图像阈值分割

最新推荐文章于 2025-07-28 15:42:03 发布
最新推荐文章于 2025-07-28 15:42:03 发布
阅读量791 收藏 10
点赞数 30
CC 4.0 BY-SA版权
文章标签： opencv 算法 计算机视觉 人工智能 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/SinkAboutIt/article/details/148409682

        本实验报告深入探讨了数字图像处理中几种重要的阈值分割技术，包括人工阈值、迭代阈值、直方图双峰谷值法、最大类间方差法（Otsu）和自适应阈值分割。通过Python和OpenCV库，我们实现了这些算法，并通过Matplotlib进行可视化展示。此外，报告还详细分析了一个基于PyQt5开发的交互式图像处理GUI工具，该工具集成了上述阈值分割功能以及多种图像效果滤镜（如高斯模糊、中值滤波、锐化、直方图均衡化、噪声添加等），旨在提供一个直观、高效的图像处理与分析平台。实验旨在加深对各种阈值分割原理的理解，并展示桌面应用开发在图像处理领域的实际应用。

1. 引言

图像分割是数字图像处理中的一个核心任务，旨在将图像划分为具有特定意义或相同属性的区域。阈值分割作为最简单、最常用的一种图像分割技术，因其计算简单、效率高而被广泛应用于二值化图像、目标检测、模式识别等领域。然而，单一的全局阈值分割在面对光照不均、背景复杂等情况时往往表现不佳，因此发展出了多种高级阈值分割方法。

本实验将通过Python语言，结合OpenCV和NumPy库，实现并分析多种经典的阈值分割算法，包括：

  1. 人工阈值分割：最直接的全局阈值设置。

  2. 迭代阈值分割：基于灰度均值的自适应全局阈值。

  3. 直方图阈值分割：利用图像灰度直方图的特性寻找最佳阈值。

  4. 最大类间方差法（Otsu）：一种经典的全局自适应阈值方法，旨在最大化前景和背景的方差。

  5. 自适应阈值分割：针对光照不均情况，在图像局部区域计算阈值。

此外，为了提供更直观、更灵活的操作体验，我们还开发了一个基于PyQt5的交互式图像处理GUI应用，该应用不仅包含了上述阈值分割功能，还集成了多种图像增强和滤镜效果，并利用多线程技术确保UI的响应性。

2. 实验目的

  1. 掌握不同阈值分割算法的基本原理和适用场景。

  2. 通过Python和OpenCV实现各种阈值分割算法。

  3. 对比分析不同阈值分割算法的效果和局限性。

  4. 了解并实践基于PyQt5的图像处理桌面应用开发，包括UI布局、事件处理、多线程并发处理图像。

  5. 熟悉OpenCV中常用的图像处理函数，如滤波、锐化、噪声添加等。

3. 实验原理

3.1 阈值分割基础

阈值分割是最基本的图像分割方法之一。其核心思想是设定一个阈值 T，将图像中灰度值大于等于 T 的像素设为一个值（如255，白色），而将小于 T 的像素设为另一个值（如0，黑色），从而将图像二值化，形成前景和背景。

3.2 人工阈值分割 (Manual Thresholding)

原理：直接指定一个固定灰度值作为阈值。
优点：简单直观。
缺点：对图像内容和光照变化非常敏感，需要人工经验确定，缺乏通用性。

3.3 迭代阈值分割 (Iterative Thresholding)

原理：这是一种自适应的全局阈值方法。

  1. 初始阈值 T：通常取图像的平均灰度值。

  2. 分割图像：将图像像素根据 T 分为两组：前景（灰度值 ≥ T）和背景（灰度值 < T）。

  3. 计算新阈值：分别计算前景和背景像素的平均灰度值 m1 和 m2。将新的阈值 T_new = (m1 + m2) / 2。

  4. 收敛判断：如果|T_{new} - T|小于某个预设的小值（或 T_{new} 不再变化），则算法收敛，T_{new} 为最终阈值。否则，将T_{new} 作为新的 T，重复步骤2。
    优点：自动化程度高，适用于具有清晰双峰直方图的图像。
    缺点：收敛速度和结果可能受初始阈值和收敛条件影响，不适用于非双峰直方图或光照不均图像。

3.4 直方图阈值分割 (Histogram Thresholding - Peak-Valley Method)

原理：基于图像灰度直方图的特征。对于具有明显双峰的直方图（代表前景和背景），通常在两峰之间的谷底寻找最佳阈值。
本实验代码中实现的策略是：

  1. 找到直方图中的全局最大峰值 f1。

  2. 在剩余的灰度级中，寻找一个灰度级 f2，使得(i - f1)^2 * n[i] 最大，这可以近似为寻找远离 f1 且像素数量相对较大的第二个“峰”。

  3. 在 f1 和 f2 之间（通常是较小的那个峰到较大的那个峰的区间），寻找像素数最少的灰度级，即谷底，将其作为阈值 T。
    优点：在直方图有明显双峰的情况下效果良好。
    缺点：对噪声敏感，如果直方图没有清晰的双峰或有多个峰，可能失效。代码中寻找第二个峰的方法并非严格意义上的峰值检测，而是基于距离和数量的加权，可能需要调整。

3.5 最大类间方差法 (Otsu's Method)

原理：自动确定最佳全局阈值。它遍历所有可能的阈值 T，计算前景和背景的类间方差，选取使类间方差最大的 T 作为最终阈值。


优点：算法稳定，计算效率高，是图像二值化中最常用的自适应阈值方法之一。OpenCV内置了此算法。
缺点：当图像直方图不是明显的双峰时（如单峰或多峰），效果可能不佳。

3.6 自适应阈值分割 (Adaptive Thresholding)

原理：与全局阈值不同，自适应阈值在图像的不同区域计算不同的阈值。这对于光照不均的图像非常有效。
OpenCV提供了两种主要方法：

  • ADAPTIVE_THRESH_MEAN_C：阈值是该像素邻域的平均值减去一个常数 C。

  • ADAPTIVE_THRESH_GAUSSIAN_C：阈值是该像素邻域的加权平均值（高斯加权）减去一个常数 C。
    参数：

  • blockSize：计算阈值的邻域大小（必须是奇数）。

  • C：从平均值中减去的常数。
    本实验代码中自定义了一种简单的自适应方法：img_t = img_b - 0.95 * cv2.blur(img_b, (5, 5))，可以理解为局部平均背景减法，用于增强局部对比度。
    优点：能够处理光照不均、背景复杂的图像。
    缺点：计算量相对较大，blockSize 和 C 的选择对结果影响很大。

4. 实验步骤与代码分析

4.1 单独阈值分割脚本分析

以下对各脚本的关键代码进行分析，并展示其效果。

4.1.1 人工阈值分割.py

原理简述：通过手动设置一个固定阈值来二值化图像。同时，它还展示了图像的灰度直方图。

代码分析：

import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体

img = cv2.imread('001.bmp', 0) # 读取灰度图像

# 使用固定阈值150进行二值化
_, img_b = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)

# 图像显示
plt.subplot(131); plt.imshow(img, 'gray'); plt.title('原图'); plt.axis('off')
plt.subplot(132)
hist = cv2.calcHist([img], [0], None, [256], [0, 255]) # 计算直方图
plt.plot(hist); plt.title('灰度直方图')
plt.subplot(133); plt.imshow(img_b, 'gray'); plt.title('人工阈值分割图 T=150'); plt.axis('off')
plt.show()

效果展示：

分析：对于对比度明显且光照均匀的图像，人工阈值分割能够快速实现二值化。但若图像复杂，则难以找到合适的单一阈值，且缺乏自动化能力。直方图的展示有助于我们理解图像的灰度分布，为手动选择阈值提供依据。

4.1.2 迭代阈值分割.py

原理简述：通过迭代计算前景和背景的平均灰度值来更新阈值，直到阈值收敛。

代码分析：

import cv2
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

img = cv2.imread('001.bmp', 0)
T = int(np.mean(img)) # 初始阈值取图像平均灰度

# 迭代计算最佳阈值
while True:
    m1 = np.mean(img[img >= T]) # 大于等于T的像素平均值
    m2 = np.mean(img[img < T]) # 小于T的像素平均值
    new_T = int((m1 + m2) / 2) # 更新阈值
    if abs(new_T - T) < 20: # 收敛条件：新旧阈值差小于20
        break
    else:
        T = new_T

# 使用计算得到的阈值进行二值化
_, img_b = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)

# 图像显示
plt.subplot(121); plt.imshow(img, 'gray'); plt.title('原图'); plt.axis('off')
plt.subplot(122); plt.imshow(img_b, 'gray'); plt.title(f'迭代阈值分割图 T={T}.'); plt.axis('off')
plt.show()

效果展示：

分析：迭代阈值分割在一定程度上实现了阈值选择的自动化。通过不断调整阈值，使得前景和背景的灰度分布更加分离，从而找到一个相对优化的全局阈值。其效果优于人工阈值，但在图像对比度低或噪声大的情况下，收敛性和效果可能受影响。

4.1.3 直方图阈值分割.py

原理简述：尝试通过直方图的峰值和谷值来确定阈值。先找到第一个峰值，再通过一个加权距离找到第二个“显著”峰值，最后在两峰之间寻找谷值作为阈值。

代码分析：

import cv2
import matplotlib.pyplot as plt
import numpy as np
plt.rcParams['font.sans-serif'] = ['SimHei']

img = cv2.imread('001.bmp', 0)
n, _, _ = plt.hist(img.ravel(), 256, [0, 255]) # 获取直方图数据 (n是像素数量)

l_ma = np.where(n == np.max(n))
f1 = l_ma[0][0] # 获取第一个峰值（全局最大值）的灰度值

temp = -1 # 初始化temp，确保能被第一个计算值更新
f2 = f1   # 初始化f2，防止没有找到第二个峰值

# 寻找第二个峰值：遍历所有灰度级，计算 (i - f1)^2 * n[i]
# 这种方法并非严格的峰值检测，而是寻找远离f1且像素数量较多的点
for i in range(256):
    temp1 = np.power(i - f1, 2) * n[i]
    if temp1 > temp:
        temp = temp1
        f2 = i

if f1 > f2: # 确保f1是较小的峰值
    f1, f2 = f2, f1

# 在两个峰值之间寻找谷值 (像素数最少的位置) 作为阈值
l_mi = np.where(n[f1:f2] == np.min(n[f1:f2]))
T = f1 + l_mi[0][0] # 最终阈值

# 使用计算得到的阈值进行二值化
_, img_b = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)

# 图像显示
plt.subplot(121); plt.imshow(img, 'gray'); plt.title('原图'); plt.axis('off')
plt.subplot(122); plt.imshow(img_b, 'gray'); plt.title(f'直方图阈值分割图 T={T}.'); plt.axis('off')
plt.show()

注意：原始代码中的 temp 变量没有初始化，可能会导致 NameError。在分析中已添加 temp = -1 进行修正。这种寻找第二个峰值的方法可能不如直接寻找局部最大值和谷值的方法通用，但对于特定双峰分布可能有效。

效果展示：

分析：直方图双峰谷值法适用于直方图呈现明显双峰分布的图像。通过寻找前景和背景的两个聚类中心之间的“分水岭”，来确定分割阈值。该方法对直方图形态依赖性较强，对于多峰或不规则直方图可能失效。

4.1.4 最大类间方差阈值分割.py (Otsu's Method)

原理简述：通过遍历所有可能的阈值，计算并选择使前景和背景类间方差最大的阈值。同时，也展示了OpenCV内置的Otsu算法结果。

代码分析：

import cv2
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']

img = cv2.imread('001.bmp', 0)

t = 0 # 初始化最大类间方差
T = 0 # 初始化最佳阈值

# 手动实现Otsu算法
for i in range(1, 255): # 遍历所有可能的灰度级作为阈值
    pixels1 = img[img < i]
    pixels2 = img[img >= i]

    if pixels1.size == 0 or pixels2.size == 0: # 避免空数组
        continue

    mean1 = np.mean(pixels1)
    mean2 = np.mean(pixels2)

    w1 = pixels1.size / img.size # 背景像素比例
    w2 = pixels2.size / img.size # 前景像素比例

    tem = w1 * w2 * np.power((mean1 - mean2), 2) # 计算类间方差

    if tem > t: # 更新最大类间方差和最佳阈值
        T = i
        t = tem

# 自定义Otsu结果
_, img_b = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)

# OpenCV内置Otsu算法
T1, img_b1 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 图像显示
plt.subplot(131); plt.imshow(img, 'gray'); plt.title('原图'); plt.axis('off')
plt.subplot(132); plt.imshow(img_b, 'gray'); plt.title(f'最大类间方差阈值分割图 T={T}'); plt.axis('off')
plt.subplot(133); plt.imshow(img_b1, 'gray'); plt.title(f'OTSU阈值分割图 T={int(T1)}'); plt.axis('off')
plt.show()

效果展示：

分析：Otsu算法是一种非常强大的全局自适应阈值方法。它通过最大化类间方差，使得前景和背景的区分度达到最大。手动实现与OpenCV内置函数的对比显示，两者结果通常非常接近，验证了算法的正确性。OpenCV的实现经过优化，效率更高。

4.1.5 自适应阈值分割.py

原理简述：代码中实现了两种自适应阈值方法：一种是简单的局部平均背景减法，另一种是OpenCV的adaptiveThreshold函数（高斯自适应阈值）。

代码分析：

import cv2
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']

img=cv2.imread('002.bmp',0) # 使用了002.bmp，可能更适合自适应阈值

# 自定义自适应阈值方法 (局部背景减法)
img_b = img.copy()
img_p = cv2.blur(img_b, (5, 5)) # 计算局部平均背景
img_t = img_b - 0.95 * img_p # 图像减去0.95倍的局部平均背景
img_b[img_t >= 0] = 255 # 大于等于0的设为255
img_b[img_t < 0] = 0 # 小于0的设为0

# OpenCV自适应阈值 (高斯加权)
img_l = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 5, 10) # blockSize=5, C=10

# 图像显示
plt.subplot(131); plt.imshow(img,'gray'); plt.title('原图'); plt.axis('off')
plt.subplot(132); plt.imshow(img_b,'gray'); plt.title('自定义自适应阈值分割图'); plt.axis('off')
plt.subplot(133); plt.imshow(img_l,'gray'); plt.title('OpenCV自适应阈值分割图'); plt.axis('off')
plt.show()

效果展示：

分析：自适应阈值分割非常适合处理光照不均匀的图像，因为它根据图像局部区域的像素特性来确定阈值。自定义的方法是一种简单的局部对比度增强后二值化，对某些情况可能有效。OpenCV的adaptiveThreshold函数更加通用和强大，特别是高斯加权方式能更好地保留边缘细节。blockSize和C参数的调整对结果至关重要。

4.2 交互式GUI应用分析 (拖动界面.py)

整体架构：
该应用基于PyQt5框架构建，采用QMainWindow作为主窗口。UI布局主要通过QHBoxLayout和QVBoxLayout实现左右两栏布局：左侧用于显示原始图像和处理结果，右侧则包含文件操作、智能分割（阈值处理）和图像效果滤镜等控制面板。为了避免耗时的图像处理操作阻塞UI，采用了QThread进行多线程处理。

核心功能模块：

  1. UI 布局与样式 (__init__, _apply_stylesheet)：

    • 使用QHBoxLayout和QVBoxLayout组织各个控件。

    • QGroupBox用于逻辑分组，提升UI的清晰度。

    • QLabel用于显示图像和文本提示。

    • QPushButton用于触发操作。

    • QSlider用于调整参数。

    • QComboBox用于选择算法类型。

    • _apply_stylesheet方法定义了暗色主题的CSS样式，使界面更美观。

    • 图标使用：QStyle.standardIcon被正确用于为按钮添加标准图标，增强视觉效果。

  2. 文件操作 (load_image, save_image)：

    • QFileDialog.getOpenFileName和getSaveFileName实现文件选择和保存功能。

    • 加载图像后，更新原始图像显示区，并禁用保存按钮（直到有处理结果）。

    • 图像加载失败时，使用QMessageBox进行提示。

  3. 图像显示 (display_image)：

    • 将OpenCV np.ndarray格式的图像转换为PyQt QImage和QPixmap，以便在QLabel中显示。

    • 处理灰度图和彩色图的转换逻辑（Format_Grayscale8和Format_RGB888）。

    • 自动缩放图像以适应QLabel大小并保持宽高比（Qt.KeepAspectRatio）。

  4. 智能分割与提取 (apply_threshold, change_threshold_type, update_threshold_param_label)：

    • QComboBox让用户选择不同的阈值或边缘检测算法：普通阈值、自适应阈值、Otsu阈值、Canny边缘、HSV色彩过滤。

    • QSlider根据选定的算法类型动态调整其范围和默认值（例如，自适应阈值的滑块值会转换为块大小，Canny有自己的阈值范围）。

    • update_threshold_param_label实时更新滑块对应的参数值显示。

    • apply_threshold方法是触发处理的核心，它会启动一个新的ProcessingThread。

  5. 图像效果滤镜 (_common_image_operation及其派生方法)：

    • _common_image_operation是一个通用函数，用于处理各种图像效果。它封装了耗时操作的UI反馈（显示状态、禁用控件、显示沙漏光标）和错误处理。

    • process_to_gray, blur_image, median_filter, mean_filter, laplacian_sharpen, equalize_hist, add_salt_pepper_noise, add_gaussian_noise 等方法都调用 _common_image_operation，传入对应的OpenCV函数或自定义处理逻辑。

    • 拉普拉斯锐化：代码中提供了两种实现思路：直接返回拉普拉斯结果作为边缘图，或将拉普拉斯结果叠加回原图实现锐化。当前实现是第二种，将灰度图转为浮点数后减去Laplacian结果，然后裁剪并转回uint8。

    • 直方图均衡化：对彩色图会先转YCrCb色彩空间，只对亮度(Y)通道进行均衡化，再转回BGR。

    • 噪声添加：自定义了椒盐噪声和高斯噪声的添加逻辑，通过NumPy生成随机数并直接修改图像像素值。

  6. 多线程处理 (ProcessingThread)：

    • 必要性：图像处理通常是CPU密集型操作，如果直接在主线程执行，会导致UI卡顿，影响用户体验。

    • 实现：ProcessingThread继承自QThread。

      • run()方法中包含所有耗时的图像处理逻辑，例如cv2.threshold, cv2.adaptiveThreshold, cv2.Canny, cv2.inRange等。

      • finished = pyqtSignal(np.ndarray)定义了一个信号，当处理完成时，会发射处理后的图像数据到主线程。

      • 主线程中的on_processing_finished槽函数接收这个信号，并在UI上显示结果，恢复控件状态。

    • 线程管理：在启动新线程前，会检查并终止旧线程，防止资源泄漏或冲突。

  7. 状态管理 (status_bar, set_controls_enabled)：

    • status_bar用于显示当前操作状态和提示信息。

    • set_controls_enabled辅助函数用于在处理过程中禁用或启用相关UI控件，避免用户在处理进行中进行其他操作。

GUI界面预览：

分析总结：
这个拖动界面是一个功能完备的图像处理小工具，它巧妙地结合了Python的强大图像处理库OpenCV与PyQt5的优秀UI框架。通过多线程技术，它解决了GUI应用中耗时操作阻塞UI的问题，提供了流畅的用户体验。其模块化的设计使得后续添加新的图像处理功能变得相对容易。同时，详尽的参数控制（如滑块）和算法选择（如下拉框）极大地增强了应用的交互性和灵活性。

5. 实验结果与分析总结

通过上述实验，我们对各种阈值分割算法有了更直观的理解，并观察了它们在图像二值化中的表现。

阈值分割方法适用场景优点缺点
人工阈值对比度高、光照均匀且图像内容单一简单、直观、计算量小需要人工经验、不具通用性、对光照敏感
迭代阈值直方图呈双峰分布，前景背景区分明显自动化程度高，结果相对稳定初始值和收敛条件影响结果，不适用于多峰直方图
直方图双峰谷值直方图呈明显双峰分布基于图像灰度分布特性，较直观对噪声敏感，不适用于多峰或不规则直方图
Otsu (最大类间方差)直方图呈双峰分布，前景背景区分明显自动化程度高，全局最优性，广泛应用对直方图形状敏感，不适用于光照不均或多峰图像
自适应阈值光照不均匀、图像局部对比度差异大能够处理光照不均，鲁棒性强计算量大，参数（blockSize, C）选择复杂

GUI应用：
GUI应用将这些独立的算法整合到一个统一的界面中，大大提升了用户体验。它不仅实现了上述所有阈值分割功能，还提供了多种图像增强和滤镜，使得用户可以方便地进行探索和实验。多线程的引入是其亮点，确保了即使进行复杂的图像处理，界面依然保持响应，避免了“假死”现象。

SinkAboutIt
关注
OTSU图像分割算法（python实现）
sinat_29018995的博客
02-27 9961
OTSU图像分割算法（python实现）
阈值分割：彩色图像阈值分割
kkchenjj的博客
07-27 1777
通过上述步骤，我们可以使用Python和OpenCV有效地实现彩色图像的阈值分割，并对分割结果进行可视化和初步分析。这为更复杂的图像处理任务，如对象识别和跟踪，提供了基础。色彩空间的选择：RGB、HSV、Lab 等色彩空间各有优势，选择合适的色彩空间可以简化分割过程。阈值的确定：手动设定、Otsu 方法、自适应阈值等，不同的方法适用于不同的场景。多阈值分割：对于复杂图像，单一阈值可能无法满足需求，多阈值分割可以更精确地分离目标。后处理技术：如形态学操作（开运算、闭运算），可以去除噪声，优化分割结果。
Python OpenCV图像分割技术详解：从基础算法到实战应用
Dxy1239310216的博客
05-09 1024
图像分割是计算机视觉的核心任务之一，旨在将图像划分为具有独立语义的像素集合。OpenCV作为开源计算机视觉库，提供了从传统算法到深度学习方法的完整图像分割工具链。本文将系统解析阈值分割、分水岭算法、GrabCut交互式分割等核心技术，结合医学影像处理、工业检测等实战场景，展示Python环境下图像分割的完整实现路径。
【opencv-python】大津法（Otsu）阈值分割原理深入分析
hunter206的博客
09-27 8992
大津法（Ostu）是图像处理领域里面较为重要的阈值分割方法，适用于处理双峰图像。但大多数开发人员并不熟悉其原理，因此有必要对其进行详细说明与分析。 opnecv的实例代码链接为： opencv-python大津法（Ostu）官方说明文档 python代码为： img = cv2.imread('road.jpg',0) blur = cv2.GaussianBlur(img,(5,5),0) # find normalized_histogram, and its cumulative distributi
利用otsu阈值分割方法的图像二值化python实现
hjgjy的博客
06-17 4540
利用otsu阈值分割方法的图像二值化python实现基本原理实现代码最后计算结果 基本原理 在对图像进行阈值分割时，所选取的分割阈值应使前景区域的平均灰度、背景区域的平均灰度与整幅图像的平均灰度之间的差值最大，这种差异用区域的方差来表示。Otsu提出了最大方差法，该算法是在判别分析最小二乘法原理的基础上推导得到的，计算过程简单，是一种常用的阈值分割的稳定算法。 实现代码 import math import cv2 import numpy as np import matplotlib.pyplot as
OTSU算法实现 Python Opencv
haohaomua的博客
09-02 971
https://www.cnblogs.com/gezhuangzhuang/p/10295181.html
6. 图像阈值分割
2403_89145034的博客
06-03 1777
在图像处理领域，二值化是一种基础且重要的操作。它通过将图像转换为仅含黑白两色的形式，显著降低图像分析的复杂度，为后续的特征提取、图像分割等任务奠定基础。本次实验将详细介绍四种常见的图像二值化方法：人工阈值分割法、基于直方图的双峰法、迭代阈值分割法以及最大类间方差法，并通过Python代码实现与结果展示来对比它们的效果。
图像阈值分割matlab,图像阈值分割Matlab版 | 学步园
weixin_34180753的博客
03-17 1245
图像阈值分割是一个非常简单的而现在遇到的阈值分割却需要完成如下的多个功能：1、基本的阈值分割：大于阈值，则认为是目标；小于，则认为是背景2、像素值较低才被认为是目标，即要把不等号反向对图像像素点，小于阈值，认为是目标；大于阈值，则认为是背景。3、可能进行阈值分割的图像只是标记图像对标记图像进行分割后，需要在原始的图像上对分割的目标区域进行展示这就需要输入原始图像原始图像可能是灰度图像，也有可能是彩...
用matlab实现自适应图像阈值分割（最大类间方差法
01-15
MATLAB实现自适应图像阈值分割的步骤如下： 1. **读取图像**：首先，我们需要使用`imread`函数读取图像，并将其转换为灰度图像，如果原图不是灰度图，可以使用`rgb2gray`函数进行转换。 ```matlab image = imread...
图像处理中基于灰狼优化算法的二维最大熵图像阈值分割技术及其MATLAB实现 · 图像阈值分割
07-28
内容概要：本文介绍了基于灰狼优化算法（GWO）优化的二维最大熵（2DKapur）图像阈值分割技术。该方法通过模拟灰狼的狩猎行为，在搜索空间中快速找到使二维熵最大的阈值对，从而提高图像分割的准确性和效率。文中以...
matlab:基于遗传算法的图像阈值分割
04-04
本文将深入探讨如何利用MATLAB实现基于遗传算法的图像阈值分割。 **一、图像阈值分割** 图像阈值分割是图像处理中的基本操作，它通过设定一个或多个阈值将图像分为两个或多个部分。在二值化图像中，通常将像素值...
图像阈值分割_二维最大熵_图像阈值分割_灰度图像分割_
10-02
"图像阈值分割"是一种广泛应用的图像分割方法，尤其适用于灰度图像。本节将详细介绍“二维最大熵”在图像阈值分割中的应用及其在MATLAB环境下的实现。 二维最大熵法是基于信息理论中的熵概念来确定最佳阈值的一种...
04 OpenCV--图像预处理之图像梯度处理、图像边缘检测、图像轮廓检测、凸包的相关操作
2202_75674969的博客
07-25 912
本文介绍了图像处理中的梯度计算、边缘检测和轮廓分析方法。首先阐述了图像梯度的概念，将图像视为二维函数，通过Sobel、Prewitt等算子计算水平和垂直方向的导数，获取边缘信息。接着详细讲解了完整的边缘检测流程，包括高斯滤波去噪、梯度计算、非极大值抑制和双阈值筛选。最后重点介绍了轮廓处理技术，包括轮廓查找方法（RETR_EXTERNAL、RETR_LIST等）、轮廓绘制以及凸包计算（穷举法和QuickHull法），并给出了OpenCV实现代码。这些技术为图像特征提取和目标识别提供了重要基础。
opencv学习（图像金字塔）
weixin_63566653的博客
07-26 522
图像金字塔是一种多尺度图像表示方法，通过对原始图像进行下采样（缩小）和上采样（放大），生成一系列不同分辨率的图像集合，形似 “金字塔”（底部是高分辨率原始图像，向上逐渐变为低分辨率图像）。
opencv学习（图像梯度）
weixin_63566653的博客
07-26 1285
在图像处理中，图像梯度（Image Gradient）是描述图像中像素值变化率的概念，是理解图像中 “哪里发生变化” 以及 “变化有多剧烈” 的核心工具。从简单的 Sobel 算子到复杂的 Canny 算法，本质都是通过梯度分析实现边缘提取，是计算机视觉中处理图像结构的基础。
《零基础入门AI：从图像梯度到凸包特征检测（OpenCV图像特征提取）》
m0_75034893的博客
07-25 863
当组合为dx=1, dy=0时求x方向的一阶导数，在这里，设置为1意味着我们想要计算图像在水平方向（x轴）的梯度。当组合为 dx=0, dy=1时求y方向的一阶导数（如果同时为1，通常得不到想要的结果,想两个方向都处理的比较好 学习使用后面的算子）,$ hierarchy[i][3]$分别表示其后一条轮廓、前一条轮廓、（同层次的第一个）子轮廓、父轮廓的索引（如果没有相应的轮廓，则对应位置为-1）。：这是输入图像，通常应该是一个灰度图像（单通道图像），因为 Sobel 算子是基于像素亮度梯度计算的。
10_opencv_分离颜色通道、多通道图像混合
最新发布
Mikowoo007的博客
07-28 231
split()
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值