一.图像宰割
1.什么是图像宰割
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
2.现有图像宰割办法的分类
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
二.单阈值大津法
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) =w0×0+w1×1 g=w0×(0-)^2+w1×(1-)^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0；w1是背景区域像素个数占整幅影像的比例，其像素均值为1；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...