i bildprocess och analys behöver vi ibland en metod för att separera två relaterade data, till exempel bakgrund och förgrund, land och flod. Här introducerar jag ett datadrivet sätt som adaptivt kan hitta den optimala tröskeln för att skilja tvåklassig data-Otsu-tröskelvärde. Denna metod kan tillämpas i bildsegmentering och bildbinarisering, och den senare är huvudämnet i den här artikeln.
+kort introduktion
Otsu: s metod är ett adaptivt tröskelvärde för binarisering i bildbehandling. Genom att gå igenom alla möjliga tröskelvärden (från 0 till 255) kan den hitta det optimala tröskelvärdet för inmatningsbilden.
+ mer detaljer
i följande tre avsnitt förklarar jag hur Otsu thresholding fungerar och varför det gör det.
översikt över Otsu-metoden: hitta det optimala tröskelvärdet så att VW inom klassen är minimal (eller VB mellan klassen är maximal).
- skapa histogram för inmatningsbilden
vi antar att inmatningsbilden är en gråskalebild. När det gäller RGB-inmatningsbilden bör den konverteras till gråskalebild först.
i Otsu-tröskelvärde används statistiska data för en bild. Först talar vi om”Histogram”. Det är en representation av fördelningen av data. Och … hur man skapar histogrammet för en inmatningsbild? Mycket enkelt, ta en titt på följande exempel, för att beräkna antalet pixelvärden i en bild och detta statistiska resultat är så kallat histogram.
Observera att intervallet för pixelvärdet är från 0 till 255. För enkelhets skull antar vi att pixelvärdet inte är större än 5 och pixelvärdet inte är relaterat till färgen som visas i exemplet.
