对于简单的灰度图像，如果⽬标与背景的灰度存在⼀定的差异，那么可以⽤阈值来提取⽬标。关键是确定阈值，常⽤⽅法有：
模态法、P参数法、可变阈值法、⼤津法和迭代逼近法等。
模态法：
取直⽅图的波⾕作为阈值。适⽤于⽬标与背景灰度差异较⼤，⽬标与背景的直⽅图各有⼀个波峰的灰度图像。
如果直⽅图凹凸较激烈，寻波⾕存在困难，可以⽤领域点平均化处理使直⽅图相对平滑。
P参数法：
当⽬标占图像的⾯积⽐例已知，且⽬标最⼩灰度值⼤于背景最⼤灰度值时，可采⽤P参数法。具体做法是，如果⽬标灰度接近⽩⾊，则在
直⽅图右侧开始累计像素，直到累计像素占总像素数⽐例为P时，将当前的灰度作为阈值(否则从左侧开始累计)。
例如下图，⽉亮所占⽐列为0.45，它最低灰度与背景灰度稍有重合，阈值确定为75，最终基本提取出⽬标。
可变阈值法：
当图像背景灰度多变时，可以为图像不同部位设置不同的阈值，这样可以很好地去除⼲扰。
例如提取下图的蒲公英，图像上部光照多，主要为蒲公英的⽻⽑，下部光照少，且主要为茎，对上中下采取不同阈值的提取效果会好很多。
⼤津法：
⼤津法的应⽤最⼴泛，有很好的⾃适应阈值。适⽤于批量图像提取或者动态灰度图像提取(然⽽事实证明，当⼤津遇到反光时，⼲扰也会很严重)。
⼤津法的原理如下：
设T为分割阈值，由此划分出区域记为R1和R2。
sdaR1占图像总像素的⽐例为θ1，R2占图像总像素的⽐例为θ2。
图像的平均灰度值为μ0，R1的平均灰度为μ1，R2的平均灰度为μ2。
显然有：
μ0=θ1*μ1+θ2*μ2
如果阈值选得恰当，则R1与R2的灰度差应该较⼤，那么μ1与μ0、μ2与μ0的差的绝对值也就较⼤。
定义类间⽅差，来反应灰度差⼤⼩：
σ2=θ1(μ1-μ0)2+θ2(μ2-μ0)2
对于每个选定的阈值T，都有σ对应，⽽最⼤σ的阈值T则是最佳阈值。
迭代逼近法：
此法是⼤津法的简化版，具体步骤如下：
取最⼤灰度与最⼩灰度平均值(也可以是图像平均灰度)为初始阈值T，由此得两个区域为R1和R2
计算R1和R2的灰度均值μ1、μ2
选择新阈值T=(μ1+μ2)/2，重复以上步骤，直到T不再变化或变化在⼀定范围内。
采⽤该法的效果如图所⽰，⼤概只迭代了五次左右：
但是，该法确定的阈值很粗糙，往往与最佳阈值会有较⼤偏差，⽐如提取之前的⽉亮，表现得就并不是很好了：
以上⼤部分matlab仿真测试代码罗列如下：
%p参数法确定阈值
function thres=pthres(file,p)
imga=imread(file);%灰度化
imga=rgb2gray(imga);%获取⼤⼩
乌托邦主义
[sizex,sizey]=size(imga);%直⽅图
histogram= zeros(256,1);for i=1:sizexfor j=1:sizey
histogram(imga(i,j)+1)=histogram(imga(i,j)+1)+1;
end
end%累计像素
pixels_cnt=0;
thres=256;while(pixels_cnt
pixels_cnt=pixels_cnt+histogram(thres);
thres=thres-1;
end%根据阈值⼆值化
mybw=imbinarize(imga,(thres-1)/255);
subplot(1,2,1);
imshow(imga);
title('原图');
subplot(1,2,2);
imshow(mybw);
title('p参数法⼆值化');
end
%多阈值分割实例
捕鼠弓>国际经济合作
imga=imread('multi_thres.jpg');
imga=rgb2gray(imga);
single= imbinarize(a,85/255);
multi(250:300,:) = imbinarize(a(250:300,:),85/255); multi(150:250,:) = imbinarize(a(150:250,:),150/255); multi(1:150,:) = imbinarize(a(1:150,:),170/255); subplot(1,3,1);
imshow(imga);
title('原图');
subplot(1,3,2);
imshow(single);
title('单阈值处理');
subplot(1,3,3);
imshow(multi);
title('多阈值处理');
%迭代逼近法
function thres=iterator(file)
imga=imread(file);%灰度化
imga=rgb2gray(imga);%获取⼤⼩
[sizex,sizey]=size(imga);%直⽅图与总灰度统计
gray_sum=0;
histogram= zeros(256,1);for i=1:sizexfor j=1:sizey histogram(imga(i,j)+1)=histogram(imga(i,j)+1)+1;
gray_sum= gray_sum+double(imga(i,j)+1);
end
end%初始阈值
thres=gray_sum/(sizex*sizey);
old_thres=0;%迭代逼近while(abs(thres-old_thres)>1) disp(thres);
office小u1=0;u2=0;
cnt1=0;cnt2=0;for i=1:thres
u1=u1+histogram(i)*i; %统计R1区域平均灰度
cnt1=cnt1+histogram(i);
endfor i=256:-1:thres
u2=u2+histogram(i)*i; %统计R2区域平均灰度
cnt2=cnt2+histogram(i);
end
u1=u1/cnt1;
u2=u2/cnt2;
old_thres=thres;
高浓除砂器thres=(u1+u2)/2; %新阈值
end
mybw=imbinarize(imga,(thres-1)/256);
subplot(1,2,1);
imshow(imga);
title('原图');
subplot(1,2,2);
imshow(mybw);
title('迭代逼近法⼆值化');
end
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议