Niblack算法和OTSU算法的实现

最新推荐文章于 2023-02-07 11:01:41 发布

lucayhaozi

最新推荐文章于 2023-02-07 11:01:41 发布

阅读量3.2k

点赞数

分类专栏： opencv

本文链接：https://blog.csdn.net/lucayhaozi/article/details/9967963

版权

本文主要介绍了Niblack二值化算法，它针对全局阈值方法的不足，通过计算像素点周围区域的均值和方差来确定局部阈值，以保留更多细节。算法公式为T(x,y) = m(x,y) + k* s(x,y)，其中k通常取-0.1。" 82832910,7530972,Django 自定义管理界面与数据添加,"['Django', '后端开发', 'Web开发', '数据库管理', 'Python']

摘要由CSDN通过智能技术生成

1、OTSU算法是设阈值将图像分割成俩组，一组灰度对应目标，另一组灰度对应背景，则这俩组灰度值的类内方差最小，俩组的类间方差最大。相关公式：
g = w0 *(u0 - u)*(u0 - u) + w1*(u1 - u)*(u1 - u) = w0 * w1 *(u0 - u1)*(u0 - u1)
我们将遍历最小灰度值到最大灰度值T作为图像的阈值，如果目标点的灰度值小于阈值则归为背景，大于阈值则归为前景。w0为使用前景T作为阈值是时像素点数比例，u1为使用T作为阈值是前景时平均灰度；w1为使用T作为阈值时背景像素点数比例，u1为使用T作为阈值是背景的平均灰度。而u则可由下式得到：
u = w0 * u0 + w1 * u1

void Otsu(const IplImage *srcImg,IplImage *dstImg)
{

	int m = 256;
	int *color = new int[m];
    memset(color, 0, m* sizeof(int));
	for(int h = 0; h < srcImg->height; h++)
	{
		uchar *p = (uchar*)(srcImg->imageData + srcImg->widthStep * h);
		for(int w = 0; w < srcImg->width; w++)
		{
			color[p[w]]++;
		}
	}