查看OpenCV文档cvThreshold(),在二值化函数cvThreshold(const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type)中,参数threshold_type有5种类型:
- THRESH_BINARY
- THRESH_BINARY_INV
- THRESH_TRUNC
- THRESH_TOZERO
- THRESH_TOZERO_INV
问题来了:为什么可以在threshold_type参数中使用CV_THRESH_OTSU,在哪里可以查看这种OTSU,它用的什么方法?经多次验证,二值化的效果很好,且速度很快。
已经有一些同志在使用:
例证1:例证1
例证2:例证2
例证3:例证3
我的遭遇:为了二值化一个比较大的图像(10M,3840*2748),痛苦的看了各种论文,尝试了各种的二值化方法:一维OTSU,快速迭代的一维OTSU,二维的OTSU,快速迭代的二维OTSU。但现实的残酷的!只有二维的OTSU和快速迭代的OTSU可用,但前者处理时间让人难以接受,后者也要500多个ms。 快速迭代的二维OTSU算法是根据吴一全老师的《二维最大类间方差阈值分割的快速迭代算法》(论文下载链接,提取码:fd0b)来实现的。但是令我哭笑不得的是,无意中在网上发现了一种方法threshold_type使用参数使用CV_THRESH_OTSU时,时间却大大的缩短。程序如下(
程序下载链接提取码:fd0b),图像下载 (提取码:24f3)。
/* otsu_2d:二维最大类间方差阈值分割的快速迭代算法 吴一全 */ #include <iostream> #include <cv.h> #include <highgui.h> using namespace std; double TwoDimentionOtsu(IplImage *image); int main() { IplImage* srcImage = cvLoadImage( "E:/image_1/14.bmp",0 ); assert(NULL != srcImage); cvNamedWindow("src",0); cvShowImage("src",srcImage); clock_t start_time=clock(); //计算最佳阈值 double threshold = TwoDimentionOtsu(srcImage);//70,125 clock_t end_time=clock(); cout<< "Running time is: "<<static_cast<double>(end_time-start_time)/CLOCKS_PER_SEC*1000<<"ms"<<endl;//输出运行时间 cout << "threshold=" << threshold << endl; IplImage* biImage = cvCreateImage(cvGetSize(srcImage),8,1); //对图像二值化 //cvThreshold(srcImage,biImage,255,255, CV_THRESH_OTSU | CV_THRESH_BINARY); cvThreshold(srcImage,biImage,threshold,255, CV_THRESH_BINARY); cvNamedWindow("binary",0); cvShowImage("binary",biImage); cvWaitKey(0); cvReleaseImage(&srcImage); cvReleaseImage(&biImage); cvDestroyAllWindows(); return 0; } double TwoDimentionOtsu(IplImage *image) { double t0 = 0, s0 = 0, t = 0, s = 0; int width = image->width; int height = image->height; double dHistogram[256][256]={0.0}; //建立二维灰度直方图 unsigned long sum0 = 0,sum1 = 0; //sum0记录所有的像素值的总和,sum1记录3x3窗口的均值的总和 uchar* data = (uchar*)image->imageData; for(int i=0; i<height; i++) { for(int j=0; j<width; j++) { unsigned char nData1 = data[i * image->widthStep + j];//nData1记录当前点(i,j)的像素值 sum0 += nData1; unsigned char nData2 = 0; //nData2记录以当前点(i,j)为中心三领域像素值的平均值 int nData3 = 0; //nData3记录以当前点(i,j)为中心三领域像素值之和,注意9个值相加可能超过一个字节 for(int m=i-1; m<=i+1; m++) { for(int n=j-1; n<=j+1; n++) { if((m>=0)&&(m<height)&&(n>=0)&&(n<width)) nData3 += data[m * image->widthStep + n]; } } nData2 = (unsigned char)(nData3/9); //对于越界的索引值进行补零,邻域均值 sum1 += nData2; dHistogram[nData1][nData2]++; } } long N = height*width; //总像素数 t = sum0/N; //图像灰度级均值 s = sum1/N; //邻域平均灰度级的均值 s0 = s; t0 = t; for(int j=0; j<256; j++) for(int i=0; i<256; i++) { dHistogram[i][j] = dHistogram[i][j]/N; //得到归一化的概率分布 } double w0 = 0.0,w1 = 0.0,u0i = 0.0,u1i = 0.0,u0j = 0.0,u1j = 0.0; do { t0 = t; s0 = s; w0 = w1 = u0i = u1i = u0j = u1j = 0.0; for (int i = 0,j; i < 256; i++) { for (j = 0; j < s0; j++) { w0 += dHistogram[i][j]; u0j += dHistogram[i][j] * j; } for (; j < 256; j++) { w1 += dHistogram[i][j]; u1j += dHistogram[i][j] * j; } } for (int j = 0,i = 0; j < 256; j++) { for (i = 0; i < t0; i++) u0i += dHistogram[i][j] * i; for (; i < 256; i++) u1i += dHistogram[i][j] * i; } u0i /= w0; u1i /= w1 ; u0j /= w0; u1j /= w1; t = (u0i + u1i)/2; s = (u0j + u1j)/2; }while ( t != t0);//是否可以用这个做为判断条件,有待考究,请高手指点 return t;//只用t做为阈值,个人也感觉不妥,但没有找到更好的方法,请高手指点 }
输出结果:
cvThreshold()参数设为CV_THRESH_OTSU,输入结果:
原文地址:https://www.cnblogs.com/huaxingtianxia/p/9052135.html
时间: 2024-09-30 22:23:09