实验三 图像分割实验

最新推荐文章于 2024-09-01 15:08:59 发布
最新推荐文章于 2024-09-01 15:08:59 发布
阅读量772 收藏 23
点赞数 14
分类专栏： 数字图像处理 文章标签： opencv 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ggsfsa/article/details/139186168
版权

实验项目名称：图像分割实验

实验项目性质：验证性实验

所属课程名称：数字图像分析与艺术化处理

实验计划学时：2

  1. 进一步理解图像的阈值分割方法和边缘检测方法的原理。
  2. 掌握图像基本全局阈值方法和最大类间方差法（otsu法）的原理并编程实现。
  3. 编程实现图像的边缘检测。

编程实现图像阈值分割（基本全局阈值方法和otsu法）和边缘检测。

计算机，VS2017+OpenCV

1、图像的阈值分割的基本原理

图像的二值化处理图像分割中的一个主要内容，就是将图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。用I表示原图，R表示二值化后的图，则二值化的过程可以用以下公式表示：

thr表示选取的阈值。二值化的过程就是当原图的像素灰度值大于阈值就将其变白，否则就将其变黑。即将256个亮度等级的灰度图像通过适当的阀值选取而将图像变为二个级别灰度级，这样只有二个灰度级的图像在图像处理分析过程中占有非常重要的地位，特别是在实用的图像处理中。

根据对全图使用统一阈值还是对不同区域使用不同阈值，可以分为全局阈值方法(global thresholding)和局部阈值方法(local thresholding，也叫做自适应阈值方法adaptive thresholding)；这种与坐标相关的阈值也叫动态阈值，具体的方法，可以参考相关的图像处理书籍。

基本全局阈值方法，即在整个图像中所有的象素点，其阈值thr相同，具体步骤为：

  1. 选取一个初始估计值T；
  2. 用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。
  3. 对G1和G2中所有像素计算平均灰度值u1和u2。
  4. 计算新的阈值：T=(u1 + u2)/2。
  5. 重复步骤（2）到（4），直到得到的T值之差小于一个事先定义的参数T0。

Otsu方法的算法步骤为：

  1. 先计算图像的归一化直方图；
  2. i表示分类的阈值，也即一个灰度级，从0开始迭代；
  3. 通过归一化的直方图，统计0~i 灰度级的像素(背景像素) 所占整幅图像的比例w0，并统计背景像素的平均灰度u0；统计i~255灰度级的像素(前景像素) 所占整幅图像的比例w1，并统计前景像素的平均灰度u1；
  4. 计算前景像素和背景像素的方差 g = w0*w1*(u0-u1) (u0-u1)
  5. i++，直到i为256时结束迭代；
  6. 将最大g相应的i值作为图像的全局阈值。

2、边缘检测

图像中边缘的检测可以借助一阶和二阶微分实现，常见的一阶边缘检测算子即梯度算子包括Roberts算子、Prewitt算子和Sobel算子，二阶算子主要是Laplacian算子，由于受噪声影响比较大，往往在使用之前先对图像进行平滑处理，LOG算子就是先对图像进行高斯平滑，然后进行拉普拉斯变换并求零交叉点。Canny算子是最优的边缘检测算子，是基于一阶微分算子的基础上进行改进得到的。

  1. 图像的阈值分割：

图像为车牌图像，编写代码实现基本全局阈值法和Otsu法，输出阈值T，比较分割结果。

  1. 边缘检测

用边缘检测算子对车牌图像进行处理，可以用梯度算子、LOG算子或Canny算子（LOG算子可以用5*5的近似核，Canny算子可以直接用OpenCV函数）。比较先阈值分割后边缘检测和直接对灰度图像进行边缘检测这两种情况的结果是否有差别，有什么差别。

注意：这里提取灰度边缘即可。

核心代码：

// 基本全局阈值法

double basicGlobalThreshold(const Mat& src, double initialT, double T0) {

    double T = initialT;

    double prevT;

    double u1=0, u2=0, G1=0, G2=0, n_G1=0, n_G2=0;

    int cols, rows;

    cols = src.cols;

    rows = src.rows;

    do {

        prevT = T;

        for(int i=0;i<rows;i++)

            for (int j = 0; j < cols; j++) {

                if (src.at<uchar>(i, j) > T) {

                    G1 += src.at<uchar>(i, j);

                    n_G1++;

                }

                else {

                    G2 += src.at<uchar>(i, j);

                    n_G2++;

                }

            }

        u1 = G1 / n_G1;

        u2 = G2 / n_G2;

        T = (u1 + u2) / 2;

    } while (abs(T - prevT) >= T0);

   

    return T;

}

//otsuThreshold

double OtsuThreshold(const cv::Mat& src) {

    // 计算直方图

    std::vector<int> histogram(256, 0);

    for (int y = 0; y < src.rows; y++) {

        for (int x = 0; x < src.cols; x++) {

            histogram[src.at<uchar>(y, x)]++;

        }

    }

    // 归一化

    int total = src.rows * src.cols;

    std::vector<double> normalizedHist(256, 0);

    for (int i = 0; i < 256; i++) {

        normalizedHist[i] = (double)histogram[i] / total;

    }

    // 计算累积和与累积均值

    std::vector<double> cumulativeSum(256, 0);

    std::vector<double> cumulativeMean(256, 0);

    cumulativeSum[0] = normalizedHist[0];

    cumulativeMean[0] = 0; // 0 * normalizedHist[0] is always 0

    for (int i = 1; i < 256; i++) {

        cumulativeSum[i] = cumulativeSum[i - 1] + normalizedHist[i];

        cumulativeMean[i] = cumulativeMean[i - 1] + i * normalizedHist[i];

    }

    double globalMean = cumulativeMean[255];

    // 寻找最大类间方差

    double maxVariance = 0;

    int threshold = 0;

    for (int i = 0; i < 256; i++) {

        double w0 = cumulativeSum[i];

        double w1 = 1 - w0;

        if (w0 == 0 || w1 == 0) continue;

        double u0 = cumulativeMean[i] / w0;

        double u1 = (globalMean - cumulativeMean[i]) / w1;

        double variance = w0 * w1 * (u0 - u1) * (u0 - u1);

        if (variance > maxVariance) {

            maxVariance = variance;

            threshold = i;

        }

    }

    return threshold;

}

int main() {

    Mat src = imread("C:\\Users\\23609\\OneDrive\\图片\\保存照片\\4BEEFDEFFE786B33C98E9A24242FC0F9.bmp", 0);

    if (src.empty()) {

        cout << "Could not open or find the image" << endl;

        return -1;

    }

    Mat basicThresh, otsuThresh, cannyEdges, cannyAfterBasicThresh, cannyAfterOtsuThresh;

    double initialT = 127;

    double T0 = 0.5;

    double T_basic = basicGlobalThreshold(src, initialT, T0);

    threshold(src, basicThresh, T_basic, 255, THRESH_BINARY);

    double T_otsu = threshold(src, otsuThresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

    Canny(src, cannyEdges, 50, 150);

    Canny(basicThresh, cannyAfterBasicThresh, 50, 150);

    Canny(otsuThresh, cannyAfterOtsuThresh, 50, 150);

    cout << "Basic Global Threshold: " << T_basic << endl;

    cout << "Otsu Threshold: " << T_otsu << endl;

    imshow("Original Image", src);

    imshow("Basic Global Thresholding", basicThresh);

    imshow("Otsu Thresholding", otsuThresh);

    imshow("Canny Edges on Original", cannyEdges);

    imshow("Canny Edges on BasicThresholded Image", cannyAfterBasicThresh);

    imshow("Canny Edges on OtsuThresholded Image", cannyAfterOtsuThresh);

    waitKey(0);

    return 0;

}

两者阈值差别不大，otsu阈值总是更小一些

可以看出otsu算法由于阈值低保留下的前景更多

边缘检测对比发现，相比没有图像分割处理的检测，两种算法图像分割后保留下的边缘更细，但也会使得明暗变化不大地方的边缘有少量被忽略。而原始处理的边缘检测颜色很重很黑，线条很多，边缘之内的东西也被标记处大量细节，但是也因为此很多不明显的边缘被保留。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

// 基本全局阈值法
double basicGlobalThreshold(const Mat& src, double initialT, double T0) {
    double T = initialT;
    double prevT;
    double u1=0, u2=0, G1=0, G2=0, n_G1=0, n_G2=0;
    int cols, rows;
    cols = src.cols;
    rows = src.rows;
    do {
        prevT = T;
        for(int i=0;i<rows;i++)
            for (int j = 0; j < cols; j++) {
                if (src.at<uchar>(i, j) > T) {
                    G1 += src.at<uchar>(i, j);
                    n_G1++;
                }
                else {
                    G2 += src.at<uchar>(i, j);
                    n_G2++;
                }
            }
        u1 = G1 / n_G1;
        u2 = G2 / n_G2;
        T = (u1 + u2) / 2;
    } while (abs(T - prevT) >= T0);
    
    return T;
}
double OtsuThreshold(const cv::Mat& src) {
    // 计算直方图
    std::vector<int> histogram(256, 0);
    for (int y = 0; y < src.rows; y++) {
        for (int x = 0; x < src.cols; x++) {
            histogram[src.at<uchar>(y, x)]++;
        }
    }
    // 归一化
    int total = src.rows * src.cols;
    std::vector<double> normalizedHist(256, 0);
    for (int i = 0; i < 256; i++) {
        normalizedHist[i] = (double)histogram[i] / total;
    }
    // 计算累积和与累积均值
    std::vector<double> cumulativeSum(256, 0);
    std::vector<double> cumulativeMean(256, 0);
    cumulativeSum[0] = normalizedHist[0];
    cumulativeMean[0] = 0; // 0 * normalizedHist[0] is always 0
    for (int i = 1; i < 256; i++) {
        cumulativeSum[i] = cumulativeSum[i - 1] + normalizedHist[i];
        cumulativeMean[i] = cumulativeMean[i - 1] + i * normalizedHist[i];
    }

    double globalMean = cumulativeMean[255];

    // 寻找最大类间方差
    double maxVariance = 0;
    int threshold = 0;
    for (int i = 0; i < 256; i++) {
        double w0 = cumulativeSum[i];
        double w1 = 1 - w0;
        if (w0 == 0 || w1 == 0) continue;
        double u0 = cumulativeMean[i] / w0;
        double u1 = (globalMean - cumulativeMean[i]) / w1;
        double variance = w0 * w1 * (u0 - u1) * (u0 - u1);
        if (variance > maxVariance) {
            maxVariance = variance;
            threshold = i;
        }
    }

    return threshold;
}

int main() {
    Mat src = imread("C:\\Users\\23609\\OneDrive\\图片\\保存照片\\4BEEFDEFFE786B33C98E9A24242FC0F9.bmp", 0);
    if (src.empty()) {
        cout << "Could not open or find the image" << endl;
        return -1;
    }
    Mat basicThresh, otsuThresh, cannyEdges, cannyAfterBasicThresh, cannyAfterOtsuThresh;

    double initialT = 127;
    double T0 = 0.5;
    double T_basic = basicGlobalThreshold(src, initialT, T0);
    threshold(src, basicThresh, T_basic, 255, THRESH_BINARY);

    double T_otsu = threshold(src, otsuThresh, 0, 255, THRESH_BINARY | THRESH_OTSU);

    Canny(src, cannyEdges, 50, 150);
    Canny(basicThresh, cannyAfterBasicThresh, 50, 150);
    Canny(otsuThresh, cannyAfterOtsuThresh, 50, 150);
    cout << "Basic Global Threshold: " << T_basic << endl;
    cout << "Otsu Threshold: " << T_otsu << endl;

    imshow("Original Image", src);
    imshow("Basic Global Thresholding", basicThresh);
    imshow("Otsu Thresholding", otsuThresh);
    imshow("Canny Edges on Original", cannyEdges);
    imshow("Canny Edges on BasicThresholded Image", cannyAfterBasicThresh);
    imshow("Canny Edges on OtsuThresholded Image", cannyAfterOtsuThresh);
    waitKey(0);
    return 0;
}

z君埋了吧
关注
  • 14
    点赞
  • 踩
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
实验四 图像分割
RDEESSDERT的博客
05-19 831
实验四 图像分割
MATLAB图像分割实验代码
06-16
2、利用自编程序实现阈值分割，显示分割后的图像，并返回分割阈值； 3、调用系统函数实现OTSU阈值分割，显示分割后的图像，并返回分割阈值； 4、利用原图的灰度直方图人工定义阈值，实现全阈值分割，显示分割后的...
数字图像处理OpenCV——实验三 图像分割实验
加载中.......
08-18 2660
实验三 图像分割实验 实验项目名称：图像分割实验 (1) 进一步理解图像的阈值分割方法和边缘检测方法的原理。 (2) 掌握图像基本全局阈值方法和最大类间方差法（otsu法）的原理并编程实现。 (3) 编程实现图像的边缘检测。 编程实现图像阈值分割（基本全局阈值方法和otsu法）和边缘检测。 图像的二值化处理图像分割中的一个主要内容，就是将图像上的点的灰度置为0或255，也就是讲整个图像呈现出明显的黑白效果。用I表示原图，R表示二值化后的图，则二值化的过程可以用以下公式表示： thr表示选取的阈值。二值化的过
基于MATLAB的图像处理技术：实验三 图像分割
m0_68526732的博客
01-17 1372
摘要：本文是我们学习MATLAB图像处理技术实验的第三节：图像分割
【MATLAB】图像分割实验
Wuyeyu2001的博客
06-27 1万+
MATLAＢ对图像的目标和背景分割
数字图像处理：实验六 图像分割
热门推荐
chengzilhc的博客
05-03 2万+
实验六 图像分割 数据分割是由图像处理到图像分析的关键步骤，是图像识别和计算机视觉至关重要的预处理，图像分割后提取的目标可用于图像识别、特征提取，图像搜索等领域。图像分割的基本策略主要是基于图像灰度值的两个特性，即灰度的不连续性和灰度的相似性，因此图像分割方法可分为基于边缘的分割方法和基于区域的分割方法。本次实验通过完成简单的图像分割进一步加深对图像分割的理解。 一、实验目的 进一步掌握MATLAB程序设计方法； 巩固图像分割理论与方法； 编程实现图像分割，比较基于阈值分割方法和基于边缘分割方法的效果，分析
多媒体实验三图像分割1
08-08
本实验“多媒体实验三图像分割1”主要目的是让学生掌握图像分割的基本原理和方法，并通过编程实现不同的图像分割技术。 实验内容涉及到以下几种图像分割方法： 1. **区域生长算法**：这是一种基于像素邻域相似性的...
数字图像处理实验报告-图像分割
03-10
本实验报告将深入探讨三种图像分割方法：全局阈值分割、Otsu最优阈值分割以及基于边缘改进的阈值分割，并提供MATLAB实现代码，其中包括线检测算法，特别适用于基于边缘改进的分割。 1. **全局阈值分割**： 全局阈值...
数字图像处理｜Matlab-图像分割与边缘检测实验-采用阈值处理方法进行图像分割
12-15
在本实验中，完成图像分割后，可以进一步应用边缘检测算法，如Canny算法，以获得更清晰的图像轮廓。这将有助于提取出图像的主要特征，对于识别、跟踪等后续任务非常有帮助。 总的来说，通过Matlab的图像处理工具，...
实验三图像分割与边缘检测.docx
04-06
【实验三：图像分割与边缘检测】 实验的目标是让学生深入理解图像分割和边缘检测的基本概念，掌握使用阈值法进行图像分割以及边缘检测的主要方法。图像分割是图像处理中的核心环节，旨在将图像划分成有意义的区域，...
[OpenCV] 数字图像处理 C++ 学习——11自定义线性滤波 附完整代码
最新发布
m0_60437290的博客
09-01 1012
线性滤波用于去噪、平滑、边缘检测等操作。通过定义卷积核（算子）与图像进行卷积，线性滤波器可以有效地提取图像中的特定特征。本文将介绍几种常见的边缘检测算子，包括 Robert算子、Sobel 算子和拉普拉斯算子，并展示如何在 OpenCV 中实现这些滤波器的自定义操作。将提供完整的代码，以便学习使用。
opencv之阈值处理
hola173841439的博客
08-31 903
最大化类间方差（Between-Class Variance）是 Otsu’s 阈值法的核心概念，旨在选择一个最佳阈值，使得图像的前景和背景之间的差异最大化。这种方法通过分析图像的灰度直方图，找到一个阈值，使得图像被分割成前景和背景后，它们之间的类间方差最大。全局阈值适合简单、光照均匀的图像，计算速度快但对复杂场景效果不好。自适应阈值适合光照不均的复杂图像，能更好地处理细节，但计算复杂度较高。Otsu’s 阈值法是一种自动选择阈值的全局方法，适合灰度直方图呈双峰分布的图像。
[OpenCV] 数字图像处理 C++ 学习——09图像金字塔上采样(PyrUp)和降采样(PyrDown) 附完整代码
m0_60437290的博客
08-29 1199
本博客主要学习图像金字塔技术中的上采样和降采样操作。这些操作用于改变图像的分辨率，是多尺度图像处理的基础。通过上采样（拉普拉斯金字塔）可以放大图像，恢复或接近原始图像，而降采样（高斯金字塔）可以缩小图像，减少图像的细节，从而降低图像处理的计算复杂度。本博客将详细讲解上采样和降采样的原理，并提供完整的实现代码，通过具体示例来展示这些操作的实际效果。
OpenCV绘图函数（2）绘制圆形函数circle()的使用
jndingxin的专栏
08-27 762
cv::circle 函数用于绘制一个给定中心和半径的简单圆或填充圆。
OpenCV绘图函数（4）绘制轮廓线的函数drawContours()的使用
jndingxin的专栏
08-28 824
函数会在图像中绘制轮廓线
零基础Opencv学习（一）
哂笑年少
08-31 329
【代码】零基础Opencv学习（一）
opencv之形态学
hola173841439的博客
08-31 934
在图像处理领域，形态学是一种基于形状的图像分析技术，用于提取和处理图像的形态特征。这包括膨胀、腐蚀、开运算、闭运算等操作，广泛应用于边缘检测、图像分割和噪声去除等方面。形态学操作的核心概念是结构元（Structuring Element），这是一个定义形态学操作如何应用于图像的形状或模板。结构元可以是任意形状的，如方形、圆形、十字形等，应用于图像时，结构元素在图像上滑动，决定了哪些像素会被膨胀、腐蚀或其他形态学操作影响。
使用 OpenCV 组合和缩放多张图像
い天然呆的博客
08-27 550
在图像处理领域，我们经常需要将多张小图像组合成一张大图。例如，将多张图像按一定布局排列在一起，或者创建一个缩略图画廊。在这篇博客中，我将向你展示如何使用 Python 的 OpenCV 库来完成这一任务。
OpenCV小练习：人脸检测
呦呦鹿鸣
08-30 1372
使用OpenCV快速实现人脸检测。有个小插曲，在编译OpenCV源码的opencv_objdetect模块时碰到了奇怪问题
实验五 图像分割matlab
05-13
图像分割是将一幅图像分割成多个子区域，每个子区域具有一定的相似性，而且不同子区域间有明显的差异性。MATLAB提供了许多图像分割的函数，如K均值聚类、区域生长、分水岭算法等。 以下是一些MATLAB中常用的图像...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值