AR學習筆記（七）：閾值二值化優化與顏色分割的優化

• 閾值二值化的優化
• • 當前方案
  • • 圖像預處理
    • 閾值二值化
  • 優化方案
  • • otsu法
    • 頂帽變換
    • 分塊閾值法
• 顏色分割的優化
• • 當前方案
  • 優化方案
  • • HSV模型分割
    • 查找表方法

接下來改進一下閾值二值化的方法，使分割更加完整，然后改進顏色分割的方法，讓閾值適應不同牙齒顏色以及光照條件

---

閾值二值化的優化

當前方案

圖像預處理

圖像預處理包括尺寸修改、限制對比度自適應直方圖均衡、中值濾波，其中CLAHE能夠增強牙齒和牙齦間的對比度，中值濾波可以削弱牙齒反光從而減少噪聲

下面是不同參數下的CLAHE的效果

ClipLimit = 2.0

ClipLimit = 4.0

ClipLimit = 8.0

結論：當ClipLImit上升后，對比度增強，但牙齒底部顏色失真嚴重，灰度值變低，這里取3.0比較合適，對于其它樣本圖片同樣適用

下面是CLAHE對不同均勻光照（暗/正常/亮）下圖片的效果

結論：CLAHE能夠使得在不同光照下的圖片亮度趨向于一致，但是對于不均勻光照，沒有統一局部光照的效果
ps.矯正光照的其他方法：在HSV顏色模型下，使多幅圖像的V參數達到一致

閾值二值化

下面是對于均勻光照（暗/正常/亮）條件的圖片，采用不同閾值的二值化處理效果對比

thresh = 100

thresh = 120

下面是對于不均勻光照（暗/正常/亮）條件的圖片，采用不同閾值的二值化處理效果對比

thresh = 100

thresh = 120

結論：
由于閾值thresh固定，所以只在正常光照下，二值化的效果比較好，對于光照過強或過弱情況，輪廓的提取存在較大誤差

---

優化方案

otsu法

otsu法（最大類間方差法，大津算法）使用的是聚類的思想，把圖像的灰度數按灰度級分成2個部分，使得兩個部分之間的灰度值差異最大，每個部分之間的灰度差異最小，通過方差的計算來尋找一個合適的灰度級別來劃分。 所以可以在二值化的時候采用otsu算法來自動選取閾值進行二值化。
otsu算法被認為是圖像分割中閾值選取的最佳算法，計算簡單，不受圖像亮度和對比度的影響。

代碼參考：OTSU算法介紹及openCV的C++實現
下面是測試結果：

ostuthresh = 107

ostuthresh = 111

ostuthresh = 117

結論：使用ostu得到的閾值還需要進一步地優化，但優化難度比較大，目前通過對多幅圖像測試，采取×1.3的方法來擬合合理閾值，相比固定閾值的優化有一定的改善

頂帽變換

可以用來矯正不均勻光照，下面是不同結構元素尺寸(2121,3131,4141,5151)的測試結果，效果不好

分塊閾值法

參考：光照不均勻圖像分割技巧

---

顏色分割的優化

當前方案

圖像預處理同樣包括尺寸修改、限制對比度自適應直方圖均衡、中值濾波，然后在HSV空間下進行顏色分割
分割效果見：AR學習筆記（五）：邊緣分割優化和提取特征點

優化方案

HSV模型分割

查找表方法

總結

以上是生活随笔為你收集整理的AR学习笔记（七）：阈值二值化优化与颜色分割的优化的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。