Mahotas - Bernsen 局部阈值化

---

---

Bernsen 局部阈值化是一种用于将图像分割成前景和背景区域的技术。它利用局部邻域的强度变化为图像中的每个像素分配阈值。

局部邻域的大小使用窗口确定。较大的窗口大小在阈值化过程中考虑更多的邻域像素，从而在区域之间创建更平滑的过渡，但会去除更精细的细节。

另一方面，较小的窗口大小可以捕获更多细节，但可能容易受到噪声的影响。

Bernsen 局部阈值化与其他阈值化技术的区别在于，Bernsen 局部阈值化使用动态阈值，而其他阈值化技术使用单个阈值来分离前景和背景区域。

Mahotas 中的 Bernsen 局部阈值化

在 Mahotas 中，我们可以使用 **thresholding.bernsen()** 和 **thresholding.gbernsen()** 函数将 Bernsen 局部阈值化应用于图像。这些函数创建一个固定大小的窗口，并计算窗口内每个像素的局部对比度范围以分割图像。

局部对比度范围是窗口内的最小和最大灰度值。

然后将阈值计算为最小和最大灰度值的平均值。如果像素强度高于阈值，则将其分配给前景（白色），否则将其分配给背景（黑色）。

然后窗口在图像上移动以覆盖所有像素，以创建二值图像，其中前景和背景区域根据局部强度变化进行分离。

mahotas.tresholding.bernsen() 函数

mahotas.thresholding.bernsen() 函数以灰度图像作为输入，并对其应用 Bernsen 局部阈值化。它输出一个图像，其中每个像素被分配 0（黑色）或 255（白色）的值。

前景像素对应于图像中具有相对较高强度的区域，而背景像素对应于图像中具有相对较低强度的区域。

语法

以下是 mahotas 中 bernsen() 函数的基本语法：

mahotas.thresholding.bernsen(f, radius, contrast_threshold, gthresh={128})

其中，

• **f** - 输入灰度图像。

• **radius** - 每个像素周围窗口的大小。

• **contrast_threshold** - 局部阈值。

• **gthresh（可选）** - 全局阈值（默认为 128）。

示例

以下示例显示了使用 mh.thresholding.bernsen() 函数将 Bernsen 局部阈值化应用于图像。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('nature.jpeg')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Creating Bernsen threshold image
threshold_image = mh.thresholding.bernsen(image, 5, 200)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the threshold image
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Bernsen Threshold Image')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

以下是上述代码的输出：

mahotas.thresholding.gbernsen() 函数

mahotas.thresholding.gbernsen() 函数也对输入灰度图像应用 Bernsen 局部阈值化。

它是 Bernsen 局部阈值化算法的广义版本。它输出一个分割图像，其中每个像素被分配 0 或 255 的值，具体取决于它是背景还是前景。

gbernsen() 和 bernsen() 函数的区别在于，gbernsen() 函数使用结构元素来定义局部邻域，而 bernsen() 函数使用固定大小的窗口来定义像素周围的局部邻域。

此外，gbernsen() 根据对比度阈值和全局阈值计算阈值，而 bernsen() 仅使用对比度阈值来计算每个像素的阈值。

语法

以下是 mahotas 中 gbernsen() 函数的基本语法：

mahotas.thresholding.gbernsen(f, se, contrast_threshold, gthresh)

其中，

• **f** - 输入灰度图像。

• **se** - 结构元素。

• **contrast_threshold** - 局部阈值。

• **gthresh（可选）** - 全局阈值。

示例

在这个例子中，我们使用 mh.thresholding.gbernsen() 函数将广义 Bernsen 局部阈值化应用于图像。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('nature.jpeg')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Creating a structuring element
structuring_element = np.array([[0, 0, 0],[0, 0, 0],[1, 1, 1]])
# Creating generalized Bernsen threshold image
threshold_image = mh.thresholding.gbernsen(image, structuring_element, 200,
128)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the threshold image
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Generalized Bernsen Threshold Image')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

上述代码的输出如下：

使用均值的 Bernsen 局部阈值化

我们可以使用像素强度的平均值作为阈值来应用 Bernsen 局部阈值化。它指的是图像的平均强度，通过将所有像素的强度值求和，然后除以像素总数来计算。

在 mahotas 中，我们可以首先使用 numpy.mean() 函数找到所有像素的平均像素强度。然后，我们定义一个窗口大小以获取像素的局部邻域。

最后，我们将平均值设置为阈值，将其传递给 bernsen() 或 gbernsen() 函数的 **contrast_threshold** 参数。

示例

这里，我们正在对图像应用 Bernsen 局部阈值化，其中阈值是所有像素强度的平均值。

import mahotas as mh
import numpy as np
import matplotlib.pyplot as mtplt
# Loading the image
image = mh.imread('nature.jpeg')
# Converting it to grayscale
image = mh.colors.rgb2gray(image)
# Calculating mean pixel value
mean = np.mean(image)
# Creating bernsen threshold image
threshold_image = mh.thresholding.bernsen(image, 15, mean)
# Creating a figure and axes for subplots
fig, axes = mtplt.subplots(1, 2)
# Displaying the original image
axes[0].imshow(image, cmap='gray')
axes[0].set_title('Original Image')
axes[0].set_axis_off()
# Displaying the threshold image
axes[1].imshow(threshold_image, cmap='gray')
axes[1].set_title('Bernsen Threshold Image')
axes[1].set_axis_off()
# Adjusting spacing between subplots
mtplt.tight_layout()
# Showing the figures
mtplt.show()

输出

执行上述代码后，我们将获得以下输出：