二值化處理的案例
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。
球墨鑄鐵經驗匯總：化學成分最佳控制值，球化處理要點
孕育處理 孕育處理的作用主要是消除球化元素造成的白口傾向，促進石墨析出，提高球化率、細化石墨球，使之分布均勻。不同的孕育劑，不同的加入量，不同的孕育處理方法和不同的孕育處理時間對球鐵機械性能都有較大影響。目前國內處企業采用孕育劑和孕育方法不盡相同，但都強調要采有瞬時孕育工藝，強化孕育效果，保證鐵水在較長時間直至澆注完畢處在良好的孕育狀態。我公司采用的是包內孕育（一次）+鐵水包浮硅孕育（二次）+轉包孕育（三次），實踐表明是可行的，孕育效果良好。
3.3.3爐前檢驗 爐前球化情況判斷可用爐前三角試塊法、爐前快速金相法、光譜分析等智能化儀器測定。1）三角試塊法。普遍采用的一種方法，立澆或臥澆。待試樣表面呈暗紅色時取出，底部向下淬入水中，打斷觀察斷口。如斷口及兩側有縮凹，中心有縮松，斷口崎嶇不平、呈鋸齒狀、銀灰色（銀白色）、致密、晶粒細小，尖部無白口或＜1-2mm白口，敲擊有鋼聲，嗅有電石味，表明球化孕育良好。如斷口有小黑點，球化不太好。如斷口烏黑、晶粒粗大或有許多黑點，呈麻臉狀，敲擊悶聲，則為不球化。
2）爐前快速金相法。試樣為φ20×30mm（視鑄件大小、厚薄定）。金相觀察，球化級別要在2級以上，表明球化良好。低于2級表明球化不太好。
3）光譜分析儀，光譜分析儀能過在2分鐘以內測定鐵水的化學成分，及時、準確，分析誤差小。
4、鑄造工藝控制
鑄態鐵素體球鐵件鑄造工藝設計要有利于促進鐵素體的形成和有利于獲得健全的鑄件。
1）球鐵在球化處理后，有很多的稠渣，澆注系統要考慮撇渣、擋渣裝置和工藝措施；
2）球鐵容易氧化，澆注時如果出現紊流、飛濺，則產生二次氧化渣，因此，澆注系統設計時要考慮鐵水平穩進入型腔；
3）球鐵凝固時有石墨析出，膨脹量大。
展開 球墨鑄鐵經驗匯總：化學成分最佳控制值，球化處理要點
孕育處理 孕育處理的作用主要是消除球化元素造成的白口傾向，促進石墨析出，提高球化率、細化石墨球，使之分布均勻。不同的孕育劑，不同的加入量，不同的孕育處理方法和不同的孕育處理時間對球鐵機械性能都有較大影響。目前國內處企業采用孕育劑和孕育方法不盡相同，但都強調要采有瞬時孕育工藝，強化孕育效果，保證鐵水在較長時間直至澆注完畢處在良好的孕育狀態。我公司采用的是包內孕育（一次）+鐵水包浮硅孕育（二次）+轉包孕育（三次），實踐表明是可行的，孕育效果良好。
3.3.3爐前檢驗 爐前球化情況判斷可用爐前三角試塊法、爐前快速金相法、光譜分析等智能化儀器測定。1）三角試塊法。普遍采用的一種方法，立澆或臥澆。待試樣表面呈暗紅色時取出，底部向下淬入水中，打斷觀察斷口。如斷口及兩側有縮凹，中心有縮松，斷口崎嶇不平、呈鋸齒狀、銀灰色（銀白色）、致密、晶粒細小，尖部無白口或＜1-2mm白口，敲擊有鋼聲，嗅有電石味，表明球化孕育良好。如斷口有小黑點，球化不太好。如斷口烏黑、晶粒粗大或有許多黑點，呈麻臉狀，敲擊悶聲，則為不球化。
2）爐前快速金相法。試樣為φ20×30mm（視鑄件大小、厚薄定）。金相觀察，球化級別要在2級以上，表明球化良好。低于2級表明球化不太好。
3）光譜分析儀，光譜分析儀能過在2分鐘以內測定鐵水的化學成分，及時、準確，分析誤差小。
4、鑄造工藝控制
鑄態鐵素體球鐵件鑄造工藝設計要有利于促進鐵素體的形成和有利于獲得健全的鑄件。
展開 Python實戰案例，cv2模塊，Python識別圖形驗證碼實現自動登陸！
灰度處理 把彩色驗證碼圖片轉為灰色的圖片。
import cv2
image = cv2.imread('1.jpeg', 0)
cv2.imwrite('1.jpg', image)
2. 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的冰箱水果保鮮識別系統
對于一副水果圖像為了處理方便，我們首先要把彩色圖像轉化為灰度圖像。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。
展開 DEM DTM DLG DRG DOM DSM？？？（附全國30m 90mDEM下載）
一張紙質等模擬地圖，通過掃描儀，其中CCD線陣感器對圖形進行分割，生成二維陣列系統，同時對每一系統的灰度（或分色）進行量化，再經二值化處理、圖形定向、幾何校正即形成一幅數字柵格地圖。
圖形掃描：采用掃描分辨率不低于400dpi的單色或彩色掃描儀掃描。圖幅定向：將柵格圖幅由掃描儀坐標變換為高斯投影平面直角坐標。
幾何校正：消除圖底及掃描產生的幾何畸變。可以采用相關軟件對柵格圖像的畸變進行糾正，糾正時要按公里格網進行，通過仿射變換及雙線性變換，實現圖幅糾正。
數字正射影像圖DOM
數字正射影像圖（DOM,DigitalOrthophoto Map）：是對航空（或航天）相片進行數字微分糾正和鑲嵌，按一定圖幅范圍裁剪生成的數字正射影像集。它是同時具有地圖幾何精度和影像特征的圖像。
DOM具有精度高、信息豐富、直觀逼真、獲取快捷等優點，可作為地圖分析背景控制信息，也可從中提取自然資源和社會經濟發展的歷史信息或最新信息，為防治災害和公共設施建設規劃等應用提供可靠依據；還可從中提取和派生新的信息，實現地圖的修測更新。評價其它數據的精度、現實性和完整性都很優良。
該圖的技術特征為：數字正射影像，地圖分幅、投影、精度、坐標系統、與同比例尺地形圖一致，圖像分辨率為輸入大于400dpi；輸出大于250dpi。
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 無人車行駛環境圖像的幾何測距
圖1 部分識別結果
圖2 損失函數對比
表2 網絡對比
2 物體分割與數值化
此步驟的主要目的是從第1.2節中裁剪出來的圖片中獲取物體的數值信息，即不僅要將物體分割提取，并且要將提取到的物體邊界進行數值化，物體由于射影定理，在圖片上的形狀為多邊形，而對于多邊形而言，只要得到邊緣頂點坐標即確定了多邊形的全部數值信息。在此提出了一種通過物體分類、邊緣檢測和邊緣擬合獲得物體數值信息的方法。
2.1 邊緣檢測
因為不同的物體在紋路和顏色方面有些許差異，使用通用的檢測參數與檢測方法并不能獲得最優的效果。故該方法首先通過上文中物體檢測獲得的物體標簽信息將物體進行分類，根據不同的物體種類設置不同的檢測參數與檢測流程，以此來獲得最優檢測效果。主要變動的參數包括：邊緣檢測閾值、色彩空間提取的RGB顏色范圍、Hough直線檢測線段閾值。主要的檢測流程包括：中值濾波消去噪聲、使用Canny函數進行邊緣檢測、使用色彩空間過濾顏色、使用OSTU算法進行圖像二值化處理、使用Hough變換檢測直線，以此得到物體的邊緣信息，具體參數如表3所示。
表3 主要方法與主要參數
2.2 邊緣擬合
通過滑動窗口的二次多項式擬合算法可有效提取與擬合多邊形邊緣，為提高擬合效果，在此對算法進行改進，加入了k、l1、l2、r1、r2感興趣區域的參數，具體過程如下。
首先，統計圖片某部分的每列像素之和，以左右兩邊的感興趣區域為范圍搜尋像素值和的最大值作為滑動窗口的起始點。
式中：Pij為圖像的像素矩陣P第i行、第j列的值；m、n為圖像的像素寬度與高度；hj為每列像素之和；B l、B r為滑動窗口的左右初始點；k、l1、l2、r1、r2為感興趣區域的參數。
展開 《Science》：壓力驅動下的非晶粒子融合成完整的整體
為了清晰地表達ACC粒子的聚結行為，研究者對其SEM圖像進行了二值化處理(圖1A；藍色區域代表未凝聚的粒子)。從0.2 GPa到2.0 GPa，隨著P的增加，結構不連續性逐漸減小，最終，所有單個粒子融合成一個整體。通過使用金納米粒子，確認了納米尺度上的完全聚結(圖1B)。在這項研究中，ACC顆粒表面用金納米顆粒進行了標記(圖1C)。熔化處理后，這些Au粒子從表面“移動”到內部，完全被均勻的ACC相包圍(圖1D)。
圖1 壓力下ACC粒子的聚結。
圖2 粒子融合對塊體的行為。
圖3 壓力處理過程中水團簇的演化。
圖4 ACC中對擴散系數的理解。
綜上所述，該方法不同于經典的燒結方法，因為在燒結過程中需要高溫來改善質量運輸，而這與熱敏材料不相容。研究者的發現集中在固體無機顆粒的內部結構來改善質量運輸，這非常適合于大多數熱敏材料的構建，如生物礦物和生物材料。這種理解，為連續結構材料的建造建立了一種替代策略，使大規模和高效的無機單體制造成為可能。（文：水生）
本文來自微信公眾號“材料科學與工程”。歡迎轉載請聯系，未經許可謝絕轉載至其他網站。
展開 Android中圖片壓縮分析（下）
其實不光 Lanczos 和上面的三種算法，ffmpeg 還提供了其他的圖像重采樣方法，諸如 area averaging、Gaussian 等等，通過編譯好的 ffmpeg 庫調用這些算法處理圖片的命令如下：
ffmpeg -s 600x500 -i input.jpg -s 300x250 -sws_flags lanczos lanczos.jpg
-sws_flags 參數根據采樣算法可以選擇 bilinear/bicubic/lanczos 等等。
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。
展開 無人機輸電線路智能巡檢技術綜述
，但尚未大規模應用.
2 無人機電力巡檢的智能化需求
截至2017年，全國輸電線路總長度達到68.8萬 km2，平均每百公里無人機巡檢需要專業人員20人，耗時160 h.在進行架空線路無人機巡檢時，通常由飛手現場采集固定區域或關鍵部件的影像數據，帶回地面站后再通過人工觀看影像查找缺陷并進行標注處理.因此，除戶外巡檢作業外，每百公里巡檢產生圖片8萬多張，后期還需人工檢查圖像數據約500 GB.采用這種工作模式的原因主要有兩點：一是便攜無人機操控設備的屏幕尺寸較小、分辨率不足，而大部分缺陷區域尺度較小，不利于現場查找缺陷；二是無人機續航及存儲空間有限，無法支持過于精細的現場檢查工作.這種模式使得巡檢工作的后期數據處理工作量大增，巡檢質量嚴重依賴處理人員的影像檢查能力，且存在視覺疲勞導致漏檢率上升的隱患，對巡檢工作智能化有迫切需求.
展開 
避免自動駕駛事故，CV領域如何檢測物理攻擊？
每個過濾圖的平均梯度值，或 "神經元重要性權重" 記作：
最后，按神經元的重要性加權處理特征圖 A^k，并匯總以得到最終的 Grad-CAM 輸出：
Grad-CAM 的輸出是圖像正向重要性的一個粗略熱圖，由于模型的卷積層和池化層的下采樣處理，其分辨率通常比輸入圖像低。最后，通過對熱圖進行二值化處理，以最大強度的 15% 為閾值生成掩模。作者使用這個掩模來分割 salient 區域，以便進行下一步的工作。
精確的掩模生成。
盡管 Grad-CAM 可以成功地識別與對抗性目標相對應的鑒別性輸入區域，但它也可能識別良性的 salient 區域。圖 11 給出了一個說明性示例，Grad-CAM 為一個人臉識別網絡生成的熱圖既覆蓋了木馬的觸發補丁，也覆蓋了原始的人臉區域。為了提高掩模準確性，作者提出需要對輸入圖像的選定區域進行額外預測。然后，對于每個預測，使用 Grad-CAM 來提取一個與預測最相關的輸入區域的掩模。最后，結合這些額外的掩模來完善初始預測 y 的掩模。
圖 11. 上一行：使用漸變 CAM 生成掩模。左圖顯示了與目標 “0” 類別相關的 Grad-CAM 熱圖，右圖顯示了覆蓋了物理攻擊以外區域的提取掩模。下一行：左圖是相對于目標 “0” 類別的 Grad-CAM 熱圖，該行中間的圖是對應于給定類別的 Grad-CAM
一旦得到了圖片中可能存在的類別列表，我們就會劃出與每個預測類別更相關的區域 x。為簡單起見，作者假設每個輸入只能包含一個惡意對象。Algorithm 2 給出了從 x 中提取輸入區域的過程。
展開 