Halcon-算子-阈值分割-binary_threshold

最新推荐文章于 2026-04-02 02:01:00 发布

原创

最新推荐文章于 2026-04-02 02:01:00 发布 · 2.2k 阅读

收录于

本文介绍了Halcon中的两种阈值分割方法，max_separability适用于直方图有两个明显波峰的情况，通过计算组间方差选取最佳阈值；而smooth_histo则通过高斯滤波处理直方图，找到唯一极小值确定阈值，用于图像分割。

binary_threshold(Image : Region : Method, LightDark : UsedThreshold)
	Image：输入图像
	Region：输出分割的区域，只有一个分割出来的区域
	Method：使用的分割方法，有“max_separability”和“smooth_histo”两种
	LightDark：选择目标区域是暗的还是亮的，可选“dark”或“light”
	UsedThreshold：用于分割的阈值

分割方法之max_separability（适合于直方图存在两个波峰的情况，即图像前景背景的比较分明，但是波谷会因为光线或其他原因而移动）

统计学中方差分析的组间方差计算公式：
把M个样本分为n组
$σ=(∑i=1n(xi−x‾)2ki)/M\sigma = (\sum_{i=1}^n(x_i - \overline x)^2k_i)/M$

$σ\sigma$ ：组间方差
$x_i$ ：第 $i$ 组的平均值
$x‾\overline x$ ：总平均值
$k_i$ ：第 $i$ 组的样本数量
M ：样本总数量

该分割方法是使用OTSU（大津法，即最大类间方差）进行阈值分割，即遍历整个灰度阶，每次遍历都以当前遍历的灰度阶值作为分割阈值将整体像素分为2组，计算本次分割的组间方差，当遍历完整个灰度阶就会得到多个组间方差，选择最大的那个组间方差，该组间方差所用的灰度阶值就作为本次分割用的阈值，计算方法如下：

总像素个数为M，灰度值为 $i$ 的像素数量为 $p_i$ ，假设以灰度值 $k$ 将像素分为前景和背景两部分，则：
前景像素数量： $u1=∑i=0kpiu_1 = \sum_{i=0}^kp_i$