Question

请参阅this journal article。

4.1节（预处理）的最后一段说明了

使用[ threshold = (mean + std dev) ]和Otsu Thresholding会得到以下结果，

而且，如果没有它们，我会得到以下结果，

因此，我有三个问题，

（1）我实现Binary Thresholding的主要问题是什么？

（2）如果Otsu Threshold确实给出了好的结果，为什么文章的作者建议使用[threshold = (mean + std dev)]？

（3）如何将double值应用为Otsu的阈值？

源代码

Here is the GitHub repository.

源代码中最相关的部分如下，

    private void thresholdButton_Click(object sender, EventArgs e)
    {
        Bitmap color = (Bitmap)this.inputImagePictureBox.Image;

        Bitmap temp = Grayscale.ToGrayscale((Bitmap)color.Clone());

        ImageStatistics imgStat = new ImageStatistics(temp);

        Histogram histogram = imgStat.Gray;

        double meanPlusStdDev = histogram.Mean + histogram.StdDev;

        OtsuThreshold otsu = new OtsuThreshold();

        int thres = otsu.getOtsuThreshold(temp);//////

        //otsu.Apply(temp, (int)meanPlusStdDev);

        otsu.Apply(temp, thres);

        thresholdedImagePictureBox.Image = temp;
    }

Answer 1

我只回答（2）。我还没有看到有人在全局使用mean + stdev，但在应用局部自适应阈值技术时却很常见。因此，不是为整个图像计算单个阈值，而是根据它的邻域为每个像素计算一个阈值。在本文中描述的应用程序中它会更有意义。具有局部均值（x，y）和局部stdev（x，y）的像素（x，y）的Niblack自适应阈值处理是：

mean（x，y）+ k * stdev（x，y）

其中k是可调参数。它在文档二值化中非常常用。另一个常见的是

t * mean（x，y）+ k * stdev（x，y）

您可以在其中调整本地平均值和本地stdev阈值。 stdev术语的重点是赋予边缘权重。划痕始终是高局部标准偏差的区域，因此使用与之相关的术语应该比简单的平均阈值更有效。

如果这些看起来很有趣，您还可以查看Sauvola算法，它是对Niblack算法的进一步修改。如果您想自己实现这些概念，请查看积分图像的概念。

Answer 2

1）没有“问题”。您使用不同的阈值进行阈值处理，然后得到不同的结果。

2）没有找到全局阈值的通用方法，全局阈值处理可能是一个非常糟糕的解决方案。均值/ stdev方法的一个小优点是它留下了一个可调参数（stdev前面的系数），它给实现者一个（错误的）控制感。

3）我无法理解这个问题。阈值是整数，因为像素值是整数。

为什么图像二值化显示较差的结果？

2 个答案: