图像分割—基于阈值处理的基本方法.docxVIP

下载本文档

0
0
约5.22千字
约 10页
2025-05-09 发布于湖南
举报
版权申诉

图像分割—基于阈值处理的基本方法.docx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

1.固定阈值法——直方图双峰法

该方法基于图像直方图上出现的双峰现象。当一个图像有双峰现象时，其直方图会出现两个峰，分别对应图像中两种不同的颜色或亮度区域。这时我们可以使用直方图双峰法来自动确定合适的阈值。

其基本思路如下：

1.计算图像的灰度直方图。

2.根据直方图的两个峰的位置，计算出两个峰之间的阈值，作为图像的阈值。

3.根据计算出的阈值对图像进行二值化处理，将图像分成目标和背景两个部分。

注意：该方法只适用于存在双峰现象的图像，对于单峰或峰不明显的图像，则需要使用其他的阈值分割方法。

使用cv2.threshold(src,thresh,maxval,type)函数。

常用的阈值处理方法有：

代码：

#直方图双峰法importcv2importnumpyasnpfrommatplotlibimportpyplotasplt

#读取图像(阈值处理方法不同)img=cv2.imread(house.tif,0)x,img1=cv2.threshold(img,150,255,cv2.THRESH_BINARY)x,img2=cv2.threshold(img,150,255,cv2.THRESH_TRUNC)x,img3=cv2.threshold(img,150,255,cv2.THRESH_TOZERO)

#显示原始图像和恢复后的图像plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(img,cmap=gray)plt.title(InputImage),plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(img1,cmap=gray)plt.title(segimgTHRESH_BINARY),plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(img2,cmap=gray)plt.title(segimgTHRESH_TRUNC),plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(img3,cmap=gray)plt.title(segimgTHRESH_TOZERO),plt.xticks([]),plt.yticks([])plt.show()

这种全局阈值处理方法缺点是对噪声的处理的效果并不好，需要进行平滑处理。

importcv2importrandomimportnumpyasnpfrommatplotlibimportpyplotaspltimg=cv2.imread(house.tif,0)

#加上高斯噪声noise=np.random.normal(0,100,size=img.size).reshape(img.shape[0],img.shape[1])img1=img+noiseimg1=np.clip(img1,0,255)

#平滑处理img2=cv2.GaussianBlur(img1,(5,5),0)

#直方图双峰法x,img3=cv2.threshold(img,150,255,cv2.THRESH_BINARY)x,img4=cv2.threshold(img1,150,255,cv2.THRESH_BINARY)x,img5=cv2.threshold(img2,150,255,cv2.THRESH_BINARY)

#显示原始图像和恢复后的图像plt.figure(figsize=(20,20))plt.subplot(221),plt.imshow(img,cmap=gray)plt.title(InputImage),plt.xticks([]),plt.yticks([])plt.subplot(222),plt.imshow(img1,cmap=gray)plt.title(noiseimg),plt.xticks([]),plt.yticks([])plt.subplot(223),plt.imshow(img4,cmap=gray)plt.title(segnoiseimg),plt.xticks([]),plt.yticks([])plt.subplot(224),plt.imshow(img5,cmap=gray)plt.title(segblurimg),plt.xticks([]),plt.yticks([]