一、灰度阈值法
1、全局阈值法
整幅图像使用同一个阈值做分割处理,适用于目标物和背景有明显对比的图像。这种方法是只考虑像素值不考虑空间特征的,例如峰谷法、最大熵分割法。
如下是一维最大熵分割法实现。
最大熵原理:只掌握关于未知分布的部分知识时,应选取符合这些知识的但是熵值最大的概率分布。因为熵越大,随机变量的不确定性越大,做准确预测的难度越大。
int maxEntropy(IplImage *src);
float calEntropy(CvHistogram *hist,int begin,int end);
int main()
{
//Mat img =imread("E:/b.jpg",1);
IplImage *src=cvLoadImage("G:\\4.bmp",CV_LOAD_IMAGE_GRAYSCALE);
IplImage *dst = cvCreateImage(cvGetSize(src),IPL_DEPTH_8U,1);
int threshold=maxEntropy(src);
cvThreshold(src, dst, threshold, 255, CV_THRESH_BINARY);
//imshow("一维最大熵分割",img);
cvNamedWindow("一维最大熵分割");
cvShowImage("一维最大熵分割", dst);
cvWaitKey(0);
return 0;
}
int maxEntropy(IplImage *src)
{
assert(src);
assert(src->depth == 8);
assert(src->nChannels == 1);
int sizes=256;
float range[2]={
0,255};
float *ranges[1]={&range[0]};
CvHistogram *hist = cvCreateHist(1, &sizes, CV_HIST_ARRAY, ranges, 1);
cvCalcHist(&src,hist,0,0);
cvNormalizeHist(hist,0);
int threthold=0;
int Entropy_max=0;
for(int i=0;i<sizes;i++)
{
float entropy=calEntropy(hist,0,i)+calEntropy(hist,i,sizes);
if(entropy>=Entropy_max)
Entropy_max=entropy;
}
return Entropy_max;
}
float calEntropy(CvHistogram *hist,int begin,int end)
{
float total=0;//总概率
for(int i=begin;i<end;i++)
{
total+=cvQueryHistValue_1D(hist,i);
}
float entropy=0;
for(int i=begin;i<end;i++)
{
float probability=cvQueryHistValue_1D(hist,i);
if(probability==0)
continue;
probability/=total;
entropy-=probability*log(probability);
}
return entropy;
}
2、自适应阈值法
在许多情况下,目标和背景的对比度在图像中的各处是不一样的,实际处理时,需要按照具体情况将图像分成若干子区域分别选择阈值,或者动态地根据一定的邻域范围选择每点处的阈值,进行图像分割。
OTSU法,它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
以前在遥感影像灰度阈值分割上尝试了一些自适应阈值法,影像背景地物比较复杂,效果都不太理想。
3、人工确定
二、基于边缘的图像分割
1、差分法
图像差分,就是把两幅图像的对应像素值相减,以削弱图像的相似部分,突出显示图像的变化部分。【原理都是共通的,这个也是比较简单的变化检测方法】
2、梯度法
Canny\Sobel算子等,他们是里面包含有计算梯度幅值和方向的步骤,也是一种梯度算子吧。
Canny 步骤:首先消除噪声,一般使用高斯平滑滤波;然后计算梯度幅值和方向;然后非极大值抑制,也就是说选择局部范围内的极大值,抑制局部范围内的非极大值;最后是双阈值算法检测和连接,这一步是为了保留主要边缘,剔除不连续的、次要的边缘。
这里原理解释主要参考:
http://blog.csdn.net/likezhaobin/article/details/6892176
代码根据该博主提供的代码进行了重构
http://blog.csdn.net/likezhaobin/article/details/6892629
/*****
int* M ; //梯度幅值
unsigned char* N; //非极大值抑制结果
double* Theta ; //梯度方向
******/
void Gaussian(unsigned char* nImageData,unsigned char* pCanny,int nWidth,int nHeight);
void nonMaximumSuppression(unsigned char *pCanny,unsigned char* N,int* M,double* Theta,int nWidth,int nHeight);//极大值抑制
void doubleThresholdDetection(unsigned char* N,int* M,int nWidth,int nHeight);//双阈值检测
void TraceEdge(int y, int x, int nThrLow, unsigned char* pResult, int *pMag, int nWidth,int nHeight);
void main()
{
/******彩色图灰度化********/
IplImage *colorImage=cvLoadImage("G:\\5.jpg",-1);//读图,获取彩色图指针
int width=colorImage->width;
int height=colorImage->height;
int sizeofPixel=width*height;//像素数
IplImage *opencvGrayImage=cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,1);//定义变换后的灰度图指针
char *gray=(char*)malloc(sizeof(char)*width*height);//存放转换后的灰度像素值
for(int i=0;i<sizeofPixel;i++)
{
uchar b=(uchar)colorImage->imageData[3*i+0];
uchar g = (uchar)colorImage->imageData[3 * i + 1];
uchar r = (uchar)colorImage->imageData[3 * i + 2];
gray[i] = r * 0.299 + g * 0.587 + b * 0.114;
}
opencvGrayImage->imageData=gray;
unsigned char* nImageData = new unsigned char[width*height]; //保存图像中的数据
for(int j=0; j<height; j++) //获取数据
{
for(int i=0; i<width; i++)
nImageData[j*width+i] = (unsigned char)opencvGrayImage->imageData[j*width+i];
}
unsigned char*pCanny = new unsigned char[width*height]; //为平滑后的图像数据分配内存
Gaussian(nImageData,pCanny,width,height);//高斯模糊,不太理解
int* M = new int[width*height]; //梯度幅值
unsigned char* N =new unsigned char[width*height]; //非极大值抑制结果
double* Theta = new double[width*height]; //梯度方向
nonMaximumSuppression(pCanny,N,M,Theta,width,height);//非极大值抑制结果
doubleThresholdDetection(N,M,width,height);//双阈值检测