二值化matlab中的程序q=sum(sum(fg))/255widthheight;这句是二值化吗，怎么理解啊？

二值化时间:2021-08-09 阅读:()

如何用C语言实现对图像的二值化？（注意是C语言不是VC）

我以前搞过图像处理，其实，在数字图像处理中，二值化是最简单的。

所谓的二值化一般就是指将真彩色或者灰度图转化为黑白两色，一般说来是处理灰度图。

兄弟，我觉得你完全可以自己编写程序进行二值化，因为真的不难，我记得我那时主要处理灰度图，灰度图像素是从0~255的，假设120是分解，你可以将灰度值小于120的像素的灰度值置为0，将灰度值大于120的像素的灰度值置为1，这样整个图像就成了黑白两色了。

二值化的难点不是编程，而是找阈值，120就是阈值另外，“用C语言实现对图像的二值化”是我觉得有些奇怪，C语言只是语法，它不是编程工具，你必须用vc或者bcb等工具编程才行

自动确定图像二值化最佳阈值的方法

　　阈值将原图象分成前景，背景两个图象。

　　前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度　　后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度　　当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准　　而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源）　　在本程序中类间方差用sb表示，最大类间方差用fmax 　　关于最大类间方差法（otsu）的性能: 　　类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。

　　当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。

　　最大最大类间方差法（otsu）的公式推导：　　记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。

　　则图像的总平均灰度为：u=w0*u0+w1*u1。

　　前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本　　上面的g的公式也就是下面程序中的sb的表达式　　当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值　　unsafe public int GetThreshValue(Bitmap image) 　　{ 　　BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat); 　　byte* pt = (byte*)bd.Scan0; 　　int[] pixelNum = new int[256]; //图象直方图，共256个点　　byte color; 　　byte* pline; 　　int n, n1, n2; 　　int total; //total为总和，累计值　　double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值　　int k, t, q; 　　int threshValue = 1; // 阈值　　int step = 1; 　　switch (image.PixelFormat) 　　{ 　　case PixelFormat.Format24bppRgb: 　　step = 3; 　　break; 　　case PixelFormat.Format32bppArgb: 　　step = 4; 　　break; 　　case PixelFormat.Format8bppIndexed: 　　step = 1; 　　break; 　　} 　　//生成直方图　　for (int i = 0; i < image.Height; i++) 　　{ 　　pline = pt + i * bd.Stride; 　　for (int j = 0; j < image.Width; j++) 　　{ 　　color = *(pline + j * step); //返回各个点的颜色，以RGB表示　　pixelNum[color]++; //相应的直方图加1 　　} 　　} 　　//直方图平滑化　　for (k = 0; k <= 255; k++) 　　{ 　　total = 0; 　　for (t = -2; t <= 2; t++) //与附近2个灰度做平滑化，t值应取较小的值　　{ 　　q = k + t; 　　if (q < 0) //越界处理　　q = 0; 　　if (q > 255) 　　q = 255; 　　total = total + pixelNum[q]; //total为总和，累计值　　} 　　pixelNum[k] = (int)((float)total / 5.0 + 0.5); //平滑化，左边2个+中间1个+右边2个灰度，共5个，所以总和除以5，后面加0.5是用修正值　　} 　　//求阈值　　sum = csum = 0.0; 　　n = 0; 　　//计算总的图象的点数和质量矩，为后面的计算做准备　　for (k = 0; k <= 255; k++) 　　{ 　　sum += (double)k * (double)pixelNum[k]; //x*f(x)质量矩，也就是每个灰度的值乘以其点数（归一化后为概率），sum为其总和　　n += pixelNum[k]; //n为图象总的点数，归一化后就是累积概率　　} 　　fmax = -1.0; //类间方差sb不可能为负，所以fmax初始值为-1不影响计算的进行　　n1 = 0; 　　for (k = 0; k < 255; k++) //对每个灰度（从0到255）计算一次分割后的类间方差sb 　　{ 　　n1 += pixelNum[k]; //n1为在当前阈值遍前景图象的点数　　if (n1 == 0) { continue; } //没有分出前景后景　　n2 = n - n1; //n2为背景图象的点数　　if (n2 == 0) { break; } //n2为0表示全部都是后景图象，与n1=0情况类似，之后的遍历不可能使前景点数增加，所以此时可以退出循环　　csum += (double)k * pixelNum[k]; //前景的“灰度的值*其点数”的总和　　m1 = csum / n1; //m1为前景的平均灰度　　m2 = (sum - csum) / n2; //m2为背景的平均灰度　　sb = (double)n1 * (double)n2 * (m1 - m2) * (m1 - m2); //sb为类间方差　　if (sb > fmax) //如果算出的类间方差大于前一次算出的类间方差　　{ 　　fmax = sb; //fmax始终为最大类间方差（otsu）　　threshValue = k; //取最大类间方差时对应的灰度的k就是最佳阈值　　} 　　} 　　image.UnlockBits(bd); 　　image.Dispose(); 　　return threshValue; 　　}