计算机视觉-基于密度的图像二值化

计算机视觉-基于密度的图像二值化这次要求使用FuzzyDensityModel去做一个图像二值化处理。网上参考文档除了作者的论文,几乎为零,可参考代码都没有。

大家好,欢迎来到IT知识分享网。

前言

之前处理图像二值化时使用的是经典的Otsu算法,这次要求使用Fuzzy Density Model去做一个图像二值化处理,网上参考文档除了作者的论文,几乎为零,可参考代码都没有。所以读完论文后特地记录一下。先声明:这篇论文还没有完全理解吸收,记录自己学习过程,如果有误,欢迎交流

计算机视觉-基于密度的图像二值化

论文简介

一般图像二值化的处理是对图像灰度化后,处理其直方图,取其中的一个点作为threshold,以此为界,将图片中灰度小于该点的值、大于该点的值分成两部分。

Fuzzy Set Theory

作者先介绍了一个称作Fuzzy Set的理论。令X={X1,X2….Xn},函数μ,它将X中的每个元素映射到[0,1]区间上,即对于X中元素Xi,有: 0<=μ(Xi)<=1,令A={( Xi , μ(Xi) )},A即为X上的Fuzzy Set。相当于对于X中的每个元素给予了一个0-1的权重。这里的μ特别地被称为membership function。

Fuzzy Set Model

何为图像密度?以下图为例,假设点距离圆心越近,则拥有越高的权重,那么我们可以得出(a)图中点权重之和比上以r为半径的圆面积,大于,(b)图中点权重之后比上以r为半径的圆面积

计算机视觉-基于密度的图像二值化

论文里提到了三个membership function,分别为 – Zadeh’s S-membership function

计算机视觉-基于密度的图像二值化

– Gamma membership function

计算机视觉-基于密度的图像二值化

– Gaussian membership function

计算机视觉-基于密度的图像二值化

这里引入fdm(r,p)函数,用于计算fuzzy density,r为计算的图像区域,p为区域内的点。fdm计算结果越高,则相似度越大。

Threshold Selection Method

对于图像的直方图有明、暗两部分,对于Object(亮部),显然有灰度越小,越暗,权重越低,对于Background则反之,所以如果我们分别选取灰度图中最大、最小作为明暗中心,做出他们的fdm函数,大致如图

计算机视觉-基于密度的图像二值化

交界处即为所需要的threshold。

The Rest

论文剩余部分对左右两个初始区域、以及threshold的适当调整做了更近一步探讨,这里暂时不记录了(主要是没有看大明白。。。),有兴趣读者可以查看作者原论文

实践

Lang:Python Package:PIL

# Created by william wei on 17/1/7. # Copyright © 2017年. All rights reserved. import PIL import math from PIL import Image Xmin=0 Xmax=0 hist = [] def membership_function(x): b = (Xmin+Xmax)/2 x = x*1.0 if x <= Xmin: return 0 if x>Xmin and x<=b: return 2*math.pow( (x-Xmin)/(Xmax-Xmin), 2 ) if x>b and x<Xmax: return 1-2*math.pow( (x-Xmax)/(Xmax-Xmin), 2 ) if x>=Xmax: return 1 return 0 def fdm(x,y,inverse=0): global Xmin,Xmax result = 0 num = 0 for i in xrange(x,y): num = num+hist[i] if inverse==1: result = result+hist[i]*membership_function(Xmax-(i-Xmin)) else: result = result+hist[i]*(membership_function(i)) return result/num if __name__ == "__main__": im=Image.open('cherry.png') im = im.convert('L') hist = im.histogram() threshold = 0 for i in xrange(0,256): if hist[i] > 0: Xmin = i break; for i in xrange(0,256): if hist[255-i] > 0: Xmax = 255-i break; for x in xrange(Xmin+1,Xmax): left = fdm(Xmin,x,1) right = fdm(x,Xmax) if left<right and threshold == 0: threshold = x print threshold height,width = im.size bkg = im.convert('L') obj = im.convert('L') for x in xrange(0,height): for y in xrange(0,width): pixel = im.getpixel((x,y)) print (threshold) if pixel<threshold : obj.putpixel((x,y),0) else: bkg.putpixel((x,y),0) bkg.save('bkg.png') obj.save('obj.png')

效果如图: – 原图

计算机视觉-基于密度的图像二值化

– Object

计算机视觉-基于密度的图像二值化

– Background

计算机视觉-基于密度的图像二值化

再说点

效果说实话,确实不是很好,比Otsu差不少,不过这倒不是作者的问题,应该是把论文剩余部分读完的原因吧,姑且先这样,后面有时间再回来研究一下。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/71118.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信