全局算法c#实现-基于EmguCV
- C# 基于StackExchange.Redis.dll利用Redis实现分布式Session
- 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)
- C#下PICTRUEBOX拖动残影,双缓存无效!——接( 图像处理(旋转)_基于EMGUCV(一))
- 基于Qt与OpenCV的图片读取、保存,并利用Canny进行简单的边缘处理结果显示
- 基于ASP.net C#技术来实现,介绍如何处理Session对象变量失效的问题
- 图像处理常用算法GPU实现二:基于微分的边缘检测
- [H5-Compress-Image]利用canvas实现 javascript 图片压缩处理_基于requirejs模块化的代码实现
- 基于直方图的图像全局二值化算法原理、实现--迭代最佳阈值
- 图像处理常用算法GPU实现二:基于微分的边缘检测
- C#利用Tamir.SharpSSH类库实现SFTP(基于ssh)文件操作
- Otsu的全局阈值处理实现
- 基于直方图的图像全局二值化算法原理、实现--基于谷底最小值的阈值
- C#中利用"消息处理"实现在窗体中按下鼠标左键拖动窗体_L
- 基于Otsu的全局阈值处理的实现
- 图像处理常用算法GPU实现三:基于模板匹配的边缘检测
- 图像分割—基于图像数据的自动选择阈值(基本全局阈值处理方法)
- 【VS开发】【图像处理】基于灰度世界、完美反射、动态阈值等图像自动白平衡算法的原理、实现及效果