现在的位置: 首页 > 综合 > 正文

灰度图像–图像分割 阈值处理之迭代均值阈值

2018年05月01日 ⁄ 综合 ⁄ 共 456字 ⁄ 字号 评论关闭

学习DIP第54天
转载请标明本文出处:http://blog.csdn.net/tonyshengtan ,出于尊重文章作者的劳动,转载请标明出处!文章代码已托管,欢迎共同开发:https://github.com/Tony-Tan/DIPpro

开篇废话

废话开始,本来打算昨天写这篇,半路被几个孙子(大学室友)拉去打Dota,结果输了一晚上,暴雪出的魔兽争霸和魔兽世界可谓游戏中的经典,一个是完美的游戏逻辑设计,其次是游戏画面,然后就有了各路模仿者,有感而发–做面向用户的应用程序,在满足软件基本要求的基础上,完美的逻辑设计和优秀的人机交互将能使软件经久不衰。

迭代均值算法

下面开始介绍迭代均值,迭代均值的基本算法如下

  1. 初始化阈值为T0
  2. Ti将全部像素值分为两部分G1G2,计算两部分的均值分别为m1m2
  3. m1m2产生新的阈值
    Ti=m1+m22
  4. 迭代上面步骤2和步骤3,直到
    |TiTi1|<ΔT

收敛条件是迭代后阈值变化小于一个收敛控制条件,这个条件决定阈值收敛的精确度,当ΔT设置过大,迭代次数减小,但精确度降低,如果ΔT设置过小,迭代次数增加,准确度提高。
其次是初始化阈值T0的选择,选择的阈值必须左右都有像素,尽量选择靠近中间的像素,这样可以有效的减少迭代次数。在代码中我使用的初始化阈值是,找出像素最大值和最小值,然后计算出他们的平均值。

代码

此算法比较简单,上代码:

/*********************************************************************************/
/*********************************************************************************/
//迭代法求阈值,初始化一个阈值
//将直方图分为两部分
//求出两部分的均值
//这两个均值的均值为新的阈值,迭代这些步骤
//deta_t 精确度,当迭代n次以后阈值tn与第n-1次迭代结果tn-1相差小于deta_t时,迭代停止。
void IterativeThreshold(double *src,double *dst,double deta_t,int width,int height,int type){

    int hist[GRAY_LEVEL];
    InitHistogram(hist);
    setHistogram(src, hist, width,height);
    int hist_min=findHistogramMax(hist);
    int hist_max=findHistogramMin(hist);
    double threshold_value=(hist_max+hist_min)/2.0;
    double threshold_last=threshold_value;
    while (threshold_last-threshold_value>=deta_t||
           threshold_last-threshold_value<=-deta_t) {
        threshold_last=threshold_value;
        double mean1=getMeaninHist(0, (int)threshold_value, hist);
        double mean2=getMeaninHist((int)threshold_value,hist_max+1, hist);
        threshold_value=(mean1+mean2)/2.0;
    }
    Threshold(src,dst, width, height, threshold_value,type);
}
/*********************************************************************************/
/*********************************************************************************/

结果与分析

观察运行结果:
未加噪声的图像,仅有两个灰度值:

这里写图片描述

直方图:

这里写图片描述


加入1%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


加入3%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


加入5%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


加入7%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


加入9%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


加入11%的高斯噪声:

这里写图片描述

直方图:

这里写图片描述


lena图测试结果:

这里写图片描述

直方图:

这里写图片描述


baboon图测试结果:

这里写图片描述

直方图:

这里写图片描述


结论

迭代均值能够以较小的计算代价得出相对准确的阈值,只需要输入一个控制精度的参数,所以属于相对自动的算法(与p-tile相比),但与前面提到的一样,算法受到目标大小的影响,当目标和背景的面积相对大小相近的时候算法计算效果较好,当目标比背景大很多的时候,算法基本没有效果,背景比目标大很多的时候同样失效(观察直方图面积可以大概观察出目标与背景的比例)。
另一个问题就是噪声影响,观察上面11%的结果,其受到噪声和目标大小的双重影响:

这里写图片描述

所以效果不理想。
待续。。。

抱歉!评论已关闭.