欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

openCV實(shí)現(xiàn)圖像分割

 更新時(shí)間:2021年09月05日 16:07:47   作者:JIGE_Vamos  
這篇文章主要為大家詳細(xì)介紹了openCV實(shí)現(xiàn)圖像分割,文中示例代碼介紹的非常詳細(xì),具有一定的參考價(jià)值,感興趣的小伙伴們可以參考一下

本次實(shí)驗(yàn)為大家分享了openCV實(shí)現(xiàn)圖像分割的具體實(shí)現(xiàn)代碼,供大家參考,具體內(nèi)容如下

一.實(shí)驗(yàn)?zāi)康?/h3>

進(jìn)一步理解圖像的閾值分割方法和邊緣檢測(cè)方法的原理。
掌握?qǐng)D像基本全局閾值方法和最大類(lèi)間方差法(otsu法)的原理并編程實(shí)現(xiàn)。
編程實(shí)現(xiàn)圖像的邊緣檢測(cè)。

二.實(shí)驗(yàn)內(nèi)容和要求

編程實(shí)現(xiàn)圖像閾值分割(基本全局閾值方法和otsu法)和邊緣檢測(cè)。

三.實(shí)驗(yàn)主要儀器設(shè)備和材料

計(jì)算機(jī),VS2017+OpenCV

四.實(shí)驗(yàn)原理與方法

圖像的閾值分割的基本原理

圖像的二值化處理圖像分割中的一個(gè)主要內(nèi)容,就是將圖像上的點(diǎn)的灰度置為0或255,也就是講整個(gè)圖像呈現(xiàn)出明顯的黑白效果。用I表示原圖,R表示二值化后的圖,則二值化的過(guò)程可以用以下公式表示:

thr表示選取的閾值。二值化的過(guò)程就是當(dāng)原圖的像素灰度值大于閾值就將其變白,否則就將其變黑。即將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y值選取而將圖像變?yōu)槎€(gè)級(jí)別灰度級(jí),這樣只有二個(gè)灰度級(jí)的圖像在圖像處理分析過(guò)程中占有非常重要的地位,特別是在實(shí)用的圖像處理中。
根據(jù)對(duì)全圖使用統(tǒng)一閾值還是對(duì)不同區(qū)域使用不同閾值,可以分為全局閾值方法(global thresholding)和局部閾值方法(local thresholding,也叫做自適應(yīng)閾值方法adaptive thresholding);這種與坐標(biāo)相關(guān)的閾值也叫動(dòng)態(tài)閾值,具體的方法,可以參考相關(guān)的圖像處理書(shū)籍。

1、基本全局閾值方法,即在整個(gè)圖像中所有的象素點(diǎn),其閾值thr相同,具體步驟為:

(1)選取一個(gè)初始估計(jì)值T;
(2)用T分割圖像。這樣便會(huì)生成兩組像素集合:G1由所有灰度值大于T的像素組成,而G2由所有灰度值小于或等于T的像素組成。
(3)對(duì)G1和G2中所有像素計(jì)算平均灰度值u1和u2。
(4)計(jì)算新的閾值:T=(u1 + u2)/2。
(5)重復(fù)步驟(2)到(4),直到得到的T值之差小于一個(gè)事先定義的參數(shù)T0。

2、Otsu方法的算法步驟為:

(1)先計(jì)算圖像的歸一化直方圖;
(2)i表示分類(lèi)的閾值,也即一個(gè)灰度級(jí),從0開(kāi)始迭代;
(3)通過(guò)歸一化的直方圖,統(tǒng)計(jì)0~i 灰度級(jí)的像素(背景像素) 所占整幅圖像的比例w0,并統(tǒng)計(jì)背景像素的平均灰度u0;統(tǒng)計(jì)i~255灰度級(jí)的像素(前景像素) 所占整幅圖像的比例w1,并統(tǒng)計(jì)前景像素的平均灰度u1;
(4)計(jì)算前景像素和背景像素的方差 g = w0w1(u0-u1) (u0-u1)
(5)i++,直到i為256時(shí)結(jié)束迭代;
(6)將最大g相應(yīng)的i值作為圖像的全局閾值。

邊緣檢測(cè)

圖像中邊緣的檢測(cè)可以借助一階和二階微分實(shí)現(xiàn),常見(jiàn)的一階邊緣檢測(cè)算子包括Roberts算子、Prewitt算子和Sobel算子,二階算子主要是Laplacian算子,由于受噪聲影響比較大,往往在使用之前先對(duì)圖像進(jìn)行平滑處理,LOG算子就是先對(duì)圖像進(jìn)行高斯平滑,然后進(jìn)行拉普拉斯變換并求零交叉點(diǎn)。Canny算子是最優(yōu)的邊緣檢測(cè)算子。

五.實(shí)驗(yàn)內(nèi)容

1、圖像的閾值分割:

圖像為車(chē)牌圖像,編寫(xiě)代碼實(shí)現(xiàn)基本全局閾值法和Otsu法,比較分割結(jié)果。

2、邊緣檢測(cè)

用邊緣檢測(cè)算子對(duì)車(chē)牌圖像進(jìn)行處理,可以用梯度算子、Laplacian算子或Canny算子(Canny算子可以直接用OpenCV函數(shù))。比較先閾值分割后邊緣檢測(cè)和直接對(duì)圖像進(jìn)行邊緣檢測(cè)這兩種情況的結(jié)果是否有差別。
注意:這里提取灰度邊緣即可。

代碼:

#include "pch.h"
#include <iostream> 

#include <opencv2/opencv.hpp>  
using namespace std;
using namespace cv;

// 拉普拉斯銳化函數(shù)
void LaplacianSharpDeal(const Mat &src, Mat &dst) {
 if (!src.data)return;
 for (int i = 0; i < src.rows; ++i)
  for (int j = 0; j < src.cols; ++j) {
   float a;
   if (i > 1 && i < src.rows - 1 && j > 1 && j < src.cols - 1) {
    a = 5 * (float)src.at<uchar>(i, j) - (float)src.at<uchar>(i - 1, j) - (float)src.at<uchar>(i, j - 1) -
     (float)src.at<uchar>(i, j + 1) - (float)src.at<uchar>(i + 1, j);
   }
   else {//邊緣賦值
    a = src.at<uchar>(i, j);
   }
   if (a > 255 || a < 0) {
    dst.at<uchar>(i, j) = src.at<uchar>(i, j);
   }
   else {
    dst.at<uchar>(i, j) = a;
   }
  }
}

// 基本全局閾值方法函數(shù)
int BasicGlobalThreshold(Mat src, float oldValue)
{ 
 int cols = src.cols;
 int rows = src.rows;
 float G1 = 0;
 float G2 = 0;
 float g1 = 0;
 float g2 = 0;
 float u1 = 0;
 float u2 = 0;
 float T0 = 0;
 // 計(jì)算灰度直方圖分布,統(tǒng)計(jì)像素?cái)?shù)和頻率
 for (int i = 0; i < rows; i++)
 {
  for (int j = 0; j < cols; j++)
  {
   if (src.at<uchar>(i, j) > oldValue)
   {
    G1 += src.at<uchar>(i, j);
    g1 += 1;
   }
   else
   {
    G2 += src.at<uchar>(i, j);
    g2 += 1;
   }
  }
 }
 u1 = G1 / g1;
 u2 = G2 / g2;
 T0 = (u1 + u2) / 2;
 std::cout << T0 << std::endl;
 if (abs(oldValue - T0) < 0.1) {
  return T0;
 }
 else
 {
  BasicGlobalThreshold(src, T0);
 }
}

// Otsu方法函數(shù)
int Otsu(Mat src)
{
 int cols = src.cols;
 int rows = src.rows;
 int nPixelNum = cols * rows;
 // 初始化
 int pixelNum[256];
 double probability[256];
 for (int i = 0; i < 256; i++)
 {
  pixelNum[i] = 0;
  probability[i] = 0.0;
 }
 // 統(tǒng)計(jì)像素?cái)?shù)和頻率
 for (int i = 0; i < rows; i++)
 {
  for (int j = 0; j < cols; j++)
  {
   pixelNum[src.at<uchar>(i, j)]++;
  }
 }
 for (int i = 0; i < 256; i++)
 {
  probability[i] = (double)0.1*pixelNum[i] / nPixelNum;
 }
 // 計(jì)算
 int Threshold = 0;          // 最佳閾值
 double MaxDelta = 0.0;      // 最大類(lèi)間方差
 double Mean_0 = 0.0;        // 左邊平均值
 double Mean_1 = 0.0;        // 右邊平均值
 double Delta = 0.0;         // 類(lèi)間方差
 double Mean_0_temp = 0.0;   // 左邊平均值中間值
 double Mean_1_temp = 0.0;   // 右邊平均值中間值
 double Probability_0 = 0.0;       // 左邊頻率值
 double Probability_1 = 0.0;       // 右邊頻率值
 for (int j = 0; j < 256; j++)
 {
  for (int i = 0; i < 256; i++)
  {
   if (i < j)// 前半部分
   {
    Probability_0 += probability[i];
    Mean_0_temp += i * probability[i];
   }
   else      // 后半部分
   {
    Probability_1 += probability[i];
    Mean_1_temp += i * probability[i];
   }
  }
  // 計(jì)算平均值
  // Mean_0_teamp計(jì)算的是前半部分的灰度值的總和除以總像素?cái)?shù),
  // 所以要除以前半部分的頻率才是前半部分的平均值,后半部分同樣
  Mean_0 = Mean_0_temp / Probability_0;
  Mean_1 = Mean_1_temp / Probability_1;
  Delta = (double)(Probability_0 * Probability_1 * pow((Mean_0 - Mean_1), 2));
  if (Delta > MaxDelta)
  {
   MaxDelta = Delta;
   Threshold = j;
  }
  // 相關(guān)參數(shù)歸零
  Probability_0 = 0.0;
  Probability_1 = 0.0;
  Mean_0_temp = 0.0;
  Mean_1_temp = 0.0;
  Mean_0 = 0.0;
  Mean_1 = 0.0;
  Delta = 0.0;
 }
 return Threshold;
}

void main() {
 Mat image = imread("A1.bmp", 0);
 Mat image1,image2;
 Mat image3(image.size(), image.type());
 Mat image4(image.size(), image.type());

 std::cout << "基本全局閾值方法" << std::endl;

 int OstuThreshold1 = BasicGlobalThreshold(image, 0.01);
 int OstuThreshold2 = Otsu(image);

 std::cout << "Otsu方法" << std::endl;
 std::cout << OstuThreshold2 << std::endl;
 threshold(image, image1, OstuThreshold1, 255, CV_THRESH_OTSU);
 threshold(image, image2, OstuThreshold2, 255, CV_THRESH_OTSU);

 LaplacianSharpDeal(image2, image3);
 LaplacianSharpDeal(image, image4);
 
 imshow("基本全局閾值方法", image1);
 imshow("Otsu方法", image2);
 imshow("先閾值分割后邊緣檢測(cè)", image3);
 imshow("直接對(duì)圖像進(jìn)行邊緣檢測(cè)", image4);
 waitKey();
}

以上就是本文的全部?jī)?nèi)容,希望對(duì)大家的學(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。

相關(guān)文章

最新評(píng)論