当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

Python cucim.skimage.filters.threshold_li用法及代码示例


用法:

cucim.skimage.filters.threshold_li(image, *, tolerance=None, initial_guess=None, iter_callback=None)

通过 Li 的迭代最小交叉熵方法计算阈值。

参数：

image：ndarray

输入图像。

tolerance：浮点数，可选

当一次迭代中阈值的变化小于该值时，完成计算。默认情况下，这是 image 中强度值之间最小差异的一半。

initial_guess：float 或 Callable[[array[float]], float], 可选

Li 的迭代方法使用梯度下降来找到最佳阈值。如果图像强度直方图包含两个以上的模式(峰值)，则梯度下降可能会陷入局部最优。迭代的初始猜测可以帮助算法找到globally-optimal 阈值。一个浮点值定义了一个特定的起点，而一个可调用对象应该接受一个图像强度数组并返回一个浮点值。示例有效的可调用对象包括 numpy.mean(默认)、lambda arr: numpy.quantile(arr, 0.95)，甚至是 skimage.filters.threshold_otsu()。

iter_callback：可调用[[浮点]，任意]，可选

在算法的每次迭代中将在阈值上调用的函数。

返回：

threshold：浮点数

上阈值。强度高于此值的所有像素都被假定为前景。

参考：

1

Li C.H. and Lee C.K. (1993) “Minimum Cross Entropy Thresholding” Pattern Recognition, 26(4): 617-625 DOI:10.1016/0031-3203(93)90115-D

2

Li C.H. and Tam P.K.S. (1998) “An Iterative Algorithm for Minimum Cross Entropy Thresholding” Pattern Recognition Letters, 18(8): 771-776 DOI:10.1016/S0167-8655(98)00057-9

3

Sezgin M. and Sankur B. (2004) “Survey over Image Thresholding Techniques and Quantitative Performance Evaluation” Journal of Electronic Imaging, 13(1): 146-165 DOI:10.1117/1.1631315

4

ImageJ AutoThresholder code, http://fiji.sc/wiki/index.php/Auto_Threshold

例子：

>>> from skimage.data import camera
>>> image = camera()
>>> thresh = threshold_li(image)
>>> binary = image > thresh

相关用法


注：本文由纯净天空筛选整理自rapids.ai大神的英文原创作品 cucim.skimage.filters.threshold_li。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。