大津演算法

❶ 日語姓：大津，怎麼讀

日語羅馬音寫作「OOTSU」或「ōtsu」，讀作「哦哦此」。關於「大津」這個姓，有個知名的圖像處理方法叫大津演算法，你可以搜一下這個演算法看看裡面的大津是什麼。

❷ vb.net實現 識別物體表面的傷損

圖像二值化的目的是最大限度的將圖象中感興趣的部分保留下來，在很多情況下，也是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。這個看似簡單的問題，在過去的四十年裡受到國內外學者的廣泛關注，產生了數以百計的閾值選取方法，但如同其他圖像分割演算法一樣，沒有一個現有方法對各種各樣的圖像都能得到令人滿意的結果。本文針對幾種經典而常用的二值發放進行了簡單的討論並給出了其vb.net實現。1、P-Tile法Doyle於1962年提出的P-Tile(即P分位數法)可以說是最古老的一種閾值選取方法。該方法根據先驗概率來設定閾值，使得二值化後的目標或背景像素比例等於先驗概率，該方法簡單高效，但是對於先驗概率難於估計的圖像卻無能為力。2、OTSU演算法（大津法）OSTU演算法可以說是自適應計算單閾值（用來轉換灰度圖像為二值圖像）的簡單高效方法。1978OTSU年提出的最大類間方差法以其計算簡單、穩定有效，一直廣為使用。3、迭代法（最佳閥值法）(1)．求出圖象的最大灰度值和最小灰度值，分別記為Zl和Zk，令初始閾值為：(2)．根據閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰度值Z0和ZB:式中，Z(i,j）是圖像上(i,j)點的象素值，N(i,j)是(i,j)點的權值，一般取1。(3)．若TK=TK+1，則所得即為閾值，否則轉2，迭代計算。4、一維最大熵閾值法它的思想是統計圖像中每一個灰度級出現的概率，計算該灰度級的熵,假設以灰度級T分割圖像，圖像中低於T灰度級的像素點構成目標物體（O），高於灰度級T的像素點構成背景（B），那麼各個灰度級在本區的分布概率為：O區：i=1,2……,tB區：i=t+1,t+2……L-1上式中的,這樣對於數字圖像中的目標和背景區域的熵分別為：對圖像中的每一個灰度級分別求取W=H0+HB，選取使W最大的灰度級作為分割圖像的閾值，這就是一維最大熵閾值圖像分割法。

❸ 閾值的判定方法有哪些，圖像處理方面的

閾值選擇 的恰當與否對分割的效果起著決定性的作用。圖像的分割方法主要包括幅度分割方法、最小錯誤分割法、迭代法求圖像最佳分割閾值法、最大類間方差 法（大津演算法）等一系列方法。
具體演算法你可以再詳細查

❹ 急！！求遺傳演算法圖像邊緣檢測的matlab程序，馬上就要交畢設了，誰能幫我啊我的郵箱942406137，有加分啊

http://www.ilovematlab.cn/forum.php?mod=viewthread&tid=49464 Matlab程序:遺傳演算法/大津法/區域生長法/迭代法分割圖像

❺ 請問大津法（outs）和迭代閾值法是一種方法嗎如果不是，有什麼區別呢

不是一種，迭代求圖像最佳分割閾值在運算 過程中要對整幅圖片進行計算來獲得閾值，這個閾值不是很准確； 最大類間方差法由大津於 1979 年提出，該演算法恰恰彌補了迭代法求閾值的這一弱點,最大類間方差法是基於整幅圖像的統計特性，實現與閾值的自動選取。當被分割的兩類類間方差最大時，此灰度值就作為圖像二值化處理的閾值。大津定律應用廣泛，在很多領域都得到了應用和發展。

❻ 幾種經典的二值化方法及其vb.net實現

圖像二值化的目的是最大限度的將圖象中感興趣的部分保留下來，在很多情況下，也是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。這個看似簡單的問題，在過去的四十年裡受到國內外學者的廣泛關注，產生了數以百計的閾值選取方法，但如同其他圖像分割演算法一樣，沒有一個現有方法對各種各樣的圖像都能得到令人滿意的結果。
本文針對幾種經典而常用的二值發放進行了簡單的討論並給出了其vb.net 實現。

1、P-Tile法

Doyle於1962年提出的P-Tile (即P分位數法)可以說是最古老的一種閾值選取方法。該方法根據先驗概率來設定閾值，使得二值化後的目標或背景像素比例等於先驗概率，該方法簡單高效，但是對於先驗概率難於估計的圖像卻無能為力。

2、OTSU 演算法（大津法）

OSTU演算法可以說是自適應計算單閾值（用來轉換灰度圖像為二值圖像）的簡單高效方法。1978 OTSU年提出的最大類間方差法以其計算簡單、穩定有效，一直廣為使用。


3、迭代法（最佳閥值法）

(1)． 求出圖象的最大灰度值和最小灰度值，分別記為Zl和Zk，令初始閾值為：

(2)． 根據閾值TK將圖象分割為前景和背景，分別求出兩者的平均灰度值Z0和ZB:式中，Z(i,j）是圖像上(i,j)點的象素值，N(i,j)是(i,j)點的權值，一般取1。


(3)． 若TK=TK+1，則所得即為閾值，否則轉2，迭代計算。

4、一維最大熵閾值法
它的思想是統計圖像中每一個灰度級出現的概率 ，計算該灰度級的熵 ,假設以灰度級T分割圖像，圖像中低於T灰度級的像素點構成目標物體（O），高於灰度級T的像素點構成背景（B），那麼各個灰度級在本區的分布概率為：

O區： i=1,2……,t

B區： i=t+1,t+2……L-1

上式中的 ,這樣對於數字圖像中的目標和背景區域的熵分別為：

對圖像中的每一個灰度級分別求取W=H0 +HB，選取使W最大的灰度級作為分割圖像的閾值，這就是一維最大熵閾值圖像分割法。

❼ opencv進階1

在Opencv中人臉識別是基於Haar特徵+Adaboost級聯分類器來實現人臉識別的!

要理解這節內容,我們首先要明白什麼是特徵?

特徵其實就是某個區域的像素點經過運算之後得到的結果! 例如haar特徵其實就是用下圖列出的模板在圖像中滑動,計算白色區域覆蓋的像素之和減去黑色區域覆蓋的像素之和,運算出來的結果就是haar特徵值!

Haar特徵一般和Adaboost分類器結合在一起進行目標識別!

這里需要運動機器學習的知識! 不過值得慶幸的是Opencv已經為我們訓練好了數據,並且已經提取出了人臉的特徵,在opencv的源碼中有相應的xml特徵文件. 並且我們只需要調用opencv提供好的API即可快速完成人臉識別的功能!

核心api為:

實現步驟:

HSV(Hue, Saturation, Value)是根據顏色的直觀特性由A. R. Smith在1978年創建的一種顏色空間, 也稱六角錐體模型(Hexcone Model)。

這個模型中顏色的參數分別是：色調（H），飽和度（S），明度（V）

用角度度量，取值范圍為0°～360°，從紅色開始按逆時針方向計算，紅色為0°，綠色為120°,藍色為240°。它們的補色是：黃色為60°，青色為180°,品紅為300°；

飽和度S表示顏色接近光譜色的程度。一種顏色，可以看成是某種光譜色與白色混合的結果。其中光譜色所佔的比例愈大，顏色接近光譜色的程度就愈高，顏色的飽和度也就愈高。飽和度高，顏色則深而艷。光譜色的白光成分為0，飽和度達到最高。通常取值范圍為0%～100%，值越大，顏色越飽和。

明度表示顏色明亮的程度，對於光源色，明度值與發光體的光亮度有關；對於物體色，此值和物體的透射比或反射比有關。通常取值范圍為0%（黑）到100%（白）。

結論:

注意: 在opencv中,H、S、V值范圍分別是[0,180]，[0,255]，[0,255]，而非[0,360]，[0,1]，[0,1]；

這里我們列出部分hsv空間的顏色值, 表中將部分紫色歸為紅色

[圖片上傳失敗...(image-4f70f7-1563843266225)]
.jpg)

注意,這僅僅只能做一個比較粗糙的判定,按照我們人的正常思維,在傍晚臨界點我們也無法判定當前是屬於晚上還是白天!

在一張圖片中,如果某個物體的顏色為純色,那麼我們就可以使用顏色過濾inRange的方式很方便的來提取這個物體.

下面我們有一張網球的圖片,並且網球的顏色為一定范圍內的綠色,在這張圖片中我們找不到其它顏色也為綠色的圖片,所以我們可以考慮使用綠色來提取它!

圖片的顏色空間默認為BGR顏色空間,如果我們想找到提取純綠色的話,我們可能需要寫(0,255,0)這樣的內容,假設我們想表示一定范圍的綠色就會很麻煩!

所以我們考慮將它轉成HSV顏色空間,綠色的色調H的范圍我們很容易知道,剩下的就是框定顏色的飽和度H和亮度V就可以啦!

實現步驟:

圖像二值化（ Image Binarization）就是將圖像上的像素點的灰度值設置為0 或 255，也就是將整個圖像呈現出明顯的黑白效果的過程。

在數字圖像處理中，二值圖像佔有非常重要的地位，圖像的二值化使圖像中數據量大為減少，從而能凸顯出目標的輪廓。

[圖片上傳失敗...(image-a31052-1563843266226)]

我們使用一個全局值作為閾值。但是在所有情況下這可能都不太好，例如，如果圖像在不同區域具有不同的照明條件。在這種情況下，自適應閾值閾值可以幫助。這里，演算法基於其周圍的小區域確定像素的閾值。因此，我們為同一圖像的不同區域獲得不同的閾值，這為具有不同照明的圖像提供了更好的結果。

除上述參數外，方法cv.adaptiveThreshold還有三個輸入參數：

該 adaptiveMethod 決定閾值是如何計算的：

該 BLOCKSIZE 確定附近區域的大小和 Ç 是從平均值或附近的像素的加權和中減去一個常數。

採用日本人大津提出的演算法,又稱作最大類間方差法,被認為是圖像分割中閾值選取的最佳演算法,採用這種演算法的好處是執行效率高!

<img src="./img2/otsu.jpg" width="500" />

如果我們把圖像看作信號，那麼雜訊就是干擾信號。我們在採集圖像時可能因為各種各樣的干擾而引入圖像雜訊。在計算機中,圖像就是一個矩陣, 給原始圖像增加雜訊, 我們只需要讓像素點加上一定灰度即可.
f(x, y) = I(x, y) + noise

常見的雜訊有椒鹽雜訊（salt and pepper noise），為什麼叫椒鹽雜訊？因為圖像的像素點由於雜訊影響隨機變成了黑點（dark spot）或白點（white spot）。這里的「椒」不是我們常見的紅辣椒或青辣椒，而是外國的「胡椒」（香料的一種）。我們知道，胡椒是黑色的，鹽是白色的，所以才取了這么個形象的名字.

接下來我們來生成10%的椒雜訊和鹽雜訊:

我們還要注意，opencv的圖像矩陣類型是uint8，低於0和高於255的值並不截斷，而是使用了模操作。即200+60=260 % 256 = 4。所以我們需要先將原始圖像矩陣和雜訊圖像矩陣都轉成浮點數類型進行相加操作，然後再轉回來。