图像分割·阈值化分割

2024-05-08 18:38
文章标签 图像 阈值 分割

本文主要是介绍图像分割·阈值化分割,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

  • 图像阈值化分割

    对图像进行灰度阈值化是最简单的分割处理。图像阈值化算法简单高效,在很多场景中依然得到很多应用,实时性很好。图像阈值化的缺陷也是明显的,不能够很好的利用图像中的诸如色彩、纹理等语义信息,因此在复杂场景中无法得到目标结果。对一幅图像R进行完全分割,是使得区域 R1,...,Rs 的有限集合满足如下关系:


R=Si=1Ri,  RiRj=,  ij

    图像阈值化分为全局阈值和局部阈值。全局阈值是对整幅图像使用单个阈值,局部阈值是根据图像局部信息在局部执行阈值化。阈值化操作有许多改进算法,例如:局部阈值化、带阈值化、半阈值化、多阈值化等。阈值化的关键在于如何选择阈值。
    如果事先知道经过分割后的图像的某种性质,就可以简化阈值选择任务,因为阈值可以按照确保该性质得以满足的条件来选择。阈值检测方法主要有:p 率阈值化、直方图形状分析、最优阈值化等。
    * 在二模态直方图中,阈值可以确定为两个最大的局部极大值之间的极小值位置。
    * 最优阈值化确定阈值为离对应于两个或更多个正态分布最大值之间的最小概率处最近的灰度值,其结果即为最小错误分割。
    * 对于彩色图像和多谱段图像适合采用多光谱阈值化方法。
    

  • 图像阈值化分割·OpenCV实现

    OpenCV提供了几个阈值化函数,可以实现图像阈值化分割,常用的有如下两个函数: threshold, adaptiveThreshold

    1. cv::threshold()

    函数介绍:


void cv::adaptiveThreshold(InputArray   src,OutputArray  dst,double   maxValue,int  adaptiveMethod,int  thresholdType,int  blockSize,double   C )        Parameterssrc:   input array (single-channel, 8-bit or 32-bit      floating point).dst:   output array of the same size and type as src.thresh:    threshold value.maxval:    maximum value to use with the THRESH_BINARY and THRESH_BINARY_INV thresholding types.type:  thresholding type

    函数参数type可选值,也即阈值化操作类型:


这里写图片描述
图1:阈值化操作可选值

    
    阈值化操作类型图示:


这里写图片描述
图2:阈值化操作图示

    threshold函数应用示例:

#include <iostream>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>using namespace cv;
using namespace std;//全局变量
#define WINDOW_NAME "Binaryzation"int g_thresholdValue = 45;
int g_thresholdType = 1;
Mat g_grayImg;//函数声明
void onThreshold(int, void*);int main()
{Mat srcImg = imread("D:/Developer/Qt/images/std/lena.bmp");if(!srcImg.data){cout << "Failed to read picture!" << endl;return false;}//转灰度图cvtColor(srcImg, g_grayImg, COLOR_RGB2GRAY);//创建显示窗口namedWindow(WINDOW_NAME, cv::WINDOW_KEEPRATIO);createTrackbar("ThresholdTypes", WINDOW_NAME, &g_thresholdType, 4, onThreshold);createTrackbar("ThresholdValue", WINDOW_NAME, &g_thresholdValue, 255, onThreshold);onThreshold(0, 0);waitKey();return 0;
}//回调函数
void onThreshold(int, void*)
{Mat dstImg;threshold(g_grayImg, dstImg, g_thresholdValue, 255, g_thresholdType);imshow(WINDOW_NAME, dstImg);
}

    执行效果:


这里写图片描述
图3:原图
这里写图片描述
图4:运行效果图

    
    2. cv::adaptiveThreshold()
    函数介绍:


void cv::adaptiveThreshold(InputArray   src,OutputArray  dst,double   maxValue,int  adaptiveMethod,int  thresholdType,int  blockSize,double   C )    Parameterssrc:   Source 8-bit single-channel image.dst:   Destination image of the same size and the same type as src.maxValue:  Non-zero value assigned to the pixels for which the condition is satisfiedadaptiveMethod:    Adaptive thresholding algorithm to use, see cv::AdaptiveThresholdTypesthresholdType: Thresholding type that must be either THRESH_BINARY or THRESH_BINARY_INV, see cv::ThresholdTypes.blockSize: Size of a pixel neighborhood that is used to calculate a threshold value for the pixel: 3, 5, 7, and so on.C: Constant subtracted from the mean or weighted mean (see the details below). Normally, it is positive but may be zero or negative as well.   


这里写图片描述
这里写图片描述

    adaptiveThreshold函数应用示例:

#include <iostream>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>using namespace cv;
using namespace std;//全局变量
#define WINDOW_NAME "Binaryzation"int main()
{Mat srcImg = imread("D:/Developer/Qt/images/std/lena.bmp");if(!srcImg.data){cout << "Failed to read picture!" << endl;return false;}//转灰度图Mat grayImg;cvtColor(srcImg, grayImg, COLOR_RGB2GRAY);//创建显示窗口namedWindow(WINDOW_NAME, cv::WINDOW_KEEPRATIO);Mat dstImg;adaptiveThreshold(grayImg, dstImg, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, cv::THRESH_BINARY, 5, 10);imshow(WINDOW_NAME, dstImg);waitKey();return 0;
}

    执行效果:


这里写图片描述
图5:运行效果图

这篇关于图像分割·阈值化分割的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/971123

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

SAM2POINT:以zero-shot且快速的方式将任何 3D 视频分割为视频

摘要 我们介绍 SAM2POINT,这是一种采用 Segment Anything Model 2 (SAM 2) 进行零样本和快速 3D 分割的初步探索。 SAM2POINT 将任何 3D 数据解释为一系列多向视频,并利用 SAM 2 进行 3D 空间分割,无需进一步训练或 2D-3D 投影。 我们的框架支持各种提示类型,包括 3D 点、框和掩模,并且可以泛化到不同的场景,例如 3D 对象、室

Verybot之OpenCV应用一:安装与图像采集测试

在Verybot上安装OpenCV是很简单的,只需要执行:         sudo apt-get update         sudo apt-get install libopencv-dev         sudo apt-get install python-opencv         下面就对安装好的OpenCV进行一下测试,编写一个通过USB摄像头采

【python计算机视觉编程——7.图像搜索】

python计算机视觉编程——7.图像搜索 7.图像搜索7.1 基于内容的图像检索(CBIR)从文本挖掘中获取灵感——矢量空间模型(BOW表示模型)7.2 视觉单词**思想****特征提取**: 创建词汇7.3 图像索引7.3.1 建立数据库7.3.2 添加图像 7.4 在数据库中搜索图像7.4.1 利用索引获取获选图像7.4.2 用一幅图像进行查询7.4.3 确定对比基准并绘制结果 7.

【python计算机视觉编程——8.图像内容分类】

python计算机视觉编程——8.图像内容分类 8.图像内容分类8.1 K邻近分类法(KNN)8.1.1 一个简单的二维示例8.1.2 用稠密SIFT作为图像特征8.1.3 图像分类:手势识别 8.2贝叶斯分类器用PCA降维 8.3 支持向量机8.3.2 再论手势识别 8.4 光学字符识别8.4.2 选取特征8.4.3 多类支持向量机8.4.4 提取单元格并识别字符8.4.5 图像校正

HalconDotNet中的图像特征与提取详解

文章目录 简介一、边缘特征提取二、角点特征提取三、区域特征提取四、纹理特征提取五、形状特征提取 简介   图像特征提取是图像处理中的一个重要步骤,用于从图像中提取有意义的特征,以便进行进一步的分析和处理。HalconDotNet提供了多种图像特征提取方法,每种方法都有其特定的应用场景和优缺点。 一、边缘特征提取   边缘特征提取是图像处理中最基本的特征提取方法之一,通过检

超越IP-Adapter!阿里提出UniPortrait,可通过文本定制生成高保真的单人或多人图像。

阿里提出UniPortrait,能根据用户提供的文本描述,快速生成既忠实于原图又能灵活调整的个性化人像,用户甚至可以通过简单的句子来描述多个不同的人物,而不需要一一指定每个人的位置。这种设计大大简化了用户的操作,提升了个性化生成的效率和效果。 UniPortrait以统一的方式定制单 ID 和多 ID 图像,提供高保真身份保存、广泛的面部可编辑性、自由格式的文本描述,并且无需预先确定的布局。

基于YOLO8的图片实例分割系统

文章目录 在线体验快速开始一、项目介绍篇1.1 YOLO81.2 ultralytics1.3 模块介绍1.3.1 scan_task1.3.2 scan_taskflow.py1.3.3 segment_app.py 二、核心代码介绍篇2.1 segment_app.py2.2 scan_taskflow.py 三、结语 代码资源:计算机视觉领域YOLO8技术的图片实例分割实

Winfrom中解决图像、文字模糊的方法

1.添加清单 2.将清单中的下面内容取消注释

使用亚马逊Bedrock的Stable Diffusion XL模型实现文本到图像生成:探索AI的无限创意

引言 什么是Amazon Bedrock? Amazon Bedrock是亚马逊云服务(AWS)推出的一项旗舰服务,旨在推动生成式人工智能(AI)在各行业的广泛应用。它的核心功能是提供由顶尖AI公司(如AI21 Labs、Anthropic、Cohere、Meta、Mistral AI、Stability AI以及亚马逊自身)开发的多种基础模型(Foundation Models,简称FMs)。