二值化
關(guān)注創(chuàng)建者：龍飛宇 創(chuàng)建時(shí)間：2022-10-01
二值化的視頻教程
1-40基于MATLAB，使用模板匹配法實(shí)現(xiàn)車牌的識(shí)別
具體包括將原圖灰度化，邊緣檢測(cè)，腐蝕操作，車牌區(qū)域定位，車牌區(qū)域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號(hào)碼。模型已調(diào)通，可直接運(yùn)行。 購買后可下載視頻中的源程序文件。
￥55.9 1分鐘 2播放
查看
ABAQUS-根據(jù)圖像分配材料屬性建立有限元模型
通過材料金相組織圖片建立有限元仿真模型，通過matlab二值化處理圖片，并根據(jù)圖片信息，以python二次開發(fā)為手段賦予不同材料屬性，建立有限元模型。
￥129 10分鐘 51播放
查看
1-91基于matlab的以GUI實(shí)現(xiàn)指紋的識(shí)別和匹配百分比
基于matlab的以GUI實(shí)現(xiàn)指紋的識(shí)別和匹配百分比,中間有對(duì)指紋的二值化，M連接，特征提取等處理功能。數(shù)據(jù)可更換自己的，程序已調(diào)通，可直接運(yùn)行。 購買后可下載視頻中的源程序文件。
￥35.9 2分鐘 6播放
查看
二值化的實(shí)例教程
h_untitled = getappdata(handles.figure_im2bw,'h_untitled');
axes(h_untitled.axes_dst);
img_src = getappdata(0,'img_src');
bw = im2bw(img_src,val);
imshow(bw);
以上語句通過從滑塊中提取的值確定二值化的閾值，最后使用imshow函數(shù)生成二值化處理后的圖像，并實(shí)時(shí)顯示在圖像框中。
對(duì)于不是很復(fù)雜的模型可以使用im2mesh進(jìn)行純?nèi)切螁卧W(wǎng)格劃分，或者也可以使用oof2進(jìn)行四邊形和三角形混合單元網(wǎng)格劃分；
3.im2mesh和oof2都對(duì)于黑白二值化的圖片有較高的效率；
4.如果是RGB圖，在im2mesh中都是要先處理為灰度圖或黑白二值化圖，注意：im2mesh有將灰度圖轉(zhuǎn)變?yōu)橛邢拊W(wǎng)格的能力，但是效率著實(shí)不高，所以im2mesh很多時(shí)候都采用黑白二值化圖片；
5.由于im2mesh處理多種顏色的灰度圖能力有限，所以如果一個(gè)圖片中的顏色超過三種以上，那么采用oof2進(jìn)行處理效果更高，或者將圖片處理為黑白二值化圖，在im2mesh或oof2中處理都可以；
6.如果要獲得像素網(wǎng)格，oof2可以做到，im2mesh不能做到；
7.最好在ps中把相近色區(qū)域都改為一種顏色，這樣可以更加方便在im2mesh或oof2中進(jìn)行處理，大大提高處理效率，如下圖共包含四種單色：黑、白、灰、淺灰，而實(shí)際這個(gè)熊貓圖片的任何一個(gè)區(qū)域都是灰色過渡，如果不提前對(duì)圖片進(jìn)行區(qū)域顏色處理，則在im2mesh中處理效率非常低，同時(shí)在oof2中創(chuàng)建像素集合也會(huì)更困難。
8.圖片像素尺寸不要太大了，否則在im2mesh中處理起來速度也慢。
9.處理時(shí)，可以修改或不修改默認(rèn)最大網(wǎng)格尺寸hmax。
總之：在im2mesh或oof2中處理前，先在ps中進(jìn)行處理：（1）通常將像素尺寸修改為500*500以下，防止尺寸過大導(dǎo)致處理速度過慢；（2）為每個(gè)區(qū)域設(shè)置為單一顏色，防止界面處識(shí)別出現(xiàn)問題。
展開 本系統(tǒng)針對(duì)家庭小型車藍(lán)底白字車牌進(jìn)行識(shí)別
背景
近年來,隨著交通現(xiàn)代化的發(fā)展要求，汽車牌照自動(dòng)識(shí)別技術(shù)已經(jīng)越來越受到人們的重視。車牌自動(dòng)識(shí)別技術(shù)中車牌定位、字符切割、字符識(shí)別及后處理是其關(guān)鍵技術(shù)。由于受到運(yùn)算速度及內(nèi)存大小的限制，以往的車牌識(shí)別大都是基于灰度圖象處理的識(shí)別技術(shù)。其中首先要求正確可靠地檢出車牌區(qū)域,為此提出了許多方法,如Hough變換以檢測(cè)直線來提取車牌邊界區(qū)域、使用灰度分割及區(qū)域生長進(jìn)行區(qū)域分割,或使用紋理特征分析技術(shù)等。Hough變換方法對(duì)車牌區(qū)域變形或圖象被污損時(shí)失效的可能性會(huì)大大增加,而灰度分割則比直線檢測(cè)的方法要穩(wěn)定，但當(dāng)圖象在有許多與車牌的灰度非常相似的區(qū)域時(shí)，該方法也就無能為力了。紋理分析在遇到類似車牌紋理特征的其他干擾時(shí)，車牌定位正確率也會(huì)受到影響。本文提出基于車牌彩色信息的彩色分割方法。
主要模塊
主要模塊如下：顏色信息提取、車牌區(qū)域定位、識(shí)別、提取、檢測(cè)傾斜度、車牌校正、車牌區(qū)域2值化、擦除干擾區(qū)域、文字分割、模版匹配、結(jié)果輸出。
1. 定位車牌區(qū)域
2. 車牌矯正
3. 二值化車牌
4. 處理二值化圖像
5. 字符切割
6. 字符識(shí)別
顏色信息提取
根據(jù)彩色圖像的RGB比例定位出近似藍(lán)色的候選區(qū)域。即根據(jù)藍(lán)色像素點(diǎn)找出上下左右邊界，但是由于RGB三原色空間中兩點(diǎn)間的歐氏距離與顏色距離不成線性比例，在設(shè)定藍(lán)色區(qū)域的定位范圍時(shí)不能很好的控制。因此造成的定位出錯(cuò)是最主要的。這樣在圖片中出現(xiàn)較多的藍(lán)色背景情況下識(shí)別率會(huì)下降，不能有效提取車牌區(qū)域。在此采用自適應(yīng)調(diào)節(jié)方法，對(duì)分割出來的區(qū)域進(jìn)行識(shí)別調(diào)整，再根據(jù)長寬比和藍(lán)白色比，對(duì)候選區(qū)域進(jìn)行多次定位，最終找到車牌區(qū)域。
傾斜校正
針對(duì)傾斜角度的圖片采取rando算法進(jìn)行傾斜角度計(jì)算，并對(duì)傾斜圖片進(jìn)行修正。
展開 然后對(duì)圖像進(jìn)行二值化處理來獲得每個(gè)水果的區(qū)域特征。
在水果與背景接觸處二值化會(huì)導(dǎo)致圖像邊緣部分有斷裂，毛躁的部分。所以采用邊緣提取以彌補(bǔ)斷裂的邊緣部分，然后基于數(shù)學(xué)形態(tài)算子對(duì)圖像進(jìn)行去除斷邊，圖像填充等必要的后續(xù)處理。經(jīng)過圖像分割后，水果和背景很明顯地被區(qū)分開來，然后需要對(duì)每種水果的特征進(jìn)行提取。
先對(duì)圖像進(jìn)行標(biāo)簽化，所謂圖像的標(biāo)簽化是指對(duì)圖像中互相連通的所有像素賦予同樣的標(biāo)號(hào)。經(jīng)過標(biāo)簽化處理就能把各個(gè)連通區(qū)域進(jìn)行分離，從而可以研究它們的特征。
關(guān)鍵技術(shù)
圖像二值化
1、灰度化
% 將真彩色圖像 i 轉(zhuǎn)化為灰度圖像 I
I=rgb2gray(i);
在 RGB 模型中，如果 R=G=B 時(shí)，則彩色表示一種灰度顏色，其中 R=G=B 的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。
2、二值化
% level 為閾（yu) 值，取值從0到1.
% 本項(xiàng)目考慮到圖片背景顏色為白色，亮度較大，因此選取 `level=0.9` 來實(shí)現(xiàn)二值化。
I=im2bw（i，level）
一幅圖像包含目標(biāo)物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標(biāo)物體，最經(jīng)常使用的方法就是設(shè)定一個(gè)全局的閾值 T，用 T 將圖像的數(shù)據(jù)分成兩部分：大于 T 的像素群和小于 T 的像素群。將大于 T 的像素群的像素值設(shè)定為白色（或者黑色），小于 T 的像素群的像素值設(shè)定為黑色（或者白色）。
比方：計(jì)算每個(gè)像素的（R+G+B）/3，假設(shè)>127，則設(shè)置該像素為白色，即R=G=B=255；否則設(shè)置為黑色，即R=G=B=0。
（二）邊緣提取
1、開運(yùn)算
I=imopen(i,SE);
先腐蝕后膨脹的過程稱為開運(yùn)算。
展開 二維圖像的傅里葉變換公式：
式中，f 和 F 分別為空間域值和頻域值，示出了傅立葉變換后的結(jié)果需要使用的真實(shí)圖像加虛擬圖像，或振幅圖像（magitude 圖像）加相位圖像[4]（如圖 2）。
圖2 校正前后對(duì)比
2.2 圖像噪聲處理
在收集、傳輸和處理圖像的過程中，圖像會(huì)產(chǎn)生一些不可避免的噪聲，包含與圖像無關(guān)和冗余滋擾信息。降低圖像噪聲不僅可以使圖像更加清晰，而且可以突出圖像的感興趣區(qū)域，易于識(shí)別（如圖 3）。
圖3 噪聲處理前后的對(duì)比
2.3 圖像二值化
遍歷像素點(diǎn)，通過選取合適的值，灰度值二分為255 或 0，白色為 255，黑色為 0，如式（3）所示。分類后圖像變?yōu)楹诎祝直鎴D像中的圖形和文本，便于后續(xù)將文本信息提取出來[5]。
1）Otsu 算法
此算法是把背景和目標(biāo)閾值的差距拉大，分裂性較強(qiáng)，所求的是類內(nèi)方差 min，和類間方差的 max，首先遍歷所有像素點(diǎn)，統(tǒng)計(jì)灰度級(jí)像素的個(gè)數(shù)，將圖像灰度化，再次遍歷計(jì)算出最大類間方差，程序略顯復(fù)雜[6]，效果圖如圖 4 所示。
圖4 Otsu對(duì)光照不均的處理
2）Sauvola 算法
該算法通過引入以像素點(diǎn)為中心領(lǐng)域的 wide 為參數(shù) windowsize 和自定義系數(shù)比例因子 k 來降低對(duì)噪聲的敏感性，也就是對(duì) niblack 算法進(jìn)行改進(jìn)。它集中于當(dāng)前像素，閾值是根據(jù)該像素的當(dāng)前像素的附近灰度平均值和標(biāo)準(zhǔn)偏差動(dòng)態(tài)計(jì)算[7]。
展開 
二值化的最新內(nèi)容
研究的第一步是對(duì)原始圖像進(jìn)行一系列預(yù)處理操作，包括灰度化、濾波、二值化和邊緣檢測(cè)，這些步驟為后續(xù)的指針和刻度識(shí)別奠定了基礎(chǔ)。接著，運(yùn)用隨機(jī)霍夫變換技術(shù)對(duì)表盤區(qū)域進(jìn)行精確定位，并進(jìn)行裁剪處理。裁剪后的圖像再次經(jīng)過預(yù)處理，利用形態(tài)學(xué)操作和霍夫變換技術(shù)提取出指針和表盤的主刻度線。
進(jìn)一步地，通過K-means聚類算法對(duì)主刻度線的交點(diǎn)進(jìn)行分析，以確定表盤的圓心位置。
用 PS/AI 預(yù)處理（關(guān)鍵步驟）
流程：
① 去噪：高斯模糊（半徑 1px）→ 減少雜點(diǎn)
② 二值化：圖像→調(diào)整→閾值（黑白分界清晰）
③ 擴(kuò)展：選擇→修改→擴(kuò)展（1px）→ 閉合微小間隙
④ 保存為 PNG（透明背景），分辨率 300dpi
對(duì)比：預(yù)處理后跟蹤速度提升 2 倍，輪廓閉合率從 60%→95%
2.
這邊有一個(gè)關(guān)于CT數(shù)據(jù)的開源網(wǎng)站https://www.digitalrocksportal.org/
獲取到raw文件后，用avizo軟件打開，并生成二值化的tif圖。
接下來，就是實(shí)現(xiàn)多圖向網(wǎng)格生成的關(guān)鍵步驟了，可以參考 淵魚 大佬的帖子，或者自己編程。
關(guān)鍵詞：MATLAB，水果識(shí)別，圖像處理，二值化，邊緣檢測(cè)，特征提取，自動(dòng)分揀，冰箱保鮮系統(tǒng)
圖 冰箱水果保鮮識(shí)別系統(tǒng)運(yùn)行結(jié)果圖
功能模塊
這個(gè)基于MATLAB的冰箱水果保鮮識(shí)別系統(tǒng)區(qū)別于常用的冰箱，系統(tǒng)將增加三個(gè)功能如下：圖像識(shí)別、食譜搜索、時(shí)間記錄。
圖像識(shí)別：1、將彩色圖像二值化或直接使用灰度圖像，對(duì)食物圖片進(jìn)行識(shí)別，記錄食物個(gè)數(shù)。
讀取纖維圖片，自動(dòng)輸入纖維種類，顯示纖維圖像，經(jīng)過灰度處理，再通過二值化+細(xì)化，利用Harris角點(diǎn)檢測(cè)算法進(jìn)行特征點(diǎn)提取，進(jìn)行匹配相似性計(jì)算，從而最終輸入分類結(jié)果，顯示纖維種類。筆者寫的部分代碼和UI界面如圖3所示。
具體包括將原圖灰度化，邊緣檢測(cè)，腐蝕操作，車牌區(qū)域定位，車牌區(qū)域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號(hào)碼。模型已調(diào)通，可直接運(yùn)行。
(2)關(guān)于輸入/出值：
在ANN中，神經(jīng)元輸入/出的均為連續(xù)變化的數(shù)值，但在SNN中，根據(jù)神經(jīng)生物學(xué)的觀察和數(shù)據(jù)積累，單個(gè)神經(jīng)脈沖代表的膜電位的變化，其幅值相差不大且脈沖波形相似，因此可用二值化的0/1代替脈沖的有無。從數(shù)據(jù)存儲(chǔ)的角度，SNN比ANN更經(jīng)濟(jì)。由于SNN輸入/出的值均為離散二值時(shí)間序列，也省去了與權(quán)重的浮點(diǎn)運(yùn)算操作，更加節(jié)省算量。
h_untitled = getappdata(handles.figure_im2bw,'h_untitled');
axes(h_untitled.axes_dst);
img_src = getappdata(0,'img_src');
bw = im2bw(img_src,val);
imshow(bw);
以上語句通過從滑塊中提取的值確定二值化的閾值，最后使用imshow函數(shù)生成二值化處理后的圖像
最后，通過對(duì)熱圖進(jìn)行二值化處理，以最大強(qiáng)度的 15% 為閾值生成掩模。作者使用這個(gè)掩模來分割 salient 區(qū)域，以便進(jìn)行下一步的工作。
精確的掩模生成。
盡管 Grad-CAM 可以成功地識(shí)別與對(duì)抗性目標(biāo)相對(duì)應(yīng)的鑒別性輸入?yún)^(qū)域，但它也可能識(shí)別良性的 salient 區(qū)域。
主要的檢測(cè)流程包括：中值濾波消去噪聲、使用Canny函數(shù)進(jìn)行邊緣檢測(cè)、使用色彩空間過濾顏色、使用OSTU算法進(jìn)行圖像二值化處理、使用Hough變換檢測(cè)直線，以此得到物體的邊緣信息，具體參數(shù)如表3所示。
