傳統(tǒng)提取算法，闕值提取法是圖像分割中使用較為廣泛的方法，通過闕值的設(shè)置，將處于闕值區(qū)間內(nèi)的像素區(qū)域歸納為同一區(qū)域，從而分割圖像。此類算法的缺陷在于只考慮了目標(biāo)的灰度信息，從而缺少魯棒性。在這類算法中，如何獲取一個(gè)合理的闕值是算法成功的關(guān)鍵，手動(dòng)選取闕值無法具備通用性，易受環(huán)境變化的影響，主流的選取闕值的方法有類間方差法和熵闕值分割法。
大類間方差法根據(jù)圖像的灰度特性尋找闕值，使分割出的圖像區(qū)域之間的差別大，用于判斷分割圖像區(qū)域之間的差別是其各區(qū)域間的內(nèi)部方差。大類間方差法極易受到噪音的影響，如陰影，但在單純背景條件下，適用于初步的獲取目標(biāo)物的位置。大熵闕值法與大類間方差原理類似，將圖像通過信息熵分為不同區(qū)域。信息熵在混亂無序的系統(tǒng)中較大，在確定有序的系統(tǒng)中較小，根據(jù)信息熵的特性，可將圖像分割為不同的區(qū)域。
圖像分割算法是用于農(nóng)產(chǎn)品光電檢測分級(jí)分類的基礎(chǔ)任務(wù)，傳統(tǒng)算法的優(yōu)勢在于結(jié)構(gòu)簡單，，但對(duì)復(fù)雜環(huán)境的適應(yīng)性較弱。深度學(xué)習(xí)方法受到環(huán)境影響較少，但需大量樣本支持，如何正確的獲取樣本，以及提高算法的整體效率是當(dāng)前需要解決的主要問題。在實(shí)際使用中，深度學(xué)習(xí)由于性能問題尚無法完全取代傳統(tǒng)算法，使用者可以根據(jù)具體的需求選擇合適的算法。
在線客服
17856548804
2179259773@qq.com
