пороговое значение, чтобы различать мелкие особенности в шумных данных

Question

Мне интересно, какой тип порогового значения будет хорошо работать для отличительных черт, которые очень малы (малы в смысле xy ) по сравнению с полным спредом, если это делает смысл. Функция graythresh() в Matlab, которая использует метод Otsu , работает не слишком хорошо для моих данных. Otsu - это метод кластеризации, в котором я думаю, что число пикселей должно быть одинаковым в каждом классе, что не так для меня, поэтому, когда я использую его, я получаю порог, который слишком мал и находится в пределах много фонового шума, который остается даже после фильтрации.

Answer 1

Возможно, вы захотите взглянуть на методы унимодальной пороговой обработки (см. в этой статье Розина о способе, который работает нормально).

Однако прямая пороговая обработка зашумленных изображений может быть не лучшим подходом. Существует ряд более эффективных методов поиска небольших объектов на очень шумных изображениях. Здесь - ссылка на статью, в которой обсуждаются различные методы.

Answer 2

Нам действительно нужно больше информации, чтобы быть действительно полезным. Какие функции вы пытаетесь извлечь? Что именно вы пытаетесь сделать?

Я бы на самом деле не считал метод Оцу извлечением объектов, он просто пытается разделить изображение на передний и задний план, переместив изображение в градациях серого в двоичное (только черно-белое изображение).

Для нахождения реальных "особенностей" в компьютерном зрении вам лучше подойдет что-то вроде Очки Харриса Процент - но это предположение, поскольку я не уверен, какова ваша конечная цель.