【OpenCV】（三）opencv入门之图像的基本操作—

所谓图像分割是根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性和相似性。

现有的图像分割有以下几类：
1.基于阈值分割：通过设定不同的特征阈值，把图像像素点分为若干类。

最稳定，且无需参数，对于现实图像保持了最好的均匀性和形状特性

2.基于区域分割

3.基于边缘分割：图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测。
常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。

4.基于特定的理论分割方法

下面是基于阈值分割ostu算法实现：

#include "pch.h"
#include<iostream>
#include <core.hpp>
#include <highgui.hpp>
#include <imgproc.hpp>
#include <opencv2/imgproc/types_c.h>  using namespace std;
using namespace cv;int Otsu(Mat matSrc)
{if (CV_8UC1 != matSrc.type()){cout << "Please input Gray-image!" << endl;return 0;}int nCols = matSrc.cols;int nRows = matSrc.rows;int nPixelNum = nCols * nRows;    //图像像素总数  int pixelNum[256];double probability[256];for (int i = 0; i < 256; i++)     //图像像素初始化{pixelNum[i] = 0;probability[i] = 0.0;}// 统计像素数和频率for (int j = 0; j < nRows; j++){for (int i = 0; i < nCols; i++){pixelNum[matSrc.at<uchar>(j, i)]++;}}for (int i = 0; i < 256; i++){probability[i] = (double)0.1*pixelNum[i] / nPixelNum;}int T = 0;          // 最佳阈值double dMaxDelta = 0;      // 最大类间方差double f = 0;        // 前景平均灰度double b = 0;        // 背景平均灰度double dDelta = 0;         // 类间方差double f_temp = 0;   // 前景均值中间值double b_temp = 0;   // 背景均值中间值double fProbability = 0;  // 前景频率值double bProbability = 0;   // 背景频率值for (int j = 0; j < 256; j++){for (int i = 0; i < 256; i++){if (i < j)// 前景部分{fProbability += probability[i];f_temp += i * probability[i];     //计算前景部分灰度中间值}else      // 背景部分{bProbability += probability[i];b_temp += i * probability[i];     //计算背景部分灰度中间值}}f = f_temp / fProbability;    //前景的灰度b = b_temp / bProbability;    //背景的灰度dDelta = (double)(fProbability * bProbability * pow((f - b), 2));   //当前类方差的计算if (dDelta > dMaxDelta){dMaxDelta = dDelta;T = j;}fProbability = 0;bProbability = 0;f_temp = 0;b_temp = 0;f = 0;b = 0;dDelta = 0;}return T;
}int main()
{Mat img = imread("D:\\Visual Studio project\\ConsoleApplication2\\风景.jpg",IMREAD_GRAYSCALE);  //读取一张灰色的风景图片int nCols = img.cols;int nRows = img.rows;imshow("gray", img);int nOstuThreshold = Otsu(img);cout << nOstuThreshold << endl;Mat matOstu = Mat::zeros(img.rows, img.cols, CV_8UC1);for (int j = 0; j < nRows; j++){for (int i = 0; i < nCols; i++){if (img.at<uchar>(j, i) < nOstuThreshold){matOstu.at<uchar>(j, i) = img.at<uchar>(j, i);}else{matOstu.at<uchar>(j, i) = 0;}}}imshow("ostu", matOstu);imwrite("D:\\Visual Studio project\\ConsoleApplication2\\ostu.jpg", matOstu);waitKey();return 0;
}

输出结果：

参考文章：https://www.cnblogs.com/Tang-tangt/p/9420405.html

【OpenCV】（三）opencv入门之图像的基本操作——图像阈值分割（ostu算法）相关推荐

前景背景分割——ostu算法的原理及实现 OpenCV (八）
OpenCV [八]--前景背景分割--ostu算法的原理及实现实验结果代码实现实现原理参考资料实验结果代码实现 #include<opencv2/opencv.hpp> #i ...
OPENCV C++图像提取,图像处理,roi,阈值分割,连通区域筛选,边缘检测(以箱子边缘框选为例)
本周有机会接触了一点opnev, 在此做一下记录, 最终以框选出下图箱子为目的(图片箱子为相机实拍结果,曝光有点低,会有亿点点暗 ), 本文会拆解步骤并附上图片, 完整的源码在最后.PS:本文参考了好 ...
otsu自适应阈值分割的算法描述和opencv实现,及其在肤色检测中的应用
from:http://blog.csdn.net/onezeros/article/details/6136770 otsu算法选择使类间方差最大的灰度值为阈值,具有很好的效果算法具体描述见ots ...
opencv 二值化 python_Python OpenCV 图像二值化-阈值分割
1.二值化处理 # 手动二值化处理 # 设置阈值大小 threshold thresh = 125 # 设置超过阈值像素值的最大值 maxval = 255 # THRESH_BINARY:超过阈值为 ...
c++opencv汉字分割_机器学习小白，还不快pick一下——【视觉与图像：阈值分割】...
" 前言:安利Python来开发OpenCV的原因其实细心的小伙伴早在?[视觉与图像]Python+OpenCV教程入门篇就找到了想要的答案.(点蓝字即可打开) " 今天周五了! ...
【千律】OpenCV基础：图像阈值分割 -- 自适应阈值分割 -- 代码实现
环境:Python3.8 和 OpenCV 内容:自适应阈值分割代码实现 import cv2 as cv import numpy as np import matplotlib.pyplot as ...
opencv中几种阈值分割
七种常见阈值分割代码(Otsu.最大熵.迭代法.自适应阀值.手动.迭代法.基本全局阈值法) 一.工具:VC+OpenCV 二.语言:C++ 三.原理 otsu法(最大类间方差法,有时也称之为大津算法) ...
七种图像阈值分割技术
一.工具:VC+OpenCV 二.语言:C++ 三.原理 otsu法(最大类间方差法,有时也称之为大津算法)使用的是聚类的思想,把图像的灰度数按灰度级分成2个部分,使得两个部分之间的灰度值差异最大,每 ...
python 阈值分割给黑白图像上伪彩色
完整代码在最后. 一.处理结果图1 原图像(左)和上色后图像(右) 二.实现方法 Opencv中提供了五种阈值分割的函数,将这五种函数均应用于源图像观察其效果. 图2 五种阈值分割函数作用于原图像i ...

【OpenCV】（三）opencv入门之图像的基本操作——图像阈值分割（ostu算法）

【OpenCV】（三）opencv入门之图像的基本操作——图像阈值分割（ostu算法）相关推荐

最新文章

热门文章