图像预处理之阈值处理

目录

阈值处理概要

阈值处理|固定阈值

Binary（二值化阈值）

BinaryInv（反向二值化阈值）

Trunc（截断阈值）

Tozero（置零阈值）

TozeroInv（反向置零阈值）

Ostu（大津法阈值）

Triangle（三角法阈值）

阈值处理|迭代阈值

阈值处理|最大熵阈值

阈值处理|二值化

阈值处理|动态阈值

MeanC（均值类动态阈值）

GaussianC（高斯类动态阈值）

阈值处理概要

阈值处理|固定阈值

以下是这些阈值化方式的具体含义：

Binary（二值化阈值）

对于给定的阈值，Binary阈值化方法将小于等于阈值 的像素值设置为0（或某个最小值，通常为黑色表示），将大于阈值 的像素值设置为最大值（通常为255，白色表示）。这样就将图像转换为只包含两种值（黑和白）的二值图像。
 

BinaryInv（反向二值化阈值）

这是Binary阈值化的反向操作。对于给定的阈值 ，BinaryInv阈值化方法将小于等于阈值的像素值设置为最大值（如255），将大于阈值的像素值设置为0。

Trunc（截断阈值）

对于给定的阈值，Trunc 阈值化方法将大于阈值的像素值截断为阈值 。也就是说，所有大于 的像素值都被设置为，而小于的像素值保持不变。
 

Tozero（置零阈值）

对于给定的阈值，Tozero阈值化方法将小于阈值的像素值设置为0，而大于等于的像素值保持不变。
 

TozeroInv（反向置零阈值）

与Tozero阈值化相反，对于给定的阈值 ，TozeroInv阈值化方法将大于阈值 的像素值设置为0，而小于等于 的像素值保持不变。

Ostu（大津法阈值）

大津法是一种自适应的阈值确定方法。它的目标是找到一个阈值，使得类间方差最大。假设图像由前景和背景两部分组成，通过遍历所有可能的阈值，计算前景和背景的类间方差。类间方差的计算公式涉及到前景和背景的像素数量、平均灰度值等因素。
具体计算时，对于每个可能的阈值，将图像像素分为两类：小于等于 的为一类，大于 的为另一类。然后根据这两类的像素统计信息计算类间方差，选择使类间方差最大的 作为阈值。
 

Triangle（三角法阈值）

这种阈值化方法基于图像的直方图来计算阈值。它假设图像的直方图具有单峰特性，将直方图看作是一个概率分布函数，然后通过寻找直方图的“重心”来确定阈值。
具体来说，它是根据直方图的形状，使用三角形的几何关系来计算阈值。这个三角形的底是直方图的取值范围（从最小灰度值到最大灰度值），高是直方图中的最大频率值。

阈值处理|迭代阈值

迭代阈值是一种用于图像阈值化处理的方法。它通过多次迭代计算来确定一个合适的阈值，将图像像素根据最终阈值划分为不同类别，例如小于等于最终阈值的像素设为0（表示背景），大于最终阈值的像素设为255（表示前景）。

阈值处理|最大熵阈值

最大熵阈值是一种用于图像阈值化的方法。熵在信息论中是对不确定性的一种度量。在图像阈值化的情境下，最大熵阈值的目标是找到一个阈值，使得基于这个阈值划分后的图像前景和背景区域的熵之和最大。

阈值处理|二值化

最大阈值设置200,最小阈值设置50,在阈值范围内的显示成白色,阈值范围外的显示成黑色

阈值处理|动态阈值

MeanC（均值类动态阈值）

• MeanC通常是基于均值（Mean）来确定动态阈值的一种方法。它考虑的是图像局部区域或者整体的均值信息。
• 在局部的情况下，会将图像划分成若干个子区域（例如小方块区域）。对于每个子区域，计算该子区域内像素的均值。这个均值可以直接作为阈值，或者在此基础上进行一些简单的调整（如加上或减去一个小的常量）来得到最终的阈值。
• 从整体图像的角度看，计算整个图像的像素均值，然后根据这个均值来确定一个适用于整个图像或者特定区域的阈值。例如，在一些简单的图像增强场景中，如果整体图像均值为 μ​，可以设定阈值为 μ+c​（c​ 为一个常数），将图像中灰度值大于这个阈值的像素视为一类，小于或等于这个阈值的像素视为另一类。

GaussianC（高斯类动态阈值）

• GaussianC是基于高斯分布（Gaussian Distribution）特性来确定动态阈值的方法。
• 在图像分析中，很多情况下图像的像素灰度值分布近似于高斯分布。对于局部区域或整体图像，首先假设其像素灰度值服从高斯分布，然后计算出与高斯分布相关的参数，如均值 μ​ 和标准差 σ​。
• 通常，阈值可以根据这些参数来设定，常见的形式是 T=μ+kσ​（k​ 为一个根据具体需求确定的系数）。在局部区域中，计算每个子区域的高斯分布参数，然后确定该子区域的阈值；在整体图像层面，计算整幅图像的高斯分布参数来确定适用于整个图像或者特定区域的阈值。