标签: threshold

为了突出图像内部和外部边界的明亮区域,我应该为图像应用什么阈值技术.

该im2bw功能没有给出一个好的结果

救命!!

编辑:我的大多数图像都有以下直方图

编辑:找到适合我工作的三角形阈值方法:)

我的目标是检测叶子中的静脉图案,这些图案表征了不同种类的植物

我已经做了以下事情:

原始图片:

自适应阈值处理后:

然而,静脉不是那么清晰并且变形,有没有什么方法可以获得更好的输出

编辑:

我试过颜色阈值我的结果仍然不能令人满意我得到以下图像

请帮忙

我有以下功能包含一些颂歌:

myfunction <- function(t, state, parameters) {
    with(as.list(c(state, parameters)),{
        if (X>20) {           # this is an internal threshold!
          Y <- 35000
          dY <- 0
        }else{
          dY <- b * (Y-Z) 
        }
        dX <- a*X^6 + Y*Z
        dZ <- -X*Y + c*Y - Z
        # return the rate of change
        list(c(dX, dY, dZ),Y,dY)
    })
}

以下是一些结果:

library(deSolve)
parameters <- c(a = -8/3, b = -10, c = 28)
state <- c(X = 1, Y = 1, Z = 1)
times <- …

我有一个代码,使用以下代码将具有灰色的位图转换为黑色和白色的位图:

// scan through all pixels
for (int x = 0; x < width; ++x) {                                                                                                                                                                                               
  for (int y = 0; y < height; ++y) {                                                                                                                                                                                            
    // get pixel color
    pixel = bitmap.getPixel(x, y);                                                                                                                                                                                              
    A = Color.alpha(pixel);                                                                                                                                                                                                     
    R = Color.red(pixel);                                                                                                                                                                                                       
    G = Color.green(pixel);                                                                                                                                                                                                     
    B = Color.blue(pixel);                                                                                                                                                                                                      
    int gray = (int) (0.2989 * R + 0.5870 * G + 0.1140 * B);                                                                                                                                                                    

    // use 128 as threshold, above -> white, below -> black
    if (gray > 128)
    gray = 255;                                                                                                                                                                                                                 
    else …

我正在尝试使用OpenCV的cv::threshold功能(更具体THRESH_OTSU),只是我想用掩码(任何形状)来做,所以在计算过程中忽略外部(背景).

图像是单通道(必须如此),红色波纹仅用于标记图像上的示例多边形.

我尝试过使用adaptiveThreshold,但有一些问题使我的情况不合适.

在使用 Numpy.histogram 或 matplotlib.pyplot.hist 创建的典型直方图中，箱具有统一的宽度或用户指定他/她自己的箱边缘。关于最佳 bin 宽度有很多选择——比如 sqrt（样本大小）。

有时，有一些箱内有零个对象——例如，在直方图的极值处。如果想要寻找相关性，这可能会很痛苦——例如，如果您想要检查每个容器中的对象数量是否随着 x 轴上的数量增加而增加。（想象一个直方图，其中几乎所有其他 bin 实际上都有 0 个对象，或者一个直方图中第一个和最后一个 bin 实际上有 0 个对象 - 这两种情况都会导致数据可视化效果不佳，并且更难以看到任何潜在的相关性。 ）

在这种情况下，对分箱施加阈值以使每个分箱包含至少N 个对象可能是有益的。当然，bin 宽度可能不再统一。

有没有一种简单的方法（即内置函数）可以使用 Numpy、Scipy 或 matplotlib 在 Python 中创建这样的“阈值直方图”？或者至少分割一个单调的数字数组，使得每个子数组至少包含 N 个数字？

此外，这种分箱算法是否被认为是最佳的（因为生成的直方图可以让您更平滑地可视化数据的位置），还是次优的（因为您正在根据自己的优势操纵分箱，而不仅仅是显示数据）数据原样）？

我试图在OpenCV中执行以下操作.如果Mat的每个像素都低于某个值,我怎样才能将其设置为某个值？

所以我想做一些类似阈值的事情,但并不完全,因为我不想触摸超过给定阈值的像素.

例如:将每个像素设置为50,小于50.

有任何想法吗？

binary_accuracy在 keras 度量标准中用于将一个样本预测为正例和负例的阈值是多少？阈值是 0.5 吗？如何调整？我想将阈值设置为0.80，如果预测值为0.79，则认为是负样本？否则？如果预测值为0.81，则认为是正样本。

我想提取我的指纹等级并设置一个阈值。例如，让我解释一下，如果分数低于5，我要退出1；如果我的代码的等级高于5，我想退出0并继续执行Jenkins过程。

我试图解释 yolov3.cfg 文件中不同参数的用途，但是，我找不到对ignore_thresh和truth_thresh的任何解释。

我目前（有限）的理解是，它们要么与非最大抑制有关，它们充当组合边界框的阈值，要么与预测置信度的上限和下限有关。

找不到任何人真正在线解释参数，只有复制粘贴部分配置文件的人。我浏览了https://blog.paperspace.com/tag/series-yolo/，其中 YOLOv3 是在 PyTorch 中实现的，但是，他们顺利地跳过了使用和解释这两个参数。

yolov3.cfg的相关部分如下所示。

[yolo]
mask = 3,4,5
anchors = 10,13,  16,30,  33,23,  30,61,  62,45,  ...
classes=80
num=9
jitter=.3
ignore_thresh = .7
truth_thresh = 1
random=1

我认为这并不重要，但我使用 AlexeyAB 的 darknet 存储库作为框架。