少有人走的路阈值分割引言
阈值分割有非常多的算法，大体上分为全局和局部算法。 全局算法包括全局固定阈值和基于图像直方图的阈值，局部算法包括局部动态阈值分割。 基于图像直方图阈值分割的方法也有很多，比如常规的高斯滤波双峰法，OTSU大津法。 但是这类所有的法都基于一个假设：图像是有前景和背景的，待分割目标处于背景中，即图像直方图是双峰的。 如果因为非均匀光照导致待分割目标不处于背景或前景中，即图像直方图无双峰， 那么基于图像直方图的所有法都是不甚理想的 只能在此基础上进行一定的变换，例如nbl算法等，这些都属于局部算法。 任何算法，都会基于假设空间的。没有假设空间，所有算法性能一致。包括经典算法和深度学习算法。 本系列的贴子勇哥通过实验来细品它们之间的差别，以求以后可以精准应用。
var threshold
(1) 参数说明:
var threshold(Image : Region : MaskWidth, MaskHeight, StdDevScale, AbsThreshold, LightDark:)
①Image:输入图像;
②MaskWidth, MaskHeight：是用于滤波平滑的掩膜单元
③StdDevscale：是标准差乘数因子(简称标准差因子) ;
④AbsThreshold：是设定的绝对阈值;
⑤LightDark：有4个值可选：' light'、' dark'' equal'、' not equal'。
(2)应用举例：
var threshold (Image, Region, 4, 4, 0.2, 12, 'dark' )
在该程序中,先用4x4的掩膜在图像上逐像素游走,用原图中的当前像素和对应掩膜中16个像素的灰度均值对比,找出暗(dark)的区域。当原图像素灰度比对应的掩膜灰度均值低(0.2,12)个灰阶时,该区域被分割出来。
本程序中StdDevScale = 0.2, AbsThreshold = 12,问题的关键就是理解如何通过StdDevscale和AbsThreshold来确定用于分割的阈值。
（3）关于参数StdDevScale (标准差因子)的说明:
1、当标准差因子StdDevscale>=0时, v(x.y)取(StdDevscale x标准差)和AbsThreshold中较大的那个 ;
2、当标准差因子StdDevScale<= 0时, v(xy)取(StdDevscale x标准差)和AbsThreshold中较小的那个。
实测发现，这里的比较大小是带符号比较,由于标准差是非负数,当StdDevscale <0时,(StdDevscalex标准差) <=0恒成立,所以此时的取值就是(StdDevScale x标准差) 。
帮助文档中StdDevscale的推荐值范围是-1-1,一般通过上面的例子可知,一般的明显的黑白过度处的在50左右,StdDevScale即-50 ~50 ,50的灰度差异,对于一般分割来说足够。
标准差文档还说:推荐的值是0.2,如果参数StdDevScale太大,可能分割不出任何东西;如果参数StdDevScale太小(例如-2) ,可能会把整个图像区域全部输出,也就说达不到有效分割的目的。一般推荐使用该算子时,StdDevScale取正值。
需要强调的是:在黑白过渡处,一般掩膜覆盖的像素的标准差较大,而在其他平缓的地方,标准差较小;因此最终采用的分割值随着掩膜在不断遍历像素的过程中,在(StdDevScalex标准差)和AbsThreshold之间不断切换。
(4) var_threshold和dyn_threshold的区别和联系:
var_threshold算子和dyn_threshold算子极为类似,不同的是var threshold集成度更高,并且加入了"标准差x标准差因子"这一变量。
dyn_threshold是将原图和滤波平滑后的图对比, var_threshold是将原图和对应像素掩膜覆盖的像素的平均,灰度值对比,在算子var_threshold中,如果参数StdDevScale=0,那么就可以用动态阈值的方式非常近似地模拟,以上两种算法的效果,极为类似。
官方文档的说明
名称
var_threshold —通过局部均值和标准差分析对图像阈值。
签名
var_threshold（Image：Region：MaskWidth，MaskHeight，StdDevScale，AbsThreshold，LightDark：）
描述
使用var_threshold，可以选择输入Image 的像素满足如下所述特征：
具有较高的局部标准偏差（对于正的 StdDevScale）或较低的局部标准偏差（对于负的 StdDevScale）
和
根据LightDark的说法，它们是局部亮或暗的。
因此，可以在不均匀，嘈杂或照明不均匀的背景上分割区域。
输入参数提示
MaskWidth，MaskHeight
由MaskWidth和 MaskHeight定义的过滤器蒙版的大小确定要分割的对象的最大大小。但是，如果选择的遮罩太大，则可能会合并非常靠近的对象。
（1）原始图像；目标是计算垂直线。
（2）MaskWidth：= 12，MaskHeight：= 12， StdDevScale：= 0.1，所有垂直线均正确分割。
（3）如果选择的遮罩尺寸太小，则无法正确选择所需区域。
（4）如果遮罩大小太大（40），则可能会合并非常靠近的对象。如果MaskWidth或MaskHeight是偶数，则使用下一个较大的奇数值。总而言之，值为3可以认为是最小明智值。
StdDevScale（标准差）
局部标准偏差用作图像中噪声的量度。可以通过StdDevScale对其进行缩放，以反映所需的灵敏度。较高的值表示仅选择与其周围环境有很大差异的像素。
对于参数StdDevScale，明智的选择是-1.0至1.0之间的值，建议值为0.2。如果参数太高或太低，则可能会返回空白区域或完整区域。
（1）如果StdDevScale太高（1.3），则操作员“挑剔”；仅选择与周围非常相似的像素。
（2）如果StdDevScale太低（-0.3），则错误地选择了太多与其周围有些相似的像素。
AbsThreshold （绝对阈值）
在图像的均匀区域中，标准偏差较低；因此，单个灰度值的影响很大。为了降低操作员在均匀区域中的灵敏度，可以调整 AbsThreshold。
因此，可以忽略均匀环境中较小的灰度值变化。请注意，对于 StdDevScale的负值，AbsThreshold也应选择为负。
LightDark（亮暗）
“亮”或“暗”分别返回所有比其周围亮或暗的像素。“等于”返回所有未被选择的像素，即相对等于其周围的像素。'not_equal'返回'light'和'dark'的组合结果，即所有与其周围环境不同的像素。
计算
（1）初始图像。
（2）阈值图像（StdDevScale：= 0.6，MaskWidth：= 15，MaskHeight：= 15，AbsThreshold：= 10）。
以下图像直观地显示了沿着蓝色箭头的结果如何。
var_threshold从输入图像Image中选择 像素满足阈值条件的那些区域Region。根据平均灰度值和每个像素（x，y）周围的MaskWidth x MaskHeight大小的局部蒙版中的标准偏差计算阈值 。
让
g（x，y）是输入Image中位置（x，y）处的灰度值 ，
m（x，y）对应的平均灰度值，以及
d（x，y）围绕该像素的遮罩中的相应标准偏差。
然后，将可变阈值v（x，y）定义为
要么
解释：对于正的StdDevScale，将分析每个像素。确定用户定义的AbsThreshold或缩放的标准偏差是否更大。选择较大的值作为可变阈值v（x，y）。对于负的StdDevScale，选择相应的较小值。
Which pixels are chosen based on the variable threshold is defined by the parameter LightDark:
LightDark = 'light':
Interpretation: If the pixel is brighter by v(x,y) than its surrounding, it is selected.
LightDark = 'dark':
Interpretation: If the pixel is darker by v(x,y) than its surrounding, it is selected.
LightDark = 'equal':
解释：准确选择那些未被 “亮”和“暗”选择的像素，即与周围相对相等的像素。
LightDark ='not_equal'：
解释：选择“亮”和“暗”的所有像素，即与周围像素相差v（x，y）的所有像素。
并行化
多线程类型：可重入（与非排他运算符并行运行）。
多线程作用域：全局（可以从任何线程调用）。
在元组级别自动并行化。
在域级别自动并行化。
参数
输入图像。
细分区域。
复杂度
假设A为输入区域的面积，则运行时间为O（A）。
结果
如果所有参数正确，则var_threshold返回2（H_MSG_TRUE）。可以通过使用set_system设置标志“ no_object_result”，“ empty_region_result”和“ store_empty_region”的值来确定有关输入图像和输出区域的行为。如有必要，将引发异常。
备择方案
参考文献
W.Niblack，“数字图像处理入门”，第115-116页，新泽西州恩格伍德·克里夫斯，普伦蒂斯·霍尔，1986年
未完待续…………
---------------------
作者：hackpig
来源：www.skcircle.com
版权声明：本文为博主原创文章，转载请附上博文链接！
