自动确定图像二值化最佳阈值的新方法_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
自动确定图像二值化最佳阈值的新方法
上传于|0|0|文档简介
&&自动确定图像二值化最佳阈值的新方法
阅读已结束，如果下载本文需要使用5下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩1页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢这个图片怎么ps-学网-中国IT综合门户网站-提供健康,养生,留学,移民,创业,汽车等信息
> 信息中心 >
这个图片怎么ps
来源：互联网 发表时间： 22:24:40 责任编辑：王亮字体：
为了帮助网友解决“这个图片怎么ps”相关的问题，学网通过互联网对“这个图片怎么ps”相关的解决方案进行了整理,用户详细问题包括:RT,我想知道:这个图片怎么ps，具体解决方案如下：解决方案1：LZ想问的是怎么做出这种效果吧？调色、再加各种高光解决方案2：
拍好原照（没光点）后用不同透明的的画笔点出光点，再调色调
解决方案3：
您连要求都没写？！
相关文章：
最新添加资讯
24小时热门资讯
Copyright © 2004- All Rights Reserved. 学网 版权所有
京ICP备号-1 京公网安备02号1386人阅读
图像处理算法（33）
简单高效的自适应阈值二值化 C语言的实现
关于自适应阈值二值化OpenCV中的源码，只从中移植出了部分内容，剩余内容凭借自己的理解进行的补充。本文中的二值化与OpenCV中所介绍的二值化方法最大的一个不同就是，对于模板的核大小，OpenCV中不管核大小为多大，其运行速度都是几乎一样，但是本文中的致命缺陷就是随着核大小的增大，运行速度也会变慢。我唯一能想到弥补这一缺陷的办法就是，核大小根据整个图片的大小自动适合，这样也基本能保证跟OpenCV源码的效率一致。这样做还有个合理的点就是，用一个很大的核去处理一张很小的图片实际上是没有必要的，核只要适合就好。
当然，如果读者有兴趣，有能力解决本文中的缺陷，楼主绝对支持，也欢迎相互学习与沟通。
其中boxFilter函数为未做归一化的均值滤波函数，_Gray为输入BMP灰度图图片的数据段部分，_Width为图片的宽，_Height为图片的高，_CoreSize为滤波核大小。
而函数adaptiveThreshold之中是调用的boxFilter。
void boxFilter( unsigned char* _Gray, const int _Width, const int _Height, int _CoreSize )
unsigned char* grayBorder = NULL;
int* firstWidthBlock = NULL;
int widthBorder = _Width + _CoreSize - 1;
int heightBorder = _Height + _CoreSize - 1;
int halfCore = (_CoreSize-1)&&1;
int i = 0, j = 0, l = 0, n = 0;
int coreCounts = 0;
int stepWidthGray = (_Width + 3) & ~3;
int stepWidthBorder = (widthBorder + 3) & ~3;
firstWidthBlock = ( int *)malloc( _Width * sizeof(int) );
memset(firstWidthBlock, 0, _Width * sizeof(int));
grayBorder = ( unsigned char *)malloc( stepWidthBorder*heightBorder );
memset( grayBorder, 0, stepWidthBorder*heightBorder );//全图置0
for ( i = 0; i & _H i ++ )//灰度图嵌入边框图中间
for ( j = 0; j & _W j ++ )
grayBorder[ ( i + halfCore )*stepWidthBorder + j + halfCore ] = _Gray[ i*stepWidthGray + j ];
for ( i = 0; i & _CoreS i ++ )
for ( j = 0; j & _CoreS j ++ ) firstWidthBlock[0] += grayBorder[ i*stepWidthBorder + j ];
for ( i = 1; i & _W i++ )
firstWidthBlock[i] += firstWidthBlock[i-1];
for ( l = 0; l & _CoreS l ++ )
firstWidthBlock[i] += grayBorder[ l*stepWidthBorder + i+_CoreSize-1 ]
- grayBorder[ l*stepWidthBorder + i-1 ];
for ( i = halfCore+1; i & heightBorder-halfC i ++ )
for ( j = halfC j & widthBorder-halfC j ++ )//全图均值滤波
coreCounts = 0;
for ( n = j-halfC n & j+halfC n ++ )
firstWidthBlock[j-halfCore] += grayBorder[ (i+halfCore)*stepWidthBorder + n ]
- grayBorder[ (i-halfCore)*stepWidthBorder + n ];
coreCounts = firstWidthBlock[j-halfCore];
_Gray[ (i-halfCore)*stepWidthGray + j-halfCore ] = ( unsigned char)(coreCounts/(_CoreSize*_CoreSize));
void adaptiveThreshold( const unsigned char* _Gray, unsigned char** _Binary,
const int _Width, const int _Height,
int _Block, int _Idelta, int _MaxValue )
int i = 0, j = 0;
unsigned char _Tab[768] = {0};
unsigned char* _GrayFilter = NULL;
unsigned char* ptrBinary = NULL;
int nRowBytes = (_Width + 3) & ~3;
*_Binary = ( unsigned char *)malloc( nRowBytes*_Height );
memset( *_Binary, 0, nRowBytes*_Height );
ptrBinary = *_B
_GrayFilter = ( unsigned char *)malloc( nRowBytes*_Height );
memcpy( _GrayFilter, _Gray, nRowBytes*_Height );
boxFilter( _GrayFilter, _Width, _Height, _Block );
for ( i = 0; i & 768; i ++ )//防止数据溢出的三倍tab
_Tab[i] = ( unsigned char)( i-255 & -_Idelta ? _MaxValue : 0 );
for ( i = 0; i & _H i ++ )//自适应阈值二值化核心代码
for ( j = 0; j & _W j ++ )
ptrBinary[ i*nRowBytes + j] = _Tab[ _Gray[ i*nRowBytes + j]
- _GrayFilter[ i*nRowBytes + j]
去年年末一直忙写论文也没时间跟新这篇均值滤波的文章，其实去年代码已经写好，因为实习结束代码没有及时备份，于是那份与滤波窗口大小无关的均值滤波函数丢失，最近有时间于是又重新在Qt上用C++写了一份，现在吧代码贴出来：
#include &QCoreApplication&
#include &opencv2/core/core.hpp&
#include &opencv2/highgui/highgui.hpp&
#include &opencv2/imgproc/imgproc.hpp&
#include &iostream&
int main()
Mat src = imread(&lena.jpg&, 0);
Mat dst(src.rows, src.cols, CV_8UC1, Scalar(0)), dst2;
int coreSize = 31;
int coreSizeHalf = (coreSize-1)/2;
int coreSizeSquare = coreSize * coreS
int imgRows = src.
int imgCols = src.
duration = static_cast&double&(getTickCount());
float temp = 0;
Mat buffer(1, imgCols+coreSize-1, CV_32SC1, Scalar(0));
float *bufferPtr = buffer.ptr&float&(0);
Mat borderSrc(imgRows+coreSize-1, imgCols+coreSize-1, CV_8UC1, Scalar(128));
for ( int i = 0; i & imgR i ++ )//边界填充
uchar *imgRowPtr = src.ptr&uchar&(i);
uchar *borderRowPtr = borderSrc.ptr&uchar&(i+coreSizeHalf);
for ( int j = 0; j & imgC j ++ )
borderRowPtr[j+coreSizeHalf] = imgRowPtr[j];
for ( int i = 0; i & coreS i ++ )//buffer初始化循环还是与coreSize相关
//暂时没有解决办法
uchar *borderSrcPtr = borderSrc.ptr&uchar&(i);
for ( int j = 0; j & buffer. j ++ )
bufferPtr[j] += borderSrcPtr[j];
uchar *dstPtrFirstRow = dst.ptr&uchar&(0);//第一行的均值滤波
for ( int n = 0; n & coreS n ++ )
temp += bufferPtr[n];
dstPtrFirstRow[0] = temp/coreSizeS//第一行第一个像素的均值滤波
for ( int i = 1; i & imgC i ++ )//第一个像素之后的均值滤波
temp += bufferPtr[i+coreSize-1] - bufferPtr[i-1];//使用向量法加速使循环与coreSize无关
dstPtrFirstRow[i] = temp/coreSizeS
for ( int i = 1; i & imgR i ++ )//第一行之后的均值滤波
uchar *dstPtr = dst.ptr&uchar&(i);
for ( int r = 0; r & buffer. r ++ )//buffer数据更新
uchar *borderSrcPtrLast = borderSrc.ptr&uchar&(i-1);
uchar *borderSrcPtrFirst = borderSrc.ptr&uchar&(i+coreSize-1);
//使用向量发更新buffer的每个元素
bufferPtr[r] = bufferPtr[r] + borderSrcPtrFirst[r] - borderSrcPtrLast[r];
for ( int n = 0; n & coreS n ++ )
temp += bufferPtr[n];
dstPtr[0] = temp/coreSizeS//第一行之后每行的第一个元素滤波
for ( int j = 1; j & imgC j ++ )//第一个元素之后的滤波
temp += bufferPtr[j+coreSize-1] - bufferPtr[j-1];//向量法加速使循环与coreSize无关
dstPtr[j] = temp/coreSizeS
duration = static_cast&double&(getTickCount()) -
duration /= getTickFrequency();
cout && duration &&
namedWindow(&dst&, 0);
imshow(&dst&, dst);
blur(src,dst2,Size(31,31),Point(-1,-1));
namedWindow(&dst2&, 0);
imshow(&dst2&, dst2);
waitKey(0);
dst是本文的与窗口大小无关的均值滤波函数结果，dst2是opencv自带的均值滤波结果：
仔细观察还是有一点不同的，本文的均值滤波颜色灰度更加淡，当然还是opencv自带的函数会比较好，在时间上，还是比opencv自带的均值滤波时间要慢一些，大家可以自行验证运行速度，因为计算机配置不同于是不贴出运行时间。对于本文算法运行时间比opencv自带的算法效率低，笔者分析有以下原因：
1、边界扩充函数占整体滤波算法的1/7~1/6的时间，边界扩充函数没有做优化，有兴趣的的朋友可以试试优化，有时间我也会去完成这个工作。
2、buffer 第一次初始化的时候还是与 coreSize 有关，暂时也没有解决方法。
3、关于图像像素引用并没有采用最高效的像素引用方法，时间有限，有时间我也会去完成这个工作。
以下是与窗口无关的均值滤波算法原理，也是笔者毕业论文中的一部分内容：
具体算法实施过程中要注意加速原理，不论是行运算，和列运算都可以加速，再就是涉及 uchar 和 float 的数据转换，一定要整体运算，整体赋值，否则结果会出问题。
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：87054次
积分：2612
积分：2612
排名：第11492名
原创：164篇
转载：70篇
评论：12条
(1)(5)(9)(5)(1)(3)(25)(15)(6)(11)(12)(14)(4)(1)(9)(12)(18)(22)(42)(14)(2)(12)}