CN110335286A - 灰度阈值的获取方法、计算机设备和计算机可读介质 - Google Patents
灰度阈值的获取方法、计算机设备和计算机可读介质 Download PDFInfo
- Publication number
- CN110335286A CN110335286A CN201910625449.XA CN201910625449A CN110335286A CN 110335286 A CN110335286 A CN 110335286A CN 201910625449 A CN201910625449 A CN 201910625449A CN 110335286 A CN110335286 A CN 110335286A
- Authority
- CN
- China
- Prior art keywords
- gray
- value
- gray value
- inter
- class variance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明的实施例提供一种灰度阈值的获取方法、计算机设备和计算机可读介质,涉及显示技术领域,可以提高缺陷定位的准确率,一种灰度阈值的获取方法,包括:对0~M的灰度值范围进行下采样,得到N个灰度值;M=2k‑1,k为正整数,N小于M;根据N个灰度值,得到1个类间方差最大值;将与所述类间方差最大值对应的灰度值作为灰度阈值。
Description
技术领域
本发明涉及显示技术领域,尤其涉及一种灰度阈值的获取方法、计算机设备和计算机可读介质。
背景技术
目前,在显示面板行业,Repair(微观缺陷修复机)在使用过程中,需对缺陷进行定位,然后进行修复动作,而在对缺陷进行定位时,需要先将不同工艺、不同产品在Repair的相机下呈现的图像进行二值化处理。
但是,现有技术中,对图像进行二值化处理的灰度阈值是人为设定的定值,不能根据图像的实际情况进行调节,从而使得缺陷定位不准确。
发明内容
本发明的实施例提供一种灰度阈值的获取方法、计算机设备和计算机可读介质,可以提高缺陷定位的准确率。
为达到上述目的,本发明的实施例采用如下技术方案:
一方面,本发明的实施例提供一种灰度阈值的获取方法,包括:
对0~M的灰度值范围进行下采样,得到N个灰度值;M=2k-1,k为正整数,N小于M;根据N个灰度值,得到1个类间方差最大值;将与所述类间方差最大值对应的所述灰度值作为灰度阈值。
可选地,根据N个灰度值,得到1个类间方差最大值,包括:S21、根据N个灰度值,获取N个类间方差,并从N个类间方差中获取Q个类间方差,1<Q<N,且Q个类间方差均大于N个类间方差中其余类间方差;S22、根据Q个类间方差获取一一对应的Q个所述灰度值;S23、根据Q个所述灰度值,获取一一对应的Q组灰度值;其中,针对每个所述灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T≥0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数;S24、根据每组灰度值,获取对应的一组类间方差,每组类间方差包括与对应的一组灰度值中的所述灰度值一一对应的类间方差;S25、针对每组类间方差,获取1个初始类间方差最大值,作为类间方差;S26、循环至少一次S22~S26,且每循环一次去除一个最小的类间方差,并将Q-1赋予Q,直至Q减小到1。
可选地,根据N个灰度值,获取N个类间方差,包括:至少循环一次如下步骤:根据N个灰度值,获取一一对应的N组灰度值;其中,针对每个所述灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T>0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数;根据每组灰度值,获取对应的一组类间方差;针对每组类间方差,获取1个所述初始类间方差最大值,作为类间方差;其中,在下次循环时,由N个类间方差得到N个灰度值。
可选地,在S21~S26之后,所述获取方法还包括:S27、根据Q减小到1之后获取的1个类间方差,得到对应的1个所述灰度值;S28、根据该1个所述灰度值,获取对应的一组灰度值;其中,针对获取的该1个所述灰度值,记为X,与该灰度值对应的一组灰度值中包括X-4、X-3、X-2、X-1、X、X+1、X+2、X+3、X+4、X+5,X-4≥0,X+5≤2k-1;S29、根据该组灰度值,获取对应的一组类间方差;S30、针对该组类间方差,获取1个类间方差最大值。
可选地,在对0~M的灰度值范围进行下采样,得到N个灰度值之前,所述获取方法还包括:建立自适应函数关系式;其中,所述自适应函数关系式至少包括:所有高灰度像素的平均灰度值、所有低灰度像素的平均灰度值、所有高灰度像素对应的概率、所有低灰度像素对应的概率与类间方差的一一对应关系;所述高灰度像素为灰度值大于等于初始灰度阈值的像素,所述低灰度像素为灰度值小于初始灰度阈值的像素;针对任一灰度值,利用所述自适应函数关系式,计算得到对应的类间方差。
可选地,建立自适应函数关系式,包括:设定初始灰度阈值;统计高灰度像素的个数和低灰度像素的个数;根据所述高灰度像素的个数与像素总数,得到所有高灰度像素对应的概率为W1;根据所述低灰度像素的个数与像素总数,得到所有低灰度像素对应的概率为W2;根据所有高灰度像素的灰度值与所述高灰度像素的个数,计算得到所有高灰度像素的平均灰度值为M1;根据所有低灰度像素的灰度值与所述低灰度像素的个数,计算得到所有低灰度像素的平均灰度值为M2;根据所有像素的灰度值与像素总数,计算得到所有像素的平均灰度值为M;建立所述自适应函数关系式为δ2=W1×(M1-M)2+W2×(M2-M)2。
可选地,在建立所述自适应函数关系式为δ2=W1×(M1-M)2+W2×(M2-M)2之后,所述获取方法还包括:根据灰度值范围中的每个灰度值对应的像素个数,分别得到灰度值范围中的每个灰度值对应的概率;根据每个大于等于所述初始灰度阈值的灰度值对应的概率,得到所有高灰度像素对应的概率为其中,i为灰度值,imax为最大灰度值,Pi为灰度值i对应的概率;根据每个小于初始灰度阈值的灰度值对应的概率,得到所有低灰度像素对应的概率为根据每个大于等于所述初始灰度阈值的灰度值,每个大于等于所述初始灰度阈值的灰度值对应的概率,得到所有高灰度像素的平均灰度值为根据每个小于所述初始灰度阈值的灰度值,每个小于所述初始灰度阈值的灰度值对应的概率,得到所有低灰度像素的平均灰度值为根据灰度值范围中的每个灰度值,以及灰度值范围中的每个灰度值对应的概率,得到所有像素的平均灰度值为建立第一关系式为M1×W1+M2×W2=M;将所述第一关系式M1×W1+M2×W2=M代入所述自适应函数关系式δ2=W1×(M1-M)2+W2×(M2-M)2中,将得到的δ2=W1×W2×(M1-M2)2作为所述自适应函数关系式。
另一方面,本发明的实施例还提供一种计算机设备,包括存储单元和处理单元;所述存储单元中存储可在所述处理单元上运行的计算机程序并存储结果;所述处理单元执行所述计算机程序时实现如上所述的灰度阈值的获取方法。
又一方面,本发明的实施例还提供一种计算机可读介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的灰度阈值的获取方法。
本发明的实施例通过提供一种灰度阈值的获取方法、计算机设备和计算机可读介质,通过对灰度值范围进行下采样,可减少计算量;再获取类间方差最大值对应的灰度值作为灰度阈值,使得对图像进行二值化处理后,微观缺陷修复机抓取、定位缺陷的准确率提高,从而减少漏修率,为提升良率创造条件。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的实施例提供的一种灰度阈值的获取方法的流程示意图;
图2为本发明的实施例提供的再一种灰度阈值的获取方法的流程示意图;
图3为本发明的实施例提供的另一种灰度阈值的获取方法的流程示意图;
图4为本发明的实施例提供的又一种灰度阈值的获取方法的流程示意图;
图5为本发明的实施例提供的又一种灰度阈值的获取方法的流程示意图;
图6为本发明的实施例提供的又一种灰度阈值的获取方法的流程示意图;
图7为本发明的实施例提供的又一种灰度阈值的获取方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
二值图像指的是图像内仅有黑白两个值的图像,不存在其他灰度层次的变化。
图像的二值化处理指的是基于灰度阈值将图像进行分割,是利用图像要提取的目标物与其背景在灰度特性上的差异,把图像视为具有不同灰度值的两类区域(目标和背景)的组合,选取一个合适的灰度阈值,以确定图像中每个像素是属于目标还是背景区域,从而产生相应的二值图像。
基于上述,本发明的实施例提供一种灰度阈值的获取方法,如图1所示,包括:
S10、对0~M的灰度值范围进行下采样,得到N个灰度值。M=2k-1,k为正整数,N小于M。
需要说明的是,k根据Repair数据传输的位数而定。若数据传输的位数为6,则k=6,M=26-1=63,灰度值范围为0~63;若数据传输的位数为8,则k=8,M=28-1=255,灰度值范围为0~255;若数据传输的位数为10,则k=10,M=210-1=1023,灰度值范围为0~1023。
此外,下采样的步长值可以根据需要进行设定,本发明对此不作限定。
示例的,灰度值范围为0~255,步长值设定为25,则可以采样得到11个灰度值,分别为0、25、50、75、100、125、150、175、200、225、250。
S20、根据N个灰度值,得到1个类间方差最大值。
S40、将与类间方差最大值对应的灰度值作为灰度阈值。
本发明的实施例通过提供一种灰度阈值的获取方法,通过对灰度值范围进行下采样,可减少计算量;再获取类间方差最大值对应的灰度值作为灰度阈值,使得对图像进行二值化处理后,微观缺陷修复机抓取、定位缺陷的准确率提高,从而减少漏修率,为提升良率创造条件。
可选地,在S10对0~M的灰度值范围进行下采样,得到N个灰度值之前,如图2所示,该获取方法还包括:
S1010、建立自适应函数关系式。
其中,自适应函数关系式至少包括:所有高灰度像素的平均灰度值、所有低灰度像素的平均灰度值、所有高灰度像素对应的概率、所有低灰度像素对应的概率与类间方差的一一对应关系。高灰度像素为灰度值大于等于初始灰度阈值的像素,低灰度像素为灰度值小于初始灰度阈值的像素。
S1030、针对任一灰度值,利用自适应函数关系式,计算得到对应的类间方差。
可选地,S1001中建立自适应函数关系式,如图3所示,包括:
S1011、设定初始灰度阈值。
S1012、统计高灰度像素的个数和低灰度像素的个数。
S1013、根据高灰度像素的个数与像素总数,得到所有高灰度像素对应的概率为W1。
S1014、根据低灰度像素的个数与像素总数,得到所有低灰度像素对应的概率为W2。
S1015、根据所有高灰度像素的灰度值与高灰度像素的个数,计算得到所有高灰度像素的平均灰度值为M1。
S1016、根据所有低灰度像素的灰度值与低灰度像素的个数,计算得到所有低灰度像素的平均灰度值为M2。
S1017、根据所有像素的灰度值与像素总数,计算得到所有像素的平均灰度值为M。
S1018、建立自适应函数关系式为δ2=W1×(M1-M)2+W2×(M2-M)2。
示例的,图像的分辨率为400×300,将灰度值100设定为初始灰度阈值T,经过统计,高灰度像素的个数为90000,低灰度像素的个数为30000。此时,可以得到所有高灰度像素对应的概率为所有低灰度像素对应的概率为
根据所有高灰度像素的灰度值,计算得到所有高灰度像素的灰度值之和为L1,则所有高灰度像素的平均灰度值为根据所有低灰度像素的灰度值,计算得到所有低灰度像素的灰度值之和为L2,则所有低灰度像素的平均灰度值为所有像素的灰度值之和即为L1+L2,则所有像素的平均灰度值为
由此,根据自适应函数关系式δ2=W1×(M1-M)2+W2×(M2-M)2,可以计算得到该初始灰度阈值100对应的类间方差为
可选地,在S1018之后,如图4所示,该获取方法还包括:
S1019、根据灰度值范围中的每个灰度值对应的像素个数,分别计算得到灰度值范围中的每个灰度值对应的概率。
S1020、根据每个大于等于初始灰度阈值的灰度值对应的概率,得到所有高灰度像素对应的概率为
其中,i为灰度值,imax为最大灰度值,Pi为灰度值i对应的概率。
S1021、根据每个小于初始灰度阈值的灰度值对应的概率,得到所有低灰度像素对应的概率为
S1022、根据每个大于等于初始灰度阈值的灰度值,每个大于等于初始灰度阈值的灰度值对应的概率,得到所有高灰度像素的平均灰度值为
S1023、根据每个小于初始灰度阈值的灰度值,每个小于初始灰度阈值的灰度值对应的概率,得到所有低灰度像素的平均灰度值为
S1024、根据灰度值范围中的每个灰度值,以及灰度值范围中的每个灰度值对应的概率,得到所有像素的平均灰度值为
S1025、建立第一关系式为M1×W1+M2×W2=M。
S1026、将第一关系式M1×W1+M2×W2=M代入自适应函数关系式δ2=W1×(M1-M)2+W2×(M2-M)2中,将得到的δ2=W1×W2×(M1-M2)2作为自适应函数关系式。
示例的,若S1018的示例中图像的灰度范围为0~255,则可以统计出不同灰度值对应的像素个数。例如,灰度值为0的像素个数为200,灰度值为1的像素个数为10000,灰度值为2的像素个数为40等,由此,可以计算得到灰度值为0对应的概率为灰度值为1对应的概率为灰度值为2对应的概率为以此类推,可以计算得到256个灰度值中的每一个灰度值对应的概率。
基于此,初始灰度阈值T为100时,求得的灰度值100至255对应的概率之和即为所有高灰度像素对应的概率;求得的灰度值0至99对应的概率之和即为所有低灰度像素对应的概率。
然后,根据灰度值100至255,灰度值100至255中每个灰度值对应的概率,以及所有高灰度像素对应的概率计算得到所有高灰度像素的平均灰度值为根据灰度值0至99,灰度值0至99中每个灰度值对应的概率,以及所有低灰度像素对应的概率计算得到所有低灰度像素的平均灰度值为再根据灰度值0至255,以及不同灰度值对应的概率,计算得到所有像素的平均灰度值为
基于上述,建立第一关系式为
将该第一关系式M1×W1+M2×W2=M,代入自适应函数关系式δ2=W1×(M1-M)2+W2×(M2-M)2中,由此,可以得到δ2=W1×W2×(M1-M2)2。
自适应函数关系式得到了简化,因此,可将δ2=W1×W2×(M1-M2)2作为自适应函数关系式。
在此基础上,将灰度值作为初始灰度阈值后,仅需根据S1011~S1016计算得到W1、W2、M1、M2,再代入δ2=W1×W2×(M1-M2)2即可计算到对应的类间方差。
可选地,S20中根据N个灰度值,得到1个类间方差最大值,如图5所示,包括:
S21、根据N个灰度值,获取N个类间方差,并从N个类间方差中获取Q个类间方差,1<Q<N,且Q个类间方差均大于N个类间方差中其余类间方差。
S22、根据Q个类间方差获取一一对应的Q个灰度值。
S23、根据Q个灰度值,获取一一对应的Q组灰度值。其中,针对每个灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T≥0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数。
S24、根据每组灰度值,获取对应的一组类间方差,每组类间方差包括与对应的一组灰度值中的灰度值一一对应的类间方差。
S25、针对每组类间方差,获取1个初始类间方差最大值,作为类间方差。
S26、循环至少一次S22~S26,且每循环一次去除一个最小的类间方差,并将Q-1赋予Q,直至Q减小到1。
可选地,S21中根据N个灰度值,获取N个类间方差,如图6所示,包括:
至少循环一次如下步骤:
S201、根据N个灰度值,获取一一对应的N组灰度值。
其中,针对每个所述灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T>0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数。
S202、根据每组灰度值,获取对应的一组类间方差。
S203、针对每组类间方差,获取1个初始类间方差最大值,作为类间方差。其中,在下次循环时,由N个类间方差得到N个灰度值。
可选地,在S21~S26之后,如图7所示,所述获取方法还包括:
S27、根据Q减小到1时获取的1个类间方差,得到对应的1个灰度值。
S28、根据该1个灰度值,获取对应的一组灰度值。
其中,针对获取的该1个灰度值,记为X,与该灰度值对应的一组灰度值中包括X-4、X-3、X-2、X-1、X、X+1、X+2、X+3、X+4、X+5,X-4≥0,X+5≤2k-1。
S29、根据该组灰度值,获取对应的一组类间方差。
S30、针对该组类间方差,获取1个类间方差最大值。
其中,循环次数可根据需要进行设定,本发明对此不作限定。
基于上述描述,以下提供一种根据N个灰度值,得到1个类间方差最大值的方法,以清楚描述其实现过程。
示例的,若灰度值范围为0~255,设定的步长值为25,对灰度值范围进行一次下采样,得到11个灰度值,分别为0、25、50、75、100、125、150、175、200、225、250。
将每个灰度值作为初始灰度阈值,代入自适应函数关系式,计算得到对应的类间方差,分别为(δ0)2、(δ25)2、(δ50)2、(δ75)2、(δ100)2、(δ125)2、(δ150)2、(δ175)2、(δ200)2、(δ225)2、(δ250)2。
第一步:针对每个灰度值,记为R,设T为5,获取一一对应的11组灰度值。
例如,当R=0,仅增大5,得到对应的一组灰度值包括0、5;当R=25,分别增大5和减小5,得到对应的一组灰度值包括20、25、30;当R=50,分别增大5和减小5,得到对应的一组灰度值包括45、50、55;依次类推,共可以得到的11组灰度值。
第二步:根据每组灰度值,利用自适应函数关系式,获取对应的一组类间方差。
例如,针对一组灰度值20、25、30,分别将20、25、30作为初始灰度阈值,利用自适应函数关系式,得到对应的一组类间方差为(δ20)2、(δ25)2、(δ30)2。依此类推,共可以得到11组类间方差。
第三步:针对每组类间方差,获取1个初始类间方差最大值,作为类间方差。
例如,针对第二步中示例的一组类间方差(δ20)2、(δ25)2、(δ30)2,比较大小之后,从中获取1个初始类间方差最大值(例如为(δ20)2),则将(δ20)2作为类间方差,并根据该类间方差可以得到对应的灰度值为20。依次类推,共可以得到11个初始类间方差最大值,分别将其作为类间方差,得到11个类间方差,以及对应的11个灰度值。
针对该11个灰度值,根据第一步至第三步的步骤可以继续循环,每次循环,灰度值发生变化,但是灰度值的个数不变。
第四步:第一步至第三步循环了3次,从第3次循环完得到的11个类间方差中,获取5个类间方差(即,Q=5)。该5个类间方差均大于11个类间方差中其余类间方差,即,该5个类间方差相对较大。
例如,第一步至第三步循环3次之后得到的11个类间方差分别为(δ10)2、(δ15)2、(δ35)2、(δ70)2、(δ100)2、(δ140)2、(δ150)2、(δ175)2、(δ200)2、(δ225)2、(δ255)2,比较大小之后,相对较大的5个类间方差分别为(δ15)2、(δ35)2、(δ100)2、(δ140)2、(δ175)2。
第五步:根据(δ15)2、(δ35)2、(δ100)2、(δ140)2、(δ175)2,获取一一对应的5个灰度值分别为15、35、100、140、175。
第六步:针对5个中的每个灰度值,记为R,T为5,获取一一对应的5组灰度值。
例如,灰度值为15,对应的一组灰度值为10、15、20;灰度值为35,对应的一组灰度值为30、35、40;灰度值为100,对应的一组灰度值为95、100、105,依次类推,可以得到5组灰度值。
第七步:针对5组灰度值中的每组灰度值,获取对应的一组类间方差。
例如,针对一组灰度值为10、15、20,分别将10、15、20作为初始灰度阈值,利用自适应函数关系式,得到对应的一组类间方差为(δ10)2、(δ15)2、(δ20)2。依此类推,共可以得到5组类间方差。
第八步:针对每组类间方差,获取1个类间方差最大值。
例如,针对第七步中示例的一组类间方差(δ10)2、(δ15)2、(δ20)2,比较大小之后,从中获取1个初始类间方差最大值(例如为(δ20)2),依次类推,可以得到5个初始类间方差最大值,分别为(δ20)2、(δ40)2、(δ100)2、(δ145)2、(δ170)2,作为类间方差。
第九步:去除一个最小的类间方差(例如去掉(δ170)2),得到4个类间方差分别为(δ20)2、(δ40)2、(δ100)2、(δ145)2,并将Q-1赋予Q,此时,Q=4。
第十步:再次执行第五步至第九步,根据(δ20)2、(δ40)2、(δ100)2、(δ145)2获取一一对应的4个灰度值,分别为20、40、100、145,根据4个灰度值,获取一一对应的4组灰度值。例如灰度值20对应的一组灰度值为15、20、25。再根据每组灰度值,获取对应的一组类间方差,从每组类间方差获取1个初始类间方差最大值,作为类间方差。去除一个最小的类间方差,此时,Q=4。
第十一步:多次执行第五步至第九步后,Q=1,获取的1个类间方差(例如(δ40)2),得到对应的灰度值为40。
第十二步:根据该1个灰度值,获取对应的一组灰度值,分别为36、37、38、39、40、41、42、43、44、45。
第十三步:根据该组灰度值,获取对应的一组类间方差,分别为(δ36)2、(δ37)2、(δ38)2、(δ39)2、(δ40)2、(δ41)2、(δ42)2、(δ43)2、(δ44)2、(δ45)2。
第十四步:从该组类间方差中获取得到1个类间方差最大值,例如为(δ39)2,则将(δ39)2对应的灰度值39,作为灰度阈值。
由此,39作为灰度阈值最为合适,39对应的类间方差是最大的。则将图像进行二值化处理时,以39为灰度阈值处理的二值图像效果最好,从而使得Repair缺陷定位最准确。
本发明的实施例还提供一种计算机设备,包括存储单元和处理单元;所述存储单元中存储可在所述处理单元上运行的计算机程序并存储结果;所述处理单元执行所述计算机程序时实现如上所述的灰度阈值的获取方法。
本发明的实施例还提供一种计算机可读介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的灰度阈值的获取方法。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (9)
1.一种灰度阈值的获取方法,其特征在于,包括:
对0~M的灰度值范围进行下采样,得到N个灰度值;M=2k-1,k为正整数,N小于M;
根据N个灰度值,得到1个类间方差最大值;
将与所述类间方差最大值对应的所述灰度值作为灰度阈值。
2.根据权利要求1所述的灰度阈值的获取方法,其特征在于,根据N个灰度值,得到1个类间方差最大值,包括:
S21、根据N个灰度值,获取N个类间方差,并从N个类间方差中获取Q个类间方差,1<Q<N,且Q个类间方差均大于N个类间方差中其余类间方差;
S22、根据Q个类间方差获取一一对应的Q个所述灰度值;
S23、根据Q个所述灰度值,获取一一对应的Q组灰度值;其中,针对每个所述灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T≥0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数;
S24、根据每组灰度值,获取对应的一组类间方差,每组类间方差包括与对应的一组灰度值中的所述灰度值一一对应的类间方差;
S25、针对每组类间方差,获取1个初始类间方差最大值,作为类间方差;
S26、循环至少一次S22~S26,且每循环一次去除一个最小的类间方差,并将Q-1赋予Q,直至Q减小到1。
3.根据权利要求2所述的灰度阈值的获取方法,其特征在于,根据N个灰度值,获取N个类间方差,包括:
至少循环一次如下步骤:
根据N个灰度值,获取一一对应的N组灰度值;其中,针对每个所述灰度值,记为R,当R=0时,与该灰度值对应的一组灰度值中包括R、R+T;当R大于0时,与该灰度值对应的一组灰度值中包括R、R+T、R-T,R-T>0,R+T≤2k-1;当R=2k-1时,与该灰度值对应的一组灰度值中包括R、R-T;T为正整数;
根据每组灰度值,获取对应的一组类间方差;
针对每组类间方差,获取1个所述初始类间方差最大值,作为类间方差;其中,在下次循环时,由N个类间方差得到N个灰度值。
4.根据权利要求2或3所述的灰度阈值的获取方法,其特征在于,在S21~S26之后,所述获取方法还包括:
S27、根据Q减小到1之后获取的1个类间方差,得到对应的1个所述灰度值;
S28、根据该1个所述灰度值,获取对应的一组灰度值;其中,针对获取的该1个所述灰度值,记为X,与该灰度值对应的一组灰度值中包括X-4、X-3、X-2、X-1、X、X+1、X+2、X+3、X+4、X+5,X-4≥0,X+5≤2k-1;
S29、根据该组灰度值,获取对应的一组类间方差;
S30、针对该组类间方差,获取1个类间方差最大值。
5.根据权利要求1所述的灰度阈值的获取方法,其特征在于,在对0~M的灰度值范围进行下采样,得到N个灰度值之前,所述获取方法还包括:
建立自适应函数关系式;其中,所述自适应函数关系式至少包括:所有高灰度像素的平均灰度值、所有低灰度像素的平均灰度值、所有高灰度像素对应的概率、所有低灰度像素对应的概率与类间方差的一一对应关系;所述高灰度像素为灰度值大于等于初始灰度阈值的像素,所述低灰度像素为灰度值小于初始灰度阈值的像素;
针对任一灰度值,利用所述自适应函数关系式,计算得到对应的类间方差。
6.根据权利要求5所述的灰度阈值的获取方法,其特征在于,建立自适应函数关系式,包括:
设定初始灰度阈值;
统计高灰度像素的个数和低灰度像素的个数;
根据所述高灰度像素的个数与像素总数,得到所有高灰度像素对应的概率为W1;
根据所述低灰度像素的个数与像素总数,得到所有低灰度像素对应的概率为W2;
根据所有高灰度像素的灰度值与所述高灰度像素的个数,计算得到所有高灰度像素的平均灰度值为M1;
根据所有低灰度像素的灰度值与所述低灰度像素的个数,计算得到所有低灰度像素的平均灰度值为M2;
根据所有像素的灰度值与像素总数,计算得到所有像素的平均灰度值为M;
建立所述自适应函数关系式为δ2=W1×(M1-M)2+W2×(M2-M)2。
7.根据权利要求6所述的灰度阈值的获取方法,其特征在于,在建立所述自适应函数关系式为δ2=W1×(M1-M)2+W2×(M2-M)2之后,所述获取方法还包括:
根据灰度值范围中的每个灰度值对应的像素个数,分别得到灰度值范围中的每个灰度值对应的概率;
根据每个大于等于所述初始灰度阈值的灰度值对应的概率,得到所有高灰度像素对应的概率为其中,i为灰度值,imax为最大灰度值,Pi为灰度值i对应的概率;
根据每个小于初始灰度阈值的灰度值对应的概率,得到所有低灰度像素对应的概率为
根据每个大于等于所述初始灰度阈值的灰度值,每个大于等于所述初始灰度阈值的灰度值对应的概率,得到所有高灰度像素的平均灰度值为
根据每个小于所述初始灰度阈值的灰度值,每个小于所述初始灰度阈值的灰度值对应的概率,得到所有低灰度像素的平均灰度值为
根据灰度值范围中的每个灰度值,以及灰度值范围中的每个灰度值对应的概率,得到所有像素的平均灰度值为
建立第一关系式为M1×W1+M2×W2=M;
将所述第一关系式M1×W1+M2×W2=M代入所述自适应函数关系式δ2=W1×(M1-M)2+W2×(M2-M)2中,将得到的δ2=W1×W2×(M1-M2)2作为所述自适应函数关系式。
8.一种计算机设备,其特征在于,包括存储单元和处理单元;所述存储单元中存储可在所述处理单元上运行的计算机程序并存储结果;所述处理单元执行所述计算机程序时实现如权利要求1-7任一项所述的灰度阈值的获取方法。
9.一种计算机可读介质,其存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的灰度阈值的获取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625449.XA CN110335286B (zh) | 2019-07-11 | 2019-07-11 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910625449.XA CN110335286B (zh) | 2019-07-11 | 2019-07-11 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335286A true CN110335286A (zh) | 2019-10-15 |
CN110335286B CN110335286B (zh) | 2021-03-02 |
Family
ID=68146446
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910625449.XA Active CN110335286B (zh) | 2019-07-11 | 2019-07-11 | 灰度阈值的获取方法、计算机设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335286B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
CN102930538A (zh) * | 2012-10-25 | 2013-02-13 | 河南师范大学 | 高斯势与空间直方图融合的自适应图像分割方法 |
CN103308525A (zh) * | 2013-05-21 | 2013-09-18 | 中国科学院自动化研究所 | 一种用于金属线材生产的在线检测方法和装置 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
CN108230334A (zh) * | 2017-12-21 | 2018-06-29 | 西安工程大学 | 基于灰度阈值的高浓度风沙图像分割的方法 |
-
2019
- 2019-07-11 CN CN201910625449.XA patent/CN110335286B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496019A (zh) * | 2011-12-08 | 2012-06-13 | 银江股份有限公司 | 一种车牌字符分割方法 |
CN102930538A (zh) * | 2012-10-25 | 2013-02-13 | 河南师范大学 | 高斯势与空间直方图融合的自适应图像分割方法 |
CN103308525A (zh) * | 2013-05-21 | 2013-09-18 | 中国科学院自动化研究所 | 一种用于金属线材生产的在线检测方法和装置 |
CN103400156A (zh) * | 2013-07-04 | 2013-11-20 | 西安电子科技大学 | 基于cfar和稀疏表示的高分辨sar图像舰船检测方法 |
CN104952071A (zh) * | 2015-06-11 | 2015-09-30 | 昆明理工大学 | 一种基于灰度空间相关的最大类间方差图像分割算法 |
CN108230334A (zh) * | 2017-12-21 | 2018-06-29 | 西安工程大学 | 基于灰度阈值的高浓度风沙图像分割的方法 |
Non-Patent Citations (1)
Title |
---|
王璇等: "基于改进最大类间方差法的灰度图像分割", 《微计算机信息》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110335286B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1302436C (zh) | 对比度补偿的装置及其方法 | |
JP5889431B2 (ja) | 画像処理装置及び画像処理方法 | |
CN103402042B (zh) | 基于分块式误差扩散的半色调图像生成方法 | |
CN1472954A (zh) | 利用帧间相关性的图象质量增强电路和方法 | |
JP6387646B2 (ja) | グレースケール画像の処理方法及び装置 | |
JP2020009136A5 (zh) | ||
US11836898B2 (en) | Method and apparatus for generating image, and electronic device | |
US20140118581A1 (en) | Image processing apparatus and image processing method | |
JP2017130751A5 (zh) | ||
CN113012068B (zh) | 图像去噪方法、装置、电子设备及计算机可读存储介质 | |
JP2011101233A5 (zh) | ||
US20150254815A1 (en) | Image downsampling apparatus and method | |
JP2014075638A5 (zh) | ||
CN110335286A (zh) | 灰度阈值的获取方法、计算机设备和计算机可读介质 | |
CN105635523A (zh) | 图像处理方法、图像处理装置及图像形成设备 | |
JP5767516B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
JP6043706B2 (ja) | マッチング処理装置およびマッチング方法 | |
CN113112435B (zh) | 一种小波域正反图像融合的可变对比度增强方法及装置 | |
CN113362229B (zh) | 图像处理模型的训练方法、图像处理方法、装置及设备 | |
CN102263881A (zh) | 半色调图像调频挂网处理方法及装置 | |
KR101418524B1 (ko) | 하드웨어 장치 및 적분 이미지 생성 방법 | |
CN104240188A (zh) | 一种滤除像素中噪声的方法及装置 | |
JP2019047418A5 (ja) | 情報処理装置、画像処理方法、プログラム | |
JP2014533919A5 (zh) | ||
JP5934031B2 (ja) | 階調削減装置及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |