灰度图像--图像分割 阈值处理之P-Tile阈值

学习DIP第53天
转载请标明本文出处：http://blog.csdn.net/tonyshengtan ，出于尊重文章作者的劳动，转载请标明出处！文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro

开篇废话

废话不多说，因为刚才（上一篇）已经说过了，p-tile可能听起来挺可怕，没关系，说个它的对象–中位数，这个都知道吧，数值排排站，然后选出中间那个，或者说，假如数据一共有N个，那么中位数就是排在第 N∗0.5 的那个数；p位数，也叫p分位，可以理解为数值排排站以后第 N∗p 的那个数。

p-tile均值

根据上面对p分位的理解，可以看出这个阈值处理方法是半自动的方法，也就是阈值的生成需要人工控制，就是要手动输入p分位的p，下面代码中p取值 (0,1]

代码

/*********************************************************************************/
/*********************************************************************************/
//阈值法，p分位法
//p分位为统计学方法
//当p为0.5时为中位数
void PtileThreshold(double *src,double *dst,double p_value,int width,int height,int type){/*0<p_value<1*/
    int total_pix_count=width*height;
    int pix_count=0;
    int hist[GRAY_LEVEL];
    double threshold_value=0.0;
    InitHistogram(hist);
    setHistogram(src, hist, width,height);
    for(int i=0;i<GRAY_LEVEL;i++){
        pix_count+=hist[i];
        if(pix_count>=(int)((double)total_pix_count*p_value)){
            threshold_value=(double)i;
            break;
        }
    }
    Threshold(src,dst, width, height, threshold_value,type);
}

效果

原图一个只有两个灰度值的图像，这里使用对其加入5%的高斯噪声，
未处理图像：

未处理时的直方图：

观察直方图，估计出最佳阈值位置：

下面使用不同的p值来测试结果：

可以看出，第二次（我试了好久。。。。。）测试结果能够得出最好结果。

lena图处理测试：

总结

首先确定p值需要经验或实验，所以P-Tile方法应用于自适应有些困难，其次，影响处理结果的因素是目标与背景大小的比例，目标过大背景过小或者背景过大目标过小，都会对测试结果产生很大影响，其次是噪声，噪声也会对实验结果产生影响。
待续。。。