译者 | 朱先忠
审校 | 孙淑娟
让我们从一个非常技术性的概念开始。
这里有其他一些恰当的定义：
从这种意义上来说，图像只不过是一种2D信号，这种电磁信号携带了物理系统检索到的一些信息。
因此，当我们确定了图像确实是一种信号时，我们可以考虑将信号处理技术应用于图像处理任务。现在，我们可以停止哲学讨论，从具体的编码部分开始。
说到哲学，不妨让我们拍下这张照片：
图片来源：Tingey Injury律师事务所
图片中的哲学家正在做他的工作：思考。雕塑后面是一片非常白的背景，当然我们并不在乎它。然而，我们能摆脱它吗？我们能得到这样的东西吗？
图片来源：本文作者
如果我这样问你，那就意味着我们可以。
每个略懂一些Photoshop的人都可以做到这一点，但你如何使用Python自动做到这样呢？下面我将为你展示如何做到这一点。
现在，让我们来举一个简单的例子。
一个大正方形里面装着一个小正方形。这是一个极其简单的案例。我们要做的是将较小正方形中的所有数值设置为1，将外部的所有数值都设置为0。
我们可以使用此代码提取这两个值：
然后，做诸如以下的操作：
上述代码将图像从两个值转换为1和0。
这非常简单，对吧？下面，让我们做一点更大的尝试。
现在，我们将在较大的正方形内做一个小正方形，但两个正方形都有一些噪音数据。
new_image = np.random.normal(loc=190.0, scale=10.0, size=(50,50)).astype(int)
new_image[0:10] = new_image[-10:]=np.random.normal(loc=20.0, scale=10.0, size=(10,50)).astype(int)
new_image[:,0:10] = new_image[:,-10:]=np.random.normal(loc=20.0, scale=10.0, size=(50,10)).astype(int)
plt.imshow(new_image)
我的意思是，我们不仅有2个值，而且理论上我们还可以有0到255之间的所有值，这是这个编码中全部数值的范围。
那么，我们该怎样做呢？
我们要做的第一件事是将图像（2D信号）扁平化，并将其更改为1D信号。
图片来源：本文作者
这张图片是一张50x50的图片，我们有了一个更加“纷乱”一些的50x50=2500长的1D信号。
现在，如果我们研究1D信号的分布，那么，我们将会得到这样的结果：
import seaborn as sns
sns.distplot(new_image.ravel(),bins=40)
正如我们所看到的，我们有两个正态分布。这正是Otsu算法表现最好的地方。其基本思想是，图像的背景和主题具有两种不同的性质和两个不同的领域。例如，在这种情况下，第一个高斯钟形是与背景相关的钟形（假设从0到50），而第二个高斯钟形则是较小正方形（从150到250）中的一个。
所以，假设我们决定将大于100的所有值都设置为1，将小于0的所有值设置为0：
new_image_copy = new_image.copy()
new_image[new_image<100]=0
new_image[new_image!=0]=1这样做的结果是在背景和主体之间形成了以下遮罩：
plt.subplot(1,2,2)
plt.imshow(new_image)
plt.subplot(1,2,1)
plt.imshow(new_image_copy)
这就是Otsu算法的全部思想：
让我们将这个概念形式化一点。
我们在图像中有一个像素域。完整的域从0到255（白色到黑色），但不一定要那么宽（例如，可以从20到200）。
现在，多个点可以具有相同的像素强度（我们可以在同一图像中具有两个黑色像素）。假设在一个有100个像素的图像中，我们有3个强度为255的像素。现在，在该图像中具有强度255的概率是3/100。
通常，我们可以说图像中具有像素i的概率为：
图片来源：本文作者
现在，让我们假设我们正在进行分割的像素是像素k（在我们之前的例子中，k是100）。这将对数据点进行分类。k之前的所有点属于类别0，k之后的所有点都属于类别1。
这意味着，从类别0中选择一个点的概率如下：
图片来源：本文作者
而从类别1中选择一个点的概率如下：
图片来源：本文作者
正如我们所看到的，这两种概率显然都依赖于k。
现在，我们可以计算的另一个值是每个类别的方差：
其中：
图片来源：本文作者
然后这样：
图片来源：本文作者
西格玛值是每个类别的方差，也就是该类别在mu_0和mu_1的平均值周围分布的程度。
现在，理论上的想法是找到创造我们之前在这张照片中看到的那个小山谷的值：
但我们使用的方法略有不同，而且更加严格。通过使用线性判别分析（LDA：https://en.wikipedia.org/wiki/Linear_discriminant_analysis#Fisher's_linear_discriminant）的相同思想。在（费舍尔）LDA中，我们希望找到一个超平面，以使类别间的方差最大化（这样两个均值彼此相距最远）并且类别内的方差尽可能小（这样我们就不会在两个类别数据点之间有太多重叠）。
在这种情况下，我们没有任何超平面，而我们设置的阈值（我们的k）甚至不是一条直线，但它更像是一个我们用来区分数据点并对其进行分类的概率值。
可以证明（原始论文中提供完整的证明），在假设背景域与主题域不同的情况下，背景和主题之间的最佳分割是通过最小化此量来实现的。
图片来源：本文作者
这意味着，我们可以尝试所有不同的k值，而且只选择k值最小的那一个。
这个理论看起来可能很复杂，很难理解，但实现起来非常容易，它由三个部分组成：
我们要做的第一件事是导入我们需要的4个基本库。
import numpy as np
from PIL import Image
import matplotlib.pyplot as plt
import seaborn as sns一旦你找到了完美的阈值，接下来就是如何将其应用于你的图像：
def threshold_image(im,th):
thresholded_im = np.zeros(im.shape)
thresholded_im[im >= th] = 1
return thresholded_im计算此数量的函数如下：
图片来源：本文作者
相关代码如下所示：
def compute_otsu_criteria(im, th):
thresholded_im = threshold_image(im,th)
nb_pixels = im.size
nb_pixels1 = np.count_nonzero(thresholded_im)
weight1 = nb_pixels1 / nb_pixels
weight0 = 1 - weight1
if weight1 == 0 or weight0 == 0:
return np.inf
val_pixels1 = im[thresholded_im == 1]
val_pixels0 = im[thresholded_im == 0]
var0 = np.var(val_pixels0) if len(val_pixels0) > 0 else 0
var1 = np.var(val_pixels1) if len(val_pixels1) > 0 else 0
return weight0 * var0 + weight1 * var1另一个函数只是在所有可能的ks上运行，并根据上面的标准找到最好的一个：
def find_best_threshold(im):
threshold_range = range(np.max(im)+1)
criterias = [compute_otsu_criteria(im, th) for th in threshold_range]
best_threshold = threshold_range[np.argmin(criterias)]
return best_threshold因此，我们使用的是接下来的这幅图像：
图片来源：Ben Dumond on Unsplash
如果我们将该图像保存在路径中，并应用Otsu算法，我们会得到：
path_image = '/content/test_building.jpeg'
im = np.asarray(Image.open(path_image).convert('L'))
im_otsu = threshold_image(im,find_best_threshold(im))如果我们比较im（原始图像）和im_otsu（算法之后的图像），我们得到：
plt.figure(figsize=(20,10))
plt.subplot(1,2,1)
plt.title('Original Image',fnotallow=20)
plt.imshow(im,cmap='gray')
plt.subplot(1,2,2)
plt.title('Otsu Method Image',fnotallow=20)
plt.imshow(im_otsu,cmap='gray')
plt.tight_layout()
正如我们所看到的，图片右上部分的黑色部分被误解为主题，因为它与一些主题的色调相同。人并不总是完美的，算法亦然。
感谢您在Otsu算法教程的整个过程中一直陪伴在我身边。
在这篇简短的文章中，我们看到：
朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。
原文标题：Hands on Otsu Thresholding Algorithm for Image Background Segmentation, using Python，作者：Piero Paialunga
关闭。这个问题是opinion-based.它目前不接受答案。想要改进这个问题？更新问题，以便editingthispost可以用事实和引用来回答它.关闭4年前。Improvethisquestion我想在固定时间创建一系列低音和高音调的哔哔声。例如:在150毫秒时发出高音调的蜂鸣声在151毫秒时发出低音调的蜂鸣声200毫秒时发出低音调的蜂鸣声250毫秒的高音调蜂鸣声有没有办法在Ruby或Python中做到这一点？我真的不在乎输出编码是什么(.wav、.mp3、.ogg等等)，但我确实想创建一个输出文件。
所以我在关注Railscast，我注意到在html.erb文件中，ruby代码有一个微弱的背景高亮效果，以区别于其他代码HTML文档。我知道Ryan使用TextMate。我正在使用SublimeText3。我怎样才能达到同样的效果？谢谢! 最佳答案 为SublimeText安装ERB包。假设您安装了SublimeText包管理器*，只需点击cmd+shift+P即可获得命令菜单，然后键入installpackage并选择PackageControl:InstallPackage获取包管理器菜单。在该菜单中，键入ERB并在看到包时选择
我有一个用户工厂。我希望默认情况下确认用户。但是鉴于unconfirmed特征，我不希望它们被确认。虽然我有一个基于实现细节而不是抽象的工作实现，但我想知道如何正确地做到这一点。factory:userdoafter(:create)do|user,evaluator|#unwantedimplementationdetailshereunlessFactoryGirl.factories[:user].defined_traits.map(&:name).include?(:unconfirmed)user.confirm!endendtrait:unconfirmeddoenden
我有一张背景图片，我想在其中添加一个文本框。我想弄清楚如何将标题放置在其顶部的正确位置。(我使用标题是因为我需要自动换行功能)。现在，我只能让文本显示在左上角，但我需要能够手动定位它的开始位置。require'RMagick'require'Pry'includeMagicktext="Loremipsumdolorsitamet"img=ImageList.new('template001.jpg')img 最佳答案 这是使用convert的ImageMagick命令行的答案。如果你想在Rmagick中使用这个方法，你必须自己移植
我有带有Logo图像的公司模型has_attached_file:logo我用他们的Logo创建了许多公司。现在，我需要添加新样式has_attached_file:logo,:styles=>{:small=>"30x15>",:medium=>"155x85>"}我是否应该重新上传所有旧数据以重新生成新样式？我不这么认为……或者有什么rake任务可以重新生成样式吗？ 最佳答案 参见Thumbnail-Generation.如果rake任务不适合你，你应该能够在控制台中使用一个片段来调用重新处理!关于相关公司
这个问题在这里已经有了答案:关闭10年前。PossibleDuplicate:Pythonconditionalassignmentoperator对于这样一个简单的问题表示歉意，但是谷歌搜索||=并不是很有帮助；)Python中是否有与Ruby和Perl中的||=语句等效的语句？例如:foo="hey"foo||="what"#assignfooifit'sundefined#fooisstill"hey"bar||="yeah"#baris"yeah"另外，类似这样的东西的通用术语是什么？条件分配是我的第一个猜测，但Wikipediapage跟我想的不太一样。
什么是ruby的rack或python的Java的wsgi？还有一个路由库。 最佳答案 来自Python标准PEP333:Bycontrast,althoughJavahasjustasmanywebapplicationframeworksavailable,Java's"servlet"APImakesitpossibleforapplicationswrittenwithanyJavawebapplicationframeworktoruninanywebserverthatsupportstheservletAPI.ht
导读：随着叮咚买菜业务的发展，不同的业务场景对数据分析提出了不同的需求，他们希望引入一款实时OLAP数据库，构建一个灵活的多维实时查询和分析的平台，统一数据的接入和查询方案，解决各业务线对数据高效实时查询和精细化运营的需求。经过调研选型，最终引入ApacheDoris作为最终的OLAP分析引擎，Doris作为核心的OLAP引擎支持复杂地分析操作、提供多维的数据视图，在叮咚买菜数十个业务场景中广泛应用。作者｜叮咚买菜资深数据工程师韩青叮咚买菜创立于2017年5月，是一家专注美好食物的创业公司。叮咚买菜专注吃的事业，为满足更多人“想吃什么”而努力，通过美好食材的供应、美好滋味的开发以及美食品牌的孵
目录一.加解密算法数字签名对称加密DES(DataEncryptionStandard)3DES(TripleDES)AES(AdvancedEncryptionStandard)RSA加密法DSA(DigitalSignatureAlgorithm)ECC(EllipticCurvesCryptography)非对称加密签名与加密过程非对称加密的应用对称加密与非对称加密的结合二.数字证书图解一.加解密算法加密简单而言就是通过一种算法将明文信息转换成密文信息，信息的的接收方能够通过密钥对密文信息进行解密获得明文信息的过程。根据加解密的密钥是否相同，算法可以分为对称加密、非对称加密、对称加密和非
华为OD机试题本篇题目：明明的随机数题目输入描述输出描述：示例1输入输出说明代码编写思路最近更新的博客华为od2023|什么是华为od，od薪资待遇，od机试题清单华为OD机试真题大全，用Python解华为机试题|机试宝典【华为OD机试】全流程解析+经验分享,题型分享,防作弊指南华为o