图像处理------特殊灰度算法技巧

简介: <p style="color: rgb(51, 51, 51); font-family: Arial; font-size: 14px; line-height: 26px;">介绍几种特殊的灰度算法滤镜,将彩色图像转换为灰度图像。其中涉及到的有基于阈值的图</p><p style="color: rgb(51, 51, 51); font-family: Arial; font-siz

介绍几种特殊的灰度算法滤镜,将彩色图像转换为灰度图像。其中涉及到的有基于阈值的图

像二值化,弗洛伊德.斯坦德伯格抖动算法,基于阈值的部分灰度化

 

基础知识怎么把RGB转换为单色的[0 ~256]之间的灰度,最常用的转换公式如下:

Gray = 0.299 * red + 0.587 * green + 0.114 * blue;

 

1.       基于像素平均值的图像阈值二值化算法:

处理流程:

a.      首先将彩色图像转换为灰度图像

b.      计算灰度图像的算术平均值– M

c.      以M为阈值,完成对灰度图二值化( 大于阈值M,像素点赋值为白色,否则赋值为黑

色)

图像效果:


关键代码:

[java]  view plain copy
  1. public BufferedImage filter(BufferedImage src, BufferedImage dest) {  
  2.     int width = src.getWidth();  
  3.        int height = src.getHeight();  
  4.   
  5.        if ( dest == null )  
  6.            dest = createCompatibleDestImage( src, null );  
  7.        src = super.filter(src, dest);  
  8.   
  9.        int[] inPixels = new int[width*height];  
  10.        int[] outPixels = new int[width*height];  
  11.        getRGB(src, 00, width, height, inPixels );  
  12.          
  13.        // calculate means of pixel    
  14.        int index = 0;    
  15.        double redSum = 0, greenSum = 0, blueSum = 0;    
  16.        double total = height * width;    
  17.        for(int row=0; row<height; row++) {    
  18.            int ta = 0, tr = 0, tg = 0, tb = 0;    
  19.            for(int col=0; col<width; col++) {    
  20.                index = row * width + col;    
  21.                ta = (inPixels[index] >> 24) & 0xff;    
  22.                tr = (inPixels[index] >> 16) & 0xff;    
  23.                tg = (inPixels[index] >> 8) & 0xff;    
  24.                tb = inPixels[index] & 0xff;    
  25.                redSum += tr;    
  26.                greenSum += tg;    
  27.                blueSum +=tb;    
  28.            }    
  29.        }  
  30.        int means = (int)(redSum / total);  
  31.        System.out.println(" threshold average value = " + means);  
  32.          
  33.        // dithering   
  34.        for(int row=0; row<height; row++) {  
  35.         int ta = 0, tr = 0, tg = 0, tb = 0;  
  36.         for(int col=0; col<width; col++) {  
  37.             index = row * width + col;  
  38.             ta = (inPixels[index] >> 24) & 0xff;  
  39.                tr = (inPixels[index] >> 16) & 0xff;  
  40.                tg = (inPixels[index] >> 8) & 0xff;  
  41.                tb = inPixels[index] & 0xff;  
  42.                if(tr >=means) {  
  43.                 tr = tg = tb = 255;  
  44.                } else {  
  45.                 tr = tg = tb = 0;  
  46.                }  
  47.                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;  
  48.                  
  49.         }  
  50.        }  
  51.        setRGB( dest, 00, width, height, outPixels );  
  52.        return dest;  
  53. }  

2.       基于错误扩散的Floyd-Steinberg抖动算法

关于什么是Floyd-Steinberg抖动,参见这里

http://en.wikipedia.org/wiki/Floyd–Steinberg_dithering

图像效果:

关键代码:

[java]  view plain copy
  1. @Override  
  2. public BufferedImage filter(BufferedImage src, BufferedImage dest) {  
  3.     int width = src.getWidth();  
  4.        int height = src.getHeight();  
  5.   
  6.        if ( dest == null )  
  7.         dest = createCompatibleDestImage( src, null );  
  8.        src = super.filter(src, dest);  
  9.   
  10.        int[] inPixels = new int[width*height];  
  11.        int[] outPixels = new int[width*height];  
  12.        getRGB( src, 00, width, height, inPixels );  
  13.        int index = 0;  
  14.        for(int row=0; row<height; row++) {  
  15.         for(int col=0; col<width; col++) {  
  16.             index = row * width + col;  
  17.                int r1 = (inPixels[index] >> 16) & 0xff;  
  18.                int g1 = (inPixels[index] >> 8) & 0xff;  
  19.                int b1 = inPixels[index] & 0xff;  
  20.                int cIndex = getCloseColor(r1, g1, b1);  
  21.                outPixels[index] = (255 << 24) | (COLOR_PALETTE[cIndex][0] << 16) | (COLOR_PALETTE[cIndex][1] << 8) | COLOR_PALETTE[cIndex][2];  
  22.                int er = r1 - COLOR_PALETTE[cIndex][0];  
  23.                int eg = g1 - COLOR_PALETTE[cIndex][1];  
  24.                int eb = b1 -  COLOR_PALETTE[cIndex][2];  
  25.                int k = 0;  
  26.                  
  27.                if(row + 1 < height && col - 1 > 0) {  
  28.                 k = (row + 1) * width + col - 1;  
  29.                    r1 = (inPixels[k] >> 16) & 0xff;  
  30.                    g1 = (inPixels[k] >> 8) & 0xff;  
  31.                    b1 = inPixels[k] & 0xff;  
  32.                    r1 += (int)(er * kernelData[0]);  
  33.                    g1 += (int)(eg * kernelData[0]);  
  34.                    b1 += (int)(eb * kernelData[0]);  
  35.                    inPixels[k] = (255 << 24) | (clamp(r1) << 16) | (clamp(g1) << 8) | clamp(b1);  
  36.                }  
  37.                  
  38.                if(col + 1 < width) {  
  39.                 k = row * width + col + 1;  
  40.                    r1 = (inPixels[k] >> 16) & 0xff;  
  41.                    g1 = (inPixels[k] >> 8) & 0xff;  
  42.                    b1 = inPixels[k] & 0xff;  
  43.                    r1 += (int)(er * kernelData[3]);  
  44.                    g1 += (int)(eg * kernelData[3]);  
  45.                    b1 += (int)(eb * kernelData[3]);  
  46.                    inPixels[k] = (255 << 24) | (clamp(r1) << 16) | (clamp(g1) << 8) | clamp(b1);  
  47.                }  
  48.                  
  49.                if(row + 1 < height) {  
  50.                 k = (row + 1) * width + col;  
  51.                    r1 = (inPixels[k] >> 16) & 0xff;  
  52.                    g1 = (inPixels[k] >> 8) & 0xff;  
  53.                    b1 = inPixels[k] & 0xff;  
  54.                    r1 += (int)(er * kernelData[1]);  
  55.                    g1 += (int)(eg * kernelData[1]);  
  56.                    b1 += (int)(eb * kernelData[1]);  
  57.                    inPixels[k] = (255 << 24) | (clamp(r1) << 16) | (clamp(g1) << 8) | clamp(b1);  
  58.                }  
  59.                  
  60.                if(row + 1 < height && col + 1 < width) {  
  61.                 k = (row + 1) * width + col + 1;  
  62.                    r1 = (inPixels[k] >> 16) & 0xff;  
  63.                    g1 = (inPixels[k] >> 8) & 0xff;  
  64.                    b1 = inPixels[k] & 0xff;  
  65.                    r1 += (int)(er * kernelData[2]);  
  66.                    g1 += (int)(eg * kernelData[2]);  
  67.                    b1 += (int)(eb * kernelData[2]);  
  68.                    inPixels[k] = (255 << 24) | (clamp(r1) << 16) | (clamp(g1) << 8) | clamp(b1);  
  69.                }  
  70.         }  
  71.        }  
  72.        setRGB( dest, 00, width, height, outPixels );  
  73.        return dest;  
  74. }  
3.       选择性灰度算法

计算选择的颜色与像素灰度颜色之间的几何距离值,跟阈值比较决定是否像素点为灰度

值,可以得到一些让你意想不到的图像处理效果!

图像效果 (Main Color = GREEN, 阈值 = 200)

原图:

处理以后

 关键代码:

[java]  view plain copy
  1. public BufferedImage filter(BufferedImage src, BufferedImage dest) {  
  2.     int width = src.getWidth();  
  3.        int height = src.getHeight();  
  4.   
  5.        if ( dest == null )  
  6.         dest = createCompatibleDestImage( src, null );  
  7.   
  8.        int[] inPixels = new int[width*height];  
  9.        int[] outPixels = new int[width*height];  
  10.        getRGB( src, 00, width, height, inPixels );  
  11.        int index = 0;  
  12.        for(int row=0; row<height; row++) {  
  13.         int ta = 0, tr = 0, tg = 0, tb = 0;  
  14.         for(int col=0; col<width; col++) {  
  15.             index = row * width + col;  
  16.             ta = (inPixels[index] >> 24) & 0xff;  
  17.                tr = (inPixels[index] >> 16) & 0xff;  
  18.                tg = (inPixels[index] >> 8) & 0xff;  
  19.                tb = inPixels[index] & 0xff;  
  20.                int gray = (int)(0.299 * (double)tr + 0.587 * (double)tg + 0.114 * (double)tb);  
  21.                double distance = getDistance(tr, tg, tb);  
  22.                if(distance < threshold) {  
  23.                 double k = distance / threshold;  
  24.                 int[] rgb = getAdjustableRGB(tr, tg, tb, gray, (float)k);  
  25.                 tr = rgb[0];  
  26.                 tg = rgb[1];  
  27.                 tb = rgb[2];  
  28.                 outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;  
  29.                } else {  
  30.                 outPixels[index] = (ta << 24) | (gray << 16) | (gray << 8) | gray;                      
  31.                }  
  32.                  
  33.         }  
  34.        }  
  35.        setRGB( dest, 00, width, height, outPixels );  
  36.        return dest;  
  37. }  

[java]  view plain copy
  1. 创建新的目标Image  
[java]  view plain copy
  1. public BufferedImage createCompatibleDestImage(BufferedImage src, ColorModel dstCM) {  
  2.     if ( dstCM == null )  
  3.         dstCM = src.getColorModel();  
  4.     return new BufferedImage(dstCM, dstCM.createCompatibleWritableRaster(src.getWidth(), src.getHeight()), dstCM.isAlphaPremultiplied(), null);  
  5. }  
相关文章
|
6月前
|
算法 计算机视觉
图像处理之积分图应用四(基于局部均值的图像二值化算法)
图像处理之积分图应用四(基于局部均值的图像二值化算法)
558 0
|
6月前
|
监控 算法 图计算
图像处理之积分图应用三(基于NCC快速相似度匹配算法)
图像处理之积分图应用三(基于NCC快速相似度匹配算法)
85 0
|
6月前
|
文字识别 算法 计算机视觉
图像处理之Zhang Suen细化算法
图像处理之Zhang Suen细化算法
127 0
|
6月前
|
算法 Java 计算机视觉
图像处理之积分图算法
图像处理之积分图算法
78 2
|
6月前
|
资源调度 算法 计算机视觉
图像处理之积分图应用二(快速边缘保留滤波算法)
图像处理之积分图应用二(快速边缘保留滤波算法)
43 0
|
6月前
|
算法 BI 计算机视觉
图像处理之积分图应用一(半径无关的快速模糊算法)
图像处理之积分图应用一(半径无关的快速模糊算法)
50 0
|
6月前
|
算法 计算机视觉
图像处理之基于泛红算法的二值图像内部区域填充
图像处理之基于泛红算法的二值图像内部区域填充
50 0
|
5天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
119 80
|
2天前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。
|
24天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。

热门文章

最新文章