学习DIP第57天 转载请标明本文出处： ，，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
废话开始，今天说下区域阈值（局部阈值）,前面介绍的阈值都是全局阈值，也就是阈值根据全局信息产生，而作用对象也是整幅图像的全部像素，而局部阈值的产生是一个中心像素，设计阈值判别式的灰度值，判别式返回真假，真的话像素设置为亮，否则设置成暗。
算法内容
该算法的关键点在于设计判别式Q和计算阈值向量T，因为此算法的通用性不是很强，但优点是灵活性强，可以根据不同的图片性质来设计不同的执行方案，比如下面例子中使用最简单的两种统计学参数，均值和标准差，当中心像素大于均值的n倍并且大于标准差的m倍。设置窗口大小，也就是邻域大小，参数n，参数m，最后得到较好的阈值结果。
代码实现/*局部阈值 *使用均值和标准差作为判定依据 *输入参数包括邻域大小，均值系数，以及标准差系数 * * */void LocalThreshold(double *src,double *dst,int width,int height,int w_size,double mean_param,double std_dev_param){double *temp=(double *)malloc(sizeof(double)*width*height);Zero(temp, width,height);double mean_g=matrixMean(src, width, height);for(int j=w_size/2;j<height-w_size/2;j++){for(int i=w_size/2;i<width-w_size/2;i++){double deta=0.0;double mean=0.0;double pix_value=src[j*width+i];//local meanfor(int m=-w_size/2;m<w_size/2+1;m++){for(int n=-w_size/2;n<w_size/2+1;n++){mean+=src[(j+m)*width+i+n];}}mean/=(double)(w_size*w_size);//local detafor(int m=-w_size/2;m<w_size/2+1;m++){for(int n=-w_size/2;n<w_size/2+1;n++){deta+=(src[(j+m)*width+i+n]-mean)*(src[(j+m)*width+i+n]-mean);}}deta/=(double)(w_size*w_size);deta=sqrt(deta);if(pix_value>mean_param*mean_g&&pix_value>std_dev_param*deta){temp[j*width+i]=255.0;}}}matrixCopy(temp, dst, width, height);free(temp);}算法效果
总结
相比于全局阈值，局部阈值对目标大小，以及噪声敏感度强，但其缺点是设计针对性强，没有什么通用的算法，而且输入的参数多半需要分析实验产生，不能实现自动阈值处理，其优点是功能强大。 待续。。。
在爱情里，有时候简单的一句话，能胜过千言万语。
