i bildeprosess og analyse trenger vi noen ganger en metode for å skille to relaterte data, for eksempel bakgrunn og forgrunn, land og elv. Her vil jeg introdusere en datadrevet måte som adaptivt kan finne den optimale terskelen for å skille mellom to-klasse data – otsu-terskel. Denne metoden kan brukes i bildesegmentering og bildebinarisering, og sistnevnte er hovedtemaet i denne artikkelen.
+ Kort introduksjon
otsus metode er en adaptiv terskelvei for binarisering i bildebehandling. Ved å gå gjennom alle mulige terskelverdier (fra 0 til 255), kan den finne den optimale terskelverdien for inngangsbildet.
+Flere detaljer
i de følgende tre avsnittene vil jeg forklare hvordan Otsu thresholding fungerer og hvorfor det gjør det.
Oversikt Over otsu-metoden: finn den optimale terskelverdien slik at variansen i klassen Vw er minimal(eller variansen i klassen vb er maksimal).
- opprett histogram for inngangsbildet
vi antar at inngangsbildet er et gråtonebilde. NÅR DET gjelder RGB-inngangsbildet, bør det konverteres til gråtonebilde først.
i otsu-terskel brukes statistiske data for et bilde. Først snakker vi om «Histogram». Det er en representasjon av fordelingen av dataene. Og … hvordan lage histogrammet for et inngangsbilde? Veldig grei, ta en titt på følgende eksempel 👇, for å beregne antall hver pikselverdi i ett bilde, og dette statistiske resultatet er såkalt histogram.
Merk at området for pikselverdien er fra 0 til 255. For enkelhets skyld antar vi at pikselverdien ikke er større enn 5 og pikselverdien ikke er relatert til fargen som vises i eksemplet.
