数字图像处理一 | 图像概念及阈值分割的python实现

数字图像处理总结一

@Eason Sheng
图像概念 & 阈值分割
文末有代码链接。

图像

数字图像描述的是一个二元函数f(x,y)，将图像的坐标和图上某处的值联系起来。
有三种图片，但本质都是灰度图像，像素值也称为灰度值。
图像种类分为：
二值图像 – $graylevel=0or255/1$
灰度图像 – $graylevel\in [0,255]$
彩色图像 – 三个通道的灰度图片
伪彩图像、高维图片 – 不作详细介绍

阈值分割算法

阈值分割就是利用图片灰度的分布规律，来分割出图片中不同的物体。
而每个物体在图片中的都是一个个的正态分布
所以阈值分割就需要找到一个阈值来分出几个正态分布
而要找到那个阈值，就需要引入一个概念 – 灰度直方图

灰度直方图

就是统计图片中的灰度分布。
横坐标是0～255的灰度值，纵坐标是每个灰度值在图片中的出现的个数
每一个物体都有在一段灰度值中的分布，可以看出图片中物体的分布
找到那个阈值之后，是可以将阈值之下的置为0，之上的置为最高值。
但每张图都有不同的阈值，所以需要一个算法，可以针对不同的图，自动找到那个可以分割出的阈值
即算法的普适性

OTSU

OTSU是一个可以自动找到分割阈值的算法
其核心思想是：
将所有像素通过一个阈值分为前景和背景，然后用一个方差来描述两个类距离图像中心的距离的加和，这个方差最大时，两个类分得最开，对应用的阈值最优

算法描述：
先得到灰度直方图
对0-255的每个灰度值，来计算方差
方差公式：${\sigma }^2={\omega }_0{\omega }_1({\mu }_1-{\mu }_0{)}^2$
$\omega =\sum P(i)$
$P(i)=n_i/N$
$\mu =\sum iP(i)/\omega$
得到最大方差对应的阈值作为分割阈值

Entropy

熵分割也是一种可以自己找到分割需要的阈值的算法
熵描述的是信息量
而阈值分割问题，其实就是将图片分为前景和背景
如果前景信息量大的同时，背景的信息量也很大，那么就说明分割的比较好
所以核心思想就是：
Maximum($H=H_W+H_B$)

算法描述：
求出灰度直方图
对每个像素值，计算前景背景熵之和
得到熵最大的那个阈值作为最终的阈值
熵:
$H_b=-{\sum }^{0\to t}{p}_{i}log(p_i)$
$H_w=-{\sum }^{t+1\to 255}{p}_{i}log(p_i)$

Code

这里的两种阈值算法都可以在我的GitHub上的项目里找到。
访问受限时可在码云访问。
该项目是一个包括阈值分割、卷积滤波、形态学和灰度形态学的数字图像处理算法集合
且带有GUI，有很好的演示效果
觉得可以别忘了star哦~