二值化处理(Thresholds):
- 通过阈值(threshold)将灰度图像二值化。代码中设计了一个灵活的二值化函数
thresholds,可根据输入的阈值和标志位(flag)动态调整输出。通过遍历图像像素,将灰度值高于或低于阈值的像素分别映射为两种二值结果。
void thresholds(unsigned char img_gray[][Width], unsigned char img_bin[][Width], unsigned int height, unsigned int width, unsigned char threshold, char flag)
{
unsigned char temp = 255 * (1 - flag);
for (unsigned int i = 0; i < height; i++)
{
for (unsigned int j = 0; j < width; j++)
{
img_bin[i][j] = img_gray[i][j] >= (threshold-flag) ? temp : (255-temp);
}
}
}
熵基二值化是一种自适应阈值选择的方法,常用于图像处理领域,尤其是在处理复杂背景和光照不均匀的图像时。与传统的固定阈值二值化方法不同,熵基二值化通过计算图像信息量(熵)来确定最优的阈值,以便更准确地分割图像中的目标与背景。
计算图像的灰度直方图:首先,计算图像中各个灰度级别的频率分布,得到图像的灰度直方图。对于每个像素值 xxx,其频率为 p(x)p(x)p(x),表示该灰度值在图像中出现的概率。
计算每个阈值下的前景和背景熵:
- 对于每个可能的阈值 TTT,将图像分为前景(灰度值大于或等于阈值)和背景(灰度值小于阈值)两部分。
- 计算前景和背景的熵。
选择最大熵阈值:选择一个使得前景和背景的联合熵(即两者熵之和)最大的阈值。这样选择的阈值能使得图像在分割后保持较高的信息量。
#include <opencv2/opencv.hpp>
#include <iostream>
#include <vector>
#include <cmath>
using namespace cv;
using namespace std;
double calculate_entropy(const vector<int>& hist, int start, int end, int total_pixels) {
double entropy = 0;
for (int i = start; i < end; i++) {
double p = (double) hist[i] / total_pixels;
if (p > 0) {
entropy -= p * log2(p);
}
}
return entropy;
}
int entropy_based_thresholding(const Mat& img) {
// 计算图像的灰度直方图
vector<int> hist(256, 0);
int total_pixels = img.rows * img.cols;
for (int i = 0; i < img.rows; i++) {
for (int j = 0; j < img.cols; j++) {
hist[img.at<uchar>(i, j)]++;
}
}
// 计算每个可能阈值下的熵
double max_entropy = -1;
int optimal_threshold = 0;
for (int T = 0; T < 256; T++) {
// 前景和背景熵
double entropy_bg = calculate_entropy(hist, 0, T, total_pixels);
double entropy_fg = calculate_entropy(hist, T, 256, total_pixels);
// 联合熵
double entropy_total = (double)(T) / total_pixels * entropy_bg +
(double)(256 - T) / total_pixels * entropy_fg;
if (entropy_total > max_entropy) {
max_entropy = entropy_total;
optimal_threshold = T;
}
}
return optimal_threshold;
}
int main() {
// 读取图像
Mat img = imread("your_image_path.jpg", IMREAD_GRAYSCALE);
if (img.empty()) {
cout << "Could not read the image!" << endl;
return -1;
}
// 使用熵基二值化选择阈值
int threshold = entropy_based_thresholding(img);
cout << "Optimal Threshold: " << threshold << endl;
// 二值化图像
Mat binarized_img;
threshold(img, binarized_img, threshold, 255, THRESH_BINARY);
// 显示结果
imshow("Binarized Image", binarized_img);
waitKey(0);
return 0;
}
平均灰度值计算(Average):
- 计算图像整体亮度的核心指标。
average函数通过求和所有像素的灰度值并取平均,返回图像的平均灰度值,作为图像分析的重要特征之一。
//输入灰度图像,计算返回图像的平均灰度值。
unsigned char average(unsigned char img_gray[][Width], unsigned int height, unsigned int width)
{
unsigned long total = 0;
for (unsigned int i = 0; i < height; i++)
{
for (unsigned int j = 0; j < width; j++)
{
total += img_gray[i][j];
}
}
unsigned char threshold = (unsigned char)(total / (height * width));
return threshold;
}
图像膨胀操作(Dilation):
- 利用最大值滤波实现膨胀操作。代码中通过遍历每个像素的邻域,获取其最大灰度值,并更新到目标图像中。这种形态学处理方式常用于增强图像中的明亮区域。
代码片段解析:
Mat dilated_my;
dilated_my.create(img.rows, img.cols, CV_8UC1);
for (int i = 0; i < img.rows; ++i)
{
for (int j = 0; j < img.cols; ++j)
{
uchar maxV = 0;
//遍历周围最大像素值
for (int yi = i-1; yi <= i+1; yi++)
{
for (int xi = j-1; xi <= j+1; xi++)
{
if (xi<0||xi>= img.cols|| yi<0 || yi >= img.rows)
{
continue;
}
//minV = (std::min<uchar>)(minV, img.at<uchar>(yi, xi));
maxV = (std::max<uchar>)(maxV, img.at<uchar>(yi, xi));
}
}
dilated_my.at<uchar>(i, j) = maxV;
}
}
3323



被折叠的 条评论
为什么被折叠?



