关于图像处理:图像分割单阈值大津法

图像宰割就是把图像分成若干个特定的、具备独特性质的区域并提出感兴趣指标的技术和过程。
也就是说图像宰割将图像细分为一个个子区域或物体，细分的水平取决于要解决的的问题，当咱们失去感兴趣区域时，宰割就进行。
PS 打个岔：图像分类是什么
计算机看图像是一堆数字矩阵，不像咱们人眼这么高级能分辨出外面比方有小狗兔子这些货色。所以为了让计算机了解图像的内容，咱们须要利用图像分类，应用计算机视觉和机器学习算法解决图像，这个操作能够简略的为一张图像调配一个标签，如猫还是狗，或者也能够高级到解释图像的内容并且返回一个可读的句子。
总的来说图像分类个别是波及 计算机视觉 和机器学习 ，相对来说更高级比图像宰割波及范畴更广
小结：图像宰割是取得想要的区域或者物体图像分类是对图像中的内容进行了解和解释

少数宰割办法是基于灰度值的两个根本性质不连续性和相似性
（1）基于阈值的办法

包含全局阈值、自适应阈值等等
①全局阈值是指整幅图像应用同一个阈值做宰割解决，实用于背景和前景有显著比照的图像。依据整幅图像确定，然而这种办法只思考像素自身的灰度值，个别不思考空间特色，因此对噪声很敏感。罕用的全局阈值选取办法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵主动阈值法以及其它一些办法。
②自适应阈值
在图像中比较复杂的状况下，全局阈值很难精确地将物体与背景离开。这时能够依据须要理论依照将图像分成若干子区域别离计算阈值，进行图像宰割，这时的阈值为自适应阈值。

举例子：
cv2.threshold（src，thresh，maxval，type）
cv2.adaptiveThreshold()

（2）基于区域
基于区域的办法是以间接寻找区域为根底的宰割技术
①区域成长
②区域决裂与聚合
今天独自写一篇

（3）基于边缘
基于边缘的宰割办法是以 灰度部分激烈变化检测 为根底其中线和边缘是次要钻研对象
边缘或者说边缘线段是连贯边缘像素的汇合线两侧的灰度一侧远亮于该线上的灰度另一侧是远暗于该线上的灰度
边缘检测（很多算子）
先天独自写一篇

（4）基于特定实践
特定实践大略有：聚类分析、模糊集实践、基因编码、小波变换等。
小波变换用的也挺多的这篇排到大后天了

大津法属于全局阈值办法中的一种，即是最大类间方差法
大津法作为图像宰割中阈值选取的罕用算法，计算简略，不受图像亮度和对比度的影响，次要原理如下：
影像的大小为 M×N，将前景区域和背景区域的宰割阈值记作 T，影像中像素值小于阈值 T 的像素个数记为 N0，像素值大于阈值 T 的像素个数记为 N1，则有：

w0=N0/(M×N)    
w1=N1/(M×N)    
μ=w0×μ0+w1×μ1    
g=w0×(μ0-μ)^2+w1×(μ1-μ)^2

其中 w0 为前景区域像素个数占整幅影像的比例，其像素均值为 μ0；w1 是背景区域像素个数占整幅影像的比例，其像素均值为 μ1；μ 为影像的总像素均值，g 为类间方差，当计算出的类间方差 g 最大时，对应的阈值 T 即为最佳宰割成果的阈值。

#include <iostream>
#include <opencv2/core.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2\imgproc\types_c.h>
#include <opencv2/highgui/highgui_c.h>
#include <opencv2/opencv.hpp>
#include <iostream>

using namespace std;
using namespace cv;

double Otsu(Mat& image)
{
    int threshold = 0;
    double maxVariance = 0;
    double w0 = 0, w1 = 0;// 前景与背景像素点所占比例
    double u0 = 0, u1 = 0;// 前景与背景像素值均匀灰度
    int histogram[256] = {0}; // 定义一个数组 长度为 256  0-255
    int Num = image.cols * image.rows;  // 总像素个数
    // 统计 256 个 bin，每个 bin 像素的个数
    for (int i = 0; i < image.rows; i++)
    {const uchar* p = image.ptr<uchar>(i);
        for (int j = 0; j < image.cols; j++)
        {histogram[int(*p++)]++; //cout<<"Histogram[data[i*image.step+j]]++:;"<<histogram[int(*p++)]++<<endl; 
        }
        //*p++,  * 和 ++ 优先级是雷同的 先解援用取出指针指向的值，// 而后再将指针地址加 1，指向下一个地位。也就是取值为 *p   然而这时候指针曾经指向下一个地位
    }
    // 前景像素统计
    for (int i = 1; i < 256; i++)
    {
        w0 = 0;    // 前景像素所占比例
        w1 = 0;    // 背景像素所占比例
        u0 = 0;    // 前景像素灰度均值
        u1 = 0;    // 背景像素灰度均值   
        for (int j = 1; j <= i; j++)
        {w0 = w0 + histogram[j];// 以 i 为阈值，统计前景像素比例
            u0 = u0 + j * histogram[j];// 以 i 为阈值，统计前景像素灰度总和
        }
        u0 = u0 / w0; w0 = w0 / Num;    //Num 是总像素个数

        // 背景像素统计
        for (int j = i + 1; j <= 255; j++)
        {w1 = w1 + histogram[j];// 以 i 为阈值，统计前景像素个数
            u1 = u1 + j * histogram[j];// 以 i 为阈值，统计前景像素灰度总和  histogram[j]是像素值为 j 的像素个数 
        }
        u1 = u1 / w1; w1 = w1 / Num;
        // 后面的 u1 是总灰度和  除以 w1 总个数是前景的灰度均值
// 后面的 w1 是总个数 除以 Num 当前才是比例 
        double variance = w0 * w1 * (u1 - u0) * (u1 - u0); // 以后类间方差计算
        if (variance > maxVariance)
        {
            maxVariance = variance;
            threshold = i;
        }
    }
    cout << "threshold:" << threshold << endl;
    return threshold;
}

int main()
{Mat img = imread("C://Users// 马亚飞 //Pictures//Saved Pictures// 湖人.jpg");
    imshow("原图", img);

    Mat img1;
    img.copyTo(img1);
    cvtColor(img, img, CV_BGR2GRAY);   // 把 img 转为灰度图
    cvtColor(img1, img1, CV_BGR2GRAY); // 把 img1 转为灰度图
    double th = Otsu(img);   // 调用 Otsu 函数 失去阈值 th
    cout << "The return value of getOstu is:" << th << endl;   // 输入阈值 th
    cout << "The return value of opencv threshold is:" << threshold(img1, img1, th, 255, CV_THRESH_OTSU);//opencv 已实现的大津法  

    for (int i = 0; i < img.rows; i++)  // 行循环
    {uchar* data = img.ptr<uchar>(i);  // 获取第 i 行的首地址
        for (int j = 0; j < img.cols; j++)   // 列循环
        {if (data[j] <= th)
                data[j] = 0;
            else
                data[j] = 255;
        }  // 行解决完结
    }

    imshow("Ostu_img", img);
    //cv::namedWindow("Opencv_img", CV_WINDOW_NORMAL);
    cv::imshow("Opencv_img", img1);
    // 对一次大津法 的彩色或者红色局部进行掩膜
    //bitwise_not(img1, img1); // 这里先变反转色彩
    /*Mat src = imread("D://opencvdata//0//0.png");
    src.setTo(0,img1);
    imshow("掩膜", src);*/
    waitKey(0);
    return 0;
}

（威少的黑白图还有点像利拉德）
都差不多

学习自：https://blog.csdn.net/Java_co…

关于图像处理:图像分割单阈值大津法

一. 图像宰割

1. 什么是图像宰割

2. 现有图像宰割办法的分类

二. 单阈值大津法