更多内容关注公众号:数学的旋律
tb店铺搜:FUN STORE玩物社,专业买手挑选送礼好物
一、阈值处理
由于阈值处理直观、实现简单且计算速度快,因此图像阈值处理在图像分割应用中处于核心地位。
1. 基础知识
假设图1(a)中的灰度直方图对应于图像 f ( x , y ) f(x,y) f(x,y),该图像由暗色背景上的较亮物体组成,以这样的组成方式,物体像素和背景像素所具有的灰度值组成了两种支配模式。从背景中提取物体的一种明显方法是,选择一个将这些模式分开的阈值 T T T。然后, f ( x , y ) > T f(x,y)>T f(x,y)>T 的任何点 ( x , y ) (x,y) (x,y) 称为一个对象点;否则该点称为背景点。分割后的图像 g ( x , y ) g(x,y) g(x,y) 由下式给出:
g ( x , y ) = { 1 , f ( x , y ) > T 0 , f ( x , y ) ≤ T ( 1 ) g(x,y) = \begin{cases} 1, & \text{$f(x,y) > T$} \\ 0, & \text{$f(x,y) ≤ T$}\ \ \ \ \ \ \ \ \ \ (1) \end{cases} g(x,y)={
1,0,f(x,y)>Tf(x,y)≤T (1)当 T T T 是一个适用于整个图像的常数时,上式给出的处理称为全局阈值处理。当 T T T 值在一幅图像上改变时,我们把该处理称为可变阈值处理(局部阈值处理或区域阈值处理有时用于表示可变阈值处理)。若 T T T 取决于空间坐标 ( x , y ) (x,y) (x,y) 本身,则可变阈值处理通常称为动态阈值处理或自适应阈值处理。
图1(b)显示了一个更为困难的阈值处理问题,它包含有三个支配模式的直方图。分割的图像由下式给出:
g ( x , y ) = { a , f ( x , y ) > T 2 b , T 1 < f ( x , y ) ≤ T 2 c , f ( x , y ) ≤ T 1 g(x,y) = \begin{cases} a, & \text{$f(x,y) > T_2$} \\ b, & \text{$T_1 < f(x,y) ≤ T_2$} \\ c, & \text{$f(x,y) ≤ T_1$} \end{cases} g(x,y)=⎩
⎨
⎧a,b,c,f(x,y)>T2T1<f(x,y)≤T2f(x,y)≤T1式中,a、b和c是任意三个不同的灰度值。
2. 基本的全局阈值处理
当物体和背景像素的灰度分布十分明显时,可以用适用于整个图像的单个(全局)阈值。能对每幅图像自动估计阈值的算法如下:
① 为全局阈值 T T T 选择一个初始估计值。
② 在式(1)中用 T T T 分割该图像。这将产生两组像素: G 1 G_1 G1 由灰度值大于 T T T 的所有像素组成, G 2 G_2