本文目录一览

1，最佳阀值分割 编程实现otsu最佳全局阀值算法

我不会~~~但还是要微笑~~~：）

最佳阀值分割 编程实现otsu最佳全局阀值算法

2，Otsu算法在Canny算子中的应用中Otsu算法的程序后要不要再添加

问题一：OTSU法是二值化图像的算法，经过OTSU处理图像就成了黑白二值图。CANNY算法是针对灰度图的边缘提取算法。OTSU处理后，不需要再加CANNY处理了。问题二：如果图像噪音较大，就需要先做中值滤波，或其它降噪处理。这是图像处理的前处理。做前处理的目的是提高图像质量，然后再做OTSU，效果会好一些。但图像本身就很清晰的话，就不需要加中值滤波了。通过你的问题，我感觉你还没有透彻理解几个术语的概念。先想清楚想把什么样的图像处理成什么样的图像，然后根据目的选择处理方法。如果话说重了，请原谅。

Otsu算法在Canny算子中的应用中Otsu算法的程序后要不要再添加

3，求图像二值化算法给个具体思路就好毕设用的

思路很简单，就是深度高于某个值则是1，低于某个值则是0，具体这个值的取法，采用均方差最小计算，首先扫描整个图片，确定亮度最高和最低点，分别作为1和0，然后从1和0中间依次按一个比较小的台阶（例如先处理成256级灰度）依次作为二值化的分界，就是大于这个亮度的算1，小于的算0，然后计算所有点实际亮度与二值化以后的亮度的方差，依次遍历计算所有的分界点，计算所有的方差和，取方差和最小的分界点作为最终的分界点。这个算法叫otsu算法，有些不负责任的人，以讹传讹写成了ostu算法。
你好！1. 读取像素点的RGB值.2. 定义一个评估函数，用来计算像素的评估值。根据你要做什么，定义这个函数。以灰度为例:int eva(int r, int g, int b)return 0.3*r + 0.59*g+0.11*b; }3. 定义一个阈值, 用于二值化.int threshold = 128;根据评估值>=或写回像素点或把二值话化果写入矩阵。 保存二值化图像。 如有疑问，请追问。

求图像二值化算法给个具体思路就好毕设用的

4，otsu算法有多个k值对应的类间方差相等且最大

k的0～255循环求得每一个对应的fc=w0*(u0-ut).^2+w1*(u1-ut).^2；然后比较这256个fc中的最大值，对应的那个k就是ostu的阈值。所以你这个还差一个k的循环，并在循环里面求最大fc。我这也有段求阈值的，你可以参考下hist=zeros(256,1);%直方图%threshold=128; %初始阈值%计算直方图for i=1:heightfor j=1:widthm=I_gray(i,j)+1;hist(m)=hist(m)+1;endendhist=hist/(height*width);%落在每一灰度级上的概率avg=0;for m=1:256avg=avg+(m-1)*hist(m);endtemp=0;for i=1:256p1=0;avg1=0;avg2=0;T_current=i-1;%当前分割阈值for m=1:T_current-1p1=hist(m)+ p1;%低灰度级概率总和endp2=1-p1;%高灰度级概率总和for m=1:256if mavg1=avg1+(m-1)*hist(m); else avg2=avg2+(m-1)*hist(m); end end avg1=avg1/p1; avg2=avg2/p2; D=p1*(avg1-avg)^2+p2*(avg2-avg)^2; if D>=temp finalT=T_current; temp=D; end end 另外,站长团上有产品团购,便宜有保证
搜一下：otsu算法有多个k值对应的类间方差相等且最大

5，otsu算法同时有几个最大类间分差的解决办法

OTSU-最大类间方差是由日本学者大津(OTSU)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。 KSW 双阈值方法1985年Kapur，Sahoo和Wong(三个人）提出一种最佳熵自动门限法，在此简称KSW 方法
k的0～255循环求得每一个对应的fc=w0*(u0-ut).^2+w1*(u1-ut).^2；然后比较这256个fc中的最大值，对应的那个k就是ostu的阈值。所以你这个还差一个k的循环，并在循环里面求最大fc。我这也有段求阈值的，你可以参考下hist=zeros(256,1);%直方图%threshold=128; %初始阈值%计算直方图for i=1:heightfor j=1:widthm=i_gray(i,j)+1;hist(m)=hist(m)+1;endendhist=hist/(height*width);%落在每一灰度级上的概率avg=0;for m=1:256avg=avg+(m-1)*hist(m);endtemp=0;for i=1:256p1=0;avg1=0;avg2=0;t_current=i-1;%当前分割阈值for m=1:t_current-1p1=hist(m)+ p1;%低灰度级概率总和endp2=1-p1;%高灰度级概率总和for m=1:256if mavg1=avg1+(m-1)*hist(m); else avg2=avg2+(m-1)*hist(m); end end avg1=avg1/p1; avg2=avg2/p2; d=p1*(avg1-avg)^2+p2*(avg2-avg)^2; if d>=temp finalt=t_current; temp=d; end end 另外,站长团上有产品团购,便宜有保证

6，自动确定图像二值化最佳阈值的方法

阈值将原图象分成前景，背景两个图象。　　前景：用n1, csum, m1来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来表示在当前阈值下的背景的点数，质量矩，平均灰度　　当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准　　而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源）　　在本程序中类间方差用sb表示，最大类间方差用fmax　　关于最大类间方差法（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。　　最大最大类间方差法（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，也就是此时的灰度是最佳阈值　　unsafe public int GetThreshValue(Bitmap image)　　　　BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat);　　byte* pt = (byte*)bd.Scan0;　　int[] pixelNum = new int[256]; //图象直方图，共256个点　　byte color;　　byte* pline;　　int n, n1, n2;　　int total; //total为总和，累计值　　double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值　　int k, t, q;　　int threshValue = 1; // 阈值　　int step = 1;　　switch (image.PixelFormat)　　　　case PixelFormat.Format24bppRgb:　　step = 3;　　break;　　case PixelFormat.Format32bppArgb:　　step = 4;　　break;　　case PixelFormat.Format8bppIndexed:　　step = 1;　　break;　　}　　//生成直方图　　for (int i = 0; i < image.Height; i++)　　　　pline = pt + i * bd.Stride;　　for (int j = 0; j < image.Width; j++)　　　　color = *(pline + j * step); //返回各个点的颜色，以RGB表示　　pixelNum[color]++; //相应的直方图加1　　}　　}　　//直方图平滑化　　for (k = 0; k <= 255; k++)　　　　total = 0;　　for (t = -2; t <= 2; t++) //与附近2个灰度做平滑化，t值应取较小的值　　　　q = k + t;　　if (q < 0) //越界处理　　q = 0;　　if (q > 255)　　q = 255;　　total = total + pixelNum[q]; //total为总和，累计值　　}　　pixelNum[k] = (int)((float)total / 5.0 + 0.5); //平滑化，左边2个+中间1个+右边2个灰度，共5个，所以总和除以5，后面加0.5是用修正值　　}　　//求阈值　　sum = csum = 0.0;　　n = 0;　　//计算总的图象的点数和质量矩，为后面的计算做准备　　for (k = 0; k <= 255; k++)　　　　sum += (double)k * (double)pixelNum[k]; //x*f(x)质量矩，也就是每个灰度的值乘以其点数（归一化后为概率），sum为其总和　　n += pixelNum[k]; //n为图象总的点数，归一化后就是累积概率　　}　　fmax = -1.0; //类间方差sb不可能为负，所以fmax初始值为-1不影响计算的进行　　n1 = 0;　　for (k = 0; k < 255; k++) //对每个灰度（从0到255）计算一次分割后的类间方差sb　　　　n1 += pixelNum[k]; //n1为在当前阈值遍前景图象的点数　　if (n1 == 0) 　　n2 = n - n1; //n2为背景图象的点数　　if (n2 == 0) 　　csum += (double)k * pixelNum[k]; //前景的“灰度的值*其点数”的总和　　m1 = csum / n1; //m1为前景的平均灰度　　m2 = (sum - csum) / n2; //m2为背景的平均灰度　　sb = (double)n1 * (double)n2 * (m1 - m2) * (m1 - m2); //sb为类间方差　　if (sb > fmax) //如果算出的类间方差大于前一次算出的类间方差　　　　fmax = sb; //fmax始终为最大类间方差（otsu）　　threshValue = k; //取最大类间方差时对应的灰度的k就是最佳阈值　　}　　}　　image.UnlockBits(bd);　　image.Dispose();　　return threshValue;　　}
%采用迭代运算，计算图像的最佳阈值：%a为原始图像，图像大小为[width,height]%迭代计算最佳阈值t% output 是输出的结果图像value=255/2; %设定初始迭代阈值t0old=0; % 前一次迭代计算得到的阈值%1. 迭代运算过程，计算最佳分割阈值。while(abs(value-old)>0.1) %阈值分割就是将像素分割成两类，现用 sum1和 sum2计算两类的和，n和m 用来计数。 % 下面是这些变量的初始化过程 old=value; sum1=0 n=0; sum2=0; m=0; % 迭代分类过程 for i=1:width for j=1:height if a(i,j)sum1=sum1+a(i,j); n=n+1; else sum2=sum2+a(i,j); m=m+1; end end end %计算新的分割阈值t value=(sum1/n+sum2/m)/2; end % 2. 用得到的最终阈值对图像二值化。 output=a; for i=1:width for j=1:height if a(i,j) output(i,j)=0; %output是二值化的结果 end end end

文章TAG：otsu算法  最佳阀值分割  编程实现otsu最佳全局阀值算法  
下一篇