【数字图像处理】7.2:灰度图像-图像分割 阈值处理之P-Tile阈值

Abstract: 数字图像处理:第51天
Keywords: 阈值处理,p-tile

本文最初发表于csdn,于2018年2月17日迁移至此

灰度图像-图像分割 阈值处理之P-Tile阈值

废话不多说,因为刚才(上一篇)已经说过了,p-tile可能听起来挺可怕,没关系,说个它的对象–中位数,这个都知道吧,数值排排站,然后选出中间那个,或者说,假如数据一共有N个,那么中位数就是排在第 $N\times 0.5%$ 的那个数;p位数,也叫p分位,可以理解为数值排排站以后第 $N*p$ 的那个数。

p-tile均值

根据上面对p分位的理解,可以看出这个阈值处理方法是半自动的方法,也就是阈值的生成需要人工控制,就是要手动输入p分位的p,下面代码中p取值$(0 ,1]$

代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
//阈值法,p分位法
//p分位为统计学方法
//当p为0.5时为中位数
void PtileThreshold(double *src,double *dst,double p_value,int width,int height,int type){/*0<p_value<1*/
int total_pix_count=width*height;
int pix_count=0;
int hist[GRAY_LEVEL];
double threshold_value=0.0;
InitHistogram(hist);
setHistogram(src, hist, width,height);
for(int i=0;i<GRAY_LEVEL;i++){
pix_count+=hist[i];
if(pix_count>=(int)((double)total_pix_count*p_value)){
threshold_value=(double)i;
break;
}
}
Threshold(src,dst, width, height, threshold_value,type);
}

效果

原图一个只有两个灰度值的图像,这里使用对其加入5%的高斯噪声,
未处理图像:

未处理时的直方图:

观察直方图,估计出最佳阈值位置:

下面使用不同的p值来测试结果:



可以看出,第二次(我试了好久。。。。。)测试结果能够得出最好结果。


lena图处理测试:



总结

首先确定p值需要经验或实验,所以P-Tile方法应用于自适应有些困难,其次,影响处理结果的因素是目标与背景大小的比例,目标过大背景过小或者背景过大目标过小,都会对测试结果产生很大影响,其次是噪声,噪声也会对实验结果产生影响。
待续。。。

0%