i billedproces og analyse har vi nogle gange brug for en metode til at adskille to relaterede data, for eksempel baggrund og forgrund, land og flod. Her introducerer jeg en datadrevet måde, som adaptivt kan finde den optimale tærskel for at skelne mellem to-klasse data-Otsu tærskelværdi. Denne metode kan anvendes i billedsegmentering og billedbinarisering, og sidstnævnte er hovedemnet i denne artikel.
+kort introduktion
otsus metode er en adaptiv tærskelmetode til binarisering i billedbehandling. Ved at gennemgå alle mulige tærskelværdier (fra 0 til 255) kan den finde den optimale tærskelværdi for inputbillede.
+flere detaljer
i de følgende tre afsnit forklarer jeg, hvordan Otsu thresholding fungerer, og hvorfor det gør det.
oversigt over Otsu-metoden: find den optimale tærskelværdi, så variansen inden for klassen er minimal (eller variansen mellem klassen Vb er maksimal).
- Opret histogram til inputbilledet
vi antager, at inputbilledet er et gråtonebillede. Hvad angår RGB-inputbilledet, skal det først konverteres til gråtonebillede.
i Otsu-tærskning anvendes statistiske data for et billede. Først taler vi om”Histogram”. Det er en repræsentation af distributionen af dataene. Og … hvordan oprettes histogrammet til et inputbillede? Meget ligetil, tag et kig på følgende eksempel, for at beregne antallet af hver billedværdi i et billede, og dette statistiske resultat er såkaldt histogram.
Bemærk, at rækkevidden af billedværdien er fra 0 til 255. For nemheds skyld antager vi, at billedværdien ikke er større end 5, og billedværdien ikke er relateret til farven vist i eksemplet.
