复习一下传统的图像处理方法,这里以matlab为工具,查看简单的效果。
图像分割,常见的有阈值和区域的方式;
1.直方图分割
统计图像像素(一种像素灰度的概率密度函数。。。),在两峰之间的谷底就是阈值(分割目标和背景);
clear all close all I=imread('rice.png'); figure, subplot(1,3,1); imshow(I),title('原始图像') subplot(1,3,2); imhist(I),title('直方图') % 观察灰度直方图 I1=im2bw(I,120/255); % im2bw 函数需要将灰度值转换到[0,1]范围内 subplot(1,3,3);
讯享网
120就是谷底的位置。
2.全局分割(OTSU)
将背景和目标分成2类,分别计算类间方差和类内方差,最后选定一个阈值;
与之相似的还有最大熵法;

效果要比上面的好,且对光照和对比度有一定的抗干扰的能力;但是还有有噪声,对高频噪声没有作用。因为它是全局的。
讯享网% I=imread('rice.png'); % figure,subplot(1,2,1); % imshow(I); % s=imbinarize(I); % subplot(1,2,2); % imshow(s);
3.自适应阈值(adap)
总的来说就是:应用一个模板遍历整个图像,计算模板内的一个标准(比如说均值,或者最大值和最小值的平均值。)
自适应阈值,不需要自己设置阈值,抗光照。


I = imread('rice.png'); BW = imbinarize(I, 'adaptive'); figure imshowpair(I,BW,'montage')
matlab 中默认的是高斯模板 均值为阈值。还有一些其他的标准 见 adaptthresh的用法。
以上是基于阈值的,还有一些基于区域的方法。
1.分水岭的方法
原理介绍:分水岭算法是一种图像区域分割法,在分割的过程中,它会把跟临近像素间的相似性作为重要的参考依据,从而将在空间位置上相近并且灰度值相近(求梯度)的像素点互相连接起来构成一个封闭的轮廓。分水岭算法常用的操作步骤:彩色图像灰度化,然后再求梯度图,最后在梯度图的基础上进行分水岭算法,求得分段图像的边缘线。

讯享网clear all; ct1 = -9; ct2 = -ct1; dist = sqrt(2*(2*ct1)^2); ra = dist/2 * 1.4; lims = [floor(ct1-1.2*ra) ceil(ct2+1.2*ra)]; [x,y] = meshgrid(lims(1):lims(2)); bw1 = sqrt((x-ct1).^2 + (y-ct1).^2) <= ra; bw2 = sqrt((x-ct2).^2 + (y-ct2).^2) <= ra; bw = bw1 | bw2; subplot(131), imshow(bw,'InitialMagnification','fit'), title('二值图像'); F = bwdist(~bw); subplot(132), imshow(F,[],'InitialMagnification','fit') title('分割前的等高线图'); F = -F; F(~bw) = -Inf; %进行watershed分割并将分割结果以标记图形式绘出 L = watershed(F); rgb = label2rgb(L,'jet',[.6 .6 .6]); subplot(133), imshow(rgb,'InitialMagnification','fit') title('分水岭变换')
matlab 中以默认以欧式距离作为判断的标准。这个可以自己去改。
2.k-means聚类

简单的看一下结果,彩色通道效果还不错的样子。
clc; C_Segments=2; img_original = imread('xiemian1.jpg');%读入图像 figure,imshow(img_original),title('原始图像'); %显示原图像 img_gray=rgb2gray(img_original); figure,imshow(img_gray),title('原始灰度图像'); % 获取图像的长宽 [m,n]=size(img_gray); % 灰度阈值计算 T=graythresh(img_gray); img_bw=im2bw(img_gray,T); figure,imshow(img_bw),title('原始二值图像'); % 将图像进行RGB——3通道分解 A = reshape(img_original(:, :, 1), m*n, 1); % 将RGB分量各转为kmeans使用的数据格式n行,一样一样本 B = reshape(img_original(:, :, 2), m*n, 1); C = reshape(img_original(:, :, 3), m*n, 1); dat = [A B C]; % r g b分量组成样本的特征,每个样本有三个属性值,共width*height个样本 cRGB = kmeans(double(dat), C_Segments,... 'Distance','city',... 'emptyaction','singleton',... 'start','sample'); % 使用聚类算法分为2类 rRGB = reshape(cRGB, m, n); % 反向转化为图片形式 figure, imshow(label2rgb(rRGB)),title('RGB通道分割结果'); % 显示分割结果 % 将图像进行单一通道灰度分解 GraySeg= reshape(img_gray(:, :), m*n, 1); cGray=kmeans(double(GraySeg), 2); rGray= reshape(cGray, m, n); % 反向转化为图片形式 figure, imshow(label2rgb(rGray)),title('灰度通道分割结果'); % 显示分割结果
就简单的介绍到这里,还有一些方法比如grabcut(图割)。。。。有机会再说。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容,请联系我们,一经查实,本站将立刻删除。
如需转载请保留出处:https://51itzy.com/kjqy/132480.html