班级网站建设感想,国内crm系统哪家好,晚上正能量免费下载软件安全,建设工程施工许可证在哪个网站办目录
1、双峰法
2、P参数法
3、迭代法
4、OTSU法 图像的二值化处理是将图像上的像素点的灰度值设置为0或255#xff0c;也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化是图像分割的一种最简单的方法#xff0c;可以把灰度图像转换成二值图像。具体实现是将大…目录
1、双峰法
2、P参数法
3、迭代法
4、OTSU法 图像的二值化处理是将图像上的像素点的灰度值设置为0或255也就是将整个图像呈现出明显的只有黑和白的视觉效果。二值化是图像分割的一种最简单的方法可以把灰度图像转换成二值图像。具体实现是将大于某个临界灰度值的像素灰度设为灰度极大值把小于这个值的像素灰度设为灰度极小值从而实现二值化。
根据阈值选取的不同二值化的算法分为固定阈值和自适应阈值。常见的二值化方法有双峰法、P参数法、迭代法和OTSU法等。其中双峰法是通过寻找直方图上的两个最高峰将阈值选取在两个峰之间的最低处P参数法是根据图像的直方图分布情况动态地确定一个阈值迭代法是通过多次迭代计算逐渐逼近最佳的阈值OTSU法则是通过最大化类间方差来确定最佳阈值。 1、双峰法
双峰法是一种简单的二值化处理方法其基本思想是找到图像直方图中的两个最大值并将阈值设定在这两个峰值之间的最低处。这种方法适用于背景和前景差异较大的图像。 import cv2
import numpy as np
def find_peaks(hist):# 找到直方图中的峰值peaks []for i in range(1, len(hist) - 1):if hist[i] hist[i - 1] and hist[i] hist[i 1]:peaks.append(i)# 返回前两个峰值如果存在if len(peaks) 2:return peaks[0], peaks[1]else:return None, None
# 读取图像并转换为灰度图像
image cv2.imread(r1.jpg, cv2.IMREAD_GRAYSCALE)
# 计算图像的直方图
hist, bins np.histogram(image.ravel(), 256, [0, 256])
# 找到直方图中的两个峰值
peak1, peak2 find_peaks(hist)
# 计算阈值取两个峰值的平均值作为阈值
threshold int((peak1 peak2) / 2)
# 对图像进行二值化处理
binary_image cv2.threshold(image, threshold, 255, cv2.THRESH_BINARY)[1]
# 显示二值化后的图像
cv2.imshow(Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows() 2、P参数法 P参数法是一种图像二值化处理方法用于将灰度图像转换为二值图像。它基于图像的局部信息进行操作具体步骤如下 选择一个合适的阈值T0 ≤ T ≤ 255作为全局阈值。 对于图像中的每个像素点计算其周围邻域内像素的均值和标准差。如果该像素的灰度值大于等于均值加上参数P乘以标准差则将其设置为白色255否则设置为黑色0。 import cv2
import numpy as np
def p_thresholding(image, P):# 将图片转换为灰度图像gray_image cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 获取图像大小height, width gray_image.shape
# 初始化输出二值图像binary_image np.zeros((height, width), np.uint8)
for i in range(height):for j in range(width):# 计算像素的周围邻域内像素的均值和标准差neighborhood_mean np.mean(gray_image[max(0, i-1):min(height, i2), max(0, j-1):min(width, j2)])neighborhood_std np.std(gray_image[max(0, i-1):min(height, i2), max(0, j-1):min(width, j2)])
# 根据P参数法判断像素的二值化结果if gray_image[i, j] neighborhood_mean P * neighborhood_std:binary_image[i, j] 255else:binary_image[i, j] 0
return binary_image
# 读取图像
image cv2.imread(rq.jpg)
# 设置参数P的值
P 0.2
# 调用P参数法二值化函数
binary_image p_thresholding(image, P)
# 显示原始图像和二值图像
cv2.imshow(Original Image, image)
cv2.imshow(Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
3、迭代法
基本原理很简单
1选择灰度图的平均值作为初始阈值T0 ;
2计算小于等于T0的平均值T1, 和大于T0的平均值T2;
3新的阈值为T T1 T2/ 2;
4比较T和T0,若相等则返回T即为迭代阈值; 否则 T0 T,重复1-3 import cv2
def iterative_thresholding(image, threshold127):# 初始化二值化结果binary_image image.copy()
# 迭代更新阈值prev_threshold 0while threshold ! prev_threshold:prev_threshold threshold
# 计算两个区域的平均灰度值region1_mean image[image threshold].mean()region2_mean image[image threshold].mean()
# 更新阈值threshold (region1_mean region2_mean) // 2
# 根据新的阈值进行二值化binary_image[image threshold] 0binary_image[image threshold] 255
return binary_image
# 读取图像
image cv2.imread(rC:\Users\Downloads\q.jpg)
# 调用迭代法二值化函数
binary_image iterative_thresholding(image)
# 显示结果
cv2.imshow(Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows() 4、OTSU法 最大类间方差是由日本学者大津(Nobuyuki Otsu)于1979年提出是一种确定图像二值化分割阈值的算法。算法假设图像像素能够根据全局阈值被分成背景[background]和目标[objects]两部分。然后计算该最佳阈值来区分这两类像素使得两类像素区分度最大。
从大津法的原理上来讲该方法又称作最大类间方差法因为按照大津法求得的阈值进行图像二值化分割后前景与背景图像的类间方差最大。它被认为是图像分割中阈值选取的最佳算法计算简单不受图像亮度和对比度的影响因此在数字图像处理上得到了广泛的应用。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景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。 import cv2
# 读取图像并转换为灰度图像
image cv2.imread(rq.jpg, cv2.IMREAD_GRAYSCALE)
# 使用OTSU法计算最佳阈值
ret, binary_image cv2.threshold(image, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)
# 显示二值化后的图像
cv2.imshow(Binary Image, binary_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
