An instance-based learning approach for thresholding in crop images under different outdoor conditio

这篇文章主要是为了解决包含作物行的图像灰度化后，二值化所需阈值的选择问题。

作者主要利用k-means算出训练集中与之在概率累积图上相近的k幅图，然后将这些图的阈值乘以相应的权重获得目标图的二值化阈值。

作者首先利用超绿特征将图像灰度化

对灰度化后的图像生成灰度直方图，然后对灰度直方图生成概率直方图。

选择多种光照条件下的图像，并人工选择合适的阈值，将这些图像作为训练集。

对于目标图像，利用k-means通过公式4计算与训练集每一幅图像的距离，选择k个距离最近的图。

利用选择的k幅图，利用公式5计算出每幅图的权值，再利用这些权值乘以每幅图的阈值获得目标图的阈值。

 

选择不同的k值进行实验，发现k=2时效果最好。

最后与otsu和平均值法做对比，发现效果优于这些传统的方法。

 

 

 

 

当然，该方法还可以用于其他阈值选择问题，或者是值选择问题。