Бинаризация изображений методом Оцу на D с dlib

Бинаризация изображений — это процесс преобразования изображения в два цвета, обычно черный и белый. Этот метод часто используется в области обработки изображений и компьютерного зрения для упрощения анализа и обработки изображений, таких как выделение объектов, распознавание текста и улучшение контрастности. Одним из самых популярных методов автоматической бинаризации является метод Оцу, который автоматически определяет оптимальный порог для разделения пикселей на два класса.

Метод Оцу

Метод Оцу, предложенный Нобуюки Оцу в 1979 году, представляет собой алгоритм, который автоматически находит оптимальный порог бинаризации, минимизируя внутриклассовую дисперсию. Идея метода заключается в том, чтобы максимизировать межклассовую дисперсию, что эквивалентно минимизации внутриклассовой дисперсии. Этот метод предполагает, что изображение состоит из двух классов пикселей (например, фон и объект) и находит порог, который лучше всего разделяет эти два класса.

Принципы работы метода Оцу

1. Построение гистограммы яркостей изображения.
2. Вычисление вероятностей и средних значений для каждого возможного порога.
3. Вычисление внутриклассовой дисперсии для каждого порога.
4. Определение порога, при котором внутриклассовая дисперсия минимальна.

Пошаговое руководство по созданию проекта на D с использованием dlib

Шаг 1: Создание нового проекта

Создайте новый проект D и добавьте библиотеку dlib:

   dub init ootsu_binarization
   cd ootsu_binarization
   dub add dlib

Шаг 2: Импорт необходимых модулей

Добавьте необходимые модули в файл source/app.d:

import std.stdio;
import std.file;
import std.conv;
import dlib.image;
import dlib.image.io;
import dlib.algorithm;

Шаг 3: Создание гистограммы изображения

Для создания гистограммы изображения используте следующий код:

uint[] createHistogram(Image image) {
    uint[] histogram = new uint[256];
    foreach (pixel; image) {
        histogram[pixel] += 1;
    }
    return histogram;
}

Шаг 4: Вычисление порога бинаризации методом Оцу

Для вычисления порога бинаризации методом Оцу использйуте следующий код:

uint otsuThreshold(uint[] histogram, size_t totalPixels) {
    uint sum = 0;
    for (uint t = 0; t < 256; ++t) {
        sum += t * histogram[t];
    }

    uint sumB = 0;
    uint wB = 0;
    uint wF = 0;
    double maxVariance = 0.0;
    uint threshold = 0;

    for (uint t = 0; t < 256; ++t) {
        wB += histogram[t];
        if (wB == 0) continue;
        wF = totalPixels - wB;
        if (wF == 0) break;

        sumB += t * histogram[t];

        double mB = double(sumB) / wB;
        double mF = double(sum - sumB) / wF;

        double varianceBetween = double(wB) * double(wF) * (mB - mF) * (mB - mF);
        if (varianceBetween > maxVariance) {
            maxVariance = varianceBetween;
            threshold = t;
        }
    }

    return threshold;
}

Шаг 5: Применение бинаризации к изображению

Для применения бинаризации к изображению используйте следующий код:

Image binarizeImage(Image image, uint threshold) {
    Image binaryImage = image.dup;
    foreach (ref pixel; binaryImage) {
        pixel = pixel > threshold ? 255 : 0;
    }
    return binaryImage;
}

Полный пример кода

Вот полный пример кода, объединяющий все шаги:

import std.stdio;
import std.file;
import std.conv;
import dlib.image;
import dlib.image.io;
import dlib.algorithm;

uint[] createHistogram(Image image) {
    uint[] histogram = new uint[256];
    foreach (pixel; image) {
        histogram[pixel] += 1;
    }
    return histogram;
}

uint otsuThreshold(uint[] histogram, size_t totalPixels) {
    uint sum = 0;
    for (uint t = 0; t < 256; ++t) {
        sum += t * histogram[t];
    }

    uint sumB = 0;
    uint wB = 0;
    uint wF = 0;
    double maxVariance = 0.0;
    uint threshold = 0;

    for (uint t = 0; t < 256; ++t) {
        wB += histogram[t];
        if (wB == 0) continue;
        wF = totalPixels - wB;
        if (wF == 0) break;

        sumB += t * histogram[t];

        double mB = double(sumB) / wB;
        double mF = double(sum - sumB) / wF;

        double varianceBetween = double(wB) * double(wF) * (mB - mF) * (mB - mF);
        if (varianceBetween > maxVariance) {
            maxVariance = varianceBetween;
            threshold = t;
        }
    }

    return threshold;
}

Image binarizeImage(Image image, uint threshold) {
    Image binaryImage = image.dup;
    foreach (ref pixel; binaryImage) {
        pixel = pixel > threshold ? 255 : 0;
    }
    return binaryImage;
}

void main(string[] args) {
    if (args.length < 3) {
        writeln("Usage: <input_image> <output_image>");
        return;
    }

    auto inputImage = args[1];
    auto outputImage = args[2];

    auto image = readImage(inputImage);
    auto histogram = createHistogram(image);
    auto threshold = otsuThreshold(histogram, image.length);
    auto binaryImage = binarizeImage(image, threshold);
    writeImage(outputImage, binaryImage);
}

Рекомендации по использованию метода Оцу

1. Метод Оцу хорошо работает, когда изображение имеет четкое разделение между фоном и объектом.
2. В случаях с большим количеством шумов или неоднородным фоном, предварительная обработка изображения может улучшить результаты.

---

---