工業相機閾值大小如何選擇

Ⅰ 自適應閾值閾值圖像分割演算法中，自適應閾值怎麼設定

根據灰度、梯度、形態等來設定自適應閾值。
設定過程：設置→參數→選擇（灰度、梯度、形態）→輸入數值→計算閾值→搞定。

閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。
閾值又稱閾強度，是指釋放一個行為反應所需要的最小刺激強度。低於閾值的刺激不能導致行為釋放。在反射活動中，閾值的大小是固定不變的，在復雜行為中，閾值則受各種環境條件和動物生理狀況的影響。當一種行為更難於釋放時，就是閾值提高了;當一種行為更容易釋放時，就是閾值下降了。一般說來，剛剛完成某一行為後，動物對這一行為的要求就會大大下降。例如剛交過尾的動物，對於性刺激或是沒有反應或是反應很弱，這就意味著釋放性行為的閾值增加了。類似情況在覓食行為和其他行為中也很常見。另一方面，長時間未發生的行為非常容易被釋放，釋放這種行為的刺激強度會變得非常小。在極端情況下，閾值的降低可以導致行為的自發產生，這就是空放行為(vacuum behavior)。空放行為是一種無刺激行為釋放，是達不到該種行為目的的一種行為。最令人信服的實例是織巢鳥的築巢行為。飼養在鳥籠中的織巢鳥，在得不到任何築巢材料和代用物的情況下，也完全可以表現出築巢動作，雖然這種動作達不到它本來的目的。
閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。

Ⅱ PS確定閾值的問題

彩色先轉換為灰度，再轉換為黑白。
彩色到灰度有三種方法：
1;最大值法 R,G,B三個中的最大值
2:平均值法 (R+G+B)/3
3:權值系數法 R*a+G*b+B*c 0<a,b,c<1 且a+b+c=1
灰度值=r * 0.3 + g * 0.59 + b * 0.11
灰度到黑白：
取閾值 或其他方法

Ⅲ 小波去噪前選取多大的方差閾值1.4還是1.5還是

一般情況下，這個閾值函數的選取與雜訊的方差是緊密相關的。

通常情況下，現在論文中的雜訊都是選用高斯白雜訊。
被雜訊污染的信號=干凈的信號+雜訊，
由於信號在空間上(或者時間域)是有一定連續性的，因此在小波域，有效信號所產生的小波系數其模值往往較大；而高斯白雜訊在空間上(或者時間域)是沒有連續性的，因此雜訊經過小波變換，在小波閾仍然表現為很強的隨機性，通常仍認為是高斯白噪的。
那麼就得到這樣一個結論：在小波域，有效信號對應的系數很大，而雜訊對應的系數很小。
剛剛已經說了，雜訊在小波域對應的系數仍滿足高斯白噪分布。如果在小波域，雜訊的小波系數對應的方差為sigma，那麼根據高斯分布的特性，絕大部分(99.99%)雜訊系數都位於[-3*sigma，3*sigma]區間內。因此，只要將區間[-3*sigma，3*sigma]內的系數置零(這就是常用的硬閾值函數的作用)，就能最大程度抑制雜訊的，同時只是稍微損傷有效信號。將經過閾值處理後的小波系數重構，就可以得到去噪後的信號。
常用的軟閾值函數，是為了解決硬閾值函數「一刀切」導致的影響(模小於3*sigma的小波系數全部切除，大於3*sigma全部保留，勢必會在小波域產生突變，導致去噪後結果產生局部的抖動，類似於傅立葉變換中頻域的階躍會在時域產生拖尾)。軟閾值函數將模小於3*sigma的小波系數全部置零，而將模大於3*sigma的做一個比較特殊的處理，大於3*sigma的小波系數統一減去3*sigma，小於-3*sigma的小波系數統一加3*sigma。經過軟閾值函數的作用，小波系數在小波域就比較光滑了，因此用軟閾值去噪得到的圖象看起來很平滑，類似於冬天通過窗戶看外面一樣，像有層霧罩在圖像上似的。
比較硬閾值函數去噪和軟閾值函數去噪：硬閾值函數去噪所得到的峰值信噪比(PSNR)較高，但是有局部抖動的現象；軟閾值函數去噪所得到的PSNR不如硬閾值函數去噪，但是結果看起來很平滑，原因就是軟閾值函數對小波系數進行了較大的 「社會主義改造」，小波系數改變很大。因此各種各樣的閾值函數就出現了，其目的我認為就是要使大的系數保留，小的系數被剔出，而且在小波域系數過渡要平滑。
還有的什麼基於隱馬爾科夫模型去噪，高斯混合尺度去噪(英文縮寫好像是GSR,不好意思，記不大清楚了)和自適應閾值去噪等，也就是利用有效信號的小波系數和雜訊的小波系數在小波域的分布特徵不同等特徵來進行有效信號的小波系數和雜訊的小波系數在小波域的分離，然後重構得到去噪後的信號。

說了這么多，忘了關鍵的一點，如何估計小波域雜訊方差sigma的估計，這個很簡單：把信號做小波變換，在每一個子帶利用robust estimator估計就可以(可能高頻帶和低頻帶的方差不同)。
robust estimator就是將子帶內的小波系數模按大小排列，然後取最中間那個，然後把最中間這個除以0.6745就得到雜訊在某個子帶內的方差sigma。利用這個sigma，然後選種閾值函數，就可以去去噪了~~

Ⅳ matlab找出圖像兩種閾值的面積大小，怎麼弄呀

一幅圖像就是一個二維數組（對灰度圖或R，G，B單色），每一個像素都是一個數，有了閾值，可以求出小於該閾值的元素有多少個，除以總的元素數就是所佔面積的百分比
比如圖像是1027*768，閾值是200，小於閾值的元素數為30，那麼該閾值下的面積百分比就是30/（1024*768）

Ⅳ 什麼叫線性CCD的閾值

線陣CCD沒有閾值之說，沒有閾值這一參數。

閾值通常是指用線陣CCD做的一些工業檢測電路中，對被測目標進行數字量化後（或者直接在模擬端用電壓比較器）進行二值化處理，

通常的閾值，是指這個二值化處理的閾值。

Ⅵ 自動確定圖像二值化最佳閾值的方法

閾值將原圖象分成前景，背景兩個圖象。
前景：用n1, csum, m1來表示在當前閾值下的前景的點數，質量矩，平均灰度
後景：用n2, sum-csum, m2來表示在當前閾值下的背景的點數，質量矩，平均灰度
當取最佳閾值時，背景應該與前景差別最大，關鍵在於如何選擇衡量差別的標准
而在otsu演算法中這個衡量差別的標准就是最大類間方差（英文簡稱otsu，這也就是這個演算法名字的來源）
在本程序中類間方差用sb表示，最大類間方差用fmax
關於最大類間方差法（otsu）的性能:
類間方差法對噪音和目標大小十分敏感，它僅對類間方差為單峰的圖像產生較好的分割效果。
當目標與背景的大小比例懸殊時，類間方差准則函數可能呈現雙峰或多峰，此時效果不好，但是類間方差法是用時最少的。
最大最大類間方差法（otsu）的公式推導：
記t為前景與背景的分割閾值，前景點數占圖像比例為w0， 平均灰度為u0；背景點數占圖像比例為w1，平均灰度為u1。
則圖像的總平均灰度為：u=w0*u0+w1*u1。
前景和背景圖象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式為方差公式，可參照概率論課本
上面的g的公式也就是下面程序中的sb的表達式
當方差g最大時，可以認為此時前景和背景差異最大，也就是此時的灰度是最佳閾值

unsafe public int GetThreshValue(Bitmap image)
{
BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat);
byte* pt = (byte*)bd.Scan0;
int[] pixelNum = new int[256]; //圖象直方圖，共256個點
byte color;
byte* pline;
int n, n1, n2;
int total; //total為總和，累計值
double m1, m2, sum, csum, fmax, sb; //sb為類間方差，fmax存儲最大方差值
int k, t, q;
int threshValue = 1; // 閾值
int step = 1;
switch (image.PixelFormat)
{
case PixelFormat.Format24bppRgb:
step = 3;
break;
case PixelFormat.Format32bppArgb:
step = 4;
break;
case PixelFormat.Format8bppIndexed:
step = 1;
break;
}
//生成直方圖
for (int i = 0; i < image.Height; i++)
{
pline = pt + i * bd.Stride;
for (int j = 0; j < image.Width; j++)
{
color = *(pline + j * step); //返回各個點的顏色，以RGB表示
pixelNum[color]++; //相應的直方圖加1
}
}
//直方圖平滑化
for (k = 0; k <= 255; k++)
{
total = 0;
for (t = -2; t <= 2; t++) //與附近2個灰度做平滑化，t值應取較小的值
{
q = k + t;
if (q < 0) //越界處理
q = 0;
if (q > 255)
q = 255;
total = total + pixelNum[q]; //total為總和，累計值
}
pixelNum[k] = (int)((float)total / 5.0 + 0.5); //平滑化，左邊2個+中間1個+右邊2個灰度，共5個，所以總和除以5，後面加0.5是用修正值
}
//求閾值
sum = csum = 0.0;
n = 0;
//計算總的圖象的點數和質量矩，為後面的計算做准備
for (k = 0; k <= 255; k++)
{
sum += (double)k * (double)pixelNum[k]; //x*f(x)質量矩，也就是每個灰度的值乘以其點數（歸一化後為概率），sum為其總和
n += pixelNum[k]; //n為圖象總的點數，歸一化後就是累積概率
}

fmax = -1.0; //類間方差sb不可能為負，所以fmax初始值為-1不影響計算的進行
n1 = 0;
for (k = 0; k < 255; k++) //對每個灰度（從0到255）計算一次分割後的類間方差sb
{
n1 += pixelNum[k]; //n1為在當前閾值遍前景圖象的點數
if (n1 == 0) { continue; } //沒有分出前景後景
n2 = n - n1; //n2為背景圖象的點數
if (n2 == 0) { break; } //n2為0表示全部都是後景圖象，與n1=0情況類似，之後的遍歷不可能使前景點數增加，所以此時可以退出循環
csum += (double)k * pixelNum[k]; //前景的「灰度的值*其點數」的總和
m1 = csum / n1; //m1為前景的平均灰度
m2 = (sum - csum) / n2; //m2為背景的平均灰度
sb = (double)n1 * (double)n2 * (m1 - m2) * (m1 - m2); //sb為類間方差
if (sb > fmax) //如果算出的類間方差大於前一次算出的類間方差
{
fmax = sb; //fmax始終為最大類間方差（otsu）
threshValue = k; //取最大類間方差時對應的灰度的k就是最佳閾值
}
}
image.UnlockBits(bd);
image.Dispose();
return threshValue;
}

Ⅶ 閾值的大小怎麼看

可以在官網攻略站中查看到攻速閾值的詳細數值，查看方法如下：

操作設備：戴爾筆記本電腦

操作系統：win10

操作程序：任意瀏覽器

一、打開王者榮耀官方網站，找到「內容中心」版塊，進入「英雄攻略」版塊，點擊右上角「更多」。

Ⅷ 使用線檢測模板後,閾值的選取應如何選擇

摘要 電力電子電路在大型設備的健康預測和管理系統(PHM)中是比較重要的一個部分，也是很多設備正常運轉的基礎。因此，對電力電子電路健康監測研究具有非常重要的理論意義和應用前景。而特徵參數的選取和健康閾值的建立，對電力電子電路的健康監測十分重要。

Ⅸ CCD測量物體尺寸時，為何在兩種閾值下測量結果有差異，造成這種差異的原因有幾點（在線等待高手的答案）

任何測量值在沒有粗差（錯誤）和系統誤差的影響下都可看成是服從某種分布的隨機變數，其總是在某個值左右搖擺，其值的大小總是不確定的，在測量學里，我們管這種差異叫做偶然誤差(也稱隨機誤差）。除了偶然誤差，還有系統誤差，這是由測量儀器的性質造成的，只要知道儀器的參數是可以改正的。在實際的測量里，測量誤差主要是由這兩種誤差構成，當然還有別的因素，比如溫度，濕度，數學模型的好壞等等。
CCD相機是光學成像，在物體與相機距離不大的情況下，其造成的影響微乎其微。對於閾值來說，如果閾值是針對硬體的，則要考慮閾值的不同帶來的差異。如果是針對後期數據處理的，則要考慮不同的閾值對數學模型，待求參數，或者是觀測值影響的差異。
這種差異里包含偶然誤差，系統誤差。

Ⅹ ccd的大小與數碼相機的像素有沒有閾值

沒有具體公式
一般像素高的CCD，每個像素的面積小
但是不同廠家型號的CCD面積和每個像素麵積都不一樣

但是有：CCD像素=CCD面積/每個像素的面積

閾值是生產工藝（生產更小的每個像素麵積）決定的