动态asp.net网站开发,植物染企业解决方案,河北省住房和建设厅网站,广东企业网站模板定制文章目录 前言一、Python全局128二、Python全局均值三、Python全局OTSU四、FPGA全局128总结 前言 为什么要进行图像二值化#xff0c;rgb图像有三个通道#xff0c;处理图像的计算量较大#xff0c;二值化的图像极大的减少了处理图像的计算量。即便从彩色图像转成了二值化图… 文章目录 前言一、Python全局128二、Python全局均值三、Python全局OTSU四、FPGA全局128总结 前言 为什么要进行图像二值化rgb图像有三个通道处理图像的计算量较大二值化的图像极大的减少了处理图像的计算量。即便从彩色图像转成了二值化图像也不影响对物体的识别。本章开始讲解图像二值化。Python包含全局128、全局均值、大津阈值法OTSUFPGA只做全局128的讲解。 一、Python全局128
import numpy as np
import matplotlib.pyplot as plt
img plt.imread(lenna.png)
gray 0.299 * img[:, :, 0] 0.587 * img[:, :, 1] 0.114 * img[:, :, 2]
gray gray * 255#图像是[0-1]---[0-255]
bin_image np.where(gray 128, 255, 0)#全局二值化
fig plt.figure(figsize(8, 8))
ax fig.add_subplot(1, 2, 1)
ax.set_title(gray image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(gray, cmapgray)
ax fig.add_subplot(1, 2, 2)
ax.set_title(binary image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(bin_image, cmapgray)二、Python全局均值
mean_image np.where(gray np.mean(gray), 255, 0)#全局均值
fig plt.figure(figsize(8, 8))
ax fig.add_subplot(1, 2, 1)
ax.set_title(gray image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(gray, cmapgray)
ax fig.add_subplot(1, 2, 2)
ax.set_title(mean image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(mean_image, cmapgray)三、Python全局OTSU OTSU是阈值分割中一种常用的算法它可以根据图像自动生成最佳分割阈值。 OTSU的核心思想是类间方差最大化。
初始化一个阈值T0将图像分为前景f和背景b;图像像素点个数为图像Nheight x width前景像素个数Nf背景像素个数Nb;图像灰度等级L-10~255256每个灰度等级像素个数Ni满足以下公式 P f ∑ i 0 i T 0 N i N P b ∑ i T 0 i L − 1 N i N (1) Pf \sum_{i 0}^{iT0}\frac{Ni}{N} \quad\quad Pb \sum_{i T0}^{iL-1}\frac{Ni}{N}\tag{1} Pfi0∑iT0NNiPbiT0∑iL−1NNi(1)
前景和背景的灰度平均值分别为 M f ∑ i 0 i T 0 i × P i P f M b ∑ i T 0 i L − 1 i × P i P b (2) Mf \sum_{i 0}^{iT0}i \times \frac{Pi}{Pf} \quad\quad Mb \sum_{i T0}^{iL-1}i\times\frac{Pi}{Pb}\tag{2} Mfi0∑iT0i×PfPiMbiT0∑iL−1i×PbPi(2) 整个图像灰度平均值 M P f × M f P b × M b (3) M Pf \times Mf Pb \times Mb\tag{3} MPf×MfPb×Mb(3) 求前景和背景之间的方差 σ 2 P f × ( M f − M ) 2 P b × ( M b − M ) 2 (4) \sigma^2 Pf\times(Mf-M)^2 Pb \times(Mb-M)^2\tag{4} σ2Pf×(Mf−M)2Pb×(Mb−M)2(4) 找到阈值T0使得公式4最大 怎么找可以采用优化算法本文中直接遍历灰度等级查找最优阈值。 统计像素点函数
image: 输入灰度图(ndarray)
reutrn: {像素个数}(dict)def pixel_num(image):h, w image.shapepdict {}for i in range(h):for j in range(w):if image[i,j] in pdict:pdict[image[i,j]] 1else:pdict[image[i,j]] 0return pdict
求公式4中sigma2的值
T0: 预设阈值(int)
gray: 灰度图(ndarray)
L: 灰度等级(int)def sigma2(T0, gray, L256):h, w gray.shapeN h * wpdict pixel_num(gray)pf sum([v for k,v in pdict.items() if k T0]) / N#公式1pb sum([v for k,v in pdict.items() if k T0]) / N#公式1pf [pf if pf 1e-6 else 1e-6][0]#控制最小值避免除以0pb [pb if pb 1e-6 else 1e-6][0]#控制最小值避免除以0mf sum([k * pdict.get(k, 0) / N for k in range(T0)]) / pf#公式2mb sum([k * pdict.get(k, 0) / N for k in range(T0, L)]) / pb#公式2M pf * mf pb * mb#公式3s2 pf * (mf - M) ** 2 pb * (mb - M) ** 2#公式4return s2, T0
遍历查找最大sigma2
gray: 灰度图(ndarray)
L: 灰度等级(int)def otsu(gray, L256):smax 0tmax 0for t in range(1, L):s2, T0 sigma2(t, gray, L)if s2 smax:smax s2tmax T0return smax, tmax
根据最佳阈值求二值化图像
threshold: 最佳阈值(int)
return: 二值化图像(ndarray)def otsu_threshold(max_threshold, gray):threshold np.mean(gray)binary np.where(gray max_threshold, 255, 0)return binarysmax, tmax otsu(gray, 256)
otsu_image otsu_threshold(tmax, gray)
plt.figure(figsize(10,10))
ax plt.subplot(1, 2, 1)
ax.set_title(gray image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(gray, cmapgray)
ax plt.subplot(1, 2, 2)
ax.set_title(otsu image)
ax.set_xlabel(width)
ax.set_ylabel(height)
plt.imshow(otsu_image, cmapgray)大津阈值法计算量较大FPGA实现没有意义。 四、FPGA全局128
module ycbcr2binary_global
(input wire vga_clk ,input wire sys_rst_n ,input wire [7:0] y_data ,input wire rgb_valid ,output reg [15:0] binary_data
);
wire [7: 0] temp;
reg y_valid;
assign temp (y_data 8d128)? 8d255: 8d0; always (posedge vga_clk or negedge sys_rst_n)if(sys_rst_n 1b0)y_valid 1b0;elsey_valid rgb_valid;always(posedge vga_clk or negedge sys_rst_n)if(sys_rst_n 1b0)binary_data 16d0 ;else if(y_valid 1b1)binary_data {temp[7:3], temp[7:2], temp[7:3]};elsebinary_data binary_data;
endmodule总结 全局二值化都比较基础Python与FPGA实现都较为简单。下期讨论难度升级的局部二值化敬请期待。
