bij beeldproces en-analyse hebben we soms een methode nodig om twee gerelateerde gegevens te scheiden, bijvoorbeeld achtergrond en voorgrond, land en rivier. Hier, Ik zal een data-driven manier die adaptief kan vinden de optimale drempel om twee-klasse data te onderscheiden introduceren-Otsu threshholding. Deze methode kan worden toegepast in beeldsegmentatie en beeld binarisatie, en de laatste is het belangrijkste onderwerp in dit artikel.
+ Korte inleiding
de methode van Otsu is een adaptieve drempelmethode voor binarisatie in beeldverwerking. Door alle mogelijke drempelwaarden te doorlopen (van 0 tot 255), kan het de optimale drempelwaarde van de invoerafbeelding vinden.
+meer details
In de volgende drie secties zal ik uitleggen hoe Otsu-drempelwaarden werken en waarom het dat doet.
overzicht van de Otsu-methode: zoek de optimale drempelwaarde zodat variantie binnen de klasse VW minimaal is (of variantie tussen de klasse Vb maximaal is).
- maak histogram voor de invoerafbeelding
we gaan ervan uit dat de invoerafbeelding een grijswaardenafbeelding is. Wat betreft de RGB-invoerafbeelding, moet deze eerst worden omgezet in grijswaardenafbeelding.
bij Otsu-drempelwaarden worden statistische gegevens van een afbeelding gebruikt. Eerst praten we over”Histogram”. Het is een weergave van de verspreiding van de gegevens. En … hoe maak je het histogram voor een invoerbeeld? Zeer eenvoudig, neem een kijkje op het volgende voorbeeld👇, om het aantal van elke pixelwaarde in een afbeelding te berekenen en dit statistische resultaat is zogenaamde histogram.
merk op dat het bereik van de pixelwaarde tussen 0 en 255 ligt. Voor het gemak gaan we ervan uit dat de pixelwaarde niet groter is dan 5 en dat de pixelwaarde niet gerelateerd is aan de kleur die in het voorbeeld wordt getoond.
