干货 | 简单粗暴二分类分割方法Riddler-Calvard 详解！

OpenCV学堂

发布于 2019-12-31 11:36:24

1.6K0

发布于 2019-12-31 11:36:24

文章被收录于专栏：贾志刚-OpenCV学堂

二值图像

图像二值化就就是把灰度图像分割为只有白色(前景)与黑色(背景)两种颜色的图像，通常用

0-表示黑色

1-表示白色(255)

一个典型的二值图像表示如下：

图像二值化，根据阈值使用的方法不同可以分为如下三类：

1.全局阈值法，意思是通过一个阈值实现对所有像素的二值化分割

2.局部阈值法，通过多个局部阈值实现二值化分割

3.自适应阈值法，通过与自身周围像素比较，直接二值化

Riddler-Calvard算法

Riddler-Calvard阈值法是基于直方图的二值化算法，是经典的全局阈值法，可惜OpenCV的全局阈值只支持OTSU大律法与Triangle两种，不支持Riddler-Calvard阈值法，其实Riddler-Calvard跟OTSU与Triangle一样都是基于直方图计算得到阈值的二值化分割算法，唯一个不同的是Riddler-Calvard是基于迭代查找实现，它的算法步骤描述如下：

首先假设初始阈值T比如T=127，然后得到分割后的两个像素cluster。计算它们的均值分别如下：

其中g表示图像像素灰度值，灰度值范围g={0,1,2,3,,,,,L-1}，其中L=256表示256个灰度级别。P(g)表示图像直方图统计概率百分比。下标：f表示前景，b表示背景。计算得到新的阈值：

计算两个阈值之间的差值

如果差值大于指定错误，则用新阈值来计算(1)、(2)、然后计算（3），不断更新阈值，直到错误小于指定错误或者迭代次数超过指定次数为止。根据最终得到阈值T实现图像二值分割。

代码实现

初始化变量与定义

// 初始化变量
float mf = 0.0;
float mb = 0.0;
float hist[256];
float t = 127.0;
float t1 = 0.0;
float err = 1;
int max_count = 5;
for (int i = 0; i < 256; i++) {
    hist[i] = 0;
}

计算直方图分布

// 计算直方图
int h = gray.rows;
int w = gray.cols;
for (int row = 0; row < h; row++) {
    for (int col = 0; col < w; col++) {
        int pv = gray.at<uchar>(row, col);
        hist[pv]++;
    }
}

// 归一化
float total = w*h;
for (int i = 0; i < 256; i++) {
    hist[i] = hist[i]/total;
}

迭代寻找阈值

// 寻找阈值
int index = 0;
while (true) {
    for (int i = 0; i < 256; i++) {
        if (i > t) {
            mf += hist[i] * i;
        }
        else {
            mb += hist[i] * i;
        }
    }
    t1 = (mb + mf) / 2.0;
    index++;
    if (abs(t1 - t) <= err || index > max_count) {
        break;
    }
    else {
        mf = 0.0;
        mb = 0.0;
        t = t1;
    }
}
printf("final threshold value: %.2f \n", t);

使用阈值完成二值化

// 阈值使用
for (int row = 0; row < h; row++) {
    for (int col = 0; col < w; col++) {
        int pv = gray.at<uchar>(row, col);
        if (pv > t) {
            binary.at<uchar>(row, col) = 255;
        }
        else {
            binary.at<uchar>(row, col) = 0;
        }
    }
}

测试运行结果如下：