Sku超量阈值设置 java怎么实现

Python016

Sku超量阈值设置 java怎么实现,第1张

较为常用的图像二值化方法有：1）全局固定阈值；2）局部自适应阈值；3）OTSU等。局部自适应阈值则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。这样做的好处在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高，而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。常用的局部自适应阈值有：1）局部邻域块的均值；2）局部邻域块的高斯加权和。

     前些时候做毕业设计 用java做的数字图像处理方面的东西 这方面的资料ms比较少 发点东西上来大家共享一下 主要就是些算法 有自己写的 有人家的 还有改人家的 有的算法写的不好 大家不要见笑

一 读取bmp图片数据

//  获取待检测图像  数据保存在数组 nData[] nB[]  nG[]  nR[]中

public  void getBMPImage(String source) throws Exception {                    clearNData()                        //清除数据保存区         FileInputStream fs = null               try {            fs = new FileInputStream(source)            int bfLen =             byte bf[] = new byte[bfLen]            fs read(bf bfLen)// 读取 字节BMP文件头            int biLen =             byte bi[] = new byte[biLen]            fs read(bi biLen)// 读取 字节BMP信息头

// 源图宽度            nWidth = (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff

// 源图高度            nHeight = (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff

// 位数            nBitCount = (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff

// 源图大小            int nSizeImage = (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<)                    | (((int) bi[ ] &xff) <<) | (int) bi[ ] &xff

// 对 位BMP进行解析            if (nBitCount == ){                int nPad = (nSizeImage / nHeight) nWidth *                 nData = new int[nHeight * nWidth]                nB=new int[nHeight * nWidth]                nR=new int[nHeight * nWidth]                nG=new int[nHeight * nWidth]                byte bRGB[] = new byte[(nWidth + nPad) * * nHeight]                fs read(bRGB (nWidth + nPad) * * nHeight)                int nIndex =                 for (int j = j <nHeightj++){                    for (int i = i <nWidthi++) {                        nData[nWidth * (nHeight j ) + i] = ( &xff) <<                                | (((int) bRGB[nIndex + ] &xff) <<)                                 | (((int) bRGB[nIndex + ] &xff) <<)                                | (int) bRGB[nIndex] &xff                                              nB[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex]&xff                        nG[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]&xff                        nR[nWidth * (nHeight j ) + i]=(int) bRGB[nIndex+ ]&xff                        nIndex +=                     }                    nIndex += nPad                } //               Toolkit kit = Toolkit getDefaultToolkit() //               image = kit createImage(new MemoryImageSource(nWidth nHeight  //                       nData nWidth))

/*               //调试数据的读取

FileWriter fw = new FileWriter( C:\\Documents and Settings\\Administrator\\My Documents\\nDataRaw txt )//创建新文件                PrintWriter out = new PrintWriter(fw)                for(int j= j<nHeightj++){                 for(int i= i<nWidthi++){                  out print(( * +nData[nWidth * (nHeight j ) + i])+ _                     +nR[nWidth * (nHeight j ) + i]+ _                     +nG[nWidth * (nHeight j ) + i]+ _                     +nB[nWidth * (nHeight j ) + i]+ )                                   }                 out println( )                }                out close()*/                      }        }        catch (Exception e) {            e printStackTrace()            throw new Exception(e)        }         finally {            if (fs != null) {                fs close()            }        }     //   return image    }

二 由r g b 获取灰度数组

    public  int[] getBrightnessData(int rData[] int gData[] int bData[]){          int brightnessData[]=new int[rData length]     if(rData length!=gData length || rData length!=bData length       || bData length!=gData length){      return brightnessData     }     else {      for(int i= i<bData lengthi++){       double temp= *rData[i]+ *gData[i]+ *bData[i]       brightnessData[i]=(int)(temp)+((temp (int)(temp))>? : )      }      return brightnessData     }          } 

三 直方图均衡化

    public int [] equilibrateGray(int[] PixelsGray int width int height)     {                  int gray         int length=PixelsGray length         int FrequenceGray[]=new int[length]         int SumGray[]=new int[ ]         int ImageDestination[]=new int[length]         for(int i = i <length i++)         {            gray=PixelsGray[i]              FrequenceGray[gray]++        }           //    灰度均衡化          SumGray[ ]=FrequenceGray[ ]         for(int i= i<i++){               SumGray[i]=SumGray[i ]+FrequenceGray[i]           }         for(int i= i<i++) {               SumGray[i]=(int)(SumGray[i]* /length)           }         for(int i= i<heighti++)          {                for(int j= j<widthj++)               {                   int k=i*width+j                  ImageDestination[k]= xFF | ((SumGray[PixelsGray[k]]<<                            ) | (SumGray[PixelsGray[k]]<<) | SumGray[PixelsGray[k]])               }           }         return ImageDestination      } 

四 laplace 阶滤波 增强边缘 图像锐化

    public int[] laplace DFileter(int []data int width int height){         int filterData[]=new int[data length]     int min=      int max=      for(int i= i<heighti++){      for(int j= j<widthj++){       if(i== || i==height || j== || j==width )               filterData[i*width+j]=data[i*width+j]       else        filterData[i*width+j]= *data[i*width+j] data[i*width+j ] data[i*width+j+ ]                             data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ]                             data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]              if(filterData[i*width+j]<min)        min=filterData[i*width+j]       if(filterData[i*width+j]>max)        max=filterData[i*width+j]      }       }//     System out println( max: +max)//     System out println( min: +min)          for(int i= i<width*heighti++){      filterData[i]=(filterData[i] min)* /(max min)     }     return filterData    } 

五 laplace 阶增强滤波 增强边缘 增强系数delt

    public int[] laplaceHigh DFileter(int []data int width int height double delt){          int filterData[]=new int[data length]     int min=      int max=      for(int i= i<heighti++){      for(int j= j<widthj++){       if(i== || i==height || j== || j==width )               filterData[i*width+j]=(int)(( +delt)*data[i*width+j])       else        filterData[i*width+j]=(int)(( +delt)*data[i*width+j] data[i*width+j ]) data[i*width+j+ ]                             data[(i )*width+j] data[(i )*width+j ] data[(i )*width+j+ ]                             data[(i+ )*width+j] data[(i+ )*width+j ] data[(i+ )*width+j+ ]              if(filterData[i*width+j]<min)        min=filterData[i*width+j]       if(filterData[i*width+j]>max)        max=filterData[i*width+j]      }       }     for(int i= i<width*heighti++){      filterData[i]=(filterData[i] min)* /(max min)     }     return filterData    }  六 局部阈值处理 值化

    //   局部阈值处理 值化 niblack s   method    /*原理             T(x y)=m(x y)   +   k*s(x y)            取一个宽度为w的矩形框 (x y)为这个框的中心          统计框内数据 T(x y)为阈值 m(x y)为均值 s(x y)为均方差 k为参数(推荐 )计算出t再对(x y)进行切割 /             这个算法的优点是     速度快 效果好             缺点是     niblack s   method会产生一定的噪声        */        public int[] localThresholdProcess(int []data int width int height int w int h double coefficients double gate){     int[] processData=new int[data length]     for(int i= i<data lengthi++){      processData[i]=      }          if(data length!=width*height)      return processData          int wNum=width/w     int hNum=height/h     int delt[]=new int[w*h]          //System out println( w+w+   h: +h+   wNum: +wNum+ hNum: +hNum)          for(int j= j<hNumj++){      for(int i= i<wNumi++){     //for(int j= j<j++){     // for(int i= i<i++){         for(int n= n<hn++)               for(int k= k<wk++){                delt[n*w+k]=data[(j*h+n)*width+i*w+k]                //System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ )               }        //System out println()        /*        for(int n= n<hn++)               for(int k= k<wk++){                System out print( data[ +((j*h+n)*width+i*w+k)+ ]: +data[(j*h+n)*width+i*w+k]+ )               }        System out println()        */        delt=thresholdProcess(delt w h coefficients gate)        for(int n= n<hn++)               for(int k= k<wk++){                processData[(j*h+n)*width+i*w+k]=delt[n*w+k]               // System out print( delt[ +(n*w+k)+ ]: +delt[n*w+k]+ )               }        //System out println()        /*        for(int n= n<hn++)               for(int k= k<wk++){                System out print( processData[ +((j*h+n)*width+i*w+k)+ ]: +processData[(j*h+n)*width+i*w+k]+ )               }        System out println()        */      }      }          return processData    } 

七 全局阈值处理 值化

    public int[] thresholdProcess(int []data int width int height double coefficients double gate){     int [] processData=new int[data length]     if(data length!=width*height)      return processData     else{      double sum=       double average=       double variance=       double threshold            if( gate!= ){       threshold=gate       }      else{            for(int i= i<width*heighti++){            sum+=data[i]            }            average=sum/(width*height)                  for(int i= i<width*heighti++){              variance+=(data[i] average)*(data[i] average)            }            variance=Math sqrt(variance)            threshold=average coefficients*variance      }               for(int i= i<width*heighti++){          if(data[i]>threshold)             processData[i]=           else                 processData[i]=          }               return processData       }    } 

八  垂直边缘检测 sobel算子

    public int[] verticleEdgeCheck(int []data int width int height int sobelCoefficients) throws Exception{     int filterData[]=new int[data length]     int min=      int max=      if(data length!=width*height)      return filterData          try{            for(int i= i<heighti++){       for(int j= j<widthj++){        if(i== || i== || i==height || i==height            ||j== || j== || j==width || j==width ){               filterData[i*width+j]=data[i*width+j]         }         else{          double average            //中心的九个像素点             //average=data[i*width+j] Math sqrt( )*data[i*width+j ]+Math sqrt( )*data[i*width+j+ ]          average=data[i*width+j] sobelCoefficients*data[i*width+j ]+sobelCoefficients*data[i*width+j+ ]                         data[(i )*width+j ]+data[(i )*width+j+ ]                     data[(i+ )*width+j ]+data[(i+ )*width+j+ ]             filterData[i*width+j]=(int)(average)         }               if(filterData[i*width+j]<min)         min=filterData[i*width+j]         if(filterData[i*width+j]>max)         max=filterData[i*width+j]        }        }       for(int i= i<width*heighti++){        filterData[i]=(filterData[i] min)* /(max min)         }          }     catch (Exception e)      {            e printStackTrace()            throw new Exception(e)        }            return filterData    } 

九  图像平滑 * 掩模处理（平均处理） 降低噪声

lishixinzhi/Article/program/Java/hx/201311/26286