工业相机阈值大小如何选择

Ⅰ 自适应阈值阈值图像分割算法中，自适应阈值怎么设定

根据灰度、梯度、形态等来设定自适应阈值。
设定过程：设置→参数→选择（灰度、梯度、形态）→输入数值→计算阈值→搞定。

阈值又叫临界值，是指一个效应能够产生的最低值或最高值。
阈值又称阈强度，是指释放一个行为反应所需要的最小刺激强度。低于阈值的刺激不能导致行为释放。在反射活动中，阈值的大小是固定不变的，在复杂行为中，阈值则受各种环境条件和动物生理状况的影响。当一种行为更难于释放时，就是阈值提高了;当一种行为更容易释放时，就是阈值下降了。一般说来，刚刚完成某一行为后，动物对这一行为的要求就会大大下降。例如刚交过尾的动物，对于性刺激或是没有反应或是反应很弱，这就意味着释放性行为的阈值增加了。类似情况在觅食行为和其他行为中也很常见。另一方面，长时间未发生的行为非常容易被释放，释放这种行为的刺激强度会变得非常小。在极端情况下，阈值的降低可以导致行为的自发产生，这就是空放行为(vacuum behavior)。空放行为是一种无刺激行为释放，是达不到该种行为目的的一种行为。最令人信服的实例是织巢鸟的筑巢行为。饲养在鸟笼中的织巢鸟，在得不到任何筑巢材料和代用物的情况下，也完全可以表现出筑巢动作，虽然这种动作达不到它本来的目的。
阈值又叫临界值，是指一个效应能够产生的最低值或最高值。

Ⅱ PS确定阈值的问题

彩色先转换为灰度，再转换为黑白。
彩色到灰度有三种方法：
1;最大值法 R,G,B三个中的最大值
2:平均值法 (R+G+B)/3
3:权值系数法 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：
取阈值 或其他方法

Ⅲ 小波去噪前选取多大的方差阈值1.4还是1.5还是

一般情况下，这个阈值函数的选取与噪声的方差是紧密相关的。

通常情况下，现在论文中的噪声都是选用高斯白噪声。
被噪声污染的信号=干净的信号+噪声，
由于信号在空间上(或者时间域)是有一定连续性的，因此在小波域，有效信号所产生的小波系数其模值往往较大；而高斯白噪声在空间上(或者时间域)是没有连续性的，因此噪声经过小波变换，在小波阈仍然表现为很强的随机性，通常仍认为是高斯白噪的。
那么就得到这样一个结论：在小波域，有效信号对应的系数很大，而噪声对应的系数很小。
刚刚已经说了，噪声在小波域对应的系数仍满足高斯白噪分布。如果在小波域，噪声的小波系数对应的方差为sigma，那么根据高斯分布的特性，绝大部分(99.99%)噪声系数都位于[-3*sigma，3*sigma]区间内。因此，只要将区间[-3*sigma，3*sigma]内的系数置零(这就是常用的硬阈值函数的作用)，就能最大程度抑制噪声的，同时只是稍微损伤有效信号。将经过阈值处理后的小波系数重构，就可以得到去噪后的信号。
常用的软阈值函数，是为了解决硬阈值函数“一刀切”导致的影响(模小于3*sigma的小波系数全部切除，大于3*sigma全部保留，势必会在小波域产生突变，导致去噪后结果产生局部的抖动，类似于傅立叶变换中频域的阶跃会在时域产生拖尾)。软阈值函数将模小于3*sigma的小波系数全部置零，而将模大于3*sigma的做一个比较特殊的处理，大于3*sigma的小波系数统一减去3*sigma，小于-3*sigma的小波系数统一加3*sigma。经过软阈值函数的作用，小波系数在小波域就比较光滑了，因此用软阈值去噪得到的图象看起来很平滑，类似于冬天通过窗户看外面一样，像有层雾罩在图像上似的。
比较硬阈值函数去噪和软阈值函数去噪：硬阈值函数去噪所得到的峰值信噪比(PSNR)较高，但是有局部抖动的现象；软阈值函数去噪所得到的PSNR不如硬阈值函数去噪，但是结果看起来很平滑，原因就是软阈值函数对小波系数进行了较大的 “社会主义改造”，小波系数改变很大。因此各种各样的阈值函数就出现了，其目的我认为就是要使大的系数保留，小的系数被剔出，而且在小波域系数过渡要平滑。
还有的什么基于隐马尔科夫模型去噪，高斯混合尺度去噪(英文缩写好像是GSR,不好意思，记不大清楚了)和自适应阈值去噪等，也就是利用有效信号的小波系数和噪声的小波系数在小波域的分布特征不同等特征来进行有效信号的小波系数和噪声的小波系数在小波域的分离，然后重构得到去噪后的信号。

说了这么多，忘了关键的一点，如何估计小波域噪声方差sigma的估计，这个很简单：把信号做小波变换，在每一个子带利用robust estimator估计就可以(可能高频带和低频带的方差不同)。
robust estimator就是将子带内的小波系数模按大小排列，然后取最中间那个，然后把最中间这个除以0.6745就得到噪声在某个子带内的方差sigma。利用这个sigma，然后选种阈值函数，就可以去去噪了~~

Ⅳ matlab找出图像两种阈值的面积大小，怎么弄呀

一幅图像就是一个二维数组（对灰度图或R，G，B单色），每一个像素都是一个数，有了阈值，可以求出小于该阈值的元素有多少个，除以总的元素数就是所占面积的百分比
比如图像是1027*768，阈值是200，小于阈值的元素数为30，那么该阈值下的面积百分比就是30/（1024*768）

Ⅳ 什么叫线性CCD的阈值

线阵CCD没有阈值之说，没有阈值这一参数。

阈值通常是指用线阵CCD做的一些工业检测电路中，对被测目标进行数字量化后（或者直接在模拟端用电压比较器）进行二值化处理，

通常的阈值，是指这个二值化处理的阈值。

Ⅵ 自动确定图像二值化最佳阈值的方法

阈值将原图象分成前景，背景两个图象。
前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度
后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度
当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准
而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源）
在本程序中类间方差用sb表示，最大类间方差用fmax
关于最大类间方差法（otsu）的性能:
类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。
当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。
最大最大类间方差法（otsu）的公式推导：
记t为前景与背景的分割阈值，前景点数占图像比例为w0， 平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。
则图像的总平均灰度为：u=w0*u0+w1*u1。
前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本
上面的g的公式也就是下面程序中的sb的表达式
当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值

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]; //图象直方图，共256个点
byte color;
byte* pline;
int n, n1, n2;
int total; //total为总和，累计值
double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值
int k, t, q;
int threshValue = 1; // 阈值
int step = 1;
switch (image.PixelFormat)
{
case PixelFormat.Format24bppRgb:
step = 3;
break;
case PixelFormat.Format32bppArgb:
step = 4;
break;
case PixelFormat.Format8bppIndexed:
step = 1;
break;
}
//生成直方图
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); //返回各个点的颜色，以RGB表示
pixelNum[color]++; //相应的直方图加1
}
}
//直方图平滑化
for (k = 0; k <= 255; k++)
{
total = 0;
for (t = -2; t <= 2; t++) //与附近2个灰度做平滑化，t值应取较小的值
{
q = k + t;
if (q < 0) //越界处理
q = 0;
if (q > 255)
q = 255;
total = total + pixelNum[q]; //total为总和，累计值
}
pixelNum[k] = (int)((float)total / 5.0 + 0.5); //平滑化，左边2个+中间1个+右边2个灰度，共5个，所以总和除以5，后面加0.5是用修正值
}
//求阈值
sum = csum = 0.0;
n = 0;
//计算总的图象的点数和质量矩，为后面的计算做准备
for (k = 0; k <= 255; k++)
{
sum += (double)k * (double)pixelNum[k]; //x*f(x)质量矩，也就是每个灰度的值乘以其点数（归一化后为概率），sum为其总和
n += pixelNum[k]; //n为图象总的点数，归一化后就是累积概率
}

fmax = -1.0; //类间方差sb不可能为负，所以fmax初始值为-1不影响计算的进行
n1 = 0;
for (k = 0; k < 255; k++) //对每个灰度（从0到255）计算一次分割后的类间方差sb
{
n1 += pixelNum[k]; //n1为在当前阈值遍前景图象的点数
if (n1 == 0) { continue; } //没有分出前景后景
n2 = n - n1; //n2为背景图象的点数
if (n2 == 0) { break; } //n2为0表示全部都是后景图象，与n1=0情况类似，之后的遍历不可能使前景点数增加，所以此时可以退出循环
csum += (double)k * pixelNum[k]; //前景的“灰度的值*其点数”的总和
m1 = csum / n1; //m1为前景的平均灰度
m2 = (sum - csum) / n2; //m2为背景的平均灰度
sb = (double)n1 * (double)n2 * (m1 - m2) * (m1 - m2); //sb为类间方差
if (sb > fmax) //如果算出的类间方差大于前一次算出的类间方差
{
fmax = sb; //fmax始终为最大类间方差（otsu）
threshValue = k; //取最大类间方差时对应的灰度的k就是最佳阈值
}
}
image.UnlockBits(bd);
image.Dispose();
return threshValue;
}

Ⅶ 阈值的大小怎么看

可以在官网攻略站中查看到攻速阈值的详细数值，查看方法如下：

操作设备：戴尔笔记本电脑

操作系统：win10

操作程序：任意浏览器

一、打开王者荣耀官方网站，找到“内容中心”版块，进入“英雄攻略”版块，点击右上角“更多”。

Ⅷ 使用线检测模板后,阈值的选取应如何选择

摘要 电力电子电路在大型设备的健康预测和管理系统(PHM)中是比较重要的一个部分，也是很多设备正常运转的基础。因此，对电力电子电路健康监测研究具有非常重要的理论意义和应用前景。而特征参数的选取和健康阈值的建立，对电力电子电路的健康监测十分重要。

Ⅸ CCD测量物体尺寸时，为何在两种阈值下测量结果有差异，造成这种差异的原因有几点（在线等待高手的答案）

任何测量值在没有粗差（错误）和系统误差的影响下都可看成是服从某种分布的随机变量，其总是在某个值左右摇摆，其值的大小总是不确定的，在测量学里，我们管这种差异叫做偶然误差(也称随机误差）。除了偶然误差，还有系统误差，这是由测量仪器的性质造成的，只要知道仪器的参数是可以改正的。在实际的测量里，测量误差主要是由这两种误差构成，当然还有别的因素，比如温度，湿度，数学模型的好坏等等。
CCD相机是光学成像，在物体与相机距离不大的情况下，其造成的影响微乎其微。对于阈值来说，如果阈值是针对硬件的，则要考虑阈值的不同带来的差异。如果是针对后期数据处理的，则要考虑不同的阈值对数学模型，待求参数，或者是观测值影响的差异。
这种差异里包含偶然误差，系统误差。

Ⅹ ccd的大小与数码相机的像素有没有阈值

没有具体公式
一般像素高的CCD，每个像素的面积小
但是不同厂家型号的CCD面积和每个像素面积都不一样

但是有：CCD像素=CCD面积/每个像素的面积

阈值是生产工艺（生产更小的每个像素面积）决定的