本文介绍了一种针对含小目标灰度图像的自适应二值化方法，通过迭代调整阈值来提高目标提取的鲁棒性。该方法适用于亮度变化较大的场景，能有效减少阈值调整的难度，尤其适合小目标的提取。算法流程包括设定初始阈值，然后迭代计算并更新超过阈值部分的平均灰度，直至达到预设迭代次数。对于大目标的效果和应用还有待进一步探讨。
对含小目标的灰度图二值化方法
在实际经历中，对原始图像经过一定操作之后得到了包含目标的灰度图像，其中，目标在图像中属于比较亮的区域，背景则是相对较暗的区域，现在需要将目标提取出来。
最先想到的方法是将灰度图像二值化，并且希望目标区域二值图中为1（255）的集合，背景则是0的集合。一般想法可能直接是阈值分割，对于单帧或者图像序列亮度及目标亮度变化不大的情况一般适用，但是对于复杂情况可能不太适用。因为在不同的环境中，阈值可能不一样了，之前能够很好分割的阈值在其他图像中将目标判断成了背景也是很可能发生的。
在最近的工作中，发现了一种工程上的方法，能够比较好的做到自适应阈值，其中或许包含某些参数，但是参数调整范围很小（比如1-3），减少了阈值调整的难度，且适应范围及分割鲁棒性得到很大的提高。
接下来我们先来看看这个方法的思路（利益相关，无法展示测试图片及代码，仅描述方法）：
- 设定分割阈值mean = 0；
- 在图像M中，f(x, y)表示（x, y）处的灰度值，求取图像中f(x, y) > mean 的平均灰度值，即f(x, y) <= mean 的像素点不参与计算；
- 更新mean为2中求取的全局平均灰度值；
- 回到2，算法迭代n次，n为可调参数（实际上n不用太大，n = 3应该就是足够了）。
算法的思路是ÿ
最低0.47元/天 解锁文章
5万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
