AR学习笔记（七）：阈值二值化优化与颜色分割的优化

接下来改进一下阈值二值化的方法，使分割更加完整，然后改进颜色分割的方法，让阈值适应不同牙齿颜色以及光照条件

---

阈值二值化的优化

当前方案

图像预处理

图像预处理包括尺寸修改、限制对比度自适应直方图均衡、中值滤波，其中CLAHE能够增强牙齿和牙龈间的对比度，中值滤波可以削弱牙齿反光从而减少噪声

下面是不同参数下的CLAHE的效果

ClipLimit = 2.0

ClipLimit = 4.0

ClipLimit = 8.0

结论：当ClipLImit上升后，对比度增强，但牙齿底部颜色失真严重，灰度值变低，这里取3.0比较合适，对于其它样本图片同样适用

下面是CLAHE对不同均匀光照（暗/正常/亮）下图片的效果

结论：CLAHE能够使得在不同光照下的图片亮度趋向于一致，但是对于不均匀光照，没有统一局部光照的效果
ps.矫正光照的其他方法：在HSV颜色模型下，使多幅图像的V参数达到一致

阈值二值化

下面是对于均匀光照（暗/正常/亮）条件的图片，采用不同阈值的二值化处理效果对比

thresh = 100

thresh = 120

下面是对于不均匀光照（暗/正常/亮）条件的图片，采用不同阈值的二值化处理效果对比

thresh = 100

thresh = 120

结论：
由于阈值thresh固定，所以只在正常光照下，二值化的效果比较好，对于光照过强或过弱情况，轮廓的提取存在较大误差

---

优化方案

otsu法

otsu法（最大类间方差法，大津算法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。 所以可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。
otsu算法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。

代码参考：OTSU算法介绍及openCV的C++实现
下面是测试结果：

ostuthresh = 107

ostuthresh = 111

ostuthresh = 117

结论：使用ostu得到的阈值还需要进一步地优化，但优化难度比较大，目前通过对多幅图像测试，采取×1.3的方法来拟合合理阈值，相比固定阈值的优化有一定的改善

顶帽变换

可以用来矫正不均匀光照，下面是不同结构元素尺寸(2121,3131,4141,5151)的测试结果，效果不好

分块阈值法

参考：光照不均匀图像分割技巧

---

颜色分割的优化

当前方案

图像预处理同样包括尺寸修改、限制对比度自适应直方图均衡、中值滤波，然后在HSV空间下进行颜色分割
分割效果见：AR学习笔记（五）：边缘分割优化和提取特征点

优化方案

HSV模型分割

查找表方法