Sauvola二值化处理在图像处理应用的优势介绍分析
本篇包含:Sauvola二值化原理介绍、Sauvola二值化与VM平台的图像二值化效果对比、Sauvola二值化在缺陷检测方面应用优势

一、Sauvola二值化原理介绍

我们常见的图像二值化算法大致可分为全局阈值方法与局部阈值方法这两种类型。其中OTSU算法是全局阈值的代表,而Sauvola算法则是局部阈值方法的标杆。Sauvola算法的输入是灰度图像,它以当前像素点为中心,根据当前像素点邻域内的灰度均值与标准方差来动态计算该像素点的阈值。

1. Sauvola算法公式介绍

假定当前像素点的坐标为(x,y),以该点为中心的领域为r*r,g(x,y)表示(x,y)处的灰度值,Sauvola算法的步骤为:




2. 使用VM平台的自定义模块基于Sauvola二值化开发

使用VM平台的算子模块生成工具,基于这个Txy=m(x,y)*[1+k*(s(x,y)/R-1]公式实现的,具体开发模块展现如下



3. Sauvola二值化处理效果



二、Sauvola二值化与VM的图像二值化效果对比

1. 测试情况说明

如前面叙述情况,Sauvola算法是基于局部二值化方法,而我司的VM平台的图像二值化大多都是基于全局二值化方法。因此,在背景和前景灰度分布相差不大且遇到图像灰度值不均匀或者灰度值小幅度动态变化,使用Sauvola算法进行分割有较好适应性。

以如下图为实验测试图,该图的字符背景存在渐变且类似灰度不均匀情况,以下需要将字符使用二值化方法将其提取出来,具体测试对比情况如下

小结:可以看出在图像灰度不均或者对比度较差情况下,使用Sauvola算法二值化处理的图像从对比度、伪噪点、与背景分割效果来说,是可以获得较理想的图像效果。


三、Sauvola二值化在缺陷检测方面应用优势

1. 纺织行业的经编断纱检测应用

应用效果说明:如上图所示,在原始断纱缺陷图像中标记红色方框的是缺陷区域,按以往如果要识别这类对比度不高的缺陷,我们一般选择是需要使用深度学习方式进行检测,但该深度学习方案的项目成本较高且实施调试周期较长,对于用户而言是不具备性比的方案。现在有了Sauvola二值化处理方案,就可以考虑使用传统视觉检测工具,使用Sauvola算法处理可以将其缺陷与背景较好分割出来,我们就可以使用Blob分析工具进行检测判定结果。

2. 锂电行业的涂布污点检测应用

应用效果说明:如上图所示,特别在背景与前景对比度差且灰度会动态变化场景下,使用Sauvola算法的同一套运行参数下,可以适应分割出缺陷区域,可以获得较好的图像成像效果,便于后续检测流程处理和提高检测稳定性。


版权声明:本文为V社区用户原创内容,转载时必须标注文章的来源(V社区),文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:v-club@hikrobotics.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
上一篇

7月巡回交流会热门问题解答

下一篇

V社区一周年“心仪祝福”揭晓

评论请先登录 登录
全部评论 4

版主,请问能否分享下这个自定义算子?谢谢

2022-11-30 10:10:41 未知地区
回复

兄弟,你的帖子很好,但代码可以分享一下吗?

2022-11-17 21:01:38 未知地区
回复

我现在就碰到这个问题,固定阈值分割的效果不好。

2022-09-02 11:29:42 未知地区
回复

有模块的源码吗?版主

2022-09-02 11:28:48 未知地区
回复
  • 1
Lv.0
1
关注
375
粉丝
75
创作
861
获赞
所属专题
  • 自定义算法模块添加多幅图像输入的方法
  • 自定义算法模块点集输入、输出实现方法
  • 自定义算法模块输出和显示矩形检测框的方法
  • 自定义算法模块获取输入直线的方法
  • 自定义算法模块打印日志的方法
  • YoloV5ForVisionMaster
  • Sauvola二值化处理在图像处理应用的优势介绍分析
相关阅读
  • [共享学习]VM之角度纠正问题
    2024-03-07 浏览 0
  • 机器视觉菜鸟指南
    2024-02-29 浏览 0
  • 基于C++OpenCV实现VisionMaster中的“直线边缘缺陷检测”
    2024-03-04 浏览 0

请升级浏览器版本

您正在使用的浏览器版本过低,请升级最新版本以获得更好的体验。

推荐使用以下浏览器