opencv--使用直方图找谷底进行确定分割阈值
直方图原理就不说了,大家自行百度
直方图可以帮助分析图像中的灰度变化,进而帮助确定最优二值化的灰度阈值(threshold level)。如果物体与背景的灰度值对比明显,此时灰度直方图就会包含双峰(bimodal histogram),即直方图中一般会有两个峰值,分别为图像的前景和背景。
前景使得某个灰度区间的灰度值的数量急剧增加,就会产生一个峰值,同理背景会使另一个灰度区间的灰度值的数量急剧增加,就产生另外一个峰值,两峰间的谷底对应于物体边缘附近相对较少数目的像素点。
这两个峰值之间的最小值一般就是最优二值化的分界点,通过这个分界点可以把前景和背景很好地分割开来。

有时这两个峰值会有部分重叠,即左侧峰值的下降部分和右侧峰值的上升部分存在叠加。通常可以把自然界的信号看做高斯信号,即一个峰值对应一个高斯信号,当直方图中的两个高斯信号在某个灰度区域叠加的时候,其叠加区就形成了一个圆滑的谷底,就很难找到一个确切的位置(最优二值化的灰度值)把这两个峰值分开。
float calculateThreshold(cv::Mat& img)
{cv::Mat temp = img.clone();// 计算直方图cv::Mat hist;int histSize = 256; // 直方图尺寸float range[] = { 0, 256 }; // 像素值范围const float* ranges[] = { range };cv::calcHist(&img, 1, nullptr, cv::Mat(), hist, 1, &histSize, ranges);/*for (int i = 0; i < 21; i++)hist.at<float>(i, 0) = 0.0;*/cv::normalize(hist, hist, 0, 1, cv::NORM_MINMAX);//hist.convertTo(hist, CV_32S);cv::GaussianBlur(hist, hist, cv::Size(0, 0),3,3);//cv::blur(hist, hist, cv::Size(1, 9),cv::Point(-1,-1));std::vector<float> peaks; // 存储峰值位置std::vector<float> valleys; // 存储低谷位置for (int i = 1; i < histSize - 1; i++) {//std::cout << std::fixed << std::setprecision(4);float currentValue = hist.at<float>(i);float prevValue = hist.at<float>(i - 1);float nextValue = hist.at<float>(i + 1);/*if (currentValue < 0.001)continue;*/// 具体情况需要修改currentValue>0.005的阈值if ((currentValue > prevValue && currentValue > nextValue && currentValue>0.005)) {std::cout << prevValue << " " << currentValue << " " << nextValue << std::endl;peaks.push_back(i); // 峰值}else if (currentValue < prevValue && currentValue < nextValue && currentValue>0.001) {std::cout << prevValue << " " << currentValue << " " << nextValue << std::endl;valleys.push_back(i); // 低谷}}if(valleys.size()>0)cv::threshold(temp, temp, valleys[0], 255, cv::THRESH_BINARY);// 创建直方图可视化图像int histWidth = 512;int histHeight = 400;cv::Mat histImage(histHeight, histWidth, CV_8UC3, cv::Scalar(0, 0, 0));cv::Mat hist_temp;// 归一化直方图数据cv::normalize(hist, hist_temp, 0, histImage.rows, cv::NORM_MINMAX, -1, cv::Mat());// 绘制直方图int binWidth = cvRound((double)histWidth / histSize);for (int i = 0; i < histSize; i++) {int binHeight = cvRound(hist_temp.at<float>(i));cv::line(histImage, cv::Point(i * binWidth, histHeight), cv::Point(i * binWidth, histHeight - binHeight), cv::Scalar(255, 255, 255));}if (valleys.size() > 0)return valleys[0];return 0;
}


相关文章:
opencv--使用直方图找谷底进行确定分割阈值
直方图原理就不说了,大家自行百度 直方图可以帮助分析图像中的灰度变化,进而帮助确定最优二值化的灰度阈值(threshold level)。如果物体与背景的灰度值对比明显,此时灰度直方图就会包含双峰(bimodal histo…...
dolphinscheduler海豚调度(四)钉钉告警
在之前的博文中,我们已经介绍了DolphinScheduler海豚调度的基本概念和工作流程,以及Shell任务和SQL任务的实践。今天,让我们来学习DolphinScheduler中的另一个重要功能:钉钉告警。 钉钉群添加机器人 在钉钉群添加机器人…...
Java-Safe Point(安全点)
虽然安全点的概念和垃圾回收相关,但是概念还是比较独立的,所以本文是从这篇文章Java-虚拟机-垃圾收集器/垃圾收集算法/GCROOT根中抽出来的 安全点safe point 当执行垃圾回收(GC)的时候,不是立马就执行的,…...
大数据旅游数据分析:基于Python旅游数据采集可视化分析推荐系统
文章目录 基于Python旅游数据采集可视化分析推荐系统一、项目概述二、项目说明三、开发环境四、功能实现五、系统页面实现用户登录注册系统首页数据操作管理价格与销量分析旅游城市和景点等级分析旅游数据评分情况分析旅游数据评论情况分析旅游景点推荐Django系统后台管理 六、…...
打造智能汽车微服务系统平台:架构的设计与实现
随着智能汽车技术的飞速发展,微服务架构在汽车行业中的应用越来越广泛。采用微服务架构可以使汽车系统更加灵活、可扩展,并且有利于快速推出新功能和服务。本文将从设计原则、关键技术、数据安全等方面,介绍如何搭建智能汽车微服务系统平台架…...
机试指南:Ch5:线性数据结构 Ch6:递归与分治
文章目录 第5章 线性数据结构1.向量 vector2.队列 queue(1)队列的特点、应用(2)基本操作(3)例题例题1:约瑟夫问题2 (难度:中等) (4)习题习题1:排队打饭 (难度:中等) 3.栈 stack(1)栈…...
展厅设计的理念是什么
1、立足当地文化 升华本地精神 ,因地制宜,深入挖掘本土文化特色,撷取其精华,灵活运用、巧妙融入,做到掌控宏观全局。 重点突出,努力打造本土拳头品牌,挖掘其内涵,拓展延伸、着重展示…...
springboot 定时任务备份mysql数据库
记录在Linux 系统上定时备份MySQL数据库 1、在代码中添加备份 package org.jeecg.modules.xczxhhr.job;import lombok.extern.slf4j.Slf4j; import org.quartz.Job; import org.quartz.JobExecutionContext;import java.io.BufferedReader; import java.io.File; import java…...
PMP考试之20240301
1、在回顾项目团队最新的绩效报告时,项目经理注意到他们的产出出现了重大下降。项目经理决定: A.增加每个团队成员在截止日期前完成任务的压力 B.增加状态报告和团队评审会议的频率 C.为表现最好的团队成员提供特别奖励 D.改善和促进团队成员之间的信任和凝聚力…...
什么是MAC地址? win10电脑查看MAC地址的多种方法
您是否知道连接到家庭网络的每件硬件都有自己的身份?正如每个设备都分配有自己的 IP 地址一样,每个硬件都有一个唯一的网络标识符。 该标识符称为MAC 地址。MAC 代表媒体访问控制。您可能需要 MAC 地址来解决网络问题或配置新设备。在 Windows 中查找您…...
vue3中的基本语法
目录 基础素材 vue3的优化 使用CompositionAPI理由 1. reactive() 函数 2. ref() 函数 2.1. ref的使用 2.2. 在 reactive 对象中访问 ref 创建的响应式数据 3. isRef() 函数 4. toRefs() 函数 5. computed() 5.1. 通过 set()、get()方法创建一个可读可写的计算属性 …...
Timeplus-proton流处理器调研
概念 Timeplus是一个流处理器。它提供强大的端到端功能,利用开源流引擎Proton来帮助数据团队快速直观地处理流数据和历史数据,可供各种规模和行业的组织使用。它使数据工程师和平台工程师能够使用 SQL 释放流数据价值。 Timeplus 控制台可以轻松连接到不…...
H3C防火墙安全授权导入
一、防火墙授权概述 前面我们已经了解了一些防火墙的基本概念,有讲过防火墙除了一些基本功能,还有一些高级安全防护,但是这些功能需要另外独立授权,不影响基本使用。这里以H3C防火墙为例进行大概了解下。 正常情况下,防…...
使用 OpenCV 通过 SIFT 算法进行对象跟踪
本文介绍如何使用 SIFT 算法跟踪对象 在当今世界,当涉及到对象检测和跟踪时,深度学习模型是最常用的,但有时传统的计算机视觉技术也可能有效。在本文中,我将尝试使用 SIFT 算法创建一个对象跟踪器。 为什么人们会选择使用传统的计…...
SHELL 脚本: 导出NEO4j DUMP并上传SFTP
前提 开通sftp账号 安装expect 示例 NEO4J_HOME/path/to/neo4j # neo4j 安装目录 DUMP_PATH/data/dump # DUMP本地保存目录 DUMP_FILEneo4j_$(date %F).dump #导出文件名称 UPLOAD_DIR/path/to/stfp/dump/ #上传目录 $NEO4J_HOME/bin/neo4j-admin dump --databaseneo4j --t…...
Vue 封装一个函数,小球原始高度不固定,弹起比例不固定、计算谈几次后,高度低于1米
## 简介 本文将介绍如何使用Vue封装一个函数,计算小球弹跳的次数,直到高度低于1米。函数的参数包括小球的原始高度和弹起比例。通过代码案例演示了如何使用Vue进行封装和调用。 ## 函数封装 vue <template> <div> <label for&qu…...
外地人能申请天津公租房吗?2024天津积分落户租房积分怎么加?
相关推荐:在天津工作的外地人可以申请天津公共租赁住房吗? 外地人可以申请天津公共租赁住房吗? 2024年定居天津租房如何加分? 根据《天津居住证积分指标及积分表》的规定,在天津租房也可以参加积分结算,每…...
毕业设计——基于springboot的聊天系统设计与实现(服务端 + 客户端 + web端)
整个工程包含三个部分: 1、聊天服务器 聊天服务器的职责一句话解释:负责接收所有用户发送的消息,并将消息转发给目标用户。 聊天服务器没有任何界面,但是却是IM中最重要的角色,为表达敬意,必须要给它放个…...
公告栏功能:自动弹出提醒,重要通知不再错过
发布查询时,您是否遇到这样的困扰: 1、查询发布时间未到,学生进入查询主页后发现未发布任何查询,不断进行咨询。 2、有些重要事项需要进入查询主页就进行强提醒,确保人人可见,用户需要反馈“我知道了”才能…...
网络编程学习
思维导图 代码练习 TCP实现通信 服务器端代码 #include <myhead.h> #define SER_IP "192.168.152.135" #define SER_PORT 8910 int main(int argc, const char *argv[]) {//1创建用于监听的套接字int sfd -1;sfd socket(AF_INET,SOCK_STREAM,0)…...
西门子PLC S7-1200电动机的报警控制
【实例16】预警启动1.PLC控制任务说明为保证设备的运行安全,许多大型生产机械(如起重机、龙门刨床等)在运行启动之前都用电铃或蜂鸣器发出报警信号,预示设备即将启动,警告人们迅速退出危险地段。控制要求如下ÿ…...
从零构建多焦点图像融合桌面应用:PyQt5界面、深度学习模型与源码全解析
1. 为什么需要多焦点图像融合? 拍照时经常会遇到这样的困扰:当你对准近处的花朵对焦,远处的山水就变得模糊;反过来聚焦山水时,花朵又失去了细节。这就是相机景深限制带来的难题。多焦点图像融合技术就是为了解决这个问…...
远程工作社交隔离:软件测试从业者的心理健康危机与应对策略
在数字化的浪潮下,远程工作模式已成为软件测试行业的普遍选择。这种工作方式为测试工程师带来了前所未有的灵活性,允许他们在更舒适的环境中规划工作,并节省了通勤时间与成本。然而,这道物理屏幕在提供便利的同时,也悄…...
【语义通信】从香农极限到6G突破:语义通信如何重构未来移动通信架构
1. 当通信技术撞上"理解力天花板" 记得我第一次调试5G基站时,看着示波器上逼近理论极限的信号波形,突然意识到我们可能正在接近传统通信技术的天花板。就像用越来越细的吸管喝奶茶,5G的毫米波已经把吸管做到头发丝那么细࿰…...
ai生成的视频有没有版权?注意事项
AI生成视频的版权归属,核心在于“人的独创性”。AI本身不是作者,其自动生成的内容无版权;但如果创作者通过详细脚本设计、复杂提示词调整、多轮修改与后期精修等付出独创性智力劳动,就能被认定为作品的著作权人。仅输入简单指令生…...
WELearn网课助手:3分钟搞定网课学习的终极解决方案
WELearn网课助手:3分钟搞定网课学习的终极解决方案 【免费下载链接】WELearnHelper 显示WE Learn随行课堂题目答案;支持班级测试;自动答题;刷时长;基于生成式AI(ChatGPT)的答案生成 项目地址: https://gitcode.com/g…...
从‘人人开源’renren-generator看国内Java开源生态:一个代码生成器如何成为微服务项目标配?
从代码生成器到架构标配:renren-generator背后的Java生态进化逻辑 在2018年Spring Boot 2.0发布后的两年间,国内Java微服务项目中出现了一个有趣的现象:超过60%的中大型企业级项目技术栈中,都包含一个名为renren-generator的代码生…...
FDTD进阶实战之Lumerical脚本数据操控(七):从获取到洞察的完整工作流
1. 从仿真数据到物理洞察的完整工作流 做光子晶体器件仿真最头疼的是什么?不是设置参数,不是等待计算,而是仿真完成后面对那一堆数据却不知道如何下手。我见过太多研究生盯着Lumerical的监视器数据发愣,明明仿真跑完了,…...
高效论文降重方案:2026年TOP5平台极限横评,AIGC疑似率实测降至5%!
【博主避坑指南】 CSDN的科研人们,5月定稿季到了,你的论文过审了吗?最近我每天收到的私信全在哀嚎:“老学长,我为了降重用了某某大模型改写,查重率倒是降到7%了,但教务处新上的‘知网AIGC检测V5…...
从源码编译到驱动部署:Windows Qt环境下QMYSQL驱动缺失的完整修复指南
1. 问题背景与诊断 当你第一次在Windows上用Qt连接MySQL数据库时,那个刺眼的"Driver not loaded"错误提示是不是让你瞬间头皮发麻?别担心,这几乎是每个Qt开发者都会遇到的经典问题。我清楚地记得自己第一次遇到这个报错时ÿ…...
