Python skimage.filters.threshold_li用法及代碼示例

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

通過 Li 的迭代最小交叉熵方法計算閾值。

image：(N, M[, ..., P]) ndarray: 灰度輸入圖像。
tolerance：浮點數，可選: 當一次迭代中閾值的變化小於該值時，完成計算。默認情況下，這是 image 中強度值之間最小差異的一半。
initial_guess：float 或 Callable[[array[float]], float], 可選: Li 的迭代方法使用梯度下降來找到最佳閾值。如果圖像強度直方圖包含兩個以上的模式(峰值)，則梯度下降可能會陷入局部最優。迭代的初始猜測可以幫助算法找到globally-optimal 閾值。一個浮點值定義了一個特定的起點，而一個可調用對象應該接受一個圖像強度數組並返回一個浮點值。示例有效的可調用對象包括 numpy.mean(默認)、lambda arr: numpy.quantile(arr, 0.95)，甚至是 skimage.filters.threshold_otsu() 。
iter_callback：可調用[[浮點]，任意]，可選: 在算法的每次迭代中將在閾值上調用的函數。

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

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

相關用法

注：本文由純淨天空篩選整理自scikit-image.org大神的英文原創作品 skimage.filters.threshold_li。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。