二值化的案例
MATLAB GUI界面實現圖像二值化處理的實時顯示
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函數生成二值化處理后的圖像，并實時顯示在圖像框中。
使用im2mesh和oof2進行多相界面網格劃分比較-原創帖
對于不是很復雜的模型可以使用im2mesh進行純三角形單元網格劃分，或者也可以使用oof2進行四邊形和三角形混合單元網格劃分；
3.im2mesh和oof2都對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有將灰度圖轉變為有限元網格的能力，但是效率著實不高，所以im2mesh很多時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，所以如果一個圖片中的顏色超過三種以上，那么采用oof2進行處理效果更高，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.如果要獲得像素網格，oof2可以做到，im2mesh不能做到；
7.最好在ps中把相近色區域都改為一種顏色，這樣可以更加方便在im2mesh或oof2中進行處理，大大提高處理效率，如下圖共包含四種單色：黑、白、灰、淺灰，而實際這個熊貓圖片的任何一個區域都是灰色過渡，如果不提前對圖片進行區域顏色處理，則在im2mesh中處理效率非常低，同時在oof2中創建像素集合也會更困難。
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，可以修改或不修改默認最大網格尺寸hmax。
總之：在im2mesh或oof2中處理前，先在ps中進行處理：（1）通常將像素尺寸修改為500*500以下，防止尺寸過大導致處理速度過慢；（2）為每個區域設置為單一顏色，防止界面處識別出現問題。
展開 基于Matlab模板匹配方法的車牌識別系統設計
本系統針對家庭小型車藍底白字車牌進行識別
背景
近年來,隨著交通現代化的發展要求，汽車牌照自動識別技術已經越來越受到人們的重視。車牌自動識別技術中車牌定位、字符切割、字符識別及后處理是其關鍵技術。由于受到運算速度及內存大小的限制，以往的車牌識別大都是基于灰度圖象處理的識別技術。其中首先要求正確可靠地檢出車牌區域,為此提出了許多方法,如Hough變換以檢測直線來提取車牌邊界區域、使用灰度分割及區域生長進行區域分割,或使用紋理特征分析技術等。Hough變換方法對車牌區域變形或圖象被污損時失效的可能性會大大增加,而灰度分割則比直線檢測的方法要穩定，但當圖象在有許多與車牌的灰度非常相似的區域時，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，車牌定位正確率也會受到影響。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、車牌區域定位、識別、提取、檢測傾斜度、車牌校正、車牌區域2值化、擦除干擾區域、文字分割、模版匹配、結果輸出。
1. 定位車牌區域
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. 字符識別
顏色信息提取
根據彩色圖像的RGB比例定位出近似藍色的候選區域。即根據藍色像素點找出上下左右邊界，但是由于RGB三原色空間中兩點間的歐氏距離與顏色距離不成線性比例，在設定藍色區域的定位范圍時不能很好的控制。因此造成的定位出錯是最主要的。這樣在圖片中出現較多的藍色背景情況下識別率會下降，不能有效提取車牌區域。在此采用自適應調節方法，對分割出來的區域進行識別調整，再根據長寬比和藍白色比，對候選區域進行多次定位，最終找到車牌區域。
傾斜校正
針對傾斜角度的圖片采取rando算法進行傾斜角度計算，并對傾斜圖片進行修正。
展開 基于MATLAB的冰箱水果保鮮識別系統
然后對圖像進行二值化處理來獲得每個水果的區域特征。
在水果與背景接觸處二值化會導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斷裂的邊緣部分，然后基于數學形態算子對圖像進行去除斷邊，圖像填充等必要的后續處理。經過圖像分割后，水果和背景很明顯地被區分開來，然后需要對每種水果的特征進行提取。
先對圖像進行標簽化，所謂圖像的標簽化是指對圖像中互相連通的所有像素賦予同樣的標號。經過標簽化處理就能把各個連通區域進行分離，從而可以研究它們的特征。
關鍵技術
圖像二值化
1、灰度化
% 將真彩色圖像 i 轉化為灰度圖像 I
I=rgb2gray(i);
在 RGB 模型中，如果 R=G=B 時，則彩色表示一種灰度顏色，其中 R=G=B 的值叫灰度值，因此，灰度圖像每個像素只需一個字節存放灰度值（又稱強度值、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` 來實現二值化。
I=im2bw（i，level）
一幅圖像包含目標物體、背景還有噪聲，要想從多值的數字圖像中直接提取出目標物體，最經常使用的方法就是設定一個全局的閾值 T，用 T 將圖像的數據分成兩部分：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定為白色（或者黑色），小于 T 的像素群的像素值設定為黑色（或者白色）。
比方：計算每個像素的（R+G+B）/3，假設>127，則設置該像素為白色，即R=G=B=255；否則設置為黑色，即R=G=B=0。
（二）邊緣提取
1、開運算
I=imopen(i,SE);
先腐蝕后膨脹的過程稱為開運算。
展開 
基于OpenCV的生產日期字符識別研究
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果需要使用的真實圖像加虛擬圖像，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，圖像會產生一些不可避免的噪聲，包含與圖像無關和冗余滋擾信息。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域，易于識別（如圖 3）。
圖3 噪聲處理前后的對比
2.3 圖像二值化
遍歷像素點，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。分類后圖像變為黑白，分辨圖像中的圖形和文本，便于后續將文本信息提取出來[5]。
1）Otsu 算法
此算法是把背景和目標閾值的差距拉大，分裂性較強，所求的是類內方差 min，和類間方差的 max，首先遍歷所有像素點，統計灰度級像素的個數，將圖像灰度化，再次遍歷計算出最大類間方差，程序略顯復雜[6]，效果圖如圖 4 所示。
圖4 Otsu對光照不均的處理
2）Sauvola 算法
該算法通過引入以像素點為中心領域的 wide 為參數 windowsize 和自定義系數比例因子 k 來降低對噪聲的敏感性，也就是對 niblack 算法進行改進。它集中于當前像素，閾值是根據該像素的當前像素的附近灰度平均值和標準偏差動態計算[7]。
展開 Python實戰案例，cv2模塊，Python識別圖形驗證碼實現自動登陸！
二值化處理 將圖片處理為只有黑白兩色的圖片，這里發現干擾線沒有了，這就意味著我們只需要處理干擾點即可。
import cv2
image = cv2.imread('1.jpeg', 0)
ret, image = cv2.threshold(image, 100, 255, 1)
height, width = image.shape
new_image = image[0:height, 0:150]
cv2.imwrite('1.jpg', new_image)
3. 降噪處理 去除小黑點，也就是孤立的黑色像素點。
點降噪原理就是檢測黑色點相鄰的8個點，判斷8個點的顏色情況。如果全是白點，那么就認為這個點是白色的，做黑點變白點處理。如⑤點處，以田字格來看，相鄰共有8個區域。
①②③點坐標如下圖，同理可知④⑤⑥⑦⑧⑨點坐標情況
降噪代碼如下：
import cv2
import numpy as np
from PIL import Image
def inverse_color(image, col_range):
# 讀取圖片，0意味著圖片變為灰度圖
image = cv2.imread(image, 0)
# 圖片二值化，100為設置閥值，255為最大閥值，1為閥值類型，當前點值大于閥值，設置為0，否則設置為255。
展開 基于MATLAB提取圖片曲線的坐標值（簡易GetDada）的實現
看了下圖片讀取后的信息，二值化以后的圖片信息是一個m*n的矩陣，這個矩陣每個點的值要么是1要么是0。我把是的區域顯示出來，果然發現它就是我要的那個曲線。就這樣，step2被解決了。
2 Step3的解決
現在我的程序可以實現曲線自動提取了，但是我現在提取的坐標是每個像素點在圖里的相對位置。比如像素點為100*200，那么我最后一個點的坐標是（100，200）。這顯然不能直接用啊，我要知道我圖片x、y兩個方向的尺度，然后才能換算出真實的坐標值。
我原來解決方案是，在圖里面實現加入A、B兩個點，通過畫圖板畫上去。
按照我原來的方法，這個還要用畫圖板，有點麻煩，我覺得應該可以簡化。
要簡化還是要回到圖片上來。像素點是均勻的，如果我知道圖片x\y兩個方向真實的長度，除以兩個方向像素點的個數不就可以確定每個像素點的坐標了嗎？
按照這個思路，我圖片的實際尺寸我是要實現知道的。但是通常圖片都有白邊界，因此，需要對圖片進行截圖處理。
根據這個思路，我現在程序效果得到了極大的提升。
3 改進后的效果
改進以后，我現在的程序，分三步：
1）截圖。
截圖后
3）輸入圖片兩個角點坐標。
4）運行程序。
二值化結果
坐標結果
最后，半個小時處理完了所有圖片，一世英名得以保存。
總體來說，目前這個方法相比于GetData，速度更快，不需要手動點選。另外自動提取像素點，所得結果更密、更準，是一次很好的改進體驗。
最后，有需要歡迎通過微信公眾號聯系我們。
微信公眾號：320科技工作室。
展開 基于Matlab的纖維圖像特征提取與自動分類程序實現
預處理步驟可能包括去噪、對比度增強、二值化、濾波等。圖像分割：圖像分割是將圖像中的纖維與背景分離的過程。可以使用閾值分割、邊緣檢測、區域生長或更高級的機器學習方法來實現。特征提取：特征提取是從分割后的纖維圖像中提取有助于分類的定量屬性。常見的特征包括纖維的長度、寬度、彎曲度、紋理、方向等。圖像分類：分類是根據提取的特征將纖維圖像分配到不同的類別中。可以使用傳統的機器學習算法（如支持向量機、決策樹、隨機森林）或深度學習方法（如卷積神經網絡）進行分類。應用領域：紡織工業，用于評估纖維的質量，如強度、柔軟度和耐久性。生物醫學，在組織工程中分析細胞外基質的纖維結構。材料科學，研究復合材料中的纖維排列和取向。法醫學，通過分析纖維來輔助犯罪現場調查。
圖1 天然纖維分類
Harris特征點檢測
Harris角點檢測算法是一種在計算機視覺中用于識別圖像角點的流行技術。角點是圖像中兩條邊緣或邊界的交點，它們在圖像分析中扮演著關鍵角色，因為它們通常標志著物體的角落或邊界的轉折點。Harris算法通過分析圖像中每個像素點周圍的局部鄰域來檢測這些角點。
算法的第一步是計算圖像中每個像素點的梯度幅度和方向。這通常通過應用Sobel算子或其他梯度算子來完成，這些算子能夠提供圖像在x和y方向上的梯度信息。隨后，算法構造一個2x2的特征響應矩陣，該矩陣的元素是基于高斯權重的像素梯度的加權和，反映了像素鄰域內梯度的變化情況。
接下來，算法計算特征響應矩陣的特征值。角點響應函數R是基于這些特征值計算的，它由矩陣的行列式和跡的加權差定義。這個響應函數能夠量化每個像素點作為角點的可能性。如果響應函數R的值高于某個閾值，那么該點就被認為是一個角點。
展開 如何將CAD中將光柵圖像轉換為矢量圖？
（適合團隊協作）
預處理模板：
制定 PS 動作，一鍵完成「去噪→二值化→擴展」，保存為項目專用 PNG
轉換腳本：
錄制 CAD 宏，自動執行 ETRACE + 圖層重命名（如VEC-原圖名稱）
質量檢查：
用 AREA 命令對比原圖 / 矢量圖面積，誤差 > 2% 時重新跟蹤
通過以上方案，可將光柵轉矢量效率提升 5-20 倍，尤其適合設計院圖紙數字化、老項目圖紙翻新等場景。
40基于MATLAB，使用模板匹配法實現車牌的識別 ￥55.9
具體包括將原圖灰度化，邊緣檢測，腐蝕操作，車牌區域定位，車牌區域矯正，二值化，均值濾波，切割，字符匹配，最終顯示車牌號碼。模型已調通，可直接運行。
LS-DYNA 基于CT掃描的多相材料動力學仿真
這邊有一個關于CT數據的開源網站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，就是實現多圖向網格生成的關鍵步驟了，可以參考 淵魚 大佬的帖子，或者自己編程。
一般無法直接生成lsdyna需要的k文件，需要借助其他建模或仿真軟件生成。
然后按照lsdyna的一般建模思路計算。
最后的損傷結果如圖。
Python自動玩"別再踩白塊了"小游戲
原理簡介
游戲規則：
原理介紹：
原理其實挺簡單的，主循環的代碼如下圖所示：
首先是截取游戲界面：
游戲規則：
原理介紹：
原理其實挺簡單的，主循環的代碼如下圖所示：
首先是截取游戲界面：
二值化游戲界面：
形態學處理：
實現輪廓檢測：
利用pyautogui模塊模擬點擊檢測到的黑塊就可以實現自動玩這個游戲了。
Android中圖片壓縮分析（下）
七、四種算法對二值化圖片的處理表現
這四種圖片重采樣算法在處理二值化圖片上面的表現差異較大，我們先看看下采樣的對比：
原圖：下采樣--原圖
鄰近采樣：下采樣--鄰近采樣
雙線性采樣：下采樣--雙線性采樣
雙三次采樣：下采樣--雙三次采樣
Lanczos 采樣：下采樣--Lanczos 采樣
下采樣的對比一目了然，從上到下的圖像表現效果逐漸變優，Lanczos 算法處理后的圖像質量屬于最優，接著我們看看這四種算法的上采樣對比：
原圖：上采樣--原圖
鄰近采樣：上采樣--鄰近采樣
雙線性采樣：上采樣--雙線性采樣
雙三次采樣：上采樣--雙三次采樣
Lanczos 采樣：上采樣--Lanczos 采樣
從圖像質量上來看，和下采樣結果一致，鄰近采樣效果較差，依次往下效果變優，Lanczos 效果最優。
八、總結
上面主要介紹了常見的四種圖像重采樣算法，在 Android 中，前兩種采樣方法根據實際情況去選擇即可，如果對時間要求不高，傾向于使用雙線性采樣去縮放圖片。如果對圖片質量要求很高，雙線性采樣也已經無法滿足要求，則可以考慮引入另外幾種算法去處理圖片，但是同時需要注意的是后面兩種算法使用的都是卷積核去計算生成像素，計算量會相對比較大，Lanczos 的計算量則是最大，在實際開發過程中根據需求進行算法的選擇即可。
九、參考
圖像卷積與濾波的一些知識點
TUTORIAL: IMAGE RESCALING
作者：Shawn_Dut
來源：簡書
展開 基于實際試樣形貌建立有限元模型-逆向工程
</p><p>第二，對于一些隨機分布的復雜模型，在ABAQUS中直接手動操作幾乎是不可能的，這個時候就需要通過自編程實現，當然，也可以通過第三方平臺實現，然后導入ABAQUS中去，進一步進行后續分析，這個可以參考我的其他帖子。</p><p>第三，對于一些宏觀圖片（相機照片）或者微觀圖片（SEM圖），建立有限元模型，在ABAQUS中幾乎是不可能完成的，因此，我們必須借助于第三方軟件對圖片進行矢量化處理，然后獲取幾何模型，導入ABAQUS。</p><p>對于第一種建模方法在此不再贅述，多進行切分和布爾操作可以很容易建立出簡單的模型和一些復雜的模型；對于第二種模型，可以通過自編程或第三方平臺實現，可以參考我的其他帖子；對于第三種模型，我們必須借助于第三方平臺實現，下面我就著重介紹下這種方法。</p><p>@@@@@@</p><p>基于實際圖片建立有限元模型是一件非常復雜的事情，對于不同的模型空間必須選擇不同的方法來實現:二維實際模型的建模核心思想是矢量化，三維實際模型的建模核心思想是模型重構和逆向工程。</p><p>第一，對于二維圖片，首先獲得一張二維圖片，通過r2v或Gis等矢量化軟件，設置合適的灰度閾值進行黑白二值化，導出輪廓圖的dxf格式，然后進行一系列的格式轉化及細節處理，最后導入ABAQUS進行模型構建。</p><p>附上一張二維模型效果圖：</p><div contenteditable="false" width="100%">
見上圖
</div><p>第二，對于三維實際模型的建立更加復雜，首先獲得一個幾何試樣，然后通過工業微CT,獲得很多張截面圖片，然后通過simpleware等逆向工程軟件進行三維模型重構，然后直接生成stl三角形面片文件（這樣的文件需要導入hypermesh或其他軟件進行實體化）或者直接生成inp文件，導入ABAQUS進行后續分析。
展開 計算機視覺中的傳統特征提取方法總結
5.3 LBP
LBP(Local Binary Pattern)，局部二值模式是一種描述圖像局部紋理的特征算子，具有旋轉不變性與灰度不變性等顯著優點。LBP特征描述的是一種灰度范圍內的圖像處理操作技術，針對的是輸入源為8位或16位的灰度圖像。LBP特征是高效的圖像特征分析方法，經過改進與發展已經應用于多個領域之中，特別是人臉識別、表情識別、行人檢測領域已經取得了成功。LBP特征將窗口中心點與鄰域點的關系進行比較，重新編碼形成新特征以消除對外界場景對圖像的影響，因此一定程度上解決了復雜場景下（光照變換）特征描述問題。
LBP算法根據窗口領域的不同分為經曲LBP和圓形LBP兩種。下面分別介紹：
①經典LBP： 經典LBP算子窗口為3×3的正方形窗口，以窗口中心像素為閾值，將其相鄰8領域像素灰度與中心像素值比較，若中心像素值小于周圍像素值，則該中心像素位置被標記為1，否則為0（顯然這種規則下，對于中心點大于或等于這兩種情況，算法無法區分，后續經過改進引入LBP+與LBP-因子用來區分這兩種情況）。圖像經過這種遍歷操作后，圖像就被二值化了，每一個窗口中心的8鄰域點都可以由8位二進制數來表示，即可產生256種LBP碼，這個LBP碼值可以用來反映窗口的區域紋理信息。LBP具體在生成的過程中，先將圖像劃分為若干個子區域，子區域窗口可根據原圖像的尺寸進行調整，而不一定非得為3×3的正方形窗口。一般對于512×640的圖像，子區域窗口區域選取大小為16×16。
②圓形LBP： 經典LBP用正方形來描述圖像的紋理特征，其缺點是難以滿足不同尺寸和頻率的需求。Ojala等人對經典LBP進行了改進，提出了將3×3的正方形窗口領域擴展到任意圓形領域。
展開 