adaptthresh-程序员宅基地

文章目录

使用局部一阶统计量的自适应图像阈值

syntax:

T = adaptthresh(I)
T = adaptthresh(I,sensitivity)
T = adaptthresh(___,Name,Value)

Description:

T = adaptthresh(I) 计算二维灰度图像或三维灰度体 I 的局部自适应阈值。adaptthresh 函数基于每个像素邻域的局部均值强度（一阶统计量）选择阈值。阈值 T 可与 imbinarize 函数结合使用以将灰度图像转换为二值图像。

T = adaptthresh(I,sensitivity) 使用 sensitivity 指定的敏感度因子计算局部自适应阈值。sensitivity 是范围 [0,1] 内的标量，表示通过阈值化处理将更多像素归为前景的敏感度。

T = adaptthresh(___,Name,Value) 使用名称-值对组计算局部自适应阈值，以控制阈值的各个方面

Example:

clear all
close all
clc
I=imread('rice.png');
%使用adaptthresh确定在二值化运算中使用的阈值。
T=adaptthresh(I,0.4);
%将图像转换为二进制图像，以指定阈值
BW=imbinarize(I,T);
figure
imshowpair(I,BW,'montage')

在这里插入图片描述

clear all
close all
clc
I=imread('printedtext.png');
%使用adaptthresh计算自适应阈值并显示局部阈值图像。这表示平均背景照度的估计值
T=adaptthresh(I,0.4,'ForegroundPolarity','Dark');
%将图像转换为二进制图像，以指定阈值
figure
imshow(T)
BW=imbinarize(I,T);
figure
imshowpair(I,BW,'montage')

在这里插入图片描述

clear all
close all
clc
load mristack;
V = mristack;
figure
slice(double(V),size(V,2)/2,size(V,1)/2,size(V,3)/2)
colormap gray
shading interp
J = adaptthresh(V,'neigh',[3 3 3],'Fore','bright');
figure
slice(double(J),size(J,2)/2,size(J,1)/2,size(J,3)/2)
colormap gray
shading interp

在这里插入图片描述

输入参数

I - 灰度图像或图像体
二维数值矩阵 | 三维数值数组
sensitivity - 确定哪些像素被阈值化为前景像素
0.5 （默认） | [0, 1] 范围内的数值
确定哪些像素被阈值化为前景像素，指定为 [0, 1] 范围内的数字。高敏感度值导致更多的像素通过阈值化处理归为前景，但这会存在将一些背景像素也归为前景的风险。

名称-值对组参数

指定可选的、以逗号分隔的 Name,Value 对组参数。Name 为参数名称，Value 为对应的值。Name 必须放在引号中。可采用任意顺序指定多个名称-值对组参数，如Name1,Value1,…,NameN,ValueN。

示例： T = adaptthresh(I,0.4,‘ForegroundPolarity’,‘dark’);

'NeighborhoodSize' - 用于计算每个像素周围局部统计量的邻域大小
2*floor(size(I)/16)+1 （默认） | 正奇整数 | 由正奇整数组成的二元素向量
用于计算每个像素周围局部统计量的邻域大小，指定为正奇整数或由正奇整数组成的二元素向量。

'ForegroundPolarity' - 确定哪些像素被视为前景像素
'bright' （默认） | 'dark'

值	意义
bright	前景比背景亮
dark	前景比背景暗

'Statistic' - 用于计算局部阈值的统计量
'mean' （默认） | 'median' | 'gaussian'

值	意义
‘mean’	邻域中的局部均值强度。这种方法也称为 Bradley 方法
‘median’	邻域中的局部中位数。此统计量的计算可能会很慢。请考虑使用较小的邻域大小来更快地获得结果。
‘gaussian’	邻域中的高斯加权均值。

本文链接：https://blog.csdn.net/qq_34562355/article/details/109204933

原作者删帖不实内容删帖广告或垃圾文章投诉

智能推荐

5个超厉害的资源搜索网站，每一款都可以让你的资源满满！_最全资源搜索引擎-程序员宅基地

文章浏览阅读1.6w次，点赞8次，收藏41次。生活中我们无时不刻不都要在网站搜索资源，但就是缺少一个趁手的资源搜索网站，如果有一个比较好的资源搜索网站可以帮助我们节省一大半时间！今天小编在这里为大家分享5款超厉害的资源搜索网站，每一款都可以让你的资源丰富精彩！网盘传奇一款最有效的网盘资源搜索网站你还在为找网站里面的资源而烦恼找不到什么合适的工具而烦恼吗？这款网站传奇网站汇聚了4853w个资源，并且它每一天都会持续更新资源；..._最全资源搜索引擎

Book类的设计(Java)_6-1 book类的设计java-程序员宅基地

文章浏览阅读4.5k次，点赞5次，收藏18次。阅读测试程序，设计一个Book类。函数接口定义：class Book{}该类有四个私有属性分别是书籍名称、价格、作者、出版年份，以及相应的set 与get方法；该类有一个含有四个参数的构造方法，这四个参数依次是书籍名称、价格、作者、出版年份。裁判测试程序样例：import java.util.*;public class Main { public static void main(String[] args) { List <Book>_6-1 book类的设计java

基于微信小程序的校园导航小程序设计与实现_校园导航微信小程序系统的设计与实现-程序员宅基地

文章浏览阅读613次，点赞28次，收藏27次。相比于以前的传统手工管理方式，智能化的管理方式可以大幅降低学校的运营人员成本，实现了校园导航的标准化、制度化、程序化的管理，有效地防止了校园导航的随意管理，提高了信息的处理速度和精确度，能够及时、准确地查询和修正建筑速看等信息。课题主要采用微信小程序、SpringBoot架构技术，前端以小程序页面呈现给学生，结合后台java语言使页面更加完善，后台使用MySQL数据库进行数据存储。微信小程序主要包括学生信息、校园简介、建筑速看、系统信息等功能，从而实现智能化的管理方式，提高工作效率。

有状态和无状态登录

传统上用户登陆状态会以 Session 的形式保存在服务器上，而 Session ID 则保存在前端的 Cookie 中；而使用 JWT 以后，用户的认证信息将会以 Token 的形式保存在前端，服务器不需要保存任何的用户状态，这也就是为什么 JWT 被称为无状态登陆的原因，无状态登陆最大的优势就是完美支持分布式部署，可以使用一个 Token 发送给不同的服务器，而所有的服务器都会返回同样的结果。有状态和无状态最大的区别就是服务端会不会保存客户端的信息。

九大角度全方位对比Android、iOS开发_ios 开发角度-程序员宅基地

文章浏览阅读784次。发表于10小时前| 2674次阅读| 来源TechCrunch| 19 条评论| 作者Jon EvansiOSAndroid应用开发产品编程语言JavaObjective-C摘要：即便Android市场份额已经超过80%，对于开发者来说，使用哪一个平台做开发仍然很难选择。本文从开发环境、配置、UX设计、语言、API、网络、分享、碎片化、发布等九个方面把Android和iOS_ios 开发角度

搜索引擎的发展历史

搜索引擎的发展历史可以追溯到20世纪90年代初，随着互联网的快速发展和信息量的急剧增加，人们开始感受到了获取和管理信息的挑战。这些阶段展示了搜索引擎在技术和商业模式上的不断演进，以满足用户对信息获取的不断增长的需求。

随便推点

控制对象的特性_控制对象特性-程序员宅基地

文章浏览阅读990次。对象特性是指控制对象的输出参数和输入参数之间的相互作用规律。放大系数K描述控制对象特性的静态特性参数。它的意义是：输出量的变化量和输入量的变化量之比。时间常数T当输入量发生变化后，所引起输出量变化的快慢。（动态参数） ..._控制对象特性

FRP搭建内网穿透(亲测有效)_locyanfrp-程序员宅基地

文章浏览阅读5.7w次，点赞50次，收藏276次。FRP搭建内网穿透1.概述：frp可以通过有公网IP的的服务器将内网的主机暴露给互联网，从而实现通过外网能直接访问到内网主机；frp有服务端和客户端，服务端需要装在有公网ip的服务器上，客户端装在内网主机上。2.简单的图解：3.准备工作：1.一个域名（www.test.xyz）2.一台有公网IP的服务器(阿里云、腾讯云等都行)3.一台内网主机4.下载frp，选择适合的版本下载解压如下：我这里服务器端和客户端都放在了/usr/local/frp/目录下4.执行命令# 服务器端给执_locyanfrp