阈值接收算法
A. 简单阈值法和Otsu算法的根本区别是什么
区别如下：
Niblack算法是通过某一像素点及其邻域内像素点灰度值的均值和标准差计算得到二值化阈值的。在计算图像点(x,y)二值化阈值时，首先计算以(x,y)为中心的n*n大小的区域内像素点的灰度均值m和标准差s。灰度均值m和标准差s的计算公式如下：
然后根据灰度均值和标准差计算得到点(x,y)的二值化阈值T，计算公式为T(x,y)=k*s(x,y)+m(x,y)，其中k为修正系数。最后根据计算得到的阈值T对该点进行二值化处理。将图像中所有的像素点按照此方法处理即可得到二值化图像。
虽然能够实现图像的二值化，但是如果选取的区域均为背景点时，该算法会将灰度值较高的点当做是目标点，导致伪噪声的引入（针对伪噪声引入的问题，产生了Sauvola算法）。此处说明一下Sauvola算法。Sauvola算法可以说是一种改进的Niblack算法。首先也是按照上文所述方式求取灰度均值和标准差，但是采用了不同的阈值选取方法。
B. TCP拥塞控制中慢启动算法的阈值是怎么确定的
阀值(threshold)，初始时该参数为64KB。当一次超时发生的时候，阀值被设置为当前拥塞窗口的一半，而拥塞窗口被重置为一个最大数据段。然后使用慢启动算法来决定网络的处理能力，不过当增长到阀值的时候便停止。从这个点开始，每一此成功的传输都会使拥塞窗口线性地增长(即每次突发数据仅增长一个最大数据段)，而不是成倍地增长。实际上，这个算法是在猜测，将拥塞窗口减小一半可能是可以接受的，然后再从这点开始慢慢地往上增长。
如果不再发生超时的话，则拥塞窗口将继续线性增长，知道达到接收方准许窗口的大小。在这个点上，它将停止增长，而且，只要不再发生超时并且接收方的窗口大小不改变大小，则拥塞窗口保持不变。顺便提一下，如果一个ICMP SOURCE QUENCH分组到来并且被传递给TCP，则这个时间将被当作超时一样来对待。
C. 如何在压缩感知中正确使用阈值迭代算法
如何在压缩感知中正确使用阈值迭代算法？ 测量[2]。重构算法是依据对信号的测量和问题的稀疏性重构原始信号的技术。上述过程可以描述为 如下数学模型：设s ∈ RN 为原始信号，该信号在某组基{ψi }N 下具有稀疏表示s = Ψx，其中Ψ = i=1 [ψ1 , ψ2 , . . . , ψN ]， = [x1 , x2 , . . . , xN ] ；给定测量矩阵Θ ∈ RM ×N ， Θ可得到信号s的观测值y， x 由 即 y = Θs = ΘΨx 其中Φ = ΘΨ ∈ RM ×N 称为传感矩阵， 为采样数；则从观测数据y来恢复未知的稀疏向量x， M 进而恢 复原始信号s的问题可建模为下述L0 问题: x∈RN min x 0 s.t. y = Φx (1.1) 这里 x 0 为x的非零分量的个数。显然L0 问题是一个组合优化问题（NP难问题[11]） 通常将其转化到 ， 一个稀疏优化问题求解： x∈RN min S(x) s.t. y = Φx (1.2) 这里S(x)是x的某个稀疏度量[16]，例如对给定的q ∈ (0, 1]，取S(x) = x q ，其中 x q 是x的q?准范 q 数。L0 问题（1.1）和稀疏优化问题(1.2)通常都纳入如下的正则化框架来加以研究： x∈RN min Cλ (x) y ? Φx 2 + P (x; λ) (1.3) 其中λ > 0为正则化参数， (x; λ)为罚函数。 P 不同的罚函数对应不同的压缩感知模型， 例如， (x; λ) = P 1/2 λ x 0 对应L0 问题； (x; λ) = λ x 1 对应L1 问题[8]， (x; λ) = λ x 1/2 对应L1/2 问题[9]， P P 等等。正则化 框架提供了压缩感知研究的一般模型。通常，我们要求罚函数P (x; λ)具有某些特别性质，例如，我们 假设： (i) 非负性： (x; λ) P 0, ?x ∈ RN ； c}有界； 0； (ii) 有界性：对任何正常数c， 集合{x : P (x; λ) (iii) 可分性： (x; λ) = P N i=1 λp(xi )， p(xi ) 且 (iv) 原点奇异性： (x; λ)在x = 0处不可导， P 但在其它点处处可导。 本文目的是：从正则化框架（1.3）出发，研究并回答以下有关压缩感知应用的四个基本问题：如 何从给定的罚函数导出压缩感知问题的阈值表示？如何根据阈值表示设计阈值迭代算法并建立其收 敛性理论？ 如何应用阈值迭代算法到压缩感知问题？ 如何针对不同特征的压缩传感问题选择不同形式 的阈值迭代算法？所获结论期望为压缩感知中如何正确使用阈值迭代算法提供理论依据。 2 阈值迭代算法与压缩传感 本节讨论前三个问题。作为预备， 我们首先简要介绍阈值函数与阈值迭代算法。 2.1 阈值函数 高效、 快速、 高精度的重构算法是压缩感知广泛应用的前提。 阈值迭代算法 Thresholding Iterative （ Algorithms）正是这样一类十分理想的压缩感知重构算法，它因迭代简单、可单分量处理、能有效 2 中国科学 第 40 卷 第 1 期 用于大规模高维问题而得到普遍推崇。Blumensath等[14]提出了求解近似L0 问题的Hard阈值迭代算 法， Daubechies等[15]提出了求解L1 问题的Soft阈值迭代算法， 徐宗本等[9, 10, 16]提出了求解L1/2 问题 的Half和Chalf阈值迭代算法。
D. otsu阈值分割算法是什么
Otsu算法：最大类间方差法(大津算法)，是一种确定阈值的算法。
之所以称为最大类间方差法是因为，用该阈值进行的图像固定阈值二值化，类间方差最大，它是按图像的灰度特性,将图像分成背景和前景两部分，使类间方差最大的分割意味着错分概率最小。
算法评价：
优点：算法简单，当目标与背景的面积相差不大时，能够有效地对图像进行分割。
缺点：当图像中的目标与背景的面积相差很大时，表现为直方图没有明显的双峰，或者两个峰的大小相差很大，分割效果不佳，或者目标与背景的灰度有较大的重叠时也不能准确的将目标与背景分开。
E. Heursure阈值算法是什么
rigrsure阈值，是一种基于Stein的无偏似然估计原理的自适应阈值选择；
sqtwolog阈值，采用的是一种固定的阈值形式，它所产生的阈值为2log(length(x))
heursure阈值，是前两种阈值法的综合，所选择的是最优预测变量阈值，当信噪比很小，阈值估计有很大噪声时就需要采用这种固定的阈值形式
刚在写论文，随手粘贴过来。
F. 动态阈值一般有什么算法谢谢啦，没钱。。。
%本程序是利用最大类间方差算法求解自适应阈值，对图像进行分割
clear;
warning off;
web -browser
SE = strel('diamond',4);
BW1 = imread('img1.bmp');
BW2 = imerode(BW1,SE);
BW3 = imdilate(BW2,SE);
BW4 = BW1-BW3;
%rgb转灰度
if isrgb(BW4)==1
I_gray=rgb2gray(BW4);
else
I_gray=BW4;
end
figure,imshow(I_gray);
I_double=double(I_gray);%转化为双精度
[wid,len]=size(I_gray);
colorlevel=256; %灰度级
hist=zeros(colorlevel,1);%直方图
%threshold=128; %初始阈值
%计算直方图
for i=1:wid
for j=1:len
m=I_gray(i,j)+1;
hist(m)=hist(m)+1;
end
end
hist=hist/(wid*len);%直方图归一化
miuT=0;
for m=1:colorlevel
miuT=miuT+(m-1)*hist(m);
end
xigmaB2=0;
for mindex=1:colorlevel
threshold=mindex-1;
omega1=0;
omega2=0;
for m=1:threshold-1
omega1=omega1+hist(m);
end
omega2=1-omega1;
miu1=0;
miu2=0;
for m=1:colorlevel
if m<threshold
miu1=miu1+(m-1)*hist(m);
else
miu2=miu2+(m-1)*hist(m);
end
end
miu1=miu1/omega1;
miu2=miu2/omega2;
xigmaB21=omega1*(miu1-miuT)^2+omega2*(miu2-miuT)^2;
xigma(mindex)=xigmaB21;
if xigmaB21>xigmaB2
finalT=threshold;
xigmaB2=xigmaB21;
end
end
fT=finalT/255 %阈值归一化
T=graythresh(I_gray)%matlab函数求阈值
for i=1:wid
for j=1:len
if I_double(i,j)>finalT
bin(i,j)=1;
else
bin(i,j)=0;
end
end
end
figure,imshow(bin);
figure,plot(1:colorlevel,xigma);
已发送，请查收，发送邮箱[email protected] ,你的邮箱名是错的，弹回来了。反正这里也有，不发了。
G. canny 算法的阈值，有两个，到底是做什么用的
第一个是低阈值，第二个高阈值
高阈值比较严格，求的边缘很少，认为高阈值的边缘都是有效。低阈值宽松，求的边缘很多（一般包括了高阈值求到的边缘），其中不少是无效的边缘（反正不想要的）。
先用高阈值求边缘。canny求得的边缘希望是连在一起的（通常是封闭的），但高阈值求的边缘一般断断续续。断开的地方如果低阈值求的边缘存在，就用低阈值的边缘接上去，目的让边缘尽量都连在一起。其它情况下低阈值的边缘是不用的。
两个阈值是有区别的，高的那个阈值是将要提取轮廓的物体与背景区分开来，就像阈值分割的那个参数一样，是决定目标与背景对比度的，低的那个阈值是用来平滑边缘的轮廓，有时高的阈值设置太大了，可能边缘轮廓不连续或者不够平滑，通过低阈值来平滑轮廓线，或者使不连续的部分连接起来
H. PhotoSHOP中阈值的算法是什么
阈值是用灰度值算的