In image process and analysis, we sometimes need a method to separate two related data, for example, background and foreground, land and river. Aqui, eu vou introduzir uma forma orientada a dados que pode adaptativamente encontrar o limiar ideal para distinguir duas classes de dados-thresholding Otsu. Este método pode ser aplicado em Segmentação de imagem e binarização de imagem, e este último é o tópico principal neste artigo.
+introdução curta
o método de Otsu é uma forma de debulha adaptativa para a binarização no processamento de imagens. Ao passar por todos os valores-limite possíveis (de 0 a 255), ele pode encontrar o valor-limite ideal da imagem de entrada.
+mais detalhes
nas três seções seguintes, eu explicarei como funciona o thresholding Otsu e por que ele faz isso.
Overview of Otsu method: find the optimal threshold value so that within-class variance Vw is minimal (or between-class variance Vb is maximal).
- crie histograma para a imagem de entrada
assumimos que a imagem de entrada é uma imagem de tons de cinzento. Quanto à imagem de entrada RGB, deve ser convertida em imagem de tons de cinzento primeiro.
In Otsu thresholding, statistical data of an image is used. Primeiro, falamos de”histograma”. É uma representação da distribuição dos dados. E … como criar o histograma para uma imagem de entrada? Muito simples, dê uma olhada no seguinte exemplo 👇, para calcular o número de cada valor de pixel em uma imagem e este resultado estatístico é chamado histograma.
Note que a gama do valor do pixel é de 0 a 255. Por conveniência, assumimos que o valor do pixel não é maior que 5 e o valor do pixel não está relacionado com a cor mostrada no exemplo.
