otsu算法，最佳閥值分割編程實(shí)現(xiàn)otsu最佳全局閥值算法

來源：整理時(shí)間：2023-08-26 10:03:09 編輯：智能門戶手機(jī)版

本文目錄一覽

1，最佳閥值分割編程實(shí)現(xiàn)otsu最佳全局閥值算法
2，Otsu算法在Canny算子中的應(yīng)用中Otsu算法的程序后要不要再添加
3，求圖像二值化算法給個具體思路就好畢設(shè)用的
4，otsu算法有多個k值對應(yīng)的類間方差相等且最大
5，otsu算法同時(shí)有幾個最大類間分差的解決辦法
6，自動確定圖像二值化最佳閾值的方法

1，最佳閥值分割編程實(shí)現(xiàn)otsu最佳全局閥值算法

我不會~~~但還是要微笑~~~：）

最佳閥值分割編程實(shí)現(xiàn)otsu最佳全局閥值算法

2，Otsu算法在Canny算子中的應(yīng)用中Otsu算法的程序后要不要再添加

問題一：OTSU法是二值化圖像的算法，經(jīng)過OTSU處理圖像就成了黑白二值圖。CANNY算法是針對灰度圖的邊緣提取算法。OTSU處理后，不需要再加CANNY處理了。問題二：如果圖像噪音較大，就需要先做中值濾波，或其它降噪處理。這是圖像處理的前處理。做前處理的目的是提高圖像質(zhì)量，然后再做OTSU，效果會好一些。但圖像本身就很清晰的話，就不需要加中值濾波了。通過你的問題，我感覺你還沒有透徹理解幾個術(shù)語的概念。先想清楚想把什么樣的圖像處理成什么樣的圖像，然后根據(jù)目的選擇處理方法。如果話說重了，請?jiān)彙?/section>

Otsu算法在Canny算子中的應(yīng)用中Otsu算法的程序后要不要再添加

3，求圖像二值化算法給個具體思路就好畢設(shè)用的

思路很簡單，就是深度高于某個值則是1，低于某個值則是0，具體這個值的取法，采用均方差最小計(jì)算，首先掃描整個圖片，確定亮度最高和最低點(diǎn)，分別作為1和0，然后從1和0中間依次按一個比較小的臺階（例如先處理成256級灰度）依次作為二值化的分界，就是大于這個亮度的算1，小于的算0，然后計(jì)算所有點(diǎn)實(shí)際亮度與二值化以后的亮度的方差，依次遍歷計(jì)算所有的分界點(diǎn)，計(jì)算所有的方差和，取方差和最小的分界點(diǎn)作為最終的分界點(diǎn)。這個算法叫otsu算法，有些不負(fù)責(zé)任的人，以訛傳訛寫成了ostu算法。

你好！1. 讀取像素點(diǎn)的RGB值.2. 定義一個評估函數(shù)，用來計(jì)算像素的評估值。根據(jù)你要做什么，定義這個函數(shù)。以灰度為例:int eva(int r, int g, int b)return 0.3*r + 0.59*g+0.11*b; }3. 定義一個閾值, 用于二值化.int threshold = 128;根據(jù)評估值>=或?qū)懟叵袼攸c(diǎn)或把二值話化果寫入矩陣。保存二值化圖像。如有疑問，請追問。

求圖像二值化算法給個具體思路就好畢設(shè)用的

4，otsu算法有多個k值對應(yīng)的類間方差相等且最大

k的0～255循環(huán)求得每一個對應(yīng)的fc=w0*(u0-ut).^2+w1*(u1-ut).^2；然后比較這256個fc中的最大值，對應(yīng)的那個k就是ostu的閾值。所以你這個還差一個k的循環(huán)，并在循環(huán)里面求最大fc。我這也有段求閾值的，你可以參考下hist=zeros(256,1);%直方圖%threshold=128; %初始閾值%計(jì)算直方圖for i=1:heightfor j=1:widthm=I_gray(i,j)+1;hist(m)=hist(m)+1;endendhist=hist/(height*width);%落在每一灰度級上的概率avg=0;for m=1:256avg=avg+(m-1)*hist(m);endtemp=0;for i=1:256p1=0;avg1=0;avg2=0;T_current=i-1;%當(dāng)前分割閾值for m=1:T_current-1p1=hist(m)+ p1;%低灰度級概率總和endp2=1-p1;%高灰度級概率總和for m=1:256if mavg1=avg1+(m-1)*hist(m); else avg2=avg2+(m-1)*hist(m); end end avg1=avg1/p1; avg2=avg2/p2; D=p1*(avg1-avg)^2+p2*(avg2-avg)^2; if D>=temp finalT=T_current; temp=D; end end 另外,站長團(tuán)上有產(chǎn)品團(tuán)購,便宜有保證

搜一下：otsu算法有多個k值對應(yīng)的類間方差相等且最大

5，otsu算法同時(shí)有幾個最大類間分差的解決辦法

OTSU-最大類間方差是由日本學(xué)者大津(OTSU)于1979年提出的,是一種自適應(yīng)的閾值確定的方法,又叫大津法,簡稱OTSU。 KSW 雙閾值方法1985年Kapur，Sahoo和Wong(三個人）提出一種最佳熵自動門限法，在此簡稱KSW 方法

k的0～255循環(huán)求得每一個對應(yīng)的fc=w0*(u0-ut).^2+w1*(u1-ut).^2；然后比較這256個fc中的最大值，對應(yīng)的那個k就是ostu的閾值。所以你這個還差一個k的循環(huán)，并在循環(huán)里面求最大fc。我這也有段求閾值的，你可以參考下hist=zeros(256,1);%直方圖%threshold=128; %初始閾值%計(jì)算直方圖for i=1:heightfor j=1:widthm=i_gray(i,j)+1;hist(m)=hist(m)+1;endendhist=hist/(height*width);%落在每一灰度級上的概率avg=0;for m=1:256avg=avg+(m-1)*hist(m);endtemp=0;for i=1:256p1=0;avg1=0;avg2=0;t_current=i-1;%當(dāng)前分割閾值for m=1:t_current-1p1=hist(m)+ p1;%低灰度級概率總和endp2=1-p1;%高灰度級概率總和for m=1:256if mavg1=avg1+(m-1)*hist(m); else avg2=avg2+(m-1)*hist(m); end end avg1=avg1/p1; avg2=avg2/p2; d=p1*(avg1-avg)^2+p2*(avg2-avg)^2; if d>=temp finalt=t_current; temp=d; end end 另外,站長團(tuán)上有產(chǎn)品團(tuán)購,便宜有保證

6，自動確定圖像二值化最佳閾值的方法

閾值將原圖象分成前景，背景兩個圖象?！　∏熬埃河胣1, csum, m1來表示在當(dāng)前閾值下的前景的點(diǎn)數(shù)，質(zhì)量矩，平均灰度　　后景：用n2, sum-csum, m2來表示在當(dāng)前閾值下的背景的點(diǎn)數(shù)，質(zhì)量矩，平均灰度　　當(dāng)取最佳閾值時(shí)，背景應(yīng)該與前景差別最大，關(guān)鍵在于如何選擇衡量差別的標(biāo)準(zhǔn)　　而在otsu算法中這個衡量差別的標(biāo)準(zhǔn)就是最大類間方差（英文簡稱otsu，這也就是這個算法名字的來源）　　在本程序中類間方差用sb表示，最大類間方差用fmax　　關(guān)于最大類間方差法（otsu）的性能:　　類間方差法對噪音和目標(biāo)大小十分敏感，它僅對類間方差為單峰的圖像產(chǎn)生較好的分割效果。　　當(dāng)目標(biāo)與背景的大小比例懸殊時(shí)，類間方差準(zhǔn)則函數(shù)可能呈現(xiàn)雙峰或多峰，此時(shí)效果不好，但是類間方差法是用時(shí)最少的?！　∽畲笞畲箢愰g方差法（otsu）的公式推導(dǎo)：　　記t為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為w0，平均灰度為u0；背景點(diǎn)數(shù)占圖像比例為w1，平均灰度為u1?！　t圖像的總平均灰度為：u=w0*u0+w1*u1?！　∏熬昂捅尘皥D象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式為方差公式，可參照概率論課本　　上面的g的公式也就是下面程序中的sb的表達(dá)式　　當(dāng)方差g最大時(shí)，可以認(rèn)為此時(shí)前景和背景差異最大，也就是此時(shí)的灰度是最佳閾值　　unsafe public int GetThreshValue(Bitmap image)　　　　BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat);　　byte* pt = (byte*)bd.Scan0;　　int[] pixelNum = new int[256]; //圖象直方圖，共256個點(diǎn)　　byte color;　　byte* pline;　　int n, n1, n2;　　int total; //total為總和，累計(jì)值　　double m1, m2, sum, csum, fmax, sb; //sb為類間方差，fmax存儲最大方差值　　int k, t, q;　　int threshValue = 1; // 閾值　　int step = 1;　　switch (image.PixelFormat)　　　　case PixelFormat.Format24bppRgb:　　step = 3;　　break;　　case PixelFormat.Format32bppArgb:　　step = 4;　　break;　　case PixelFormat.Format8bppIndexed:　　step = 1;　　break;　　}　　//生成直方圖　　for (int i = 0; i < image.Height; i++)　　　　pline = pt + i * bd.Stride;　　for (int j = 0; j < image.Width; j++)　　　　color = *(pline + j * step); //返回各個點(diǎn)的顏色，以RGB表示　　pixelNum[color]++; //相應(yīng)的直方圖加1　　}　　}　　//直方圖平滑化　　for (k = 0; k <= 255; k++)　　　　total = 0;　　for (t = -2; t <= 2; t++) //與附近2個灰度做平滑化，t值應(yīng)取較小的值　　　　q = k + t;　　if (q < 0) //越界處理　　q = 0;　　if (q > 255)　　q = 255;　　total = total + pixelNum[q]; //total為總和，累計(jì)值　　}　　pixelNum[k] = (int)((float)total / 5.0 + 0.5); //平滑化，左邊2個+中間1個+右邊2個灰度，共5個，所以總和除以5，后面加0.5是用修正值　　}　　//求閾值　　sum = csum = 0.0;　　n = 0;　　//計(jì)算總的圖象的點(diǎn)數(shù)和質(zhì)量矩，為后面的計(jì)算做準(zhǔn)備　　for (k = 0; k <= 255; k++)　　　　sum += (double)k * (double)pixelNum[k]; //x*f(x)質(zhì)量矩，也就是每個灰度的值乘以其點(diǎn)數(shù)（歸一化后為概率），sum為其總和　　n += pixelNum[k]; //n為圖象總的點(diǎn)數(shù)，歸一化后就是累積概率　　}　　fmax = -1.0; //類間方差sb不可能為負(fù)，所以fmax初始值為-1不影響計(jì)算的進(jìn)行　　n1 = 0;　　for (k = 0; k < 255; k++) //對每個灰度（從0到255）計(jì)算一次分割后的類間方差sb　　　　n1 += pixelNum[k]; //n1為在當(dāng)前閾值遍前景圖象的點(diǎn)數(shù)　　if (n1 == 0) 　　n2 = n - n1; //n2為背景圖象的點(diǎn)數(shù)　　if (n2 == 0) 　　csum += (double)k * pixelNum[k]; //前景的“灰度的值*其點(diǎn)數(shù)”的總和　　m1 = csum / n1; //m1為前景的平均灰度　　m2 = (sum - csum) / n2; //m2為背景的平均灰度　　sb = (double)n1 * (double)n2 * (m1 - m2) * (m1 - m2); //sb為類間方差　　if (sb > fmax) //如果算出的類間方差大于前一次算出的類間方差　　　　fmax = sb; //fmax始終為最大類間方差（otsu）　　threshValue = k; //取最大類間方差時(shí)對應(yīng)的灰度的k就是最佳閾值　　}　　}　　image.UnlockBits(bd);　　image.Dispose();　　return threshValue;　　}

%采用迭代運(yùn)算，計(jì)算圖像的最佳閾值：%a為原始圖像，圖像大小為[width,height]%迭代計(jì)算最佳閾值t% output 是輸出的結(jié)果圖像value=255/2; %設(shè)定初始迭代閾值t0old=0; % 前一次迭代計(jì)算得到的閾值%1. 迭代運(yùn)算過程，計(jì)算最佳分割閾值。while(abs(value-old)>0.1) %閾值分割就是將像素分割成兩類，現(xiàn)用 sum1和 sum2計(jì)算兩類的和，n和m 用來計(jì)數(shù)。 % 下面是這些變量的初始化過程 old=value; sum1=0 n=0; sum2=0; m=0; % 迭代分類過程 for i=1:width for j=1:height if a(i,j)sum1=sum1+a(i,j); n=n+1; else sum2=sum2+a(i,j); m=m+1; end end end %計(jì)算新的分割閾值t value=(sum1/n+sum2/m)/2; end % 2. 用得到的最終閾值對圖像二值化。 output=a; for i=1:width for j=1:height if a(i,j) output(i,j)=0; %output是二值化的結(jié)果 end end end