Dans le processus et l’analyse d’images, nous avons parfois besoin d’une méthode pour séparer deux données connexes, par exemple, l’arrière-plan et le premier plan, la terre et la rivière. Ici, je vais introduire une méthode axée sur les données qui peut trouver de manière adaptative le seuil optimal pour distinguer le seuillage Otsu de données à deux classes. Cette méthode peut être appliquée à la segmentation d’images et à la binarisation d’images, et cette dernière est le sujet principal de cet article.
+ Brève introduction
La méthode d’Otsu est une méthode de seuillage adaptative pour la binarisation dans le traitement d’images. En passant par toutes les valeurs de seuil possibles (de 0 à 255), il peut trouver la valeur de seuil optimale de l’image d’entrée.
+ Plus de détails
Dans les trois sections suivantes, je vais expliquer comment fonctionne le seuillage Otsu et pourquoi il le fait.
Aperçu de la méthode Otsu: trouvez la valeur de seuil optimale pour que la variance intra-classe Vw soit minimale (ou la variance inter-classe Vb soit maximale).
- créer un histogramme pour l’image d’entrée
Nous supposons que l’image d’entrée est une image en niveaux de gris. Quant à l’image d’entrée RVB, elle doit d’abord être convertie en image en niveaux de gris.
Dans le seuillage Otsu, les données statistiques d’une image sont utilisées. Tout d’abord, nous parlons d ‘ »histogramme ». C’est une représentation de la distribution des données. Ethowcomment créer l’histogramme d’une image d’entrée? Très simple, jetez un œil à l’exemple suivant 👇, pour calculer le nombre de chaque valeur de pixel dans une image et ce résultat statistique est appelé histogramme.
Notez que la plage de la valeur des pixels est comprise entre 0 et 255. Pour plus de commodité, nous supposons que la valeur de pixel n’est pas supérieure à 5 et que la valeur de pixel n’est pas liée à la couleur indiquée dans l’exemple.
