学习DIP第57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，今天说下区域阈值（局部阈值）,前面介绍的阈值都是全局阈值，也就是阈值根据全局信息产生，而作用对象也是整幅图像的全部像素，而局部阈值的产生是一个中心像素c(x,y)的邻域的一些属性来计算出一个或多个阈值以及阈值的判别式。这句话比较难懂，举个例子，假设c的邻域R，根据邻域R计算出阈值T1,T2,T3.....Tn我们可以表示成向量T=(T1,T2,T3....Tn)，设计阈值判别式Q(T,pixValue)其中pix_value的值就是像素c(x,y)的灰度值，判别式返回真假，真的话像素设置为亮，否则设置成暗。

算法内容

该算法的关键点在于设计判别式Q和计算阈值向量T，因为此算法的通用性不是很强，但优点是灵活性强，可以根据不同的图片性质来设计不同的执行方案，比如下面例子中使用最简单的两种统计学参数，均值和标准差，当中心像素大于均值的n倍并且大于标准差的m倍。设置窗口大小，也就是邻域大小，参数n，参数m，最后得到较好的阈值结果。

代码实现

/*局部阈值
 *使用均值和标准差作为判定依据
 *输入参数包括邻域大小，均值系数，以及标准差系数
 *
 *
 */
void LocalThreshold(double *src,double *dst,int width,int height,int w_size,double mean_param,double std_dev_param){
    double *temp=(double *)malloc(sizeof(double)*width*height);

    Zero(temp, width,height);
    double mean_g=matrixMean(src, width, height);
    for(int j=w_size/2;j<height-w_size/2;j++){
        for(int i=w_size/2;i<width-w_size/2;i++){
            double deta=0.0;
            double mean=0.0;
            double pix_value=src[j*width+i];
            //local mean
            for(int m=-w_size/2;m<w_size/2+1;m++){
                for(int n=-w_size/2;n<w_size/2+1;n++){
                    mean+=src[(j+m)*width+i+n];
                }
            }
            mean/=(double)(w_size*w_size);
            //local deta
            for(int m=-w_size/2;m<w_size/2+1;m++){
                for(int n=-w_size/2;n<w_size/2+1;n++){
                    deta+=(src[(j+m)*width+i+n]-mean)*(src[(j+m)*width+i+n]-mean);
                }
            }

            deta/=(double)(w_size*w_size);
            deta=sqrt(deta);
            if(pix_value>mean_param*mean_g&&pix_value>std_dev_param*deta){
                temp[j*width+i]=255.0;
            }
        }
    }
    matrixCopy(temp, dst, width, height);
    free(temp);
}

算法效果

总结

相比于全局阈值，局部阈值对目标大小，以及噪声敏感度强，但其缺点是设计针对性强，没有什么通用的算法，而且输入的参数多半需要分析实验产生，不能实现自动阈值处理，其优点是功能强大。

待续。。。