详细请参考:硕士论文, 基于机器学习的车辆目标识别方法
图像分割:
就是把图像中具有特殊含义的不同区域分割开来,这些区域是互不相交的,每一个区域都满足特定区域的一致性。
目前为止,不存在一个通用的分割方法,也不存在一个判断是否分割成功的客观标准,因此被认为是机器视觉的瓶颈。
机器视觉中的图像处理包括:
目标检测,特征提取,目标识别,他们都依赖于图像分割的质量。
阈值分割法:
根据利用的信息不同分为6类:
直方图阈值分割,如 Ramesh方法;
聚类分割的阈值分割法 如 Kittler方法;
基于熵的阈值分割法 如Kapur方法;
基于属性相似度的阈值分割 如Pikaz方法;
基于空间信息的阈值分割法 如Pal;
基于局部信息的阈值分割方法 如 Yanowitz;
1 基于最大类间方差法
由Otu提出的最大类间方差法,是在判决分析最小二乘法原理的基础上推导而来的。该方法将图像按灰度级划分为两类,
当两类的类间方差最大的时候,就认为找到了分割图像的最佳阈值。
显然Otu法是基于分割出的目标与背景之间差距应最大的思想来确定阈值的