Rocky的部落格

基於局部統計信息的閾值分割通常考慮像素的鄰域的統計特性，例如平均值和標準差，來決定閾值。一個常見的策略是使用鄰域的平均值或者平均值與標準差的組合作為閾值。

以下是使用局部統計信息進行圖像閾值分割的一個範例：

def local_statistical_thresholding(image, block_size=15, C=-5):
    """
    Segment an image using local statistical information.
    
    Parameters:
    - image: 2D numpy array representing the grayscale image
    - block_size: odd size of the local region to compute statistics
    - C: constant to subtract from the mean, used for thresholding
    
    Returns:
    - segmented image
    """
    # Compute the local mean of the image
    local_mean = cv2.boxFilter(image, ddepth=-1, ksize=(block_size, block_size))
    
    # Use local mean minus a constant as the threshold
    binary_img = np.where(image > (local_mean - C), 255, 0).astype(np.uint8)
    
    return binary_img

# Segment the provided image using local statistical information
local_statistical_img = local_statistical_thresholding(new_provided_img)

# Display the original and locally segmented images
fig, ax = plt.subplots(1, 2, figsize=(10, 5))

ax[0].imshow(new_provided_img, cmap='gray')
ax[0].set_title('Original Image')
ax[0].axis('off')

ax[1].imshow(local_statistical_img, cmap='gray')
ax[1].set_title('Local Statistical Thresholded Image')
ax[1].axis('off')

plt.tight_layout()
plt.show()

如上所示，左側是您提供的原始圖像，而右側是使用基於局部統計信息的閾值分割方法得到的結果。

這種方法考慮了像素的鄰域的平均值，並從中減去一個常數作為閾值。這有助於在不同亮度級別的區域中適應性地分割圖像。從結果中，您可以看到這種方法是如何區分圖像的前景和背景的。

這種方法特別適合於亮度變化不均勻的圖像，因為它可以根據局部的亮度特性自動調整閾值。您可以根據需要進一步調整和優化這個方法。